全球地表气温日较差长期趋势的演化特征

常 飞,葛雨诗,王舒慧,徐震昊,常 俊,季 飞,张 博

（1.民航甘肃空管分局，兰州 730000；2.兰州大学大气科学学院，兰州 730000；3.中国科学院大气物理研究所大气科学和地球流体力学数值模拟国家重点实验室，北京 100029；4.中国科学院大学，北京 100049；5.中国气象局气象干部培训学院四川分院，成都 610072）

引言

气温是用来衡量气候状态和变化的非常重要的因子，通常人们关注较多的是年、月、日平均气温。大量研究表明，随着人类活动排放的大量温室气体不断增加和累积，地球系统正在不断升温，即人们所熟知的“全球变暖”。近百年来，地球平均温度已经上升超过了0.89℃，并且这种变暖在未来将会持续下去[1]。有研究指出，最高、最低气温的变化能够比平均气温提供更多的信息，因为很多气候过程不仅仅依赖于平均气温的变化，在一定程度上也受到最高、最低气温的影响[2]。而在全球变暖的大背景下，平均最高气温和最低气温的变化趋势并不一致，后者上升趋势比前者更高，导致了全球气温日较差呈下降趋势[3-4]。气温日较差综合考虑了最高和最低气温的变化幅度，从而具有更广泛的指示意义，对于生态学、人类生存环境的变化、气候异常的影响和可持续发展研究具有特殊的参考价值[5]。

因此，大量学者把气温日较差当作表征气候变化的一个新的重要指标，进行了大量的研究。前人的研究结果表明，就全球尺度而言，气温日较差从20世纪初期开始呈下降趋势，1950年后的降低尤为显著[6-7]，这主要是更加强烈的夜间增暖所导致[8]。就区域尺度而言，国内也有很多学者研究了气温日较差的变化特征。翟盘茂等[9]发现，中国的气温日较差在1951～1990年下降了0.4℃。陈铁喜等[5]研究表明，中国绝大部分地区的年和季节气温日较差均呈显著下降趋势，说明过去50年来，各地日气温的最高、最低值的差异在变小，同时这种变化在东部季风区和西北地区及青藏高原地区表现出明显的差异。另外，也有很多对局部地区的研究分析，如华北地区[10]、青藏高原[11]、东北地区[12]等。总体而言，全球大部分地区的气温日较差呈下降趋势，不同区域之间存在一定的差异。

上述对气温日较差的研究已经取得了一定的成果，但其中仍然存在一些问题值得深入探讨。以往的研究大多数是从气温日较差的年平均或季节平均的角度，研究其在一段时间内的线性变化趋势，然而气温日较差作为气候系统对外强迫的反应，线性的变化趋势并不能反映其自身以及气候系统的复杂性和非线性特征。基于这样的目的，本文将利用非线性的数据分析方法——多维集合经验模态分解(Multi-dimensional Ensemble Empirical Mode Decomposition,MEEMD)，研究全球气温日较差、最高气温和最低气温的长期非线性趋势的时空演变特征，以期加深对全球气温日较差，乃至气候变化的理解。

1 资料与方法

1.1 资料简介

本研究中使用的气温日较差（Diurnal Temperature Range,DTR）、最高气温（Maximum Temperature,TMX）和最低气温（Minimum Temperature,TMN）数据资料均来源于东英吉利大学气候研究中心（Climate Research Unit,CRU）提供的TS v4.04高分辨率的全球地表格点月平均资料[13]，其空间分辨率为0.5°×0.5°。考虑到早期数据可能存在较大误差，故本文将研究时段选取在1951～2019年，并首先将月平均数据处理为年平均数据，以滤除年内尺度上的高频振荡信号，再进一步计算距平以消除量级差。CRU数据资料是受到广泛认可的高质量气象数据，可靠性较高。

1.2 多维集合经验模态分解

大气是一个高度复杂的、非线性的动力系统。因此，在众多外强迫的作用下，气象数据具有明显的非线性和非平稳性。然而，以往大多数研究都是通过一些较为传统的统计方法，例如线性拟合，来描述气象变量的长期趋势。但事实上，没有任何证据能够表明气象变量的内在趋势是线性关系，或是任何一种具有解析式的初等函数。不仅如此，所选择的研究时段也会对结论产生影响，而研究时段的选择甚至完全基于主观的决策。针对以上问题，集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)方 法 被提出[14]，近年来在气候变化研究领域已得到了较为广泛的应用[15-18]。

EEMD是一种具有自适应性和时间局部性的分析方法，不需要事先引入基函数，并且使用噪声辅助信号处理技术，通过引入白噪声并最终取集合平均，不仅很大程度上抵消了观测数据本身所携带的噪声，还极为有效地抑制了模态混叠现象的发生[14]。具体而言，将添加白噪声的原始序列或已减去若干个本征模函数后的序列的局部极值利用三次样条函数求出上下包络线，随后扣除包络线的局部均值，重复该过程直到局部均值处为0，从而得到一个本征模函数，直到产生趋势项，无法继续抽取时结束一次分解过程。再添加不同的白噪声多次重复，并对相应分量取集合平均。该方法能够将一维非线性、非平稳的时间序列，依赖于其自身的特征，自适应地分解得到多个本征模函数和一个长期趋势项：

如图1，棕色线为全球地表平均气温日较差距平序列x(t)，黑线为分解所得的若干本征模函数cj(t)，由上到下分别代表频率由高到低的分量，红线为剩余项，代表了长期趋势R(t)。

图1 全球地表平均气温日较差序列的EEMD分解示意（棕色线为原始序列；黑线依次为EEMD分解得到的从高频到低频分量；红线为长期趋势）

由于本研究工作的目的是揭示长期趋势的演化，故主要对长期趋势项加以关注。为了刻画物理量的累积演化，EEMD趋势被定义为：

式中R(t)表 示趋势项在某特定年份的值，R(t0)表示趋势项在1951年的值。例如，R(1990)-R(t0)为1990年的EEMD趋势，反映了1990年相比于1951年变量的累积变化，其余年份以此类推。为刻画长期趋势项的变化快慢，瞬时演化速率被表示为：

例如，1990年的瞬时演化速率可表示为：Rate(1990)=(Trend(1991)-Trend(1989))/2。同样的，其余年份以此类推。根据公式（3）的定义，瞬时演化速率的范围为1952～2018年。

在气候科学中，待研究的气象变量往往具有多个维度。于是，多维集合经验模态分解方法（MEEMD）被提出，并用于解决空间局部性和时间局部性的问题[19]。该方法基于EEMD发展而来，本质上是EEMD方法在不同空间格点上的重复使用。具体而言，首先对所有格点的距平序列逐个进行EEMD分解，然后取若干特定年份所有格点的EEMD趋势进行展示，即可刻画出趋势项的时空演变特征。事实上，这个计算过程对不同格点数据的分解是单独进行的，故MEEMD方法具有空间局部性。本研究基于以上方法，分析了1951～2019年全球地表气温日较差、最高气温和最低气温的长期演化趋势。

2 时空演变特征分析

2.1 全球地表气温日较差的长期演化趋势

根据上述定义，本文分别计算了全球地表气温日较差、最高气温、最低气温的EEMD趋势在图2所给出时间点上的空间分布。由于研究时段选取在1951～2019年，因此这里经过EEMD分解所得长期趋势项主要是70年及以上周期的多年代际振荡或更低频的分量，一些相对高频的周期性信号，例如热带季节内振荡(Madden-Julian Oscillation,MJO)、厄尔尼诺-南方涛动(El Niño-Southern Oscillation,ENSO)等已经被过滤掉。图中一个非常明显的特征是，在近一个世纪以来全球变暖的气候背景下，全球地表最高和最低气温整体上呈现出上升趋势，而全球地表气温日较差却主要表现为下降趋势。究其原因，通过对比同一年份最高气温和最低气温的EEMD趋势，可以发现全球地表最低气温长期趋势的非线性增幅相较于最高气温更甚，例如亚洲北部和东南部、澳大利亚北部、北美大陆西北部、南美洲北部和非洲中部等，而作为两者差值的日较差却不断降低。

图2 全球地表气温日较差（左）、最高气温（中）和最低气温（右）的趋势空间分布（自上而下分别为：1960、1980、2000、2019年的EEMD趋势和线性趋势；单位：K）

具体而言，在1960年以前，全球地表气温日较差的长期演化趋势在亚欧大陆的北部和东部、澳大利亚东北部、南北美大陆交界处、非洲乍得盆地和南非高原东南侧有微弱降低(＜ 0.3K)。在1970年左右，斯堪的纳维亚半岛北部、阿拉伯半岛西南角、北非阿特拉斯山脉附近、东非大裂谷附近、澳洲南部、北美大陆东北部和拉普拉斯平原北端则有零星增加(＞ 0.3K)。在随后较长的一段时间内，出现降低和增加的区域面积不断扩张，幅度也有所增加。进入21世纪后，最剧烈的降温中心出现在亚欧大陆的北部和东部、北美洲西部和南美洲北部，EEMD趋势＜-1.8K；非洲乍得盆地附近、澳大利亚东北部和南美洲南部日较差的降幅也达到了-0.9K。此外，上述日较差呈上升趋势的区域EEMD趋势中心值可达1.2K以上。图中线性趋势是指对变量做线性拟合后，计算得到该变量在1951～2019年的累积变化。通过对比全球地表气温日较差在2019年的EEMD趋势和线性趋势可以发现，尽管两者大致的特征是相似的，但是传统的线性方法不能揭示出更加细节的时空演化特征。

2.2 全球地表气温日较差长期演化趋势的纬向平均

为了获取全球地表气温日较差长期演化趋势的主要特征，这里对EEMD趋势进行纬向平均。在计算过程中为消除零星噪声的影响，又对纬向平均后的EEMD趋势进行了九点平滑处理，结果如图3所示。

图3 EEMD趋势的纬向平均（a.全球地表气温日较差；b.最高气温；c.最低气温；单位：K；注意正负半轴数值间隔不等）

以往的研究表明，全球地表气温EEMD趋势的纬向平均呈现出“三带”型结构特征[16]，这与本文中对全球地表最高气温和最低气温的研究结论较为类似。如图3(b)和图3(c)所示，最高气温和最低气温的共同特征是增温主要集中在北半球的中高纬度和15°N附近，以及南半球的副热带地区。但是最高温度在北半球的亚极地、副热带地区以及南半球45°S附近经历了一个先降低后增加的过程，而最低温度长期趋势的纬向平均则没有表现出非常明显的降温过程(＜-0.2K)。随着时间的推移，增温最为剧烈的纬度与最初开始增温的纬度大致重合。此外，容易关注到同一时刻最低温度的增幅明显高于最高温度，这与图3(a)中日较差长期趋势的纬向平均主要表现为降低的特征是相互吻合的。

就全球地表气温日较差长期演化趋势的纬向平均而言，大致存在五个主要的负值带，分别是北半球副极地(60°N及以北)、北半球副热带(25°～45°N)、赤道以北的热带地区(0°～15°N)、南半球副热带(20°～30°S)和南半球的中纬度附近(45°S)。这几个纬度也几乎同时在20世纪60年代中期开始呈现下降趋势。但在后期逐渐演变过程中，却表现出了不一样的特征：北半球的三个负值带有相伴随的子带，在图中表现为向左突出的冷舌，并且降低的趋势不断累积，气温日较差累积降低最为剧烈的区域位于30°～40°N；结合图3(b)和图3(c)可以发现，这主要是由于北半球这一区域近几十年来最低气温的升温幅度更大所导致的；而南半球则几乎没有子带的生成，并且降低的趋势先加强后有所减缓，甚至副热带地区在进入21世纪后逐渐转变为增温；南半球副热带所展现出的特征极有可能是该纬度带上近年来最高气温的增速超过最低气温所导致的；此外，自20世纪90年代以来，南半球副极地(60°S)附近出现了一个范围较小的降温带，该现象的物理机制有待于进一步研究。

2.3 全球地表气温日较差的瞬时演化速率

考虑到MEEMD是一种非线性的时空数据分析方法，因此与线性趋势不同，此处得到的长期趋势项的斜率是时变的。于是可以使用中央差商的方法数值计算EEMD趋势的一阶导数，并作为该时刻的瞬时演化速率，结果如图4所示。

图4 全球地表气温日较差（左）、最高气温（中）和最低气温（右）的变率空间分布（自上而下分别为：1960、1980、2000、2018年的瞬时演化速率和线性趋势斜率；单位： K/10a）

在20世纪60～70年代，全球地表气温日较差在亚欧大陆北部和东南部、黑海和里海附近、澳洲北部、北美西部、南美北部、非洲乍得盆地以及好望角附近具有降低的速率，数值大多可达-0.2K/10a；而在斯堪的纳维亚半岛北部、澳洲南部、北美东北部和东非大裂谷附近呈现出微弱的增温速率（0.1K/10a）。与此同时，全球地表最高和最低气温在亚洲中部、北美洲西北部、澳洲中部以及非洲中部和南部等地已经表现出明显的升高态势，而亚欧大陆南侧、北美大陆东侧以及南美北部等地则是快速降低。随后，最高和最低温度呈现降低趋势的区域面积快速收缩，到1980年左右，除了一些局部区域，例如落基山脉中部等，其余区域基本表现为上升趋势，且增速逐渐增加。又通过比较同一时刻的演化速率，容易发现最低温度长期趋势的增速要明显高于最高温度，这表明两者之间的差距，即气温日较差，极可能呈现降低的趋势。事实上，日较差长期演化速率的计算结果也的确反映了整体上不断降低的趋势，但具有趋于减缓的特征。值得关注的是，早期日较差在澳洲北部、地中海沿岸等区域具有降低的速率，随后迅速收缩直至完全转为增温；进入20世纪后，演化速率展现出更加明显的区域差异性。整体而言，北半球最高温度和最低温度的演化速率高于南半球，尤其是以北半球的中高纬度更甚。此外，日较差在南美洲南部巴塔哥尼亚高原附近逐渐表现出明显的增温速率。还应指出的是，线性趋势的斜率是固定的，所提供的信息甚少，不能表达具有时变性的演化速率特征，这也正是EEMD作为一种非线性自适应数据分析方法的优势所在。

3 结论

本文利用多维集合经验模态分解方法探究1951～2019年全球地表气温日较差、最高气温和最低气温长期趋势的时空演化特征，得到以下主要结论：

（1）全球地表气温日较差在70年及更长的周期上呈现降低趋势，尤其是北半球中高纬度地区最为剧烈，空间差异性较大，仅少部分区域呈现升高趋势。全球地表最高气温和最低气温整体而言表现出升高趋势，并以北半球中高纬度和南半球副热带地区较为剧烈，最低气温的非线性增幅比最高气温更大，与日较差的研究结果相吻合。

（2）EEMD趋势纬向平均的结果揭示了全球地表气温日较差主要有五条负值带，并且降低趋势在北半球逐渐加强，并存在与之相伴随的子带，而在南半球具有先加强后减弱的特征。此外，全球地表最高气温和最低气温EEMD趋势均具有类似“三带”的结构特征。

（3）从瞬时演化速率的角度出发，随着时间推移，全球地表气温日较差主要表现出下降的态势，并且下降速率整体上趋于减缓，并于后期在澳洲北部、地中海沿岸以及南美洲南部等地转为上升趋势。