基于地面观测资料的全球高温阈值探讨

杨舒楠 , 孟庆涛 , 周宁芳 , 赵 威

1.国家气象中心， 北京 100081 2.中国气象局-河海大学水文气象研究联合实验室， 北京 100081

0 引 言

国家“一带一路”倡议的提出和推进，对我国“全球监测、全球预报、全球服务”气象业务提出了极为迫切的需求。近年来，越来越多的学者开始关注全球的气候及气象灾害特征研究(张井勇等,2018；金红梅等,2019；刘甜等,2019)。高温天气是影响“一带一路”沿线国家或地区的主要气象灾害之一，而部分国家的防灾减灾能力较弱，且近几十年来高温极端天气事件增多趋势明显(Della-Marta et al,2007；Tanarhte et al,2015)，因此，对全球高温天气的实时监测和准确预报具有重要意义。

针对高温极端天气的研究一直备受气象学家关注。Morak等(2013)利用观测和气候模拟数据对全球极端高温频率进行研究，指出几乎所有季节均可看到高温频率的增加。Stone等(2000)、Degaetano和Allen(2002)、Rusticucci和Barrucand(2004)、Dash和Mamgain(2011)分别就美国、印度、阿根廷和加拿大等地区的极端高温天气或气候事件进行了深入研究。国内专家针对中国不同区域的高温分布、变化特征及区域差异等的研究工作也很多(李艳等,2014；李纵横等,2015；陈颖等，2016)，而近年来也逐渐将研究扩展至“一带一路”沿线国家或地区(Feng et al,2018；金红梅等,2019)。

在统计研究中，高温天气的定义指标有很多种。如绝对值定义：以35 ℃、37 ℃或40 ℃等作为高温阈值进行分析(史军等,2009；Ding et al,2010)，但此方法仅适用于日最高气温分布相对均匀的地区，无法用于全球。为方便不同地区相互对比，国内外更常见的方式是采用某百分位值作为高温阈值(Joneset al,1999；Yan et al,2002；Zhang et al，2005；李庆祥和黄嘉佑,2011)，一般使用90百分位值作为高温指标，但具体百分位计算及阈值划分方式有多种(陈颖等,2016)。Zhang等(2005)对比分析了不同概率分布近似条件下，多种统计时间窗的百分位高温阈值计算方法。李庆祥和黄嘉佑(2011)利用站点日最高气温资料对中国高温阈值进行探讨，指出基于实际样本频率分布的高温阈值计算方法，对中国高温阈值确定更为合理。

面对全球高温灾害性天气，中国的全球气象业务目前尚无高温天气标准。世界气象组织建议以32 ℃为高温热浪标准，但该阈值显然并不适用于全球大多数地区，这致使热带地区高温日数过多(张井勇等,2018)。全球大多数国家都有各自的高温或高温热浪标准，各国阈值差别非常大，如中国以35 ℃作为高温天气标准，北欧多国将阈值定在25 ℃，印度的高温标准则高达40 ℃。由于全球气温分布具有不均匀性，无法采用同一数值作为高温阈值，因此，亟需建立全球分区域的高温监测、预报阈值标准，以推动我国全球气象业务发展。

文中利用具有一定时间长度和空间覆盖率的全球地面观测数据，探讨全球高温阈值计算的方法和结果，旨在为全球分区域高温阈值制定和高温监测预报业务提供理论基础，也为区域防灾减灾提供参考依据。限于非洲观测数据的质量，文中仅涉及陆地范围(不包含非洲)的高温阈值探讨。

1 资料选取与整理

1.1 数据选取

文中所用的日最高气温资料来自NOAA的全球地面日值数据(Global Surface Summary of the Day，GSOD)，该数据由全球地面逐小时观测数据集(The Integrated Surface Hourly dataset，ISH)计算所得，是目前数据量较全、较稳定的全球站点观测资料集之一。数据集起始时间为1929年，其中1973年以后的数据相对较完整，到目前每天有包含大约9 000多站的日值观测资料，其数据计算统计区间为00：00—23：59 UTC。

GSOD数据来自地面气象观测数据，避免了卫星反演数据、分析数据等在计算和差值过程中产生的误差。事实上，中国的高温灾害性、极端性天气监测预报业务中，阈值和标准等的建立均采用气象站观测资料作为统计依据(李庆祥和黄嘉佑，2011)。通过对比GSOD数据和CPC、ERA等分析资料的日最高气温数据发现，与观测数据相比，分析数据虽然平均误差较小，但其累积概率分布在很多站点均存在较大差异(图略)，尤其在高温一侧，这将给高温阈值的计算带来误差。因此，文中采用地面观测数据展开高温阈值的探讨。

1.2 资料整理及高温数据集构建

由于全球不同国家或地区的气象业务发展水平参差不齐，其参与全球交换的气象数据在时间连续性和空间覆盖率等方面均存在较大差异，因此在进行统计前需对资料进行整理。

首先，对1973年以后的日最高气温观测资料序列进行整理，综合考虑有效观测站点数及观测数据的到报率(有效数据日数占统计时段总日数的比例)。图1显示，GSOD资料序列中日最高气温观测从1973年以后较为完整，有效观测站点维持在7 000余个，到2012年迅速增至8 000余个。虽然1973—2012年总观测站点数变化不大，但观测数据的稳定性在不断提升：20世纪70—80年代，日最高气温观测的平均到报率仅为70%—75%，其中高到报率(≥95%，下同)站点仅3 000余个；进入90年代，数据到报率迅速增加，平均到报率从74%增长为80%以上，高到报率站点也稳定在4 000个以上；进入21世纪，平均到报率继续攀升至90%以上，同时高到报率站点数迅速增长，可见全球日最高气温观测数据越来越稳定。近年来，全球80%的观测站点(超过7 000个)到报率均超过95%。

图1 GSOD资料序列中日最高气温观测总站点数、到报率≥95%站点数和站点平均到报率演变Fig. 1 Evolution of the number of daily maximum temperature observation stations, the number of stations with reported rate ≥95%, and station average reported rate in the GSOD data series

综合以上分析，自20世纪90年代开始全球日最高气温观测数据来源较为稳定。在气候统计分析中，通常以30年作为一个气候基准，因此文中选用1990—2019年为统计时段。在此期间，GSOD数据有日最高气温记录的站点共计12 650个(图2)。但上述站点在统计时间段内的有效记录覆盖时间长短差异明显，大多数站点在20世纪90年代甚至21世纪初资料缺测现象仍十分严重，部分站点在2010年以后才开始有相对较稳定的观测(图略)。从30 年平均到报率看(图2)，其空间分布十分不均匀：在北美、欧洲中西部、中国、日韩等经济较发达地区，能够获得稳定资料的站点密集程度要明显高于全球其他地区，这些地区大多数站点的平均到报率都超过95%；与之相反，中亚、非洲和南美洲的站点到报率总体较低，甚至有的站点的到报率在10%以下。

图2 全球1990—2019年日最高气温观测站点的空间分布和平均到报率(单位：%)Fig. 2 Spatial distribution and average reported rate (units:%) of daily maximum temperature observation stations from 1990 to 2019

阈值统计需要观测数据时间序列具有一定时间长度和稳定的高到报率，因此需对统计时间段内的观测站点进行筛选：要求缺测资料日数要控制在总资料日数的5%以内(孙军和张福青,2017)，即到报率95%以上。但由于全球资料缺测严重、站点空间分布极不均匀，为保证观测站点具有一定空间密度和覆盖率，在统计时对某些地区适当放宽了要求，具体站点筛选方法如下：

首先，统计1990—2019年所有年份到报率均高于95%的站点(图3中的“1”)。在此基础上，增加仅1年到报率低于95%但高于80%(图3中的“2、3”),或仅2年到报率低于95%但高于90%的站点(图3中的“4”)。经上述筛选，中亚、南亚、中东等地区的站点仍很少或几乎没有，因此需要对上述地区人工增选观测站点。所增选的站点在某几年的到报率低于95%，但其30年平均到报率高于95%，因此可用来进行阈值分析，但在气候变化等趋势性分析时需加以剔除，图3中的“5”)。

图3 全球筛选日最高气温观测站点分布(总站点数量1 969个)Fig. 3 Distribution of selected global daily maximum temperature observation stations (the total number of stations is 1 969)

通过上述步骤，共计筛选出站点1 969个(图3)，建立了较完整连续的全球1 969个站点30年逐日最高气温资料集。该资料集除非洲观测站点缺乏、南美洲北部及南北极圈内的站点较为稀疏外，全球其他地区的站点均具有较好的空间覆盖率。

对于北半球高纬度地区(北美洲北部和俄罗斯北部)常年严寒，很多地区无人居住，气象观测站点非常稀少，其中大多数站点建立于21世纪以后，有些站点甚至是近10年才设立(图4a)，因此数据的有效观测长度非常短。南美洲北部的数据情况与之相仿，南美洲北部的广袤地区为热带雨林气候区，亚马逊平原辽阔的热带森林人口稀少，每平方千米不足1人，气象观测发展缓慢，很多站点建站时间较晚，且观测设备维护和数据传输等问题导致数据传输非常不稳定，缺测现象严重(图4b)。

非洲气象观测发展缓慢、观测仪器缺乏维护、电子化信息化程度低，数据缺测程度非常严重。统计非洲观测资料到报率结果显示，其主要问题在于设备的维护和数据的传输。非洲观测站点中，仅有不到0.5%的站点拥有较稳定的高到报率(图略)。在所有站点中约有36%的站点建立时间晚于1990年，其中部分站点建立于2000年之后；而其他63.5%的站点则存在数据稳定性非常差的问题，甚至经常连续数年没有数据(图4c)。从30年平均到报率看，除非洲北部少数站点外，其他地区均在50%以下，甚至很多站点低于10%(图2)。即使近几年，非洲的地面观测也仅有33%的站点到报率能达到95%。鉴于以上原因，无法利用地面观测资料开展高温阈值统计。针对非洲的高温阈值，将在其他研究中，依靠全球再分析资料和卫星反演资料等进行探讨和补充。

图4 代表站点逐年到报率(a.俄罗斯北部和加拿大北部站点，b.南美洲北部站点，c.非洲站点)

2 高温阈值计算方法

2.1 实际概率分布百分位阈值统计

文中选用90百分位数对应的温度值作为该站点的高温阈值。在传统计算中，通常将统计时间段内的日最高气温序列按从小到大的顺序排列(t1，t2，t3，…，tn)，则某一百分位数对应的温度值为

t0=(1-a)tm+atm+1

(1)

式中，m为温度序列的序号；n为总样本数；a为权重系数。实际计算时，m和a的计算有多种方法(Zhang et al,2005;李红梅等,2008)，一般常取m=[p0(n+1)]，a=p0(n+1)-m，其中p0为所计算百分位值对应的概率，方括号表示数值取整(黄嘉佑，2016)。

传统计算方法均对温度序列的概率分布有所假设，而实际上日最高气温序列既不遵从均匀分布，也不完全遵从正态分布，所以严格意义上讲，采用传统的百分位阈值计算方法，会存在2 ℃左右的误差(李庆祥和黄嘉佑，2011)。因此，为更精确地计算高温阈值，参照李庆祥和黄嘉佑(2011)的方法，利用最高气温数据的实际累积概率分布来确定百分位阈值。计算时首先对30年的站点日最高气温时间序列进行排序，并确定样本频率分布的分组数量。组数计算公式为G=1+3.322lgn(黄嘉佑，2016)，其中n为总样本数，文中取为30年夏季的总日数。因所选月份差异和站点数据缺测，不同站点的样本数n值为2 660—2 760，该样本数的变化对分组数量的影响不大，根据计算所得，分组组数近似取为12。

分组确定后，分别计算每组数据的频率分布，然后利用序列的实际累积概率分布，通过线性差值的方式确定相应百分位的高温阈值。此方法可较为真实地反映温度序列的分布情况，具体计算方法：

t0=ati+(1-a)tj

(2)

(3)

当p0(90)百分位数落入某两组数据(ti，tj)的累积频率值(pi，pj)之间时，采用式(2)和式(3)线性差值求得相应的气温阈值。

2.2 统计时间窗

选取1990—2019年夏季为高温阈值统计时间窗。在大多数研究中，北半球夏季一般定义为6—8月，而南半球夏季则定义为12月至次年2月。但实际上，受不同气候类型、大气环流特征、地形及洋流等影响，全球不同站点的气温月变化存在较大差异(图5)。如果仅按南、北半球区分夏季，所计算的高温阈值将会存在较大误差。

图5 代表站点月平均日最高气温分布(a.瑞士日内瓦，b.澳大利亚堪培拉，c.日本东京，d.老挝万象，e.印度新德里，f.菲律宾达沃)Fig. 5 Monthly mean daily maximum temperature distribution of representative stations (a.Geneva, Switzerland; b.Canberra, Australia; c.Tokyo, Japan; d.Vientiane, Laos;e.New Delhi, India; f.Davao, Philippines)

对最热三个月统计(图6)显示，北(南)半球温带和寒带大部分站点以6—8月(12月至次年2月)的日最高气温为峰值(如瑞士日内瓦和澳大利亚堪培拉，图5a、b)；但日韩、中国东南沿海、欧美沿海等地区，则以7—9月为最热(如日本东京，图5c)；南亚、东南亚等热带地区，全年气温均较高，最热的月份往往集中在3—5月或4—6月的干季(如老挝万象和印度新德里，图5d、e)；而某些热带地区站点，全年日最高气温的月较差非常小，最热三个月甚至并不连续(如菲律宾达沃，图5f)。

图6 全球1 969个气象观测站最热月份(三个月)分布(数值字代表月份)Fig. 6 The hottest three months of global 1 969 meteorological observation stations (the number represents each month)

考虑全球站点地理位置的特殊性，选取两种夏季定义方式：第一种直接选取站点真实最热三个月(图6)为夏季；第二种对北半球中高纬度地区夏季定义为6—8月，南半球中高纬度地区夏季定义为12月至次年2月，而低纬地区及地形影响较大区域夏季定义为真实最热三个月。经过计算，此两种夏季定义方式的计算高温阈值相差较小，大多数站点相差不到0.5 ℃，1 969个站的均方差仅0.15 ℃，因此文中主要就第一种方法的计算结果进行讨论。

3 计算结果分析

3.1 不同日最高气温值的百分位分布

在对全球高温阈值进行讨论前，首先对目前WMO和中国现有高温标准在气候统计中的百分位情况进行比较。WMO建议的高温热浪标准为日最高气温高于32 ℃；中国业务高温标准为最高气温高于35 ℃，其中全国高温预警的发布则以37 ℃高温的影响范围为参考。因此，针对上述三种阈值的百分位进行了计算(图7)。

图7 32 ℃(a)、35 ℃(b)和37 ℃(c)对应的1990—2019年夏季日最高气温气候统计百分位值(单位：℃)

图7a显示，对于欧洲大陆45°N以北的大部分地区，32 ℃的最高气温对应90或以上百分位；45°N以南地区，32 ℃大多对应85—95百分位，且随纬度降低而递减。WMO选用32 ℃作为高温建议阈值，与其总部日内瓦所在地理位置(约46°N)有很大关系，其附近站点32 ℃对应90—95百分位。对于亚洲大陆，情况较为复杂：俄罗斯、蒙古、日本北海道和中国东北地区及青藏高原高海拔地区，32 ℃的最高气温对应90及以上百分位，但中亚、中东、阿拉伯半岛及南亚东南亚等地区，32 ℃均对应80以下百分位。对于中国35 ℃高温标准(图7b)，除高海拔站点外，中国大部分站点35 ℃均对应90以上百分位，有些站点甚至达95百分位。对比整个亚欧大陆，除中亚、阿拉伯半岛、中东、印度半岛和中南半岛外，其他地区35 ℃均对应90以上百分位。

从WMO和中国高温标准对应的百分位看，选用夏季90百分位数作为阈值计算指标是较为合理的，这也与大多数高温极端天气或高温热浪研究相符(Zhang et al,2005；李庆祥和黄嘉佑,2011；李艳等,2014)。对于高温阈值的选取，既要反映大气的极端性，又要具有一定的代表性，即高温事件不能太多，也不能太少。对于更高的百分位数，其能够体现温度的更极端状态，但以此确定的阈值过高，年高温日数将明显变少。以95百分位为例，在统计上，其年平均高温日数仅有4.5 d(90 d×5%)，高温日数明显偏少。比如对于中国，95百分位对应的温度值仅在江淮和江南地区之间为35 ℃左右，但在此区域以北及以南的大部分地区，温度值都要超过37 ℃，与中国的现行高温标准有明显出入。

对比亚欧区域不同温度值的百分位分布(图7)发现，欧洲大陆的最高气温百分位数较亚洲略偏大，因此其高温阈值偏低，阈值确定可参考WMO的高温标准。亚洲大陆中东部的最高气温百分位分布特征与中国相近，阈值确定可参考中国的35 ℃高温标准；东南亚地区温度偏高，37 ℃的最高气温对应90百分位(图7c)；而对于印度半岛、中亚、阿拉伯半岛等地，37 ℃对应90以下百分位(图7c)，因此需要更高的高温阈值。

3.2 90百分位高温阈值

图8给出了全球1 969个观测站夏季(实际最热三个月)日最高气温90百分位对应的高温阈值计算结果。从全球范围看，高温阈值总体呈从赤道向两极递减趋势，阈值最高的区域位于阿拉伯半岛到非洲北部的沙漠地区(高于40 ℃)，阈值最低的区域集中在南、北极圈内。

图8 全球1 969个气象观测站1990—2019年夏季日最高气温90百分位值(单位：℃)Fig. 8 90 percentile of daily maximum temperature (units：℃) at global 1 969 stations during summer from 1990 to 2019

受气候特征、海陆差异、海拔高度等影响，即使相同纬度的不同地区阈值差异也较大。例如，同样位于25°N附近的站点，高温阈值为27—48 ℃(图9)：阿拉伯半岛(30°—60°E)受热带沙漠气候影响，高温阈值可达44—48 ℃，站点平均45.5 ℃；印度半岛北部(66°—85°E)处于热带季风气候区，高温阈值为41—44 ℃；在95°—110°E附近，25°N线贯穿中国云贵高原，此区域站点海拔普遍高于1 000 m，高温阈值仅为27—31 ℃，站点平均值为29.8 ℃；110°—120°E之间为中国江南、华南地区，受季风气候影响，高温阈值为35—37 ℃；而西北太平洋岛屿(124°—130°E)受海洋气候影响，高温阈值仅为32—33 ℃。

此外，受海陆差异影响，沿海站点的高温阈值普遍低于内陆。例如，北欧挪威海沿岸高温阈值(19—22 ℃)较同纬度东欧平原北部(26—28 ℃)低6—7 ℃(图9)；北美阿拉斯加半岛沿海高温阈值较加拿大东北部低5—6 ℃。全球不同区域地理地形和气候差异显著，高温阈值空间分布极不均匀，以下将分区域对其进行探讨。

图9 (24°—26.3°N；30°—135°E)区域气象观测站日最高气温90百分位值和海拔Fig. 9 90 percentile high temperature threshold and stations’ altitude of daily maximum temperature observation stations between 24°N and 26.3°N；30°E and 135°E

亚洲地区，不同地区或气候条件下，高温阈值存在显著的差异。日本、韩国等东亚国家受东亚季风气候影响，高温阈值为30—36 ℃(图8)。中南半岛和印度半岛虽然位于近似纬度，但印度大陆面积广阔，北部有青藏高原阻挡冷空气南下，地形起伏闭塞，气温更易升高，在夏季形成印度热低压中心(朱乾根等，2007)，加上印度半岛的印度季风爆发晚于中南半岛的南海季风，因此印度半岛(尤其北部)高温阈值明显高于中南半岛。中南半岛高温阈值分布较均匀(37—40 ℃),而印度半岛高温阈值为38—45 ℃，且内陆地区由南向北递增。印度尼西亚、马来西亚群岛及其他太平洋热带岛屿国家虽更接近赤道，但受热带雨林气候影响，高温阈值普遍为32—35 ℃。地处欧亚大陆腹地的中亚地区气候为典型的沙漠和大陆性气候，雨水稀少、温度极高，其与阿拉伯半岛高温阈值均较高，基本都在40 ℃以上。其中，阿拉伯半岛中部高温阈值为42—48 ℃，为全球高温阈值之最。

欧洲地区，大陆区域的高温阈值总体呈从南向北递减趋势，沿海地区阈值低于内陆，其阈值大值中心主要位于伊比利亚半岛中东部和巴尔干半岛中部。这两个地区纬度相对较低且均受地中海气候影响，高温阈值分别为34—40 ℃和34—37 ℃。此外，欧洲45°N以北地区高温阈值普遍低于32 ℃(图8)，其中，大不列颠岛和北欧地区的阈值为20—25 ℃，其他地区为27—32 ℃;45°N以南地区的高温阈值变化较大，为26—40 ℃。

北美大陆主要受温带大陆和温带海洋性气候影响，高温阈值总体呈由低纬向高纬递减、沿海低于内陆的特征(图8)。加拿大高温阈值普遍低于32 ℃，阈值最低的站点位于北极圈内的巴芬岛和格陵兰岛。北美高温阈值的最大值(40—44 ℃)出现在美国西南部，此区域为北美莫哈维沙漠和索诺拉沙漠地区，受热带沙漠气候影响，温度显著高于北美其他地区。墨西哥到中美洲一带，气候特征复杂多样，高温阈值为33—40 ℃。

南美洲中北部地区，高温阈值随纬度增加而递减的趋势并不明显，除沿海和西部高海拔地区外，总体分布较均匀，都集中在34—37 ℃，中部地区局地可达39—40 ℃(图8)。南美西部的高海拔和沿海地区，受高原山地气候和冷洋流影响，高温阈值仅为23—27 ℃。

大洋洲气候分布较为复杂，高温阈值空间分布极不均匀，阈值跨度较大(图8)。澳大利亚大陆北部和东部分别受草原气候和季风气候控制，气温较适宜，高温阈值为32—35 ℃；而澳大利亚中西部为广袤的沙漠，在热带沙漠气候影响下，高温阈值普遍为40—41 ℃。塔斯马尼亚岛和新西兰为温带海洋性气候，高温阈值为20—28 ℃。而所罗门群岛至库克群岛一带的太平洋岛屿，受海洋性气候影响，高温阈值为31—34 ℃。

3.3 代表站点对比分析

为更直观对比不同气候影响下，全球不同区域的日最高气温分布特征及计算高温阈值，并与现有的高温标准进行对比，选取全球9个代表站点进行分析，其地理位置、主要影响气候和高温阈值如表1所列。

表1 全球不同区域代表站点信息

分析代表站点日最高气温的30年概率密度函数分布(图10)发现，不同区域、不同气候背景下，日最高气温的分布具有明显差异，且温度分布也与典型的正态分布有一定差别，这是文中选用实际概率分布来计算高温阈值的原因，也是对不同区域和气候类型需要分别考虑不同高温阈值的原因。

图10显示，对于温带地区的4个站点(北京、日内瓦、华盛顿、瑞典，图10a、b、f、i)，其日最高气温概率密度函数大值的分布区间较宽泛，有的站点会有双峰或多峰特点。从阈值分布看，温带地区除高海拔及沿海高温阈值较低、沙漠气候区阈值较高之外，其高温阈值主要受纬度影响较大(图8)，其中中纬度地区的温带季风、温带大陆气候影响地区较广，阈值大多为35—37 ℃(如北京、华盛顿)；越过45°N，高温阈值迅速降低至32 ℃及以下(如瑞士)，纬度较高地区，阈值通常为25—27 ℃(如瑞典)。

图10 1990—2019年全球不同区域代表站点日最高气温概率密度函数分布(红线为各站点的相应计算90百分位高温阈值)(a.54511号站，中国北京； b.6700号站，瑞士日内瓦； c.42182号站，印度新德里； d.94926号站，澳大利亚堪培拉； e.40437号站，沙特阿拉伯利雅得； f.72405号站，美国华盛顿； g.83612号站，巴西大坎普； h.48665号站，马来西亚马六甲； i.2464号站，瑞典斯德哥尔摩)Fig. 10 Statistical probability distribution of daily maximum temperature at representative stations in different regions of the world from 1990 to 2019 (the red line is the corresponding calculated high temperature threshold of each station) (a.54511, Beijing, China; b.6700, Geneva, Switzerland; c.42182, New Delhi, India; d.94926, Canberra, Australia; e.40437, Riyadh, Saudi Arabia; f.72405, Washington, USA; g.83612, Grand Camp, Brazil; h.48665, Malacca, Malaysia; i.2464, Stockholm, Sweden)

对于热带地区的站点(新德里、利雅得、大坎普、马六甲，图10c、e、g、h)，全年气温普遍较高，因此其峰值非常集中。尤其热带雨林气候区(图10h)，全年高温多雨，最高气温分布集中在29—35 ℃(累积概率达85%以上，图略)。由于热带地区温度普遍较高，且概率分布集中，因此该地区的高温阈值受纬度影响较小，气候特征对阈值的影响占主要地位(图8)。例如，位于热带雨林气候区的马六甲高温阈值仅为34.85 ℃；位于热带草原气候区的巴西中南部，高温阈值普遍在37 ℃左右(大坎普36.50 ℃)；位于热带季风气候区的印度半岛高温阈值超40 ℃(新德里42.90 ℃)；而热带沙漠地区温度阈值为全球最高(如阿拉伯半岛、非洲北部及澳大利亚中西部)，高温阈值均非常高，其中沙特阿拉伯的利雅得，阈值达45.90 ℃。

澳大利亚堪培拉位于澳大利亚东南部，主要受亚热带季风气候影响，夏热冬温，四季分明，其日最高气温分布的偏态分布特征明显(图10d)，在较高温度一侧拥有更高的概率分布。其在纬度上与中国江淮地区相对应，温度阈值也较为接近。

计算高温阈值与国内外常用标准对比显示，北京的计算高温阈值为35.34 ℃，与中国实行的业务标准35 ℃较为吻合。瑞士日内瓦的计算阈值为31.82 ℃，非常接近WMO建议的高温热浪标准32 ℃。印度对高温热浪的定义为平原地区高温标准40 ℃，瑞典等北欧国家则以25 ℃为高温标准，文中计算的新德里和斯德哥尔摩高温阈值较其本国标准略偏高，这是因为选取站点为较大城市，高温现象更明显。

分析全年日最高气温概率密度函数分布(图10)发现，北京的计算高温阈值所对应概率密度约为1.4%，计算所得高于该高温阈值的累积概率约2.9%。与之相对比，其他代表站点的高温阈值所对应的概率密度及高于该高温阈值的累积概率分别为1.0%—1.7%和2.2%—3.8%，与北京站的计算值较为接近。而北京站的高温阈值又与实际业务标准非常吻合。在此种高温阈值下，各个站点30年的高温日数约为241—416 d，平均每年约为8—14 d，此计算高温阈值可以较好地反映全年温度的极端性，且与中国的业务标准和习惯较为吻合。

4 结论与讨论

选用1990—2019年GSOD全球地面观测数据，在对长时间序列日最高气温资料分析基础上，筛选出满足统计需求的全球1 969个观测站，建立相对完整连续的逐日最高气温资料集，探讨全球(不包括非洲)高温阈值的统计方法和计算结果，得到：

1) 利用站点实际最热三个月的日最高气温实际累积概率分布，采用90百分位数作为高温阈值统计方法，可以较好反映全球高温天气，也与大多数高温极端天气或高温热浪研究相符。对比国内外现有高温标准以及最高气温概率密度函数分布等，计算最高气温阈值能较好地反映全年气温的极端性，且与中国的业务标准和习惯较为吻合。

2) 全球高温阈值总体从赤道向两极递减，最高值位于阿拉伯半岛到非洲北部的热带沙漠地区，最低值集中在南、北极圈内，同时受气候特征、海陆差异、海拔高度等影响，同一纬度不同地区的阈值也会存在显著差异，海洋附近站点及高海拔地区阈值较同纬度其他地区偏低。温带地区高温阈值受纬度分布影响最明显，热带地区受气候类型影响更显著。

3) 亚洲高温阈值区域差异显著，东亚季风气候区阈值为30—36 ℃，中南半岛37—40 ℃，印度半岛38—45 ℃，中亚及阿拉伯半岛均在40 ℃以上，其中阿拉伯半岛可达42—48 ℃。欧洲大陆与北美洲的高温阈值总体从南向北递减、沿海低于内陆。欧洲阈值大值中心位于伊比利亚半岛和巴尔干半岛(34—40 ℃)，北美则出现在美国西南部的沙漠气候区(40—44 ℃)。欧洲45°N以北及加拿大阈值普遍低于32 ℃。南美洲最高气温阈值受纬度影响不明显，除沿海和西部高海拔地区外(23—27 ℃)，高温阈值分布总体较均匀(34—37 ℃，局地超过39 ℃)。大洋洲阈值分布极不均匀，澳大利亚北部和东部阈值32—35 ℃，而中西部沙漠地区阈值为40—41 ℃。此外，亚洲与大洋洲的太平洋热带岛屿国家高温阈值普遍在31—35 ℃。

文中高温阈值计算基于全球站点实况观测数据，对于数据缺测严重的非洲大部分地区，尚缺乏有效的统计站点，因此需在未来的研究中利用再分析资料或卫星反演温度资料等进行讨论。此外，为方便全球最高气温监测预报业务和服务的需要，需在一定空间范围内实现阈值的统一。在进行阈值区域统一时，需综合参考该区域的计算高温阈值、气候类型、国家或地区的地域范围及当地最高气温标准等，这部分工作有待今后进一步深入研究。