1961—2020年中国复合湿热的变化特征

张书惠 华维 陈活泼

摘要 随着全球变暖加剧，复合湿热天气在世界各地呈现显著加剧趋势，中国东部也是极端湿热事件的高发区。为更好了解中国复合湿热事件的变化特征，基于1961—2020年中国日最高湿球温度观测数据，利用趋势分析、小波功率谱分析和广义极值分布分析等方法，对中国日最高湿球温度的时空变化特征进行了深入分析。结果表明：1）1961—2020年中国日最高湿球温度平均值和最大值主要呈“南高北低”的分布特点，最大值高值区集中在中国南部和四川盆地。全国日最高湿球温度平均值呈增强趋势，最大值无明显的变化趋势。全国平均值有2～6 a尺度的周期震荡，全国最大值在多个时间段和时间尺度有短周期。2）全国极端湿热阈值分布与日最高湿球温度最大值比较类似，极端湿热强度呈现增强趋势，全国极端湿热频次也以0.098 d／a的速率增多。西北东部地区极端湿热强度增强幅度最大，但南方地区呈减弱趋势;西北东部、南方和东北地区极端湿热频次持续增多。3）多年一遇事件的阈值分布同样与最大值分布类似，多年一遇事件频次呈现显著的区域特征，多年一遇事件主要发生在四川盆地，其中西北东部地区显著增多，南方地区有减少趋势。

关键词湿球温度;长期趋势;气候变化；小波分析

随着全球变暖，极端天气气候事件显著增加、增强，对生态环境、社会经济等已造成了巨大威胁（李铭宇等，2020;姜彤等，2022）。尤其是极端高温事件，在过去几十年发生频次显著增加、强度增强（周波涛和钱进，2021），已严重威胁人体健康，甚至引发了极端热相关的死亡（Conti et al.，2005;Borden and Cutter，2008;Bell et al.，2018），如2022年夏季长江流域的高温热浪、2023年6—7月华北的极端高温等。目前对极端高温的研究通常只关注温度的作用，但随着全球变暖，大气湿度在增加，高温高湿天气越发频繁，人们暴露于桑拿天气的风险急剧增加（李万玲和郝鑫，2023）。在高温的研究中，如果忽视湿度的影响，可能会严重低估高温的强度及其危害（陈曦等，2020），因此，急需综合考虑温度和湿度共同影响的复合型事件（余荣和翟盘茂，2021）。

现有的研究指出，极端湿热复合事件主要发生于亚热带沿海区域（Byers et al.，2018;Raymond et al.，2020;Speizer et al.，2022），潮湿的热带和亚热带地区由于湿度的大幅度增加，湿热事件的强度显著增强（Willett and Sherwood，2012）。在未来，21世纪的中后期湿球温度可能超过人类可以承受的理论极限（Dosio et al.，2018），印度东北部、中国东部、西非和美国东南部的部分地区湿热事件增加的风险最大（Coffel et al.，2018;Parsons et al.，2022）;同时，人口越稠密的地区遭受着极端复合湿热事件影响的风险也越大（Kjellstrom et al.，2009），中国东部也是世界人口最稠密的地区之一，因此，中国有相当大的人群暴露在危险湿热环境中，对中国湿热事件的研究十分有必要。

研究湿热事件的指标有湿球黑球温度、湿球温度和体感温度等。极端的湿热环境会阻碍人体的正常散热（Sherwood and Huber，2010），有研究明确显示出高于35 ℃的湿球温度值会对大多数人产生健康威胁（Willett and Sherwood，2012;Im et al.，2017），因此本次对中国湿热事件的研究使用湿球温度作为评估湿热事件的指数。

现有对中国的湿热变化研究表明，中国的极端湿热事件的发生频率高于极端干热事件（Xu et al.，2021），华北和西北的极端湿热事件发生主要与单独的湿度作用相联系，东部地区的极端湿热事件与极端温度和湿度的双重作用有关（Wang et al.，2019;Luo et al.，2022）。中国东部极端湿热天气的形成通常伴随着比干热范围更广的异常反气旋（He et al.，2023），在可以预见的未来里，中国东部很可能会发生更严重的热浪（陈曦等，2020;Chen et al.，2022;袁宇峰和翟盘茂，2022）。目前学术界对中国湿热事件的研究在变化、机制和预估上都有一定的阐述，但对中国各区域湿球温度的一般变化和极端变化的研究还较少。中国地域广阔，各区域的湿球温度的分布与变化规律各不相同，针对性地研究中国区域内的复合湿热事件十分有必要。本文将在前人研究的基础上，深入分析过去60 a来中国区域复合湿热事件的时空变化特征，以期为我国气候变化应对提供科学支撑。

1 资料和方法

1.1 资料来源

本文使用的数据为日最高湿球温度，由日最高气温、日平均相对湿度和日平均地面气压变量计算而来。其中日最高气温和日平均相对湿度来源于CN05.1格点化数据集（吴佳和高学杰，2013），数据的时间范围为1961—2020年，水平分辨率为0.25°×0.25°，区域为中国陆地（无台湾地区资料统计）。由于CN05.1没有地面气压数据，该变量来自欧洲中期天气预报中心（ECMWF）提供的ERA5再分析资料。日最高湿球温度根据Davies-Jones（Davies-Jones，2008）发展的公式计算得到。

1.2 旋转经验正交函数

经验正交函数（EOF）长期应用于气象变量场分析，它能够反映时空分布的变率结构，提取变量场的优势信号。旋转经验正交函数（REOF）在EOF分析的基础上进行方差极大（正交）旋转（吴洪宝和吴蕾，2010），较为客观地对气候变量场进行区域和类型的划分，旋转后的空间模态代表研究时间段内这一区域分布随时间的演变特征（魏凤英，2007）。

1.3 小波功率谱分析

小波变换利用小波基函数将信号序列从频率尺度和时间尺度进行解析（Torrence and Compo，1998），利用小波变化能得到日最高湿球温度变化的周期性规律。小波函数描述为：

其中：fx是分析小波函数；ψ（x）是小波基函数；a为尺度参数；b表征小波中心位置；x是日最高湿球温度序列。小波方差vara为小波系数的积分值：

小波功率谱结合了小波变化和功率谱分析，表示信号的小波变换的能量值，可以反映信号波动的显著程度（Ge，2007），能量值越大则日最高湿球温度的周期性特征在该尺度越强烈。小波功率谱P（余世鹏等，2013）为：

1.4 极端湿热事件

本文采用百分位阈值法定义极端湿热事件，将极端湿热阈值定义为日最高湿球温度的第95%分位值，极端湿热的强度定义为超过极端湿热值的日最高湿球温度，极端湿热的频次定义为超过极端湿热阈值的天数。

统计多年一遇事件通常假设极端事件的分布遵循广义极值分布（GEV）（Fisher and Tippett，1928），日最高湿球温度也是独立且同分布的，因此用于广义极值分布拟合。首先用GEV分布拟合了1961—2020年在每个网格点上的年最大日最高湿球温度，得到累计密度函数（CDF），再将概率P对应的CDF反算为GEV分位数函数。表达式如下：

其中：位置参数μ、尺度参数σ和形状参数k都是用极大似然估计法估算得到的。推导得到的GEV分位数函数即为极端事件的重现阈值和频次。P=0.9时，代入公式可计算出10 a一遇事件的重现阈值;P=0.95时，计算结果为20 a一遇事件的重现阈值。

2 结果分析

2.1 日最高湿球温度的时空变化

为了观察日最高湿球温度的气候态，本研究首先分析了中国的日最高湿球温度平均值和最大值的空间分布特征（图1a、b）。在新疆和青藏高原以外的区域，日最高湿球温度值平均值呈现“南高北低”的分布特点，在青藏高原地区有大范围的低值区，塔里木盆地和准噶尔盆地则有比较明显的相对高值。日最高湿球温度最大值也呈现出类似的南北分布特点，但高值区集中在南方地区和四川盆地，最大值可达到38.44 ℃。

图1c、d描绘了1961—2020年日最高湿球温度平均值和最高值的空间趋势变化特征，平均值主要呈增加趋势，最大值变化趋势的区域差异较大，增强的区域与减弱的区域分散分布。平均值和最大值都在新疆东部有显著的减弱趋势，西北东部地区有增强趋势，内蒙古地区有减弱趋势;西北东部地区的平均值和最大值的气候倾向率都最高，分别为0.45 ℃／（10 a）和0.64 ℃／（10 a）。变化差异在于平均值在东北地区增强，最大值在南方地区减弱。

总体而言，平均值与最大值的高值区域与气候倾向率的高值区域有空间差异，华东、华南地区是全国湿球温度值最高的区域，但是湿球温度变化主要呈下降趋势，西北东部地区的湿球温度平均值和最大值都相对较低，但升温趋势最大。

进一步研究日最高湿球温度的变化可知，全国的日最高湿球温度的年内变化与气温比较类似，夏季最高、冬季最低。观察日最高湿球温度的长期变化可见，平均值的上升趋势强于最大值（图2），平均值的上升趋势为0.011 ℃／a，1961—1980年趋势变化比较微弱，在1980—2000年间有显著的上升趋势，在2000年后开始减少，但整体呈现上升趋势。全国日最高湿球温度最大值没有明显的变化趋势，气候倾向率为-0.001 ℃／a。

为了解日最高湿球温度的周期性波动特征，利用Morlet小波基函数对平均日最高湿球温度序列进行小波变换、方差实部求解，进而积分得到小波功率谱。能量越强表明该时间尺度振幅越大，对于周期的影响越显著，小波方差图中的实线峰值超过虚线代表周期性显著。

图3为全国的日最高湿球温度平均值和最大值的小波功率谱，可见全国日最高湿球温度的变化以短周期为主，平均值在1990—2007年2～6 a时间尺度上有较高能量的周期振荡，并通过0.05信度的显著性检验。最大值存在多重时间周期，在1961—1972年、1988—2002年和2008—2012年有1～3 a的短周期，能量较弱，1978—1992年1～8 a时间尺度上有短周期，1961—1971年、2005—2017年存在5～8 a的小波功率谱信号，能量密度的峰值主要集中在此时段。

上述分析表明，由于中国大陆范围辽阔、地形复杂，日最高湿球温度的变化在各区域存在较大的差别，仅对整个中国进行区域平均将掩盖部分地区的变化特征，因此利用REOF方法对中国日最高湿球温度变化进行空间分型。对分解得到的REOF进行North显著性检验（North et al.，1982）来确定得到的信号是否具有物理意义。

图4展示了1961—2020年中国日最高湿球温度年最大值REOF主要空间模态，通过North检验的主要载荷区有4个模态，累积方差贡献率为54.6％，4个模态相互独立，因此对这4个模态进行讨论。第一模态的日最高湿球温度异常区主要位于新疆东部，其贡献率为22.7％，第二模态主要集中在西北东部地区，方差贡献率为13.3％，第三模态主要集中在南方地区，方差贡献率为10.5％，第四模态主要集中在东北地区，方差贡献率为8.1％。根据REOF分析结果，得到了中国日最高湿球温度变化的主要区域：新疆东部（88°～94°E，≥39°N）、西北东部地区（94°～104°E，33°～41°N）、南方地区（≥106°E，21°～35°N）和东北地区（≥115°E，40°～50°N）。

基于REOF分解得到的各个区域日最高湿球温度平均值主要呈增强趋势（图5）。新疆东部区域为减弱趋势（-0.007 ℃／a），且在2007—2014年间出现了一次骤降，平均值由8.06 ℃降至4.81 ℃，这可能与相对湿度的测量在21世纪初转变为自动测量后产生的误差有关，因此，后期需要对相对湿度做进一步的均一化处理。西北东部地区的增强趋势最为显著，增强趋势为0.027 ℃／a，南方地区、东北地区也呈增加趋势，但相对西北东部地区增幅较小。

对各区域同样进行了小波功率谱分析，图6给出了各区域日最高湿球温度平均值的小波功率谱。分析各个区域的小波功率谱可见，新疆东部地区平均值没有明显的周期性;西北东部地区的平均值在1963—1969年有1～2 a尺度的短周期，1976—2015年间有连续的1～6 a时间尺度的短周期，且有明显的小波功率谱正负相位变化，有较强能量产生;东部地区的平均值在1995—2015年存在2～5 a时间尺度的震荡周期，但未通过显著性检验;东北地区平均值在1964—1987年1～5 a时间尺度上有短周期，1991—2015年2～6 a时间尺度上有明显的闭合小波功率谱信号，具有较强的能量。

以上内容探究了平均值的变化周期，那么日最高湿球温度最大值的变化趋势如何？图7给出了我国四个区域日最高湿球温度最大值在过去60 a的变化。可以看到，新疆东部、南方地区呈减少趋势，但西北东部地区呈现增加趋势。新疆东部的最大值与平均值变化一致，同样出现了一次骤降，从2010年到2014年最大值从24.36 ℃减少到19.04 ℃。西北东部地区在最大值上表现出最强的增加趋势，为0.026 ℃／a;东部地区的减少趋势相对较小，为0.003 ℃／a;东北区域没有明显的变化趋势。

图8给出了各区域的日最高湿球温度最大值小波功率谱。新疆东部最大值在2005—2020年有1～8 a的周期，但未通过显著性检验;西北东部地区最大值在1961—1972年、1978—1988年、1997—2002年、2005—2015年这四个阶段存在1～4 a的短周期，基本上横跨了整个研究时段，中心尺度为2、3 a，正负相位变化明显，有较强的能量产生;南方地区最大值尺度变化明显，在1961—1975年、1975—1996年和2008—2017年存在1～4 a的短周期，在1961—1974年存在4～10 a时间尺度的短周期，但未通过显著性检验;东北地区最大值在1966—1972年、2013—2020年有0～2 a时间尺度的短周期，1975—2011年0～6 a时间尺度上有短周期，中心尺度为2、3 a，在1990—2006年能量较强，在1977—1995年存在5～9 a时间尺度且闭合的功率谱信号。

2.2 极端复合湿热事件的时空变化

中国的极端事件多发，为研究极端复合湿热事件的变化，本文选取了1961—2020年每个格点的日最高湿球温度的95％分位值作为极端湿热事件的阈值。图9a给出了1961—2020年的极端湿热事件阈值的空间分布，可以看出，极端湿热阈值的高值区主要集中在塔里木盆地、准噶尔盆地、四川盆地和南方地区，低值区出现在天山和青藏高原区域。

图9b、c给出了1961—2020年的极端湿热强度和极端湿热频次的空间变化趋势。各区域的极端湿热强度趋势区域间差异较大，南方地区的减弱趋势为-0.02 ℃／（10 a），西北东部地区增强趋势为0.08 ℃／（10 a），其他区域的极端湿热强度变化不显著。全国的极端湿热频次主要呈现增多趋势，西北东部地区的增多趋势最为显著，为0.345 d／a，南方地区和东北也较为稳定地增多，新疆东部减少趋势为-0.049 d／a。

全国的极端湿热强度与频次的长期变化如图10所示，全国的极端湿热强度呈增强趋势，趋势为0.009 ℃／a，其中1961—2010年强度没有明显变化趋势，但在2010年后出现了较大幅度的增强。全国平均的极端湿热事件发生次数在过去60 a明显增多，增多幅度为0.098 d／a。

接下来，本文将利用多年一遇事件评估中国的极端复合湿热事件变化。图11a、b为10 a一遇事件阈值和20 a一遇事件阈值，多年一遇事件的阈值分布与日最高湿球温度最大值的分布基本一致。在此基础上统计了1961—2020年超过10 a一遇阈值和20 a一遇阈值的频次（图11c、d），10 a一遇事件在西北东部地区和四川盆地多次发生，发生的频次最高为是56次，20 a一遇事件在四川盆地多次发生，发生的频次最高为27次。在前述对日最高湿球温度的趋势研究可见，四川盆地与西北地区都有较强的增强趋势。南方地区在过去60 a也发生了多次极端复合湿热事件;在日最高湿球温度减弱趋势显著的新疆东部，10 a一遇事件和20 a一遇事件的发生次数都非常少。

图12给出了我国各区域平均的10 a一遇和20 a一遇事件的变化趋势。可以看到，西北东部地区的10 a一遇事件频次有显著的增多;而南方地区的频次以-0.008次／a的趋势减少，南方地区的10 a一遇事件高频发生时段为1961—1970年，1970年后没有明显的变化趋势。新疆东部的10 a一遇事件高频发生在2000年。东北地区的10 a一遇事件较为稳定地增多。20 a一遇事件在各个区域的长期变化特征（图12e—h）与10 a一遇事件基本类同。

3 结论和讨论

通过对1961—2020年中国复合湿热事件的趋势分析、小波功率谱分析和广义极值分布分析，主要得到以下结论：

1）1961—2020年中国日最高湿球温度平均值和最大值主要有“南高北低”的分布特点，最大值高值区集中在南方地区和四川盆地。全国平均值有2～6 a尺度的周期震荡，全国最大值在多个时间段和时间尺度有短周期，有较强的能量产生。

2）全国日最高湿球温度平均值呈增强趋势，新疆东部平均值呈减弱趋势，西北东部地区增强趋势显著，南方地区、东北地区微弱增强。新疆东部地区平均值没有明显的周期性，西北东部地区存在2～5 a时间尺度的短周期，南方地区有连续的1～6 a时间尺度的短周期，东北地区有多个时间尺度的短周期。

3）全国日最高湿球温度最大值没有明显的变化趋势，但存在显著的区域差异，其中新疆东部呈减弱趋势，西北东部地区增强趋势显著，南方地区减弱趋势较小，而东北地区增强趋势较弱。新疆东部的最大值1～8 a时间尺度的周期未通过显著性检验，西北东部地区有多个时间段的1～4 a时间尺度的短周期，南方地区和东北地区的短周期有明显的尺度变化。

4）全国的极端湿热强度呈较弱的增强趋势，极端湿热频次有较强的增多趋势。西北东部地区极端湿热强度增强，东部地区减弱，其他地区无明显趋势。西北东部地区极端湿热频次增多趋势最为剧烈，为0.345 d／a，南方地区、东北极端湿热频次呈较为稳定的增多。

5）10 a一遇事件在西北东部地区和四川盆地多次发生，20 a一遇事件在四川盆地多次发生。10 a一遇事件频次与20 a一遇事件频次在各个区域有一致的变化特征，新疆东部的多年一遇事件频次没有明显趋势，西北东部显著增多，南方地区减少，东北地区增多。

中国东部是全球极端湿热事件的多发区域之一（Freychet et al.，2020;Wang and Sun，2021）。当极端湿热事件发生时，往往伴随着南亚高压东伸、西北太平洋副热带高压西伸和局地低层的反气旋异常（Luo et al.，2022）;同时，夏季西太平洋的海表温度异常和5月北极海冰异常分别通过调制类太平洋-日本遥相关型波列与欧亚中高纬Rossby波传播，影响中国东部局地大气环流异常，进而影响极端湿热频次的变化（He et al.，2023）。目前对其变化机制虽有部分研究，但极端湿热天气形成及变化极为复杂，往往受到多个驱动因子或多个气候系统的共同影响，对这方面的认识和理解仍是当前的薄弱环节，未来急需加强研究。

参考文献（References）

Bell J E，Brown C L，Conlon K，et al.，2018.Changes in extreme events and the potential impacts on human health［J］.J Air Waste Manag Assoc，68（4）：265-287.doi：10.1080／10962247.2017.1401017.

Borden K A，Cutter S L，2008.Spatial patterns of natural hazards mortality in the United States［J］.Int J Health Geogr，7：64.doi：10.1186／1476-072X-7-64.

Byers E，Gidden M，Leclère D，et al.，2018.Global exposure and vulnerability to multi-sector development and climate change hotspots［J］.Environ Res Lett，13（5）：055012.doi：10.1088／1748-9326／aabf45.

Chen H P，He W Y，Sun J Q，et al.，2022.Increases of extreme heat-humidity days endanger future populations living in China［J］.Environ Res Lett，17（6）：064013.doi：10.1088／1748-9326／ac69fc.

陈曦，李宁，黄承芳，等，2020.综合湿度和温度影响的中国未来热浪预估［J］.地理科学进展，39（1）：36-44. Chen X，Li N，Huang C F，et al.，2020.Projection of heatwaves by the combined impact of humidity and temperature in China［J］.Prog Geogr，39（1）：36-44.doi：10.18306／dlkxjz.2020.01.004.（in Chinese）.

Coffel E D，Horton R M，de Sherbinin A，2018.Temperature and humidity based projections of a rapid rise in global heat stress exposure during the 21st century［J］.Environ Res Lett，13（1）：014001.doi：10.1088／1748-9326／aaa00e.

Conti S，Meli P L，Minelli G，et al.，2005.Epidemiologic study of mortality during the summer 2003 heat wave in Italy［J］.Environ Res，98（3）：390-399.doi：10.1016／j.envres.2004.10.009.

Davies-Jones R，2008.An efficient and accurate method for computing the wet-bulb temperature along pseudoadiabats［J］.Mon Wea Rev，136（7）：2764.doi：10.1175／2007MWR2224.1.

Dosio A，Mentaschi L，Fischer E M，et al.，2018.Extreme heat waves under 1.5 ℃ and 2 ℃ global warming［J］.Environ Res Lett，13（5）：054006.doi：10.1088／1748-9326／aab827.

Fisher R A，Tippett L H C，1928.Limiting forms of the frequency distribution of the largest or smallest member of a sample［J］.Math Proc Camb Phil Soc，24（2）：180-190.doi：10.1017／s0305004100015681.

Freychet N，Tett S F B，Yan Z，et al.，2020.Underestimated change of wet-bulb temperatures over east and South China［J］.Geophys Res Lett，47（3）.doi：10.1029／2019gl086140.

Ge Z，2007.Significance tests for the wavelet power and the wavelet power spectrum［J］.Ann Geophys，25（11）：2259-2269.doi：10.5194／angeo-25-2259-2007.

He W Y，Chen H P，Ma J H，2023.Variations in summer extreme hot-humid events over eastern China and the possible associated mechanisms［J］.J Climate，36（11）：3801-3815.doi：10.1175／JCLI-D-22-0695.1.

Im E S，Pal J S，Eltahir E A B，2017.Deadly heat waves projected in the densely populated agricultural regions of South Asia［J］.Sci Adv，3（8）：e1603322.doi：10.1126／sciadv.1603322.

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的新认知［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 AR6［J］.Trans Atmos Sci，45（4）：502-511.doi：10.13878／j.cnki.dqkxxb.20220529013.（in Chinese）.

Kjellstrom T，Gabrysch S，Lemke B，et al.，2009.The ‘Hothaps programme for assessing climate change impacts on occupational health and productivity：an invitation to carry out field studies［J］.Glob Health Action，2：2.doi：10.3402／gha.v2i0.2082.

李铭宇，韩婷婷，郝鑫，2020.欧亚大陆极端降水事件的区域变化特征［J］.大气科学学报，43（4）：687-698. Li M Y，Han T T，Hao X，2020.Regional characteristics of extreme precipitation events in Eurasia［J］.Trans Atmos Sci，43（4）：687-698.doi：10.13878／j.cnki.dqkxxb.20191202001.（in Chinese）.

李万玲，郝鑫，2023.北半球人体不舒适天数归因分析及其未来预估［J］.大气科学学报，46（4）：561-574. Li W L，Hao X，2023.Attribution analysis of human discomfort days in the Northern Hemisphere and their prediction in the future［J］.Trans Atmos Sci，46（4）：561-574.doi：10.13878／j.cnki.dqkxxb.20210519001.（in Chinese）.

Luo M，Wu S J，Liu Z，et al.，2022.Contrasting circulation patterns of dry and humid heatwaves over southern China［J］.Geophys Res Lett，49（16）.doi：10.1029／2022gl099243.

North G R，Bell T L，Cahalan R F，et al.，1982.Sampling errors in the estimation of empirical orthogonal functions［J］.Mon Wea Rev，110（7）：699.doi：10.1175／1520-0493（1982）1100699：SEITEO>2.0.CO;2.

Parsons L A，Masuda Y J，Kroeger T，et al.，2022.Global labor loss due to humid heat exposure underestimated for outdoor workers［J］.Environ Res Lett，17（1）：014050.doi：10.1088／1748-9326／ac3dae.

Raymond C，Matthews T，Horton R M，2020.The emergence of heat and humidity too severe for human tolerance［J］.Sci Adv，6（19）：eaaw1838.doi：10.1126／sciadv.aaw1838.

Sherwood S C，Huber M，2010.An adaptability limit to climate change due to heat stress［J］.Proc Natl Acad Sci USA，107（21）：9552-9555.doi：10.1073／pnas.0913352107.

Speizer S，Raymond C，Ivanovich C，et al.，2022.Concentrated and intensifying humid heat extremes in the IPCC AR6 regions［J］.Geophys Res Lett，49（5）：e2021GL097261.doi：10.1029／2021gl097261.

Torrence C，Compo G P，1998.A practical guide to wavelet analysis［J］.Bull Amer Meteor Soc，79（1）：61-78.doi：10.1175／1520-0477（1998）079<0061：apgtwa>2.0.co;2.

Wang D Q，Sun Y，2021.Long-term changes in summer extreme wet bulb globe temperature over China［J］.J Meteor Res，35（6）：975-986.doi：10.1007／s13351-021-1080-4.

Wang P Y，Leung L R，Lu J，et al.，2019.Extreme wet-bulb temperatures in China：the significant role of moisture［J］.J Geophy Res：Atmos，124（22）：11944-11960.doi：10.1029／2019jd031477.

魏凤英，2007.现代气候诊断与预测技术［M］.2版.北京：气象出版社. Wei F Y，2007.Modern climatological diagnosis and prediction methods［M］.2nd ed.Beijing：China Meteorological Press.（in Chinese）.

Willett K M，Sherwood S，2012.Exceedance of heat index thresholds for 15 regions under a warming climate using the wet-bulb globe temperature［J］.Int J Climatol，32（2）：161-177.doi：10.1002／joc.2257.

吴洪宝，吴蕾，2010.气候变率诊断和预测方法［M］.2版.北京：气象出版社. Wu H B，Wu L，2010.Methods for diagnosing and forecasting climate variability［M］.2nd ed.Beijing：China Meteorological Press.（in Chinese）.

吴佳，高学杰，2013.一套格点化的中国区域逐日观测资料及与其它资料的对比［J］.地球物理学报，56（4）：1102-1111. Wu J，Gao X J，2013.A gridded daily observation dataset over China region and comparison with the other datasets［J］.Chin J Geophys，56（4）：1102-1111.（in Chinese）.

Xu F，Chan T O，Luo M，2021.Different changes in dry and humid heat waves over China［J］.Int J Climatol，41（2）：1369-1382.doi：10.1002／joc.6815.

余荣，翟盘茂，2021.关于复合型极端事件的新认识和启示［J］.大气科学学报，44（5）：645-649. Yu R，Zhai P M，2021.Advances in scientific understanding on compound extreme events［J］.Trans Atmos Sci，44（5）：645-649.doi：10.13878／j.cnki.dqkxxb.20210824006.（in Chinese）.

余世鹏，杨劲松，王相平，等，2013.滨海滩涂地区降水变化的多尺度周期特征分析与趋势预测［J］.中国农业气象，34（4）：377-383. Yu S P，Yang J S，Wang X P，et al.，2013.Multi-scale periodic analysis and trend prediction for precipitation dynamics in coastal tidal flat region［J］.Chin J Agrometeorol，34（4）：377-383.doi：10.3969／j.issn.1000-6362.2013.04.001.（in Chinese）.

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）.

周波涛，钱进，2021.IPCC AR6报告解读：极端天气气候事件变化［J］.气候变化研究进展，17（6）：713-718. Zhou B T，Qian J，2021.Changes of weather and climate extremes in the IPCC AR6［J］.Clim Change Res，17（6）：713-718.doi：10.12006／j.issn.1673-1719.2021.167.（in Chinese）.