基于聚类分析的中国东北地区气温和降水时空变化特征_孙倩倩
东北地区近百年降水时间序列变化规律的小波分析
东北地区近百年降水时间序列变化规律的小波分析一、本文概述本文旨在通过小波分析的方法，对东北地区近百年降水时间序列的变化规律进行深入研究。
东北地区作为我国重要的农业和工业基地，其气候变化对区域生态环境、农业生产以及社会经济发展具有重要影响。
降水作为气候变化的关键因子之一，其时间序列的变化规律对于理解和预测东北地区的气候变化趋势具有重要意义。
本文将系统回顾和梳理东北地区近百年的降水数据，构建完整的降水时间序列。
在此基础上，运用小波分析的方法，对降水时间序列进行多尺度分解，揭示其在不同时间尺度上的变化规律。
小波分析作为一种有效的时频分析方法，能够同时提供时间序列在时间和频率域的信息，有助于我们更深入地理解降水时间序列的局部特征和整体趋势。
本文将对比分析东北地区不同区域、不同季节的降水时间序列变化规律，探讨降水变化的空间异质性和季节性差异。
同时，结合历史气候变化和人类活动等因素，分析降水变化的可能原因和机制。
本文将对东北地区未来降水变化趋势进行预测和展望。
通过构建降水预测模型，结合全球气候变化趋势和区域特定因素，预测东北地区未来降水时间序列的变化趋势和可能的影响。
这对于制定适应气候变化的策略和措施，促进东北地区的可持续发展具有重要意义。
本文旨在通过小波分析的方法，全面揭示东北地区近百年降水时间序列的变化规律，为深入理解和预测东北地区气候变化趋势提供科学依据。
二、文献综述随着全球气候变化的日益显著，降水时间序列的变化规律及其影响已成为众多研究者关注的焦点。
东北地区作为我国重要的粮食生产基地和生态安全屏障，其降水变化的研究对于农业生产、水资源管理和生态环境保护具有重要意义。
近年来，小波分析作为一种有效的时频分析方法，被广泛应用于气候变化和降水序列的分析中。
在降水时间序列的研究方面，早期的研究主要侧重于降水量的统计分析和空间分布特征。
随着研究的深入，学者们开始关注降水时间序列的周期性、突变性和趋势性。
例如，等（）利用时间序列分析方法对东北地区降水量的变化趋势进行了研究，发现降水量呈现显著的增加趋势。
东北地区植被碳利用率时空变化及其影响因子分析
第30卷第6期2023年12月水土保持研究R e s e a r c ho f S o i l a n d W a t e rC o n s e r v a t i o nV o l .30,N o .6D e c .,2023收稿日期:2022-10-10 修回日期:2022-11-09资助项目:江西省教育厅科学技术研究项目(G J J 212701);广西自然科学基金(2020G X N S F B A 297160) 第一作者:胡佶熹(1981 ),男,江西萍乡人,博士研究生,研究方向为土地资源管理㊂E -m a i l :h j x 198118@163.c o m 通信作者:徐勇(1988 ),男,湖南益阳人,博士,副教授,主要从事气候变化和植被覆盖反演研究㊂E -m a i l :y o n gx u @g l u t .e d u .c n h t t p :ʊs t b c y j .p a p e r o n c e .o r gD O I :10.13869/j.c n k i .r s w c .2023.06.005.胡佶熹,周清华,徐勇.东北地区植被碳利用率时空变化及其影响因子分析[J ].水土保持研究,2023,30(6):274-283.H uJ i x i ,Z h o uQ i n g h u a ,X uY o n g .S p a t i o t e m p o r a lV a r i a t i o no fV e g e t a t i o nC a r b o nU s eE f f i c i e n c y a n d I t s I n f l u e n c i n g F a c t o r s i nN o r t h e a s tC h i n a [J ].R e s e a r c ho f S o i l a n d W a t e rC o n s e r v a t i o n ,2023,30(6):274-283.东北地区植被碳利用率时空变化及其影响因子分析胡佶熹1,周清华2,徐勇3(1.萍乡学院商学院,江西萍乡337055;2.玉林市福绵区自然资源技术信息中心,广西玉林537000;3.桂林理工大学测绘地理信息学院,广西桂林541006)摘 要:[目的]揭示东北地区植被碳利用率的时空分布特征,探明植被C U E 与影响因子间的关系,为监测区域生态环境质量和植被生态系统状况提供参考㊂[方法]基于MO D I SG P P 和N P P 数据,结合气象数据,采用一元线性回归分析㊁M a n n -K e n d a l l 显著性检验和偏相关分析等方法,探讨了2000 2020年东北地区植被C U E 的时空变化特征,分析了植被C U E 与气候因子的相关关系及时滞效应,揭示了影响植被C U E 变化的气候驱动机制的空间分布特征㊂[结果]2000 2020年东北地区多年平均植被C U E 为0.64,在空间上呈现东高西低的分布格局㊂近21年,东北地区植被C U E 呈缓慢上升趋势,变化斜率为0.002/a ㊂变化斜率大于0的区域占69.22%,植被C U E 呈极显著上升和极显著下降的占比分别为6.28%,1.11%,极显著下降区域主要位于黑龙江省的东北部地区㊂植被C U E 与气温㊁日照时数和相对湿度整体呈负相关,与降水整体呈正相关,且降水对植被C U E 的影响强于其他气候因子㊂东北地区植被C U E 主要响应于当月气温㊁降水㊁日照时数和相对湿度的变化,且植被C U E 主要受气温㊁降水㊁日照时数㊁相对湿度弱驱动㊂[结论]东北地区植被C U E 总体呈上升趋势,且主要受当月气候因子的影响㊂研究结果可为制定东北地区植被生态系统可持续发展方针提供参考依据㊂关键词:东北地区;植被碳利用率;气候驱动机制中图分类号:Q 948 文献标识码:A 文章编号:1005-3409(2023)06-0274-10S p a t i o t e m p o r a lV a r i a t i o no fV e g e t a t i o nC a r b o nU s eE f f i c i e n c y an d I t s I n f l u e n c i n g Fa c t o r s i nN o r t h e a s tC h i n a H u J i x i 1,Z h o uQ i n g h u a 2,X uY o n g3(1.S c h o o l o f B u s i n e s s ,P i n g x i a n g U n i v e r s i t y ,P i n g x i a n g ,J i a n gx i 337055,C h i n a ;2.T e c h n o l o g y I n f o r m a t i o nC e n t e r ,N a t u r a lR e s o u r c e sB u r e a uo f F u m i a nD i s t r i c t ,Y u l i n ,G u a n g x i 537000,C h i n a ;3.C o l l e g e o f G e o m a t i c s a n dG e o i n f o r m a t i o n ,G u i l i nU n i v e r s i t y o f T e c h n o l o g y ,G u i l i n ,G u a n gx i 541006,C h i n a )A b s t r a c t :[O b j e c t i v e ]T h e a i m s o f t h i s s t u d y a r e t o r e v e a l t h e t e m p o r a l a n d s pa t i a l d i s t r ib u t i o nc h a r a c t e r i s t i c s o f v e g e t a t i o n c a r b o nu s ee f f i c i e n c y i nn o r t h e a s tC h i n a ,a sw e l l a s t h er e l a t i o n s h i p b e t w e e nv e ge t a t i o nC U E a n d i nf l u e n c i ng f a c t o r s ,th e y c a n p r o vi d ea r e f e r e n c e f o rm o n i t o r i n g r e g i o n a l e c o l o g i c a l e n v i r o n m e n t q u a l i t ya n dv e g e t a t i o ne c o s ys t e ms t a t u s .[M e t h o d s ]B a s e do n MO D I SG P Pa n dN P Pd a t a ,c o m b i n e dw i t h m e t e o r o -l o g i c a l d a t a ,t h e l i n e a r r e g r e s s i o na n a l y s i s ,M a n n -K e n d a l l s i g n i f i c a n c e t e s t ,a n d p a r t i a l c o r r e l a t i o na n a l ys i s w e r eu s e d t o e x p l o r e t h e s p a t i o t e m p o r a l v a r i a t i o n o f v e g e t a t i o nC U E ,t o a n a l y z e t h e c o r r e l a t i o n a n d l a g e f f e c t o f v e g e t a t i o nC U Ew i t hc l i m a t e f a c t o r s ,a n d t or e v e a l t h e s p a t i a l d i s t r i b u t i o nc h a r a c t e r i s t i c so f t h e c l i m a t e -d r i v e nm e c h a n i s ma f f e c t i n g v e g e t a t i o nC U Ev a r i a t i o n i nn o r t h e a s tC h i n a f r o m2000t o2020.[R e s u l t s ]T h e a n n u a l a v e r a g e v e g e t a t i o nC U Ew a s 0.64i nn o r t h e a s tC h i n a f r o m2000t o 2020,d i s p l a y i n g a s pa t i a l d i s t r ib u -t i o n p a t t e r no f h i g h i n t h e e a s t a n d l o wi n t h ew e s t .I n t h e p a s t 21y e a r s ,t h e v e ge t a t i o nC U Es h o w e d a s l o w Copyright ©博看网. All Rights Reserved.u p w a r d t r e n di nn o r t h e a s tC h i n a w i t ha ni n c r e a s i n g m a g n i t u d eo f0.002/a.T h ea r e a s w i t ha ni n c r e a s i n g m a g n i t u d e g r e a t e r t h a n0a c c o u n t e d f o r69.22%o f t h e s t u d y a r e a,a n d t h ea r e a sw i t he x t r e m e l y s i g n i f i c a n t i n c r e a s e a n d e x t r e m e l y s i g n i f i c a n t d e c r e a s ea c c o u n t e d f o r6.28%a n d1.11%o f t h es t u d y a r e a,r e s p e c t i v e l y. T h e a r e a sw i t he x t r e m e l y s i g n i f i c a n td e c r e a s ew e r em a i n l y l o c a t e d i nt h en o r t h e a s t e r n p a r to fH e i l o n g j i a n g P r o v i n c e.V e g e t a t i o n C U E w a sn e g a t i v e l y c o r r e l a t e d w i t ht e m p e r a t u r e,s u n s h i n ed u r a t i o n,a n dr e l a t i v eh u m i d i t y,a n d p o s i t i v e l y c o r r e l a t e dw i t h p r e c i p i t a t i o na saw h o l e.I na d d i t i o n,p r e c i p i t a t i o nh a das t r o n g e ri m p a c t o nv e g e t a t i o nC U Et h a no t h e r c l i m a t i c f a c t o r s.T h e v e g e t a t i o nC U E m a i n l y r e s p o n d e d t o t h e c h a n g e s o f c u r r e n tm o n t ho f p r e c i p i t a t i o n,a i rt e m p e r a t u r e,s u n s h i n ed u r a t i o n,a n dr e l a t i v eh u m i d i t y i nn o r t h e a s t C h i n a,a n d t h e v e g e t a t i o nC U Ew a sm a i n l y d r i v e nb y w e a k c o m b i n a t i o n e f f e c t o f a i r t e m p e r a t u r e,p r e c i p i t a t i o n, s u n s h i n ed u r a t i o n,a n dr e l a t i v eh u m i d i t y.[C o n c l u s i o n]T h ev e g e t a t i o n C U Ei nn o r t h e a s tC h i n ah a d g e n e r a l l y i n c r e a s e d,a n dw a sm a i n l y a f f e c t e db y t h e c o n c u r r e n tm o n t ho f t h e c l i m a t e f a c t o r s.T h e r e s e a r c h r e s u l t s c a n p r o v i d e t h e r e f e r e n c e f o r f o r m u l a t i n g s u s t a i n a b l e d e v e l o p m e n t p o l i c i e s f o r v e g e t a t i o n e c o s y s t e m s i nn o r t h e a s t C h i n a.K e y w o r d s:n o r t h e a s tC h i n a;v e g e t a t i o n c a r b o nu s e e f f i c i e n c y;c l i m a t e-d r i v e nm e c h a n i s m植被作为地球表层生态系统的重要组成部分[1-2],因其对气候变化响应较为敏感,且作为陆地表面主要的碳库,具有较高的碳密度和较快的碳积累速度,在减缓大气C O2浓度升高和全球气候变暖方面发挥着关键的作用[3-5]㊂植被碳利用率(c a r b o nu s e e f f i c i e n c y,C U E),即植被净初级生产力(n e t p r i m a r y p r o d u c t i v i t y,N P P)与植被总初级生产力(g r o s s p r i-m a r yp r o d u c t i v i t y,G P P)的比值,可反映植被将初级生产力转化为植被生物质储存在生态系统中的效率,是碳循环研究的核心主题[6-9]㊂随着遥感技术的快速发展,学者在不同时空尺度上研究了植被碳利用率的时空变化特征及其影响因素,并取得了丰硕的成果㊂在全球尺度上,H e等[7]基于遥感影像和过程模型研究了全球植被C U E时空变化特征,结果表明,全球植被C U E呈现明显的纬度地带性,高纬度地区植被C U E较高㊂植被C U E 随气温的上升呈非线性下降趋势,但对降水的增加表现较为稳定㊂Mäk e lä等[10]研究发现在60ʎ 70ʎN,随着纬度的上升,由于碳通量和存量的下降,针叶林C U E和N E P均呈梯度下降趋势㊂在中国,C h u a i 等[11]研究表明2000 2015年中国植被C U E呈微弱上升趋势,寒冷干燥地区植被C U E通常较高,而温暖湿润地区植被C U E通常较低㊂G a n g等[12]研究发现中国北方同一时期草地的C U E比森林的C U E 高,并且森林C U E受近期干旱的影响比草地更大㊂兰垚等[13]研究表明青海湖流域中部地区在生长季初期和末期C U E值偏高,生长旺盛期较低,青海湖边界地区与中部地区相反㊂郑飞鸽等[14]研究表明降水量是影响植被C U E变化的主要因素,并且月均植被C U E与年均植被C U E存在较大的差异㊂此外,罗赵慧[15]㊁安相[16]和刘福红[17]等分别对粤港澳大湾区㊁东亚森林和草地㊁鄱阳湖流域的植被C U E进行了深入的研究,研究结果表明不同地区和不同植被类型的植被C U E存在较大差异㊂以上研究主要分析植被C U E时空变化特征,及其与降水和气温的相关关系,但植被C U E除受气温和降水影响外,还受其他气候因子的影响,且植被C U E对气候变化存在滞后效应,因此,在研究中应当充分考虑其他气候因子对植被C U E的影响㊁植被C U E对气候变化的滞后效应以及各气候因子对植被C U E变化的综合驱动作用㊂东北地区作为我国生态敏感区之一,研究其植被C U E的时空动态变化及其对气候变化的响应有着重大意义㊂因此,本文以东北地区作为研究区,探讨2000 2020年东北地区植被C U E的时空变化特征,分析植被C U E与气候因子的相关关系及时滞效应,揭示影响植被C U E变化的气候驱动机制的空间分布特征,以期为东北地区生态建设与保护提供理论参考和科学依据㊂1研究区概况东北地区包括吉林㊁黑龙江和辽宁3个省份,地理位置为118ʎ 135ʎE,48ʎ 55ʎN,北面与俄罗斯相邻,东面与朝鲜接壤,隔日本海和黄海与日本㊁韩国相望,南濒渤海与华北区相邻(图1)㊂东北地区总面积为7.89ˑ105k m2,约占全国总面积的8.3%,受纬度㊁海陆位置㊁地势等因素的影响,东北地区属大陆性季风型气候,自北而南由温带向暖温带过渡,年平均气温约为4ħ,年累积降水量约为1183mm,年平均湿度约为65%,蕴含着丰富的森林资源,总蓄积量约占全国的1/3,主要以栽培植被㊁阔叶林和针叶林为主㊂572第6期胡佶熹等:东北地区植被碳利用率时空变化及其影响因子分析Copyright©博看网. All Rights Reserved.注:基于标准地图服务系统下载的审图号G S(2016)600号的标准地图制作,底图未做修改,下图同㊂图1研究区气象站点空间分布F i g.1S p a t i a l d i s t r i b u t i o no f t h em e t e o r o l o g i c a ls t a t i o n s i n t h e s t u d y a r e a s2数据源及研究方法2.1数据源植被G P P和N P P数据来源于美国国家航空航天局发布MO D I S系列产品数据集,其中,G P P来自M O D17A2H G F产品数据集,N P P来自M O D17A3H G F 产品数据集,空间分辨率均为500m,为剔除缺失值㊁水㊁云㊁重气溶胶和云影对试验结果的影响,本文采用最大值合成法得到2000 2020年植被G P P时间序列,并对G P P和N P P数据进行投影变换㊁掩膜㊁裁剪和重采样等处理,得到覆盖研究区空间分辨率为1 k m的G P P和N P P时间序列,然后计算N P P和G P P的比值,得到研究区植被C U E栅格数据集㊂气象数据资料来源于中国气象数据网(h t t p:ʊd a t a.c m a.c n)提供的1999 2020年2416个气象站点的逐日气温㊁降水㊁日照时数和相对湿度数据,其中东北地区覆盖站点数为200个,在考虑高程㊁经度和纬度的基础上,经过A n u s p l i n模型插值后得到空间分辨率为1k m的东北地区的气温㊁降水㊁日照时数和相对湿度栅格数据集㊂2.2研究方法2.2.1一元线性回归分析一元线性回归分析可用来估算变量在长时间序列上的变化趋势,本文采用一元线性回归分析在区域和像元尺度上计算植被C U E 的变化斜率[18],以探究东北地区植被C U E的变化特征,计算公式如下:s l o p e=nˑðni=1(iˑC U E i)-ðn i=1iˑðn i=1C U E inˑðni=1i2-(ðn i=1i)2(1)式中:s l o p e为变化斜率;C U E i为第i年的植被C U E;n为研究年限,当s l o p e>0时,表示植被C U E 在该时段内处于上升趋势,反之,则为下降趋势㊂2.2.2 M a n n-K e n d a l l显著性检验M a n n-K e n d a l l 显著性检验[18-19]作为常用的非参数检验法,不需要样本遵循一定的分布规律㊂本文运用该方法对2000 2020年植被C U E时间序列的变化趋势进行显著性检验,计算公式如下:S k=ðk i=1ði j=1s g n(x i-x j)(2)E(S k)=k(k-1)4(3)v a r(S k)=k(k-1)(2k+5)72(4)U F k S k-E(S k)v a r(S k)(5) U B k=-U F k(k=n+1-k)(6)式中:x i和x j分别为第i个和j个样本的值;S k为第i 个样本的累积量;E(S k)为S k的均值;v a r(S k))为S k的方差;U F k为S k的标准差,U B k是对U F k进行倒置再取负㊂在给定显著性水平α下,在正态分布表中查临界值Z1-α2,当|Z|<Z1-α2时,趋势不显著;当|Z|>Z1-α2,则认为趋势显著㊂本文给定当|Z|>2.58时,为极显著变化;当|Z|>1.96时,为显著变化,否则,为轻微变化㊂2.2.3相关分析和偏相关分析法相关分析法可用于表征两个因子之间的相关程度㊂本文采用相关分析[20]探究植被C U E与影响因子间的相关关系㊂计算公式如下:r x y=ðn i=1(x i-x)(y i-y)ðn i=1(x i-x)2ðn i=1(y i-y)2(7)式中:n为研究年限;i为年序号;y为植被C U E对应像元21a平均C U E值;x为气候因子㊂当多个因子同时与植被C U E存在相关关系时,使用偏相关分析[21-22]可以在控制其他影响因素的条件下,衡量2个因子间的相关关系(表1)㊂本文采用偏相关分析法,计算植被C U E与气温㊁降水㊁日照时数和相对湿度的偏相关关系,计算公式如下:r x y.z1z2 z n=r x y.z1z2 z n-1-r x z n.z1z2 z n-1r y z n.z1z2 z n-1(1-r2x z n.z1z2 z n-1)(1-r2y z n.z1z2 z n-1)(8)672水土保持研究第30卷Copyright©博看网. All Rights Reserved.式中:r x y.z1z2 z n为控制自变量z1,z2, ,z n时,变量x和y的偏相关系数㊂采用t检验法对最大偏相关系数进行显著性检验,定义p<0.01为极显著相关;0.01ɤp<0.05为显著相关;pȡ0.05为不显著相关㊂表1植被C U E变化气候驱动类型判定T a b l e1D e t e r m i n a t i o no f c l i m a t e-d r i v e n t y p e o f v e g e t a t i o nC U Ec h a n g e气候驱动类型偏相关系数C U E_T e m C U E_P r e C U E_S d C U E_R h复相关系数C U E_T P S R气温驱动p<0.05pȡ0.05pȡ0.05pȡ0.05p<0.05降水驱动pȡ0.05p<0.05pȡ0.05pȡ0.05p<0.05日照时数驱动pȡ0.05pȡ0.05p<0.05pȡ0.05p<0.05相对湿度驱动pȡ0.05pȡ0.05pȡ0.05p<0.05p<0.05气温㊁降水驱动p<0.05p<0.05pȡ0.05pȡ0.05p<0.05气温㊁日照时数驱动p<0.05pȡ0.05p<0.05pȡ0.05p<0.05气温㊁相对湿度驱动p<0.05pȡ0.05pȡ0.05p<0.05p<0.05降水㊁日照时数驱动pȡ0.05p<0.05p<0.05pȡ0.05p<0.05降水㊁相对湿度驱动pȡ0.05p<0.05pȡ0.05p<0.05p<0.05日照时数㊁相对湿度驱动pȡ0.05pȡ0.05p<0.05p<0.05p<0.05气温㊁降水㊁日照时数驱动p<0.05p<0.05p<0.05pȡ0.05p<0.05气温㊁降水㊁相对湿度驱动p<0.05p<0.05pȡ0.05p<0.05p<0.05气温㊁日照时数㊁相对湿度驱动p<0.05pȡ0.05p<0.05p<0.05p<0.05降水㊁日照时数㊁相对湿度驱动pȡ0.05p<0.05p<0.05p<0.05p<0.05气温㊁降水㊁日照时数㊁相对湿度强驱动p<0.05p<0.05p<0.05p<0.05p<0.05气温㊁降水㊁日照时数㊁相对湿度弱驱动pȡ0.05pȡ0.05pȡ0.05pȡ0.05p<0.05非气候因子驱动pȡ0.05pȡ0.05pȡ0.05pȡ0.05pȡ0.05注:C U E_T e m表示植被C U E与气温;C U E_P r e表示植被C U E与降水;C U E_S d表示植被C U E与日照时数;C U E_R h表示植被C U E与相对湿度;C U E_T P S R表示植被C U E与气温㊁降水㊁日照时数和相对湿度㊂3结果与分析3.1植被C U E时间变化特征由图2可知,东北地区植被C U E总体呈现波动上升趋势,上升速率为0.0023/a㊂近21a来,研究区植被C U E平均值为0.64,其中,最高值出现在2003年㊁2009年㊁2014年,为0.68,最低值出现在2000年,为0.57㊂总体来看,2000 2020年东北地区植被C U E的变化大致经历了4个阶段:2000 2003年植被C U E呈上升趋势,上升幅度为0.11,并且在2003年达到最大值;2004 2007年植被C U E呈下降趋势,并且在2007年出现波谷,下降幅度为0.04~0.05; 2008 2009年呈上升趋势,上升幅度为0.07,并在2009年出现波峰;2010 2020年呈波动上升趋势,波动幅度为0.02~0.04,总体变化较为平稳㊂省级尺度上看,近21a辽宁省多年平均植被C U E最高,为0.72,黑龙江省最低,为0.61㊂黑龙江省植被C U E年际变化趋势与东北地区植被C U E变化趋势较为一致,辽宁省和吉林省植被C U E年际变化斜率与东北地区植被C U E变化斜率差异较大㊂辽宁省植被C U E上升斜率为0.0032/a,高于东北地区植被C U E变化斜率,而吉林省植被C U E上升斜率仅为0.0014/a,远低于东北地区植被C U E变化斜率㊂总体而言,东北地区及其3个省份的植被C U E 年际变化趋势均表现为上升趋势,其中,辽宁省植被C U E的上升速率最快,且多年平均植被C U E最高,吉林省植被C U E的上升速率最慢,而黑龙江省的多年平均植被C U E最低㊂图22000-2020年东北地区植被C U E时间变化F i g.2T e m p o r a l v a r i a t i o no f v e g e t a t i o nC U E i nN o r t h e a s t C h i n a f r o m2000t o2020772第6期胡佶熹等:东北地区植被碳利用率时空变化及其影响因子分析Copyright©博看网. All Rights Reserved.3.2植被C U E空间变化特征采用自然间断点法将东北地区植被C U E分成5类,以揭示2000 2020年东北地区多年平均植被C U E空间分布特征㊂由图3A可知,2000 2020年东北地区植被C U E空间分布差异显著㊂总体来说,植被C U E整体的空间分布呈 东高西低 的空间分布格局,均值在0.26~1.00,平均植被C U E为0.64,植被净收C O2的能力中等,总体的标准差为0.11,反映了东北地区局部碳利用率的水平差异较大㊂其中,植被C U E高值区域(0.71~1)占25.37%,主要分布在东北地区的东南部;植被C U E低值区域(0~0.53)占18.08%,主要分布在东北地区的西部和东北部区域㊂由图3B可知,东北地区植被C U E的变化斜率为-0.030~0.039/a,变化斜率呈东南低㊁西北高的空间分布格局㊂由图3C可知,东北地区植被C U E呈上升趋势的面积占69.39%,其中,呈显著和极显著上升趋势的面积占18.09%,主要位于黑龙江省中部和辽宁省西部㊂东北地区植被C U E呈下降趋势的面积占30.61%,其中,呈极显著下降趋势的面积占1.00%,主要分布在黑龙江省东北部㊂省级尺度上,黑龙江省㊁辽宁省和吉林省植被C U E呈上升趋势的面积分别占72.03%, 74.57%,59.12%,其中,黑龙江省和辽宁省植被C U E呈显著和极显著上升趋势的面积分别占20.07%,23.62%,而吉林省植被C U E呈显著和极显著上升趋势的面积仅占8.86%㊂此外,黑龙江省㊁辽宁省和吉林省植被C U E呈下降趋势的面积分别占27.97%,25.43%, 40.88%,其中,呈显著和极显著下降趋势的面积占比均较低,分别为3.70%,1.65%,1.79%整体而言,东北地区植被C U E呈 东高西低 的空间分异特征㊂在区域和省级尺度上,植被C U E呈上升趋势的面积均大于呈下降趋势的面积,其中,黑龙江省和辽宁省植被C U E呈上升趋势的面积占比大于吉林省㊂图32000-2020年东北地区植被C U E空间变化F i g.3S p a t i a l d i s t r i b u t i o no f t h e d y n a m i c v a r i a t i o no f v e g e t a t i o nC U E i nN o r t h e a s t C h i n a f r o m2000t o20203.3植被C U E与气候因子的相关关系如图4A D所示,整体上,东北地区植被C U E 与降水和气温呈正相关关系的面积大于呈负相关关系的面积,与日照时数和相对湿度呈负相关关系的面积大于呈正相关关系的面积㊂东北地区植被C U E 与降水的最大偏相关系数平均值为0.12,呈南北强㊁东西弱的响应特征,呈正相关关系的区域占总面积的63.93%,其中,呈极显著正相关关系的区域占6.45%,主要分布在黑龙江省中部和西北部㊂研究区内45.59%的植被C U E与气温呈负相关关系,主要零散分布在东北地区的东部和西部区域,植被C U E与气温的最大偏相关系数的平均值为0.03㊂对比植被C U E与降水和气温的偏相关关系可以发现,植被C U E与降水和气温的响应特征存在较大的空间差异,植被C U E与降水呈极显著正相关关系的区域,与气温却呈极显著负相关关系,这说明不同的气候因子对植被C U E的影响存在明显空间分异特征㊂植被C U E与日照时数最大偏相关系数的平均值为-0.14,植被C U E与日照时数呈不显著相关关系占比最大,为85.64%;仅有0.37%呈极显著正相关关系,主要分布在辽宁省的东部地区㊂东北地区植被C U E与相对湿度呈微弱的负相关关系,最大相关系872水土保持研究第30卷Copyright©博看网. All Rights Reserved.数的平均值为-0.05,研究区内57.94%的植被C U E与相对湿度呈负相关关系,极显著负相关关系占1.61%,主要分布在黑龙江省与吉林省的交界处;极显著正相关关系和显著正相关关系占3.54%,主要分布在黑龙江省西部㊁吉林省西部和辽宁省中部㊂综上可知,东北地区植被C U E对各气候因子变化的最大响应呈明显地域差异㊂总体上,日照时数㊁降水㊁相对湿度和气温对东北地区植被C U E的响应强弱程度依次降低㊂植被C U E与降水和气温呈正相关的面积大于日照时数和相对湿度㊂图4东北地区植被C U E与气候因子偏相关关系空间分布F i g.4S p a t i a l d i s t r i b u t i o no f p a r t i a l c o r r e l a t i o nb e t w e e nv e g e t a t i o nC U Ea n d c l i m a t e f a c t o r s i nN o r t h e a s t C h i n a由图5A可知,东北地区的植被C U E复相关关系均为正相关,且极显著正相关面积占比最大,为38.73%,主要分布在黑龙江省中部㊂根据表1气候因素驱动机制分类准则,耦合植被C U E与各气候因子的偏相关和复相关结果可得图5B㊂由图5B可知,东北地区植被C U E变化受气候因素和非气候因素驱动的占比分别为69.41%,30.59%㊂单因子驱动中,东北地区植被C U E受降水㊁日照时数㊁气温和相对湿度单独驱动的面积占比依次下降,分别为9.76%,7.91%,6.55%,4.65%,其中,降水对植被C U E的影响最强,主要分布在黑龙江省的中部地区㊂在多因子联合驱动中,受气温㊁降水㊁日照时数㊁相对湿度弱驱动面积占比为27.36%,主要分布在黑龙江省的北部和吉林省的东部区域㊂东北地区植被C U E变化受非气候因子驱动占比为30.59%,主要分布在东北区域的东北部以及南部地区㊂综上可知,西南地区植被C U E变化受气候因素的驱动大于受非气候因素的驱动㊂单因子驱动中,东北地区植被C U E受降水的影响强于其他气候因子;多因子联合驱动中,东北地区植被C U E主要受气温㊁降水㊁日照时数和相对湿度弱驱动㊂图5东北地区植被C U E与气候因子的复相关关系和驱动因素分区F i g.5M u l t i p l e c o r r e l a t i o nb e t w e e nv e g e t a t i o nC U Ea n d c l i m a t e f a c t o r s a n d t h e d i v i s i o no f d r i v i n g f a c t o r s i nN o r t h e a s t C h i n a3.4植被C U E与气候因子的时滞效应计算植被C U E与气温㊁降水㊁日照时数和相对湿度0 3个月的相关系数,然后根据最大相关系数得到植被C U E对各气候因子最大响应的滞后期㊂972第6期胡佶熹等:东北地区植被碳利用率时空变化及其影响因子分析Copyright©博看网. All Rights Reserved.如图6A D所示,东北地区植被C U E最大响应于当月气温㊁降水㊁日照时数和相对湿度的变化的面积最大,分别占49.10%,48.51%,52.70%,48.98%㊂对降水响应滞后0个月主要分布在黑龙江省西北部和辽宁省的西南部㊁吉林省的东部地区;对日照时数响应滞后0个月主要分布在东北地区的东部;对气温响应滞后0个月主要分布黑龙江省和吉林省的东部地区;对相对湿度响应滞后0个月主要分布在黑龙江省,有少部分零散分布在辽宁省和吉林省㊂总体而言,植被C U E最大响应于当月气候因子的变化㊂不同影响因子的时滞效应有着相似之处,从图6A D可以看出,气温㊁降水㊁日照时数和相对湿度这4个气候因子对东北地区植被C U E响应滞后各气候因子1个月和2个月均分布在东北地区的西北部以及中部区域㊂图6东北地区植被C U E与气候因子最大响应滞后期空间分布F i g.6S p a t i a l d i s t r i b u t i o no f t h em a x i m u mt i m e-l a g e f f e c t s o f v e g e t a t i o nC U E i n r e s p o n s e t o c l i m a t e v a r i a t i o n i nN o r t h e a s t C h i n a4讨论4.1东北地区植被C U E时空变化特征研究结果表明,时间尺度上,2000 2020年东北地区植被C U E呈显著上升趋势,上升斜率为0.0023/a;空间尺度上,东北地区植被C U E呈上升趋势的面积大于呈下降趋势的面积,其中,呈显著和极显著上升趋势的面积占18.09%,主要分布在黑龙江省中部和辽宁省西部㊂一方面,黑龙江省中部主要为大小兴安岭地区,植被覆盖以林地为主,植被群落较为稳定㊂由图7可知,研究时段内该地区降水主要呈显著和极显著上升趋势,气温呈轻微上升趋势,而日照时数和相对湿度分布有轻微上升和轻微下降,且由图4可知,该地区植被C U E与降水主要呈极显著正相关关系,因此,东北地区降水的增加导致了区域植被C U E的上升,这与已有研究结果一致,已有研究结果表明,降水与植被C U E呈正相关关系,降水的增加能有效提高区域植被C U E[9,17,24-25]㊂辽宁省西部主要土地利用类型为农田,区域内气温㊁降水㊁日照时数和相对湿度主要以轻微变化为主,但是得益于近年来农业水利设施的修建,节约型农业的发展,人为灌溉㊁施肥和杀虫等科学田间管理的开展,削弱了气候变化对植被自养呼吸作用的影响,使得植被同化和固定大气C O2的能力增强,从而增加了植被了C U E[9]㊂另一方面,以上地区为天然林保护工程实施区,有效的森林资源的保护㊁培育和发展,使得环境得到改善,植被生长情况较好,提高了植被C U E[22-23,26]㊂4.2东北地区植被C U E与气候因子的相关性研究结果表明,植被C U E与降水整体呈正相关,而与气温㊁日照时数和相对湿度整体呈负相关,这与已有研究结果一致[17,21,24-25]㊂这与陈智[21]研究发现降水与东北森林植被C U E呈正相关关系,且降水是影响东北森林植被C U E变化的主要气候驱动因素这一结果高度一致㊂由图8可知,研究时段内东北地区气温㊁降水㊁日照时数和相对湿度呈上升趋势㊂降水的增加会减弱植被根系活力与根系呼吸作用,自养呼吸作用降低,从而导致植被C U E升高,而气温㊁日照时数和相对湿度的增加会显著影响植被光合作用的能力和呼吸作用的速率,而呼吸作用的速率对以上3个因子的敏感程度高于光合作用,导致植被N P P增加的速率会低于植被G P P的增加的速率,从而导致植被C U E 下降,因此,植被C U E降水整体呈正相关,与气温㊁日照时数和相对湿度整体呈负相关[15,27-28]㊂东北地区植被C U E对气温㊁降水㊁日照时数和相对湿度的变化存在一定的时滞效应,滞后月份均以0个月为主,滞后期为0个月的区域主要分布在东北地区西082水土保持研究第30卷Copyright©博看网. All Rights Reserved.部,以上地区主要土地利用类型为农田㊂相较于其他植被生态系统,农田植被生态系统对气候变化的响应更为敏感[29-30],主要响应于当月气候变化㊂滞后1个月和2个月的分布情况较为相似,主要呈条带状从中部由南北方向贯穿整个东北地区以及东北地区西部㊂以上地区主要土地利用类型为林地,林地生态系统相较于其他植被生态系统更加稳定,对气候变化的响应存在一定滞后期,这与已有研究结果一致[29-30]㊂图72000-2020年东北地区气候因子变化趋势空间分布F i g.7S p a t i a l d i s t r i b u t i o no f c h a n g i n g t r e n do f c l i m a t e f a c t o r s i nN o r t h e a s t C h i n a f r o m2000t o2020图82000-2020年东北地区气候因子时间变化趋势F i g.8T e m p o r a l v a r i a t i o no f c l i m a t e f a c t o r s i nN o r t h e a s t C h i n a f r o m2000t o20205结论(1)时间上,2000 2020年东北地区植被C U E 呈显著上升趋势,上升斜率为0.0023/a(p<0.05),且辽宁省植被C U E上升斜率高于黑龙江省和吉林省㊂空间上,东北地区植被C U E变化斜率呈东南低㊁西北高的空间分布格局㊂植被C U E呈上升趋势的面积占69.39%,主要分布在黑龙江省中部和辽宁省西部㊂(2)整体上,东北地区植被C U E与降水呈正相关,与气温㊁日照时数和相对湿度呈负相关㊂但东北地区植被C U E与降水和气温呈正相关关系的面积大于呈负相关关系的面积,而植被C U E与日照时数和相对湿度呈正相关关系的面积小于呈负相关关系182第6期胡佶熹等:东北地区植被碳利用率时空变化及其影响因子分析Copyright©博看网. All Rights Reserved.的面积㊂东北地区植被C U E变化受非气候因子驱动占比最大,为30.59%,主要分布在东北区域的东北部以及南部地区㊂(3)东北地区植被C U E主要响应于当月气温㊁降水㊁日照时数和相对湿度的变化,分别占49.10%, 48.51%,52.70%,48.98%㊂东北地区植被C U E响应滞后各气候因子1个月和2个月均分布在东北地区的西北部以及中部区域㊂参考文献:[1] C h a p e l a-O l i v aC,W i n t e rS,O c h o a-H u e s oR.E d a p h o-c l i m a t i cd r i ve r s o ft h eef f e c to fe x t e n s i v e v eg e t a t i o nm a n a g e m e n to ne c o s y s t e m s e r v i c e sa n db i o d i v e r s i t y i nv i n e y a r d s[J].A g r i c u l t u r e,E c o s y s t e m s&E n v i r o n-m e n t,2022,339:108115.[2] G a r cía-P a r d oKA,M o r e n o-R a n g e l D,D o mín g u e z-A m a r i l l o S,e t a l.R e m o t es e n s i n gf o r t h ea s s e s s m e n to fe c o s y s t e ms e r v i c e s p r o v i d e db y u r b a nv e g e t a t i o n:A r e v i e w o ft h em e t h o d s a p p l i e d[J].U r b a nF o r e s t r y&U r b a n G r e e n i n g, 2022,74:127636.[3] Y uZ,C i a i sP,P i a oS,e ta l.F o r e s te x p a n s i o nd o m i-n a t e sC h i n a'sl a n dc a r b o ns i n ks i n c e1980[J].N a t u r eC o mm u n i c a t i o n s,2022,13(1):1-12.[4] P i a oS,W a n g X,P a r kT,e t a l.C h a r a c t e r i s t i c s,d r i v e r sa n df e e db ac k so f g l o b a l g r e e n i n g[J].N a t u r e R e v i e w sE a r t h&E n v i r o n m e n t,2020,1(1):14-27.[5]张春华,王莉媛,宋茜薇,等.1973 2013年黑龙江省森林碳储量及其动态变化[J].中国环境科学,2018,38(12):4678-4686.Z h a n g CH,W a n g LY,S o n g X W,e t a l.B i o m a s s c a r b o ns t o c k s a n dd y n a m i c s o f f o r e s t s i nH e i l o n g j i a n g P r o v i n c ef r o m1973t o2013[J].C h i n a E n v i r o n m e n t a lS c i e n c e,2018,38(12):4678-4686.[6]舒树淼,朱万泽,冉飞,等.贡嘎山峨眉冷杉成熟林碳利用效率季节动态及其影响因子[J].植物生态学报,2020,44(11):1127-1137.S h uS M,Z h u W Z,R a nF,e t a l.S e a s o nd y n a m i c so fc a r b o nu s ee f f i c i e n c y a n di t si n f l u e n c i n g f a c t o r si nt h eo l d-g r o w t h A b i e s f a b r i f o r e s ti n G o n g g a M o u n t a i n,w e s t e r nS i c h u a n,C h i n a[J].C h i n e s eJ o u r n a lo fP l a n tE c o l o g y,2020,44(11):1127-1137.[7] H eY,P i a oS,L i X,e t a l.G l o b a l p a t t e r n s o f v e g e t a t i o nc a r b o nu s ee f f i c i e n c y a n dt h e i rc l i m a t ed r i ve r sd e d u c e df r o m MO D I Ss a t e l l i t ed a t aa n d p r o c e s s-b a s e d m o d e l s[J].A g r i c u l t u r a la n dF o r e s t M e t e o r o l o g y,2018,256:150-158.[8] C h o u d h u r y BJ.C a r b o nu s e e f f i c i e n c y,a n dn e t p r i m a r yp r o d u c t i v i t y o ft e r r e s t r i a lv e g e t a t i o n[J].A d v a n c e si nS p a c eR e s e a r c h,2000,26(7):1105-1108.[9] Y eX,L i uF,Z h a n g Z,e t a l.S p a t i o-t e m p o r a l v a r i a t i o n so f v e g e t a t i o nc a r b o nu s e e f f i c i e n c y a n d p o t e n t i a l d r i v i n gm e t e o r o l o g i c a l f a c t o r si nt h e Y a n g t z e R i v e rB a s i n[J].J o u r n a l o fM o u n t a i nS c i e n c e,2020,17(8):1959-1973.[10] Mäk e läA,T i a nX,R e p oA,e t a l.D om y c o r r h i z a l s y m b i-o n t sd r i v el a t i t u d i n a lt r e n d si n p h o t o s y n t h e t i cc a r b o nu s ee f f i c i e n c y a n dc a r b o ns e q u e s t r a t i o ni n b o r e a lf o r e s t s[J].F o r e s t E c o l o g y a n dM a n a g e m e n t,2022,520:120355.[11] C h u a i X,G u oX,Z h a n g M,e t a l.V e g e t a t i o na n d c l i m a t ez o n e sb a s e d c a r b o n u s e e f f i c i e n c y v a r i a t i o n a n d t h em a i n d e t e r m i n a n t sa n a l y s i si n C h i n a[J].E c o l o g i c a lI n d i c a t o r s,2020,111:105967.[12] G a n g C,Z h a n g Y,G u oL,e t a l.D r o u g h t-i n d u c e d c a r b o na n dw a t e ru s ee f f i c i e n c y r e s p o n s e si nd r y l a n dv e g e t a-t i o no fn o r t h e r nC h i n a[J].F r o n t i e r s i nP l a n tS c i e n c e,2019,10:00224.[13]兰垚,曹生奎,曹广超,等.青海湖流域植被碳利用效率时空动态研究[J].生态科学,2020,39(4):156-166. L a nY,C a oSK,C a oG H,e t a l.T e m p o r a la n ds p a t i a ld y n a m i c so fve g e t a t i o nc a r b o nu s eef f i c i e n c y i n Q i ngh a iL a k eB a s i n[J].E c o l o g i c a l S c i e n c e,2020,39(4):156-166.[14]郑飞鸽,易桂花,张廷斌,等.三江源植被碳利用率动态变化及其对气候响应[J].中国环境科学,2020,40(1):401-413.Z h e n g FG,Y i G H,Z h a n g YB,e t a l.S t u d y o n s p a t i o-t e m p o r a l d y n a m i c so fv e g e t a t i o nc a r b o nu s ee f f i c i e n c ya n di t s r e s p o n s e t o c l i m a t e f a c t o r si n T h r e e-R i v e rH e a d w a t e r sR e g i o n[J].C h i n aE n v i r o n m e n t a l S c i e n c e,2020,40(1):401-413.[15]罗赵慧,朱璐平,张晓君,等.粤港澳大湾区植被C U E变化及与气候变化的关系[J].中国环境科学,2021,41(12):5793-5805.L u oZ H,Z h uLP,Z h a n g XJ,e t a l.S p a t i o t e m p o r a l v a r i a t i o n o f C U E a n d i t s c o r r e l a t i o n w i t h c l i m a t ec h a n g e i n G u a n gd o n g-H o n g K o n g-M a c a o G re a t e rB a yA r e a[J].C h i n aE n v i r o n m e n t a lS c i e n c e,2021,41(12):5793-5805[16]安相,陈云明,唐亚坤.东亚森林㊁草地碳利用效率及碳通量空间变化的影响因素分析[J].水土保持研究,2017,24(5):79-87.A n X,C h e n Y M,T a n g Y K.F a c t o r sa f f e c t i n g t h es p a t i a lv a r i a t i o n o fc a r b o n u s ee f f i c i e n c y a n dc a r b o nf l u x e s i ne a s tA s i a n f o r e s t a n dg r a s s l a n d[J].R e s e a r c ho f S o i l a n d W a t e rC o n v e r s a t i o n,2017,24(5):79-87.[17]刘福红,叶许春,郭强,等.鄱阳湖流域不同土地覆被碳282水土保持研究第30卷Copyright©博看网. All Rights Reserved.。
我国南北方气温和降水气候态变化特征及其对气候检测结果的影响
［ ７ 】 林 学椿 ． 东亚 季风 和 中国暴 雨 ［ Ｍ］ ． 北京： 气象 出版社 ， １ ９ ９ ８ ： ２ ４ ０ － ２ ４ ９ ［ ８ 】 王遵娅 ， 丁一 汇 ， 何 金海 ， 等． 近５ Ｏ 年 来 中国 气候变 化 特征 的再 分析 ［ Ｊ ］ ． 气象 学 报 ， ２ ０ ０ ４ ， ６ ２（ ２ ） ： ２ ２ ８ － ２ ３ ６
Ｌ ｉ ｎ Ｊ ｉ ｎ ｇ ｊ ｉ ｎ ｇ ， ２ Ｚ ｈ ａ ｎ ｇ Ｑｉ ａ ｎ ｇ 。
１（ Ｏ ｐ ｅ ｎ ） Ｉ Ｌ ａ ｂ ｏ ｒ ａ ｔ ｏ ｒ ｙ ｏ ｆＡ ｒ ｉ ｄ Ｃ ｌ ｉ ｍａ ｔ ｉ ｃ Ｃ ｈ ａ ｎ ｇ ｅ ａ ｎ ｄ Ｒｅ ｄ ｕ ｃ ｉ ｎ ｇ Ｄｉ ｓ ａ ｓ ｔ ｅ ｒ ｏ ｆ Ｇ ａ ｎ ｓ ｕ Ｐ ｒ ｏ ｖ ｉ ｎ ｃ ｅ ／ Ｋｅ ｙ Ｏ ｐ ｅ ｎ Ｌ ａ ｂ ｏ ｒ ａ ｔ ｏ ｒ ｙ
［ ６ ］ 白爱娟 ， 翟盘茂 ． 中国近 百年气 候变化 的 自然原 因讨论 川． 气象 科学 ，
２ ０ ０ ７ ， ２ ７（ ５ ） ： ５ ８ ５ － ５ ９ ０
【 １ ４ ］封 国林 ， 董文 杰 ， 龚志强 ， 等 ． 观 测数 据非 线性时 空分 布理 论和 方 法
［ Ｍ］ ． 北京 ： 气象 出版 社 ， ２ ０ ０ ６
ｏ ｆ Ａ ｒ ｉ ｄ Ｃ ｌ ｉ ｍａ ｔ ｉ ｃ Ｃ ｈ ａ ｎ ｇ ｅ ａ ｎ ｄＲ ｅ ｄ ｕ ｃ ｉ ｎ ｇＤｉ ｓ ａ ｓ ｔ ｅ ｒ ｆＣ ｏ ｈ ｉ ｎ ａ Ｍｅ ｔ ｅ ｏ ｒ ｏ ｌ ｏ ｇ ｉ ｃ ａ ｌ Ａｄ ｍｉ ｎ ｉ ｓ ｔ ｒ ａ ｔ ｉ ｏ ｎ／ Ｉ ｎ ｓ ｔ ｉ ｔ ｕ ｔ ｅ ｏ ｆ Ａ ｒ ｉ ｄ
［ １ ２ ］ 张 东启 ， 效 存德 ， 刘伟 刚 ． 喜马 拉雅 山 区 １ ９ ５ １ — ２ ０ １ ０ 年 气候 变化 事
基于高分辨率格点数据集的中国气温与降水时空分布及变化趋势分析
基于高分辨率格点数据集的中国气温与降水时空分布及变化趋势分析吴娴;王玉;庄亮【摘要】基于LZU0025高分辨率格点数据集,对1951-2012年中国区域气温和降水量的时空分布特征,以及气候变化趋势进行了初步分析.结果表明:中国的年平均气温自1980年开始显著增暖,年降水量在1960年出现由湿润到干燥的突变.中国的整体降水量变化趋势不如气温的变化趋势具有一致性.中国年平均气温增温趋势为0.26℃/(10 a),局部的最大增温趋势超过0.6℃/(10 a);中国年降水量减少趋势为6.7 mm/(10 a),局部地区的降水减少趋势超过了30 mm/(10 a),而有些地区的降水增加趋势却可达30 mm/(10 a).大兴安岭—黄土高原西北缘—黄河长江上游以北—冈底斯山脉东部为大致的平均400mm等降水量线,可用于划分中国的半干旱与半湿润区.1951-2010年中国400 mm等降水量线位置的年代际变化情况复杂,但总体呈现不断南移的趋势,表明中国干旱、半干旱区面积在不断扩大.【期刊名称】《气象与减灾研究》【年(卷),期】2016(039)004【总页数】11页(P241-251)【关键词】LZU0025格点数据;气温;降水;气候变化【作者】吴娴;王玉;庄亮【作者单位】三明市气象局,福建三明365000;永安市气象局,福建三明365000;永安市气象局,福建三明365000【正文语种】中文【中图分类】P467气候变化研究是当今科学界的一个热门课题，IPCC(2013)第四次报告指出1906—2005年全球平均地表气温上升了0.74 ℃。
国内外学者在近些年来中国区域气候变化趋势研究方面已取得一系列的进展(魏凤英和曹鸿兴，1995；唐国利和任国玉，2005；冯新灵等，2009；范泽孟等，2011；江俊杰等，2012；吴晓绚等，2015)。
中国的气温变化趋势与全球变化基本一致，近百年来增暖趋势为0.7—0.8 ℃(唐国利和任国玉，2005；丁一汇等，2006)，而近50 a来的增暖趋势随着城市化进程的推进而更加明显，超过了1.0 ℃。
应用LAPS资料对长春市区一次短时暴雨特征的分析
气象灾害防御第27卷第3期2020年9月METEOROLOGICAL DISASTER PREVENTIONVol.27No.3September.2020收稿日期:2020-03-24作者简介:李倩(1986-),女,吉林长春人,硕士,工程师,主要从事短期天气预报方面的研究,********************。
1引言强对流天气目前是指伴随雷暴现象的对流性大风(≥17.2m/s )、冰雹、短时强降水。
近年来,全球变暖背景下,随着我国城市化进程的加快,强对流天气频繁发生[1-3]。
由于强对流发生于中小尺度系统,具有空间尺度小、生命史短、突发性强、破坏力大的特点,因此一直是天气预报的难点。
国内外许多专家学者对强对流天气进行了大量的研究工作。
Doswell [4]从大、中尺度天气系统相互作用方面论述了各种尺度天气系统对强对流天气的影响,指出大尺度是同准地转过程相联系,提供有利于强对流天气发生的热力环境,中尺度过程的主要作用是提供触发强对流所必需的抬升力,同时有可能改变局地环境,从而改变可能发生的强对流天气类型;郑媛媛等[5]研究指出,强对流天气其发生发展和一定的大尺度环流背景场有关,然而造成强对流发生的天气学条件在不同的大尺度环流背景下各要素的重要性不尽相同,产生的强对流天气类型也不尽相同;史纬恒等[6]针对东北三省强对流天气短时预报的难题,统计分析了该地区强对流天气发生的时空分布特征,发现2008—2012年东北三省强对流天气主要发生在14—20时,而在08—14时相对较少,主中心区基本维持在辽宁西部地区,发生频数呈“南北多、中间少”的态势。
强对流天气中的短时强降水导致的暴洪和地质灾害所造成的人员伤亡和财产损失在所有气象灾害中也是最大的[7-9],并且由短时强降水引发的城市内涝等问题越来越引起广泛的关注[10]。
另外,强对流天气是在有利的大尺度天气形势背景下由中小尺度系统直接产生的[11],常规的观测资料分辨率明显不足。
基于聚类分析的中国东北地区气温和降水时空变化特征_孙倩倩
基于聚类分析的中国东北地区气温和 降水时空变化特征
孙倩倩
1
刘晶淼
1， 2
（ 1. 中国气象科学研究院， 辽宁 沈阳 110166 ） 北京 100081 ； 2. 中国气象局沈阳大气环境研究所， 摘 要： 利用 1961 —2010 年中国东北地区 81 个代表站逐日气温和降水资料， 采用旋转主分量分析( ＲEOF ) 和聚类分析
引言
对人类的 气温和降水是重要的气候指标之一， 生产生活状况以及农业生产均有非常重要的影响。 近年来， 在全球变暖的影响下， 气候异常事件频繁发 生， 因此对气温和降水变化特征的研究显得尤为重 要
［1 ］
布形式： 全区一致型、 南北反向型、 南北部一致与中 部相反分布型； 降水量总体呈下降趋势， 但近 30 a 来 ， 东北北部 有 增 加 的 趋 势 而 南 部 干 旱 有 增 加 趋 势。 ［7 ］ 张耀存和张录军 研究表明， 近 50 a 来东北气候和 生态过渡区冬季发生暖冬和少雨 （ 雪 ） 的机会增大， 夏季出现严重干旱和高温的可能性增大 。 虽然对中国东北地区气温和降水的时空变化分 析已做过较多工作， 但针对东北地区的分区研究仍 较少， 而且传统的气候区划方法只代表一种静态的 气候特征地理分类， 且在边界界定方面多带有人为 ［8 － 9 ］ 。同时， 单纯的旋转主分量分析 （ ＲEOF ） 方 因素 法又缺少一种统计检验机制， 而聚类分析 （ CAST ） 方 法恰好弥补了这种不足， 使气候分区更加客观。 鉴 于此， 本文采用 ＲEOF 与 CAST 相结合气候区划方 法， 对东北地区的气温及降水量进行分区研究， 并分 。 析它们的变化特征 研究结果将有利于了解中国东 北地区不同气候区气象要素的变化特征， 并为经济 和环境的可持续发展提供有利参考 。
东北三省干旱时空分布及小麦产量预测
东北三省干旱时空分布及小麦产量预测张璐张芷萌周盈盈李依娜（南京信息工程大学数学与统计学院，江苏南京210044）摘要利用中国东北三省90个气象站点1978—2020年的逐日气温数据、相对湿度数据和气象干旱综合指数（MCI）数据，分析东北三省干旱的时空分布、年际变化趋势和空间自相关性。
同时，利用东北三省小麦产量数据，分离出气象产量和趋势产量并构建预测小麦产量的多元线性回归模型。
结果表明，春末、夏季、秋季是东北三省干旱的多发期，夏季（6—8月）月平均干旱日数约25d，干旱多发生在辽宁西部地区及黑龙江中部地区。
1978—2020年，东北三省地区干旱日数的年际差异大但变化无明显趋势。
东北三省年均干旱日数存在显著的空间正相关性。
产量预测模型考虑了粮食政策等社会因素及气温和相对湿度两个气象因子对小麦产量的影响，预测模型的各因子均显著，平均预测精度达71.42%。
关键词气象干旱；MCI指数；莫兰指数；小麦产量；东北三省中图分类号S512.11文献标识码A文章编号1007-5739（2024）01-0146-07DOI：10.3969/j.issn.1007-5739.2024.01.035开放科学（资源服务）标识码（OSID）：干旱是最严重的气候灾害之一，容易导致农牧业减产和人畜饮水困难。
长期干旱将导致生态环境恶化，可能间接引发其他自然灾害。
1978—2020年，我国平均每年受旱面积2040万hm2。
小麦作为主要粮食作物之一，其产量受气候条件影响波动较大。
全球气温每升高1℃，可造成小麦减产约6%。
因此，开展干旱评估及干旱对小麦产量的影响等研究工作具有重要意义。
为了监测和研究干旱及其变化，科学家们建立了多种干旱指数。
目前，国内外的干旱指数非常多，常见的指数有标准化降水指数（SPI）、标准径流指数（SRI）、CI指数、气象干旱综合指数（MCI）等，常见干旱指数的介绍详见文献[1]。
近年来，许多学者利用不同的干旱指数对干旱现象进行研究。
基于地统计分析的1974～2004年东北三省夏季气温时空演变规律
基于地统计分析的1974～2004年东北三省夏季气温时空演变规律王艺聪;李庚新;吴燕华;王淑晴【期刊名称】《安徽农业科学》【年(卷),期】2013(041)003【摘要】[目的]基于地统计分析,研究1974～2004年东北三省夏季气温时空演变规律.[方法]采取气候倾向率与地统计分析结合的方法,对东北三省1974～2004年夏季平均气温时空演变规律进行探讨分析.[结果]东北三省夏季气温多年平均分布总体上呈现由南向北、由西向东递减的趋势；东北三省平均气温总体呈上升趋势,且以辽宁省增幅最大；1994年夏季平均气温要显著高于其他年份,气候较为异常；东北三省地区增温速度的整体趋势是自吉林省东南部向其他地区逐渐降低.[结论]该研究有助于认识东北三省气温时空结构和变化特征.【总页数】4页(P1223-1225,1313)【作者】王艺聪;李庚新;吴燕华;王淑晴【作者单位】中国地质大学(北京)土地科学技术学院,北京100083;中国地质大学(北京)土地科学技术学院,北京100083;中国地质大学(北京)土地科学技术学院,北京100083;中国地质大学(北京)土地科学技术学院,北京100083【正文语种】中文【中图分类】S161.2【相关文献】1.基于EOF和REOF方法的海河流域近61a夏季降水时空演变规律分析 [J], 朱静思;张治倩;陈宏;仲晓林2.我国春夏季地气温差的时空变化特征及其与夏季降水的联系 [J], 周连童;温李明3.1974-2018年河北省夏季高温热浪的时空变化特征 [J], 胡会芳;景华;魏铁鑫;魏军4.黔西南州极端气温时空演变规律研究 [J], 段荣;杨春艳;李婧;范倩;孟庆怡;李阳5.基于GIS的宜昌市近50年来气温与降水时空演变规律研究 [J], 秦天玲;张萍;严登华;严向东;耿思敏因版权原因，仅展示原文概要，查看原文内容请购买。
基于标准化降水蒸发指数(SPEI)的东北干旱时空特征
基于标准化降水蒸发指数(SPEI)的东北干旱时空特征孙滨峰;赵红;王效科【期刊名称】《生态环境学报》【年(卷),期】2015(000)001【摘要】东北地区是我国重要的粮食作物和经济作物的生产基地，易受异常降水和干旱的影响。
随着全球气候变暖，东北地区温度增高、降水量减少，干旱事件发生频繁。
但是目前国内对东北地区干旱的研究较少、结果存在分歧，且主要关注干旱的时空变化特征和干旱的影响，较少研究关注干旱的区划研究。
依据1961─2013年东北地区月平均气温和降水资料，运用标准化降水蒸发指数（SPEI）分析了东北地区的干旱趋势，并根据主成分分析和聚类分析研究东北地区干旱的时空特征，研究结果表明：东北地区在1961─2012年期间干旱发生频率呈现波动增加的趋势；在1961─1999年期间，东北地区干旱发生频率低、持续时间短，干旱危害较小；而2000年以后，东北地区干旱事件频发，干旱持续时间长、强度大，出现了2000─2002和2007─2008年2个连续干旱期。
从空间分布来看，2000─2010年是东北地区干旱发生频率和影响范围最大的时期，尤其是东北地区的中部和西部，其干旱频率分别达到42.86%和33.34%。
根据主成分析和聚类分析的结果将东北划分为8个干旱相似区。
研究结果对于实现东北干旱监测、评估，为减轻该区域干旱损失，指导区域水资源管理和农业生产具有重要的现实意义。
【总页数】7页(P22-28)【作者】孙滨峰;赵红;王效科【作者单位】中国科学院生态环境研究中心城市与区域生态国家重点实验室，北京100085; 中国科学院大学，北京 100085;中国科学院生态环境研究中心城市与区域生态国家重点实验室，北京 100085; 中国科学院大学，北京 100085;中国科学院生态环境研究中心城市与区域生态国家重点实验室，北京 100085【正文语种】中文【中图分类】S16【相关文献】1.基于SPEI指数的1961-2014年东北地区气象干旱时空特征研究 [J], 沈国强;郑海峰;雷振锋2.基于降水蒸发指数的1960-2015年内蒙古干旱时空特征 [J], 张煦庭;潘学标;徐琳;魏培;尹紫薇;邵长秀3.基于标准化降水指数的沧州干旱时空特征 [J], 杨国庆;王佳真;孙萌萌4.基于标准化降水蒸散指数的甘肃省干旱时空特征分析 [J], LI Liang;Pich Linvolak;CAI Huan-jie5.基于标准化降水指数的河南省近45年干旱时空特征分析 [J], 商东耀;张志红;岳元;胡程达;王琪因版权原因，仅展示原文概要，查看原文内容请购买。
中国东北地区夏季降水异常的气候分析-气象学报
第58卷第1期2000年2月气 象 学 报ACTA METEOROLOGICA SINICAV ol.58,No.1Feb.,2000中国东北地区夏季降水异常的气候分析孙 力 安 刚 丁 立 沈柏竹(吉林省气象科学研究所,长春,130062)摘 要利用中国东北三省69个测站,1961～1995年6～8月降水量资料,采用EOF、REO F、小波分析及突变分析等方法,对夏季降水量的空间异常特征和时间变化规律进行了诊断研究。
结果表明:东北地区夏季降水异常的空间分布既有整体一致的性质,也存在着南部和北部及东部和西部相反变化的差异,并且可以把整个东北地区划分为7个主要的降水异常型:辽东半岛型、西部平原型、中南部型、东部山区型、三江平原型、辽西型和东北北部型。
近90a来,东北地区夏季降水主要呈多雨、少雨或是波动等阶段性变化,没有明显的变干或是变湿倾向。
各异常型代表站资料反映出近35～45a中,东北地区1960年代中期至1980年代初降水的减少比较明显,具有突变性质,1980年代总体上讲降水有一定程度的增加,1990年代处于旱涝交替出现的波动状态。
东北地区夏季降水主要有34,22,11a以及2～4a左右的周期变化,但各异常区所盛行的主要周期以及同一异常区在不同年代所盛行的主要周期均有所差异。
关键词:中国东北,夏季降水异常,旋转主成份分析,小波分析,突变分析。
1 引 言东北是中国最大的商品粮基地和农业生产最有发展潜力的地区之一。
同时也是中国重要的工业和能源基地。
它幅员辽阔,土地面积占全国的8.3%,其境内东、北、西三面为低山和中山环绕,中部是大平原,南北和东西相差约15个纬度或经度,因此气候及其变化的差异较大,是典型的“气候脆弱区”,几十年的资料表明夏季暴雨洪涝和持续性干旱等气候灾害异常活跃,对经济和社会发展产生很大影响。
虽然过去从整体上分析中国夏季降水特征的工作已经有过不少[1～5],用更为完备的资料特殊关注某一区域旱涝的研究也有所开展[6～8],但相比之下,详细探讨中国东北地区夏季降水异常的气候分析并不是很多。
中国降水混沌识别及空间聚类
中国降水混沌识别及空间聚类
中国降水混沌识别及空间聚类报告
本报告旨在探究中国的降水混沌行为并对其进行空间聚类。
为此，我们采用了小波变换思想进行识别，并使用多维聚集和分形维数来检测并研究降水混沌。
首先，我们需要使用多维小波变换进行混沌识别，以确定降水是混沌还是非混沌。
本报告采用了多维小波变换的时间-空间
小波变换，并用基于熵的混沌检测方法来识别中国的降水是混沌的还是非混沌的。
其次，我们使用多维聚集原则，将中国的降水分类为不同的空间类别。
多维聚集技术可以用于检测不同空间分布模式，在本报告中，我们使用空间聚集技术检测中国的降水空间分布模式，然后将其分类为不同的空间类别。
最后，我们使用分形维数来检测中国降水的混沌性。
分形维数可以用于检测一个分形特征的混沌程度，在本报告中，我们使用分形维数来检测中国的降水的混沌性，以更全面地了解中国的降水的混沌行为。
通过对中国的降水混沌性进行深入的检测，我们可以更好地了解降水模式，进而准确预测中国的降水变化，发现更为有效的空间聚集分类，保证中国的气候变化得到有效的应对和分析。
本报告使用小波变换思想来识别中国的降水是混沌的还是非混
沌的，使用多维聚集原则将其分类为不同的空间类别，并使用分形维数来检测中国降水的混沌性，为中国的气候变化提供了一个全面的了解并供应用。
东北暖季冷涡降水日变化的聚类分析
东北暖季冷涡降水日变化的聚类分析朱晓彤;姚凯;涂钢;杨旭;吴彤【期刊名称】《气候与环境研究》【年(卷),期】2024(29)2【摘要】使用2017~2022年5~9月逐小时三源融合实况格点降水(CMPAS)资料,采用K-均值聚类算法对东北暖季冷涡降水日变化分类,分析其特征及空间分布,结果显示:1)东北暖季冷涡降水多年平均降水量空间分布从西北到东南增加,降水频次的空间分布与其相似,降水强度大值区集中在辽东半岛附近。
2)东北地区冷涡背景下降水量、降水频次和降水强度暖季平均日变化均呈双峰型,降水量的下午主峰值主要源于降水频次,而夜间次峰值与降水频次和降水强度均关系密切。
3)聚类后冷涡降水量、降水频次的日变化表现为单峰型和双峰型特征,且单峰型格点占比较大,降水强度的日变化表现为单峰型。
依据峰值出现时间及日变化形态间差异,降水量、频次与强度均可划分为4类不同的日变化类型。
4)各类日变化空间占比统计结果显示,冷涡降水量、降水频次日变化存在下午峰值的格点均占比最大,夜间峰值次之,两者聚类后区域特征明显,与地形关系密切且分布相对规整;冷涡降水强度日变化下午单峰型格点占比最大,聚类后空间分布较为零散。
【总页数】9页(P136-144)【作者】朱晓彤;姚凯;涂钢;杨旭;吴彤【作者单位】吉林省气象科学研究所;长白山气象与气候变化吉林省重点实验室;吉林省气象台;营口市气象台【正文语种】中文【中图分类】P426.62【相关文献】1.中国暖季短时强降水分布和日变化特征及其与中尺度对流系统日变化关系分析2.陕西暖季降水的日变化特征及南北差异3.1981~2019年吉林省暖季冷涡降水时空变化特征4.秦岭及周边地区暖季降水日变化及其成因分析5.甘肃省暖季降水日变化特征因版权原因，仅展示原文概要，查看原文内容请购买。
基于聚类分区的中国夏季降水预测模型
基于聚类分区的中国夏季降水预测模型杜良敏;柯宗建;刘长征;肖莺;刘绿柳【期刊名称】《气象》【年(卷),期】2016(000)001【摘要】文章基于近邻传播客观聚类方法对中国夏季降水进行了气候分区，以中国不同分区的夏季降水为预测对象，使用前期的海温和海平面气压场为预测因子，利用图像标签算法提取高相关封闭区域的预测因子信息，结合最小二乘回归法建立预测模型。
采用 Ps 评分、距平符号一致率和距平相关系数三种评分方法检验了该预测模型，比较了四种不同的因子配置方案的预测能力。
研究结果表明，利用冬春季海温的演变特征结合海平面气压的年际变化为预测因子的分区预测模型效果较好，在1982—2009年期间的平均交叉检验平均 Ps 得分为81．4，距平符号一致率为63％，距平相关系数为0．35，2010—2014期间的独立样本预测检验的平均评分分别为77．1，58％和0．19，且逐年回报效果较为稳定，表明该方法对中国夏季降水有较好的预测效果。
研究结果显示，该预测模型能较好地预测出2014年中国夏季降水南多北少的分布特征。
%Based on affinity propagation clustering method,summer precipitation is regionalized over Chi-na.Summer precipitation in different regions serves as predicted objects,and preceding sea surface tem-perature and sea level pressure are selected to be predictors.By methods of image labeling algorithm,con-secutive high correlation areas are extracted to determine the predictors.Least squares regression method is used to construct a modelto predict summer precipitation in different regions.Different scoringmethods including Ps,the anomaly sign sameness rate and anomaly correlation coefficient are used to validate the skills of prediction model in four different factor combination schemes.The results show that the model performs best when sea surface temperature and sea level pressure in winter and spring are together consid-ered as factors.The averaged Ps score of cross validation is 81.4 from 1982 to 2009,with the anomaly sameness rate 63% and anomaly correlation coefficient 0.35.The retrospective forecast verification shows that the averaged scores from 2010 to 2014 are 77.1,58% and 0.19,respectively.The reforecast skills are relatively stable every year,which means that the method has a good ability to predict summer precipitati-on in China.Moreover,it succeeds to predict the spatial characteristic of southern flood and northern drought in China in summer 2014.【总页数】8页(P89-96)【作者】杜良敏;柯宗建;刘长征;肖莺;刘绿柳【作者单位】武汉区域气候中心，武汉 430074;国家气候中心，北京 100081;国家气候中心，北京 100081;武汉区域气候中心，武汉 430074;国家气候中心，北京 100081【正文语种】中文【中图分类】P467【相关文献】1.基于前春对流层温度和北大西洋涛动的中国夏季降水统计预测模型 [J], 冯蕾;魏凤英;朱艳峰2.多因子和多尺度合成中国夏季降水预测模型及预报试验 [J], 彭京备;陈烈庭;张庆云3.基于青藏高原春季感热异常信号的中国东部夏季降水统计预测模型 [J], 刘森峰;段安民4.基于可预报模态分析方法的青藏高原东部夏季降水统计预测模型 [J], 孙丽颖; 余锐; 刘飞; 李方腾5.基于K均值聚类的中国夏季降水日变化空间分布模式 [J], 朱黎明;张智欣;魏庆伟因版权原因，仅展示原文概要，查看原文内容请购买。
三种聚类分析方法在中国温度区划分中的应用研究
三种聚类分析方法在中国温度区划分中的应用研究韩微;翟盘茂【期刊名称】《气候与环境研究》【年(卷),期】2015(020)001【摘要】根据全国512个气象站1961～2010年的逐日气温观测资料,采用日平均气温稳定通过10℃的日数(≥10℃日数)作为划分我国温度分布的指标,经过旋转经验正正交函数分析(REOF)方法处理,找出时间演变过程中变化相似的区域归为一类.在此基础上,采用快速样本聚类法(K-means法)、分层聚类法(Ward法)、聚类统计检验法(CAST法)3种聚类分析方法对全国范围的温度变化区域差异进行客观分区,结果分别将全国温度变化区划分为10个地区、9个地区、13个地区,且不同区域分界线与中国地形分布有很好的一致性.研究表明:K-means法运算简单快捷,结果会不断修正到最佳为止;Ward法聚类过程清晰明了,可以选取需要划分的类别数;CAST法使样本通过显著性检验,不但有助于气候变化的客观分区,而且在划分温度区时客观考虑气候变化对分区结果的影响也有很重要意义.【总页数】8页(P111-118)【作者】韩微;翟盘茂【作者单位】南京信息工程大学,南京210044;中国气象科学研究院灾害天气国家重点实验室,北京100081;中国气象科学研究院灾害天气国家重点实验室,北京100081【正文语种】中文【中图分类】P462.1【相关文献】1.试分析在内蒙古农业经济类型划分中模糊聚类分析方法的应用 [J], 侯惠娟2.聚类分析方法在地理区域划分中的应用研究 [J], 陈修文;赵宏利;吴建海;张春兰;史新芳;赵成龙3.有序样品聚类分析方法在花开左组划分中的应用 [J], 李守奎;杨柳扬;赵庆红;王明明4.最优货币区理论在中国的应用研究——基于聚类分析方法 [J], 卢万青;谢中川5.用聚类分析方法探讨晚二叠世安加拉植物地理区的内部划分 [J], 孙阜生因版权原因，仅展示原文概要，查看原文内容请购买。
凝聚层次聚类方法在降水预报评估中的应用
凝聚层次聚类方法在降水预报评估中的应用乔锦荣;原新鹏;梁旭东;谢衍新【期刊名称】《干旱气象》【年(卷),期】2022(40)4【摘要】面对不同方法、不同时效的降水预报产品,往往同时存在大量的检验评估结果,如何较全面、系统地综合分析以便更好地认识各预报结果,目前仍然缺乏有效手段。
本文以2019年6—9月全国智能预报技术方法交流大赛的网格预报数据及国家气象中心指导预报、中国气象科学研究院的无缝隙分析预报前沿系统预报产品及31个省(市、区)客观预报产品、欧洲中期天气预报中心(European Cen⁃tre for Medium-Range Weather Forecasts,ECMWF)和美国国家环境预测中心的全球模式预报数据构成的样本集为例,采用凝聚层次聚类分析方法,对不同降水预报产品的不同检验评估结果进行归类分析。
结果表明:凝聚层次聚类结果能够清晰反映样本集内降水预报产品的整体性能及其差异。
基于不同数量的降水评估指标的聚类结果存在明显差异,但高相似度的预报产品均能划分为一个子类。
不同的类间相似度度量方法能够影响样本类别特征差异的清晰程度,从清晰到模糊依次为Ward、Complete、Average、Single。
不同行政区域、预报产品的降水预报能力表现不同,华北和华东地区的晴雨预报准确率高于其他区域,绝大部分客观预报在晴雨和降水量相对误差预报性能上优于ECMWF模式预报,但在强降水预报中客观预报的性能不及ECMWF,表明对于强降水预报的释用还存在较大困难。
【总页数】10页(P690-699)【作者】乔锦荣;原新鹏;梁旭东;谢衍新【作者单位】中国气象科学研究院灾害天气国家重点实验室【正文语种】中文【中图分类】P456【相关文献】1.GRAPES_TYM模式对2012-2013年登陆华南TC的降水预报能力评估及降水释用方法初探2.暴雨灾害预评估中的降水预报准确度方法设计与应用3.ECMWF模式降水预报与极端天气预报指数在暴雨预报中的评估与应用4.多种空间检验方法在不同分辨率模式降水预报评估中的应用5.长江流域多模式动态集成降水预报方法及应用评估因版权原因，仅展示原文概要，查看原文内容请购买。
基于标准化指数的中国东北地区复合高温干旱事件时空变化特征分析
基于标准化指数的中国东北地区复合高温干旱事件时空变化特征分析张雪玲;朱美琪;李颖【期刊名称】《河北省科学院学报》【年(卷),期】2024(41)1【摘要】干旱和极端高温事件会对人类社会和生态环境造成严重影响,当两种极端事件同时发生时会造成更大的威胁。
本文利用1961-2020年网格化的月值降水和气温数据,计算标准化降水蒸散发指数(SPEI)和标准化温度指数(STI),在界定复合事件的基础上分析不同干热阈值下中国东北地区复合高温干旱事件的时空演变特征,探究复合事件的空间相关性。
结果表明,中国东北地区复合高温干旱事件发生频率在空间分布表现出东部及东南部低、西部及西北部高的特点;分析复合事件的历史演变发现Mi-Mi以0.02/a速率上升,且在20世纪90年代之后大幅度升高;总体复合事件影响面积呈现显著的上升趋势,幅度为1.02%/a,不同类型复合事件影响面积均显著升高且在20世纪90年代大幅度上升达到峰值;复合事件的高频区聚集在西部和西北部,低频区聚集在东南部及东部。
研究成果可为东北地区防灾减灾、农业规划、水资源配置等提供参考。
【总页数】10页(P1-10)【作者】张雪玲;朱美琪;李颖【作者单位】辽宁师范大学地理科学学院【正文语种】中文【中图分类】P429【相关文献】1.基于标准化降水指数的1959-2014年中国季节干旱时空特征分析2.基于标准化降水指数的陕西省干旱时空变化特征分析3.基于SPI指数的当前及未来中国东北地区干旱时空演变特征分析4.基于优选遥感干旱指数的华北平原干旱时空变化特征分析5.1960-2012年甘肃黄土高原干旱时空变化特征分析——基于标准化降水蒸散指数因版权原因，仅展示原文概要，查看原文内容请购买。
聚类分析黑龙江降水量变化特征
聚类分析黑龙江降水量变化特征
陶长廉;顾成林
【期刊名称】《中国科技信息》
【年(卷),期】2022()19
【摘要】黑龙江是我国最大的商品粮出产基地,由最新统计年鉴知,2020年黑龙江粮食播种面积高达1443.8万公顷,对保障国家粮食安全起到至关重要的作用。
在众多气象要素中,降雨对粮食产量的影响最为深远。
持续降雨会诱发洪涝灾害,导致作物根部霉变腐烂;持续干旱会造成作物发育不良,甚至脱水死亡。
通过不断提高农业对气候变化的应变能力,科学地调整种植制度,是目前研究的重点领域。
姜丽霞等采用数理统计方法,得到了生长季及各月降水总体呈现中部多的态势,且生长季内各月降水量呈“抛物线”型分布,降水主要集中于夏季的6-8月。
王晓明等采用线性气候倾向率、气候变率等方法,得到生长季各月降水量的离散程度不同,总体表现为7月> 8月> 6月> 9月> 5月。
陈晶等利用GIS分析、线性趋势性分析等方法,得到1971-2018年黑龙江省降水空间呈东部高、西部低、中部有2个降水中心的分布特点。
【总页数】3页(P83-85)
【作者】陶长廉;顾成林
【作者单位】佳木斯大学
【正文语种】中文
【中图分类】F32
【相关文献】
1.山西地区大气可降水量与实际降水量变化特征分析
2.甘肃天水地区最大日降水量变化特征及可能最大日降水量估算
3.内蒙古开鲁县近58年气温、降水量变化特征及未来变化趋势
4.黑龙江省1961—2011年可利用降水量的气候变化特征
因版权原因，仅展示原文概要，查看原文内容请购买。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
( CAST) 相结合的方法， 对东北地区年平均气温和年降水量的时空变化特征进行了分析 。结果表明: 中国东北地区年平均气温 呈显著的增加趋势， 但区域性较为明显， 北部和东部地区的升温幅度较小， 西部和南部升温幅度较大; 年降水量呈减少的趋势， 西部地区降水减少的趋势较为显著 。 关键词： CAST; 平均气温; 降水量 中图分类号： P468 文献标识码： A doi： 10． 3969 / j． issn． 1673503X． 2014． 03． 009
第 30 卷 第 3 期 2014 年 6 月
气象与环境学报 JOUＲNAL OF M ETEOＲOLOGY AND ENVIＲONM ENT
Vol． 30 No． 3 June 2014
J］ ． 气象与环境学报， 2014 ， 30 （ 3 ） ： 59 － 65． 孙倩倩， 刘晶淼． 基于聚类分析的中国东北地区气温和降水时空变化特征［ SUN Qianqian， LIU Jingmiao． Temporalspatial change of temperature and precipitation based on CAST in northeast China［ J］ ． Journal of Meteorology and Environment， 2014 ， 30 （ 3 ） ： 59 － 65．
6 2［4 ］ 土地总面积约 1. 24 × 10 km 。 它地处高 尔市） ，
纬地带， 是中国重要的农牧林业生产基地， 东北平原 是中国的重要产粮区， 其西部是中国主要的草原牧 业区， 该地区自然条件差异较大， 气温与降水具有明 显的区域特征。 因此， 对东北地区的气温和降水进 行区划， 研究不同区域的年际变化特征， 掌握其年际 变化规律， 对未来的气候预测， 以及农业生产均有重 要意义。 吉 奇 等
60
气象与环境学报
第 30 卷
据， 采用邻近日值的均值代替 。 为消除由地理原因
w ij c ij =
1 1 槡 － r ij
（ 4）
^ = c
w ij c ij ∑ j ≠i w ij ∑ j ≠i
（ 5）
η =
1 p （ p － 1） ， n 为时间序列的长 p 为站点数， 2
2 度。 根据式（ 1 ） — 式（ 5 ） 求出相应站点 χ 的统计量， ^ 和备择假设 H 1 ∶ d ij ≠ d ^， 并检验零假设 H 0 ∶ d ij = d
基于聚类分析的中国东北地区气温和 降水时空变化特征
孙倩倩
1
刘晶淼
1， 2
（ 1. 中国气象科学研究院， 辽宁 沈阳 110166 ） 北京 100081 ； 2. 中国气象局沈阳大气环境研究所， 摘 要： 利用 1961 —2010 年中国东北地区 81 个代表站逐日气温和降水资料， 采用旋转主分量分析( ＲEOF ) 和聚类分析
（ 1）
式（ 1 ） 中， w ij = 1 1 － r ij （ 2） （ 3）
表1
1 － r ij c ij = 槡
中国东北地区各区域气温和降水的聚类中心站点及其个数
Table 1 Clustering center stations of the mean temperature and precipitation and the number of stations in the northeast China 气温区域 第一区 第二区 第三区 第四区 － 中心站点 孙吴 齐齐哈尔 宝国图 靖宇 － 站点数 9 28 26 18 － 降水区域 第一区 第二区 第三区 第四区 第五区 中心站点 爱辉 绥芬河 富裕 扎鲁特 本溪 站点数 7 15 19 22 18
2 1 －
本文对每个站的 引起的平均值和变率差异的影响， 降水和平均气温分别作标准化处理， 得到距平资料 矩阵， 以此作为分析所需的数据。 1. 2 研究方法 采用有显著性检验的聚类分析方法 （ CAST ） 对 ［10 ］ 东北地区气温和降水进行区划研究。 CAST 方法 不但可用于气候分类区划， 还可用于气候问题的其 它研究。这种聚类方法可分为均匀聚类和中心聚类 两种， 后者更适合实际的气候分类或区划研究。 丁 ［11 ］ ［12 ］ 裕国等 和刘吉峰等 论证了 CAST 与 ＲEOF / ＲPCA 用于气候分型区划的理论联系， 并印证了 CAST 与 ＲEOF / ＲPCA 用于气候分型区划具有等价性和互 补性。 CAST 的基本原理为： 设任意两个站点的某一变 j = 1， 2， …， p） ， 量场的变量值为 X i 和 X j （ i， 设 r ij 为两者 13］ 的相关系数， 根据文献［ 构造服从自由度为 η － 1 2 的 χ 分布统计量。
在给定的信度 下可求临界区间： 2 2 χ ≥ χ1 － （ η － 1 ） 以χ ＜ χ
2
（ 6）
图1 Fig． 1
中国东北地区气象观测站分布 in the northeast China
Spatial distributions of meteorological stations
（ η － 1 ） 作为聚类判据所划分出的聚 将符合条件的站点划为一类， 由此 类就为中心聚类， 可确定区域的具体范围。 具体步骤为： 首先， 利用日平均气温和降水量的 观测资料获取其年平均气温及降水量矩阵， 取其相 关矩阵进行分区研究。 然后对气温和降水的相关矩 阵进行 ＲEOF 分析， 选取累计方差 ＞ 80% 的主分量 参与旋转， 将荷载中心所对应的站点作为聚类中心， 对相应的站点进行聚类分析， 区划出不同的区域， 最 后将结果进行检验。
2 ^） χ = 2 n∑ w ij （ c ij － c j ≠i 2
2
结果分析
利用 ＲEOF 与 CAST 相结合的方法对东北地区 CAST 方法 的年平均气温和年降水量进行分区研究 ， 是一种带有显著性检验机制的聚类方法， 它可以对 分区的结果进行检验， 使其更加精确。 同时使用这 种分区方法能够将各个区域内不同的变化特征表现 出来， 目前在国内的研究中较少使用此方法 。 2. 1 区划结果 建立平均气温、 降水的年际纪录的相关矩阵， 对 其进行旋转主分量分析， 得到气温的前 4 个主分量 的累计方差贡献为 93. 4% ， 降水的前 5 个主分量的 累计方差贡献为 74. 6% ， 可以代表中国东北地区平 均气温及降水的变化特征。 将各主分量的荷载中心 对应的站点作为聚类中心， 进行聚类分析， 得到平均气 温和降水的变化区域所对应的聚类中心如表 1 所示。
中国东北地区年平均气温（ a） 和降水量（ b） 分区
Subdivision of mean annual temperature（ a） and annual precipitation（ b） in the northeast China
中国东北地区的年平均气温 由图 2a 可以看出， 可划分为 4 个不同的变化区域： 第一区位于东北地 区的北部， 从呼伦贝尔的北部至黑龙江北部一带； 第 二区位于东北地区的中部， 从呼伦贝尔南部至松花 江流域一带； 第三区位于东北地区的西南部； 第四区 位于东北地区的东南部， 长白山一带地区。 由图 2b 可知， 东北地区的年降水量可划分为 5 个不同的区域： 第一区位于东北地区的北部， 从呼伦 贝尔的北部至小兴安岭一带的区域； 第二区位于东 北地区的东北部， 三江平原至长白山北部一带； 第三 区位于东北地区的中部， 嫩江和松花江流域附近； 第 四区位于东北地区的西部； 第五区位于东北地区的 东南部。 2. 2 分区的合理性验证 对各区的平均气温和降水量（ 标准化资料 ） 分别 进行主分量分析， 表 2 列出了各区第一主分量的方 差贡献率。 由表2 可见 ， 平均气温的各区第一主分量方差
表2 Table 2 各区年平均气温和降水第一主分量的方差贡献率 Ｒatio of variance contribution of the first principal component for mean annual temperature and precipitation in each division 区域号 1 2 3 4 5 气温区域 第一区 第二区 第三区 第四区 － 方差贡献 率 /（ % ） 90. 14 94. 26 91. 01 92. 70 － 降水区域 第一区 第二区 第三区 第四区 第五区 方差贡献 率 /（ % ） 52. 81 54. 05 55. 38 57. 95 59. 97
引言
对人类的 气温和降水是重要的气候指标之一， 生产生活状况以及农业生产均有非常重要的影响。 近年来， 在全球变暖的影响下， 气候异常事件频繁发 生， 因此对气温和降水变化特征的研究显得尤为重 要
［1 ］
布形式： 全区一致型、 南北反向型、 南北部一致与中 部相反分布型； 降水量总体呈下降趋势， 但近 30 a 来 ， 东北北部 有 增 加 的 趋 势 而 南 部 干 旱 有 增 加 趋 势。 ［7 ］ 张耀存和张录军 研究表明， 近 50 a 来东北气候和 生态过渡区冬季发生暖冬和少雨 （ 雪 ） 的机会增大， 夏季出现严重干旱和高温的可能性增大 。 虽然对中国东北地区气温和降水的时空变化分 析已做过较多工作， 但针对东北地区的分区研究仍 较少， 而且传统的气候区划方法只代表一种静态的 气候特征地理分类， 且在边界界定方面多带有人为 ［8 － 9 ］ 。同时， 单纯的旋转主分量分析 （ ＲEOF ） 方 因素 法又缺少一种统计检验机制， 而聚类分析 （ CAST ） 方 法恰好弥补了这种不足， 使气候分区更加客观。 鉴 于此， 本文采用 ＲEOF 与 CAST 相结合气候区划方 法， 对东北地区的气温及降水量进行分区研究， 并分 。 析它们的变化特征 研究结果将有利于了解中国东 北地区不同气候区气象要素的变化特征， 并为经济 和环境的可持续发展提供有利参考 。
［5 ］
1