河北保定百年均一化逐日气温序列的建立及其气候变化特征

司鹏 郝立生 傅宁 王敏 赵煜飞 梁冬坡

摘要 基于国家气象信息中心收集整理的保定气象站1919年以来逐日最高和最低气温观测数据，首先，通过数据质量控制剔除原始观测资料中因人工观测或记录、仪器故障及数字化人工录入等导致的错误数据;其次，基于天津百年均一化逐日气温数据，利用标准化序列法对质控后的原始观测数据进行延长插补;进而通过两种途径建立的年和月尺度参考序列，利用惩罚最大t检验（Penalized Maximal T，PMT）和分位数匹配法（Quantile-Matching，QM），修正了插补后保定气象站日最高和最低气温序列中因数据插补、迁站和仪器变更等造成的非均一性影响，由此建立了河北保定1912—2019年均一化最高和最低气温日值序列。分析表明，构建的年平均气温距平序列百年尺度的年代际和趋势变化特点与Berkeley Earth-monthly、CRUTS4.03和GHCNV3基本一致，并且与整个京津冀区域相比，很好地反映出保定地区城市快速发展所带来的增暖变化特点。另外，从百年极端温度变化来看，保定地区1912年以来年和季节极端温度也是呈明显的增暖变化，年和秋季极端最低气温（TNn）的增暖趋势分别为0.340 ℃／（10 a） 、0.404 ℃／（10 a），对应的气温日较差（DTR）分别为-0.118 ℃／（10 a）、-0.215 ℃／（10 a）（均通过置信度为95％显著性检验）。

关键词 百年尺度; 日值序列; 延长插补; 均一化; 极端温度变化

长年代完整可靠的气候观测资料是诠释区域气候变化和评估模式模拟性能的重要基础支撑，也是深入系统地检测区域或局地气候变化规律及预测未来气候变化趋势的可靠观测依据。然而，由于目前国内外站点覆盖度、资料完整性及观测序列非均一性等问题，使得19世纪到20世纪中叶长达百年尺度的区域或局地气候变化特征仍然存在着许多不确定性（Stocker et al.，2013;Sun et al.，2017;苏布达等，2022）。因此，如何建立完整可靠的长时间观测序列一直是气候变化研究中首先需要解决的关键问题（Stone et al.，2013）。

目前国内外对于20世纪50年代以来全球范围气温观测序列的建立研究相对成熟，并且随着气候资料处理技术的逐步完善及研究证据的不断增加，20世纪中叶以来全球尺度和大多数陆地区域尺度极端温度事件的归因在信度上也有大幅度提高（孙颖，2021;姜彤等，2022;袁宇锋和翟盘茂，2022）。根据IPCC AR6最新研究结论得到（Masson et al.，2021），全球氣候增暖已是毋庸争辩的事实，随之带来的极端气候事件强度的增强以及频率的增多已达到高信度水平，即使是全球小幅变暖也会加剧极端事件频次和强度的变化。所以，这些认识不得不让我们重新审视尽可能长时间尺度完整且相对可靠的气候观测资料的重要性。对于百年尺度的气温观测资料来说，由于收集和获取困难以及观测时间不同等非气候因素造成的序列系统误差，导致很难形成一套完整连续且质量较好的全球百年尺度逐日气温数据集（Menne et al.，2012）。同样，对于我国来说，由于历史原因造成1950年以前观测序列的不完整以及迁站等原因造成的气候资料非均一性（Yan et al.，2001;Li et al.，2018;Si et al.，2021;司鹏等，2022），导致许多珍贵的百年尺度观测气温序列无法在区域或局地极端气候变化研究中充分实现其重要的科学价值。

保定气象站是我国京津冀地区保留着百年以上观测气候资料的典型台站之一（司鹏等，2017）。司鹏等（2017）基于多来源的气温月值资料，在数据整合和初步质量控制基础上，通过缺测记录插补和非均一性订正建立了保定气象站1913—2014年逐月气温序列，研究成果对我国京津冀地区百年尺度气温观测序列的建立提供了重要借鉴。然而，随着近年来我国对长序列原始观测资料的不断收集整理、国内外新的全球陆表长时间尺度观测气温数据集的研制及其构建方法的改进，细化保定气象站百年尺度气温观测资料的时间尺度，并提高现有百年观测资料的质量是有必要尝试的。同时，也能够满足气候变化和极端气候变化研究领域对可靠长时间尺度逐日基础观测数据的需求。因此，本文拟在已有研究（司鹏等，2017）基础上，收集整理尽可能详尽的台站元数据信息，基于日尺度的保定气象站最高和最低气温观测数据，采用新的参考数据源，并改进均一化分析中参考序列的建立方法来构建该站百年尺度的均一化逐日气温序列。

1 保定气象站历史沿革

保定气象站在1950年以前存在2个时段的观测记录，分别来自不同的观测位置，结合中国近代气象台站信息（吴增祥，2007），研究中拟将2个时段连接的位置，即1944年1月1日和1949年9月1日作为2个迁站时间点。1950年1月1日—1954年11月30日观测期间，经纬度信息一致，研究中认为该时段没有发生迁站现象。根据中国地面气象站元数据（V1.0，http：／／data.cma.cn／）显示，1954年12月1日（含该时间点）以后发生了3次迁站，其中，2011年1月1日由市区迁到乡村，使得台站周围环境发生了明显变化，并且也造成了新旧站址水平距离差异较明显，但3次迁站过程并没有造成显著的海拔高度的差异。1912年以来，人工观测时期有明确记录的最高和最低气温观测仪器分别发生了4次和3次变更，2003年1月1日起自动观测取代人工观测，自2014年1月1日全国地面气象观测业务全面实现改革调整，新套自动观测系统进入业务运行。另外，仅依据1950年至今的中国地面气象观测规范得到，1950年1月1日—2019年12月31日保定气象站日最高和最低气温观测时间发生了4次改变，其中，1954年1月1日—1960年7月31日观测时制的改变可能会增加气温观测序列非均一的可能性。图1标出了保定气象站历次迁站及日最高和最低气温观测仪器变更的时间点。

2 数据来源

2.1 原始观测数据及其质量控制

研究中用到的原始观测数据来自国家气象信息中心收集整理的2类逐日最高和最低气温基础资料。一类是1919年1月1日—1954年12月31日保定气象站数字化的观测资料，其中，1919年1月1日—1949年12月31日时段的资料来自中国近代气象台站信息记载的保定气象站2个观测点（吴增祥，2007）;1950年1月1日—1954年11月30日觀测期间，由于现存气象档案资料记录不完整，仅根据整理的数字化资料，查阅到相关观测点的经纬度及海拔高度信息，并且与观测点1一致，研究中拟将该时段资料视为来自观测点1。表1给出了各个观测点观测的气温资料的完整性信息。如表1所示，观测点1在1919年1月1日—1949年12月31日观测期间日最高和最低气温资料的缺测率基本相当，均达到57％以上，并且缺测年份均主要集中在1920—1927年、1937年下半年、1938—1943年以及1949年上半年;而观测点2观测期间日最高和最低气温资料的缺测率仅有7％左右，主要集中在1945年下半年。另外，根据图1显示，1954年12月1日—1954年12月31日期间的观测资料来自新迁站点（拟称为“观测点3”），统计得到其完整性为100％。另一类是中国气象局发布的《中国地面日值资料》，时间段为1955年1月1日—2019年12月31日，资料完整性较好。研究中将2类观测资料拼接为一条完整的基础序列，形成保定气象站1919年1月1日—2019年12月31日逐日最高和最低气温原始观测序列。

为剔除人工观测期间，因观测员观测或记录、仪器故障以及数字化过程中人工录入等导致的错误数据，研究中类似对北京和天津气象站百年观测序列的处理（Si et al.，2021;司鹏等，2022），分别采用界限值、内部一致性和气候异常值3步检查对拼接后保定气象站1919年以来的日最高和最低气温观测数据及其统计得到的月值和年值数据进行质量控制。其中，对月值和年值的质量检查均是基于界限值和内部一致性检查处理后的日最高和最低气温数据。气候异常值检查的阈值标准均为5倍距平序列标准差（气候期为1961—1990年）。检查结果如表2所示，总的来看，保定气象站1919年以来原始观测数据的质量相对较好。

2.2 参考数据源

研究中类似Si et al.（2021）和司鹏等（2022）采用美国国家气候资料中心研发的全球历史气候数据集GHCNV3（Lawrimore et al.，2011;https：／／www.ncdc.noaa.gov／ghcnd-data-access），英国东英格利亚大学气候研究中心研发的全球月平均地表温度数据集CRUTS4.03（Harris et al.，2020;http：／／data.ceda.ac.uk／badc／cru／data／cru_ts／cru_ts_4.03／data／）和美国伯克利地球研发中心研发的地球表面温度数据集Berkeley Earth monthly／daily（Rohde et al.，2013a，2013b;http：／／berkeleyearth.org／data／）3类观测数据作为保定气象站原始数据延长插补和均一化分析的气候参考源。

3 数据插补

在天津百年最高和最低气温日值序列的构建中，原始基础观测资料的完整性为100％，没有缺测插补带来的误差影响，与此同时，在建立北京百年逐日气温序列研究中，采用的Berkeley Earth-daily插补数据源效果较好，最终构建的百年序列均为极端气候变化研究领域提供了更为可靠的新的基础数据源（Si et al.，2021;司鹏等，2022）。因此，这里基于构建的天津百年均一化气温日值数据及插值到站点水平的Berkeley Earth-daily保定气象站（115°29′E，38°44′N）日最高和最低气温数据，利用标准化序列法（司鹏等，2017）分别对质控后的保定气象站原始观测资料进行插补。拟合时段的选取主要依据1950年以前保定气象站原始观测序列相对完整、连续的（表1显示没有缺测数据）并且相对均一的（图1给出没有发生迁站、仪器变更和观测时间变化等）原则（Si et al.，2021;司鹏等，2022），选取时段1929年1月1日—1936年12月31日。通过比较2类插补序列的年代际气候变化特点、序列完整性以及数据质量等，最终选取了基于天津日气温数据插补得到的保定气象站日最高和最低气温序列。

4 数据均一化

4.1 参考序列的建立

相对年和月尺度观测资料，日尺度观测序列自身的变率较大，造成时间序列均一性检验存在一定的困难（Vincent et al.，2012;Trewin，2013）。研究中类似北京百年日气温序列构建中的处理方法（司鹏等，2022），通过两种途径分别建立了年和月尺度参考序列同时用于保定气象站日气温序列断点的检验。一是基于Berkeley Earth-monthly、CRUTS4.03和GHCNV3保定气象站站点水平（115°29′E， 38°44′N）3类月值数据;二是仅基于Berkeley Earth-monthly站点水平的月值数据。日尺度参考序列的建立则用于日气温序列断点的订正，仅基于Berkeley Earth-daily站点水平的日值数据。3种时间尺度参考序列的具体建立方法参见司鹏等（2022）。其中，仅基于Berkeley Earth-monthly／daily站点水平的11个站点信息如表3所示，其选取方法参照Si et al.（2021）。图2给出两种途径建立的保定气象站日最高和最低气温的年和月尺度参考序列。

4.2 断点检验和订正

研究中利用惩罚最大t检验（Penalized Maximal T，PMT）（Wang et al.，2007），基于两种途径建立的年和月尺度参考序列，在置信度为95％显著性水平下，对保定气象站1912年以来插补后的日最高和最低气温基础观测序列进行均一性检验。进而利用分位数匹配法（Quantile-Matching，QM）（显著性水平95％）（Wang et al.，2010;Bai et al.，2020;Lü et al.，2020），在日尺度参考序列下，结合保定气象站历史沿革信息（图1），对两种途径的年和月尺度参考序列同时检验得到相同时间点的统计显著断点进行订正。检验和订正结果如图3所示。

从图3可以看出，最高气温序列（图3a）受非气候因素影响相对较弱，仅1937年6月1日数据插补的衔接点出现统计显著断点。而对于最低气温来说（图3b），1954年12月1日、2011年1月1日的2次迁站以及1979年8月1日的仪器变更均造成了日最低气温序列产生统计显著断点。但2003年和2014年的2次自动站业务化（仪器变更）并没有造成保定气象站日最高和最低气温观测序列的非均一性影响。并且有明确记录的4次观测时间改变也没有导致其产生统计显著断点，包括1954年1月1日—1960年7月31日期间观测时制的改变。这一特点与北京、天津百年日气温序列的均一性检验结果基本一致（Si et al.，2021;司鹏等，2022），反映出在我国现有的地面气象观测规范规定下，观测时间或观测时制的改变在一定程度上不会造成日最高和最低气温观测序列的非均一性影响。所以，采用对日最高和最低气温观测序列进行均一性检验和订正，进而通过算术平均得到均一化的日平均气温观测序列的处理方法，要明显优于直接对日平均气温序列进行均一化处理，能够有效避免观测时间或观测时制的变更导致日平均气温统计方法的改变而造成时间序列的非均一性影响（刘小宁等，2005），并且很大程度上也会避免同时对平均、最高和最低气温进行均一性订正而出现逻辑错误结果的可能性。因此，相比司鹏等（2017），本研究的处理方法有明显的改进。另外，从检验的断点信息来看，由于在均一性检验过程中，司鹏等（2017）没有找到相对可靠且时间尺度较长的参考序列，所以采用了惩罚最大F检验（Penalized Maximal F，PMF）无参考序列检验法（Wang，2008），仅检验出最低气温序列中1979年8月和2011年1月两个统计显著断点，而并沒有检验出1954年12月1日迁站造成的最低气温序列非均一性影响，以及1937年6月1日最高气温序列插补导致的统计显著断点。从而一定程度上也能够反映出均一性检验过程中，相对合理可靠的参考序列的重要性。

这里给出了基于本研究均一性订正前、后以及司鹏等（2017）均一性订正后保定气象站百年尺度的年平均最高和最低气温序列。如图4所示，与订正前序列相比，本研究在有参考序列的订正下明显修正了1937年6月1日之前因插补导致的最高气温异常偏高的现象（图4a），以及2次迁站和1次仪器变更造成的最低气温序列异常突变（图4b），特别是明显减弱了2011年1月1日由市区迁到乡村导致的最低气温异常降低，使得保定气象站1912年以来的最高和最低气温序列的年代际变化相对合理。对比司鹏等（2017）订正后的年平均气温序列，二者最高气温（图4a）序列的年代际变化特点基本一致，但司鹏等（2017）的气温值明显大于本研究订正后的气温值，这很大一部分原因可能是由于1937年6月的非均一性断点造成的。而二者的最低气温（图4b）序列，在20世纪10年代到20年代末、40年代到50年代初有明显的年代际变化差异，同样，1954年12月的序列断点可能也是造成这些差异的主要因素。另外，建立原始观测序列的基础数据源和插补数据源的不同也是造成二者订正后气温序列年代际和数值大小差异的原因之一。因此，一定程度上说明本研究基于日尺度原始观测序列，采用新的参考序列建立方法构建的保定气象站百年气温序列的合理性和可靠性有一定的改善和提高。同时，也进一步印证了气象基础观测数据的处理不是一成不变的，只有不断改进和采用新技术、新方法和新的观测资料才能提高构建的百年基础数据质量（司鹏等，2020）。

5 保定地区1912年以来温度变化特征

5.1 平均气温变化

图5给出基于保定气象站均一性订正后日最高和最低气温统计得到的年平均距平序列，以及3类参考数据源保定站点水平的年平均气温距平序列。

如图所示，订正后最高和最低气温距平序列的年代际变化与3类参考数据源序列基本一致。对于最高气温来说（图5a），20世纪10年代到30年代、80年代末以后出现两个明显的增暖时期，相比之下，20世纪50年代到60年代为明显的降温时期。而最低气温（图5b）除在20世纪60年代有一个明显的降温时期以外，其他时期均为增暖变化，特别是20世纪80年代末以后。图5中的平均气温序列均为各类最高和最低气温算术平均统计得到。同样，订正后的年平均气温距平序列（图5c）与3类参考数据源序列的年代际变化基本一致，其中，增暖时期主要出现在20世纪10年代到30年代和80年代末以后，20世纪50年代到60年代为明显的降温时期。

从趋势变化来看，如表4所示，均一性订正后的保定气象站百年尺度年平均最高、最低和平均气温趋势增暖幅度分别为（0.109±0.021）、（0.224±0.018）和（0.166±0.016） ℃／（10 a）（95％不确定性水平估计），与对应Berkeley Earth-monthly和CRUTS4.03趋势变化幅度基本一致，并且相比订正前的气温趋势变化（（0.017±0.021）、（0.324±0.025）和（0.172±0.018） ℃／（10 a））更具合理性。同时，从整个京津冀区域来看，保定地区与北京（司鹏等，2022）、天津（Si et al.，2021）百年尺度气温增暖变化特点也是基本一致的，但增暖幅度要稍大于后者，其较好地反映出相对北京和天津这类发展到一定程度的大城市，保定地区城市快速发展所带来的气候变化特点（司鹏等，2021）。另外，这里也统计出订正后的保定气象站1985—2019年平均最高、最低和平均气温的趋势变化分别为（0.259±0.090）、（0.320±0.099）和（0.299±0.085） ℃／（10 a）（95％不确定性水平估计），增暖幅度显著大于整个百年尺度。

5.2 极端温度变化

7类极端温度指数均源自世界气象组织指数专家组（ETCCDMI）推荐使用的温度指标（Peterson et al.，2001）（表5）。表6给出保定地区1912年以来7类年和季节极端温度指数的变化趋势。对于年变化来说，1912年以来保定地区的TNn表现出显著的增加趋势，为0.340 ℃／（10 a）（95％显著性水平检验），但TXx的趋势变化并不显著。极端冷事件（TN10p、TX10p）均表现为显著的减少趋势，而极端暖事件（TN90p、TX90p）则表现出显著的增加趋势，并且从变化幅度来看，日极端事件（TX10p、TX90p）的趋势变化幅度远远小于夜极端事件（TN10p、TN90p），从而导致气温日较差趋势幅度的显著减少，为-0.118 ℃／（10 a）（95％显著性水平检验）。从季节变化来看，与年尺度特点基本一致，各季节TNn均表现出显著的增加趋势，特别是秋季TNn趋势增加幅度相对最大，为0.404 ℃／（10 a）（95％显著性水平检验），而TXx除了春季趋势呈显著增加以外，其他季节的趋势变化并不显著。各季节的极端冷事件（TN10p、TX10p）基本表现为显著的减少趋势（除冬季TX10p趋势变化不显著以外），而极端暖事件（TN90p、TX90p）基本表现为显著的增加趋势（除夏季和秋季TX90p趋势变化不显著以外）。同样，各季节日极端事件（TX10p、TX90p）的趋势变化幅度均远远小于夜极端事件（TN10p、TN90p），导致气温日较差趋势幅度的显著减少（除春季和夏季DTR趋势变化不显著以外），并且秋季DTR的趋势减少幅度也是相对最大的，为-0.215 ℃／（10 a）（95％显著性水平检验）。

6 结论

基于国家气象信息中心收集整理的保定气象站1919—2019年逐日最高和最低气温原始基础数据，构建了河北保定地区1912—2019年均一化最高和最低气温日值序列，并对该地区百年以来的气温变化特征进行了分析，得到如下结论：

1）为尽可能恢复完整可靠的原始基础资料，研究中分别采用天津百年均一化逐日气温数据和插值到保定站点水平的Berkeley Earth-daily气温数据，通过标准化序列法对质控后的保定气象站原始观测序列进行延长插补，通过比对最终选取基于天津日气温数据得到的插补序列。

2）基于两种途径建立的年和月尺度参考序列，利用惩罚最大t检验（PMT）和分位数匹配法（QM）（95％显著性水平检验），剔除了插补后的保定气象站日最高和最低气温序列中因数据插补、迁站和仪器变更造成的序列非均一性影响，尽可能保留了该站百年以来真实的气候变化特征。

3）保定气象站百年以来年平均气温距平序列的年代际变化特点与Berkeley Earth-monthly、CRUTS4.03和GHCNV3参考数据源基本一致，其中，增暖时期主要出现在20世纪10年代到30年代和80年代末以后，而20世纪 50年代到60年代为明显的降温时期。从趋势变化来看，年平均最高、最低和平均气温趋势增暖幅度分别为（0.109±0.021）、（0.224±0.018）和（0.166±0.016） ℃／（10 a）（95％不确定性水平估计），与对应Berkeley Earth-monthly和CRUTS4.03基本一致。

4）对于极端温度变化来说，保定地区1912年以来年和季节极端温度呈明显的增暖变化，TNn的增暖趋势显著增加（95％显著性水平检验），特别是秋季趋势幅度达0.404 ℃／（10 a）。并且年和季节日极端事件（TX10p、TX90p）的趋势变化幅度均远远小于夜极端事件（TN10p、TN90p），导致气温日较差趋势幅度的显著减少，年和秋季趋势变化分别为 -0.118 ℃／（10 a）、-0.215 ℃／（10 a）（置信度为95％的显著性水平检验）。

另外，相比司鹏等（2017），本研究对处理的气温要素的时间尺度做了细化，为我国京津冀极端气候变化研究领域提供了新的基础观测数据。与此同时，在司鹏等（2017）基础上，尽可能详细地整理了保定气象站近百年有观测记录以来的台站元数据信息，并且改进和完善资料插补和均一化分析中对参考资料源的选取和参考序列的建立方法，为构建的百年逐日气温基础序列的完整性和可靠性提供科学依据。

参考文献（References）

Bai K X，Li K，Wu C B，et al.，2020.A homogenized daily in situ PM 2.5 concentration dataset from the national air quality monitoring network in China［J］.Earth Syst Sci Data，12（4）：3067-3080.doi：10.5194／essd-12-3067-2020.

Harris I，Osborn T J，Jones P，et al.，2020.Version 4 of the CRU TS monthly high-resolution gridded multivariate climate dataset［J］.Sci Data，7（1）：109.doi：10.1038／s41597-020-0453-3.

姜彤，翟建青，罗勇，等，2022.气候变化影响适应和脆弱性评估报告进展：IPCC AR5 到AR6的新认识［J］.大气科学学报，45（4）：502-511. Jiang T，Zhai J Q，Luo Y，et al.，2022.Understandings of assessment reports on climate change impacts，adaptation and vulnerability：progress from IPCC AR5 to IPCC AR6［J］.Trans Atmos Sci，45（4）：502-511.doi：10.13878／j.cnki.dqkxxb.20220529013.（in Chinese）.

Lawrimore J H，Menne M J，Gleason B E，et al.，2011.An overview of the Global Historical Climatology Network monthly mean temperature data set，version 3［J］.J Geophys Res，116（D19）：D19121.doi：10.1029／2011jd016187.

Li Y，Tinz B，von Storch H，et al.，2018.Construction of a surface air temperature series for Qingdao in China for the period 1899 to 2014［J］.Earth Syst Sci Data，10（1）：643-652.doi：10.5194／essd-10-643-2018.

劉小宁，张洪政，李庆祥，2005.不同方法计算的气温平均值差异分析［J］.应用气象学报，16（3）：345-356. Liu X N，Zhang H Z，Li Q X，2005.Analyses on average temperature difference resulted from different calculation methods［J］.J Appl Meteor Sin，16（3）：345-356.doi：10.11898／1001-7313.20050309.（in Chinese）.

Lü Y M，Guo J P，Yim S H，et al.，2020.Towards understanding multi-model precipitation predictions from CMIP5 based on China hourly merged precipitation analysis data［J］.Atmospheric Research，231（1）：104671.

Masson D V，Zhai P M，Pirani A，et al.，2021.Climate change 2021：the physical science basis［R］.Contribution of Working Group I to the Sixth Assessment Report of the Intergovernmental Panel on Climate Change.Cambridge，United Kingdom and New York：Cambridge University Press.

Menne M J，Durre I，Vose R S，et al.，2012.An overview of the global historical climatology network-daily database［J］.J Atmos Ocean Technol，29（7）：897-910.doi：10.1175／jtech-d-11-00103.1.

Peterson T C，Folland C，Gruza G，et al.，2001.Report on the activities of the Working Group on Climate Change detection and related rapporteurs 1998—2001 ［R］.ICPO Publication Series No.48.

Rohde R，Muller R A，Jacobsen R，et al.，2013a.A new estimate of the average earth surface land temperature spanning 1753 to 2011 ［J］.Geoinformatics ＆ Geostatistics：an overview，1（1）.doi：10.4172／2327-4581.1000101.

Rohde R，Muller R A，Jacobsen R，et al.，2013b.Berkeley earth temperature averaging process ［J］.Geoinformatics ＆ Geostatistics：An overview，1（2）.doi：10.4172／2327-4581.1000103.

司鹏，郝立生，罗传军，等，2017.河北保定气象站长序列气温资料缺测记录插补和非均一性订正［J］.气候变化研究进展，13（1）：41-51. Si P，Hao L S，Luo C J，et al.，2017.The interpolation and homogenization of long-term temperature time series at Baoding observation station in Hebei Province［J］.Climate Change Res，13（1）：41-51.doi：10.12006／j.issn.1673-1719.2016.043.（in Chinese）.

司鵬，王冀，李慧君，等，2020.省级地面气象观测资料均一化处理技术与应用［M］.北京：气象出版社. Si P，Wang J，Li H J，et al.，2020.Homogenization processing technology and application of meteorological observation data at provincial scale ［M］.Beijing：China Meteorological Press.（in Chinese）.

司鹏，梁冬坡，陈凯华，等，2021.城市化对天津近60年平均温度和极端温度事件的增暖影响［J］.气候与环境研究，26（2）：142-154. Si P，Liang D P，Chen K H，et al.，2021.Urbanization effect on average and extreme temperature warming in Tianjin during the last 60 years［J］.Climate Environ Res，26（2）：142-154.doi：10.3878／j.issn.1006-9585.2020.20060.（in Chinese）.

Si P，Li Q X，Jones P，2021.Construction of homogenized daily surface air temperature for the city of Tianjin during 1887—2019［J］.Earth Syst Sci Data，13（5）：2211-2226.doi：10.5194／essd-13-2211-2021.

司鹏，郭军，赵煜飞，等，2022.北京1841年以来均一化最高和最低气温日值序列的构建［J］.气象学报，80（1）：136-152. Si P，Guo J，Zhao Y F，et al.，2022.New series of daily maximum and minimum temperature observations for Beijing，China since 1841［J］.Acta Meteorol Sin，80（1）：136-152.doi：10.11676／qxxb2022.008.（in Chinese）.

Stocker T，Qin D H，Plattner Gian-Kasper，et al.，2013.Climate change 2013：the physical science basis，technical summary ［R］.Contribution of Working Group I to the Fifth Assessment Report of the Intergovernmental Panel on Climate Change.Cambridge，United Kingdom and New York：Cambridge University Press.

Stone D，Auffhammer M，Carey M，et al.，2013.The challenge to detect and attribute effects of climate change on human and natural systems［J］.Climate Change，121（2）：381-395.doi：10.1007／s10584-013-0873-6.

苏布达，陈梓延，黄金龙，等，2022.气候变化的影响归因：来自IPCC AR6 WGⅡ的新认知［J］.大气科学学报，45（4）：512-519. Su B D，Chen Z Y，Huang J L，et al.，2022.Impact attribution of climate change：the new cognition from IPCC AR6WGⅡ［J］.Trans Atmos Sci，45（4）：512-519.doi：10.13878／j.cnki.dqkxxb.20220425006.（in Chinese）.

Sun X B，Ren G Y，Xu W H，et al.，2017.Global land-surface air temperature change based on the new CMA GLSAT data set［J］.Sci Bull，62（4）：236-238.doi：10.1016／j.scib.2017.01.017.

孙颖，2021.人类活动对气候系统的影响：解读IPCC第六次评估报告第一工作组报告第三章［J］.大气科学学报，44（5）：654-657. Sun Y，2021.Impact of humanactivities on climate system：an interpretation of Chapter Ⅲ of WGⅠreport of IPCC AR6［J］.Trans Atmos Sci，44（5）：654-657.doi：10.13878／j.cnki.dqkxxb.20210816009.（in Chinese）.

Trewin B，2013.A daily homogenized temperature data set for Australia［J］.Int J Climatol，33（6）：1510-1529.doi：10.1002／joc.3530.

Vincent L A，Wang X L，Milewska E J，et al.，2012.A second generation of homogenized Canadian monthly surface air temperature for climate trend analysis ［J］.J Geophys Res，117，D18110.doi：10.1029／2012jd017859.

Wang X L，2008.Penalized maximal F test for detecting undocumented mean shift without trend change ［J］.Journal of Atmospheric and Oceanic Technology，25（3）：368-384.doi：10.1175／2007jtecha982.1.

Wang X L，Wen Q H，Wu Y H，2007.Penalized maximal t test for detecting undocumented mean change in climate data series［J］.J Appl Meteor Climatol，46（6）：916-931.

Wang X L，Chen H F，Wu Y H，et al.，2010.New techniques for the detection and adjustment of shifts in daily precipitation data series［J］.J Appl Meteorol Climatol，49（12）：2416-2436.doi：10.1175／2010jamc2376.1.

吳增祥，2007.中国近代气象台站［M］.北京：气象出版社. Wu Z X，2007.China modern meteorological station ［M］.Beijing：China Meteorological Press（in Chinese）.

Yan Z W，Yang C，Jones P，2001.Influence of inhomogeneity on the estimation of mean and extreme temperature trends in Beijing and Shanghai［J］.Adv Atmos Sci，18（3）：309-322.doi：10.1007／BF02919312.

袁宇锋，翟盘茂，2022.全球变暖与城市效应共同作用下的极端天气气候事件变化的最新认知［J］.大气科学学报，45（2）：161-166. Yuan Y F，Zhai P M，2022.Latest understanding of extreme weather and climate events under global warming and urbanization influences［J］.Trans Atmos Sci，45（2）：161-166.doi：10.13878／j.cnki.dqkxxb.20211011001.（in Chinese）.

This study establishes a homogenized daily maximum and minimum temperature series for Baoding in Hebei Province based on daily observations collected by the National Meteorological Information Centre from 1919 to 2019.Quality control is conducted to remove error data resulting from manual observation or recording，instrument malfunctions and digital inputs.Then，missing observations are interpolated using the standardized series method with homogenized daily temperature data in Tianjin over a century-long scale.Significant breakpoints caused by changes in interpolation，station relocation，and instrument manufacturers are detected using a penalized maximal t-test （PMT） with annual and monthly reference series constructed by two means，and adjusted by Quantile Matching （QM） daily reference series from Berkeley Earth-daily data.The characteristics of inter-annual，decadal，and trend changes are consistent with those from Berkeley Earth-monthly，CRUTS 4.03，and GHCNV3.The warming change induced by the rapid urban development in the Baoding region is well reflected when simultaneously compared with the whole Beijing-Tianjin-Hebei region.Furthermore，the warming trends of the annual and autumn lowest minimum temperature （TNn） are 0.340 ℃／（10 a） and 0.404 ℃／（10 a） （95％ significance level），respectively，and the corresponding diurnal temperature range （DTR） are -0.118 ℃／（10 a） and -0.215 ℃／（10 a） （95％ significance level）.The warming change in annual and seasonal temperature extremes in Baoding have also increased significantly since 1912.

over century-long scale;daily time series;extended interpolation;homogenization;extreme temperature change

doi：10.13878／j.cnki.dqkxxb.20220324001

（責任编辑：刘菲）