EN中文

PROGRESS IN GEOGRAPHY >

2023 , Vol. 42 >Issue 7: 1365 - 1379

DOI: https://doi.org/10.18306/dlkxjz.2023.07.011

Articles

A CHELSA-based analysis of climate change characteristics and trends in South and Southeast Asia (SSEA) during 1980-2018

  • JIN Xianghao , 1 ,
  • LI Peng , 2, 3, * ,
  • LI Xia 1 ,
  • ZHANG Guozhuang 1
Expand
  • 1. School of Earth Science and Resources, Chang'an University, Xi'an 710054, China
  • 2. Institute of Geographic Sciences and Natural Resources Research, CAS, Beijing 100101, China
  • 3. School of Resource and Environment, University of Chinese Academy of Sciences, Beijing 100049, China

Received date: 2022-10-28

  Revised date: 2023-05-08

  Online published: 2023-07-25

Supported by

National Natural Science Foundation of China(41971242)

Youth Innovation Promotion Association of Chinese Academy of Sciences(CAS2020055)

Fold

Abstract

The combinations of regional climate factors and climate risk types caused by temperature rise in the backdrop of global warming are complex and diverse. South and Southeast Asia (SSEA) have attracted great attention due to their tropical monsoon climate and related unique characteristics. Exploring the patterns of change in temperature and precipitation in SSEA is of great significance for evaluating their effects on regional human activities and disaster risk such as the occurrence and development of active fires. Based on the 1980-2018 global climate element dataset (Climatologies at High Resolution for the Earth Land Surface Areas (CHELSA) V2.1, 30″×30″), and using statistical methods such as linear fitting and Mann-Kendall test, the spatiotemporal characteristics and evolution trends of temperature and precipitation in SSEA were examined from the aspects of overall trend of change and regional difference characteristics. The main conclusions are that: First, precipitation in SSEA has increased significantly in the past nearly four decades. A mutation of the trend of precipitation was detected in 2005. Second, nearly 2/3 of the SSEA region experienced an increasing trend of precipitation. Although rainfall change intensities in South Asia and Southeast Asia were similar in the rainy season, the amplitude in Southeast Asia was greater in the dry season. Third, SSEA has shown a significant warming trend in the last 40 years, and difference in monthly temperature rise was slight. Fourth, the regions with an increasing trend in temperature accounted for nearly 99.13% of SSEA, and the temperature change in Southeast Asia was more significant than that in South Asia during the rainy season. However, temperature rise in South Asia was more significant in the dry season, while it was the opposite in Southeast Asia. Finally, SSEA showed a notable trend of warming-wetting climate since the 1980s, which was featured by greater significance and intensity of temperature and precipitation changes in Southeast Asia.

Key words： warming-wetting climate; climate change; temperature-precipitation; trend analysis; South and Southeast Asia (SSEA)

Cite this article

JIN Xianghao , LI Peng , LI Xia , ZHANG Guozhuang . A CHELSA-based analysis of climate change characteristics and trends in South and Southeast Asia (SSEA) during 1980-2018[J]. PROGRESS IN GEOGRAPHY, 2023 , 42(7) : 1365 -1379 . DOI: 10.18306/dlkxjz.2023.07.011

联合国政府间气候变化委员会(IPCC)第六次评估报告(AR6)指出，人类活动致使气候以前所未有的速度变暖。全球地表平均温度较工业化前高出约1 ℃，预计未来20年全球升温将达或超过1.5 ℃[1⇓-3]。全球增温背景下，平均降水量也将增加，但降水量变化时空差异显著，且温度变化的持续性明显大于降水量[4-5]。同时，气候变化也在加剧温度上升与水循环异常并影响全球降水量分布类型，引发区域不同组合型气候变化。特别地，增温(中等信度)诱发陆表更多区域面临降水量显著变化，即朝向暖湿化或暖干化发展[6-7]。
亚洲疆域辽阔，气候变化过程复杂多样，热带季风区尤为明显[8⇓-10]。首先，亚洲气候变化总体呈现增暖、增湿发展趋势，但因季节和区域而异。亚洲旱涝灾害与季风年际涛动关系紧密，即强季风年降水量增多并易引发洪涝灾害，反之亦然[11-12]。在高温室气体排放情景(RCP8.5)下，21世纪末亚洲平均温度将上升5 ℃以上，且高纬地区增温更快，而南亚—东南亚等低纬地区升幅较小(约3 ℃)[4,13]。其次，作为亚洲热带季风典型气候区，南亚与东南亚气候变化过程差异显著。基于第六次国际耦合模式比较计划(CMIP6)预测，21世纪南亚温度和降水量将持续上升(增加)，冬季增温高于夏季、区内年降水量变化率相差悬殊[14-15]。又如，东南亚升温与季风降水量变异性表现出强相关性，即增温将导致其季风降水量频繁变化与转移[16]。鉴于南亚、东南亚温度和降水量与厄尔尼诺—南方涛动(ENSO)、印度洋偶极子等大尺度气候事件密切相关并表现出显著时空异质性[17]，需加强新数据在该区温度与降水量等气候要素演变与突变研究。相关新认识对探索气候变化背景下全球活跃火发生发展过程与机理具有重要作用[18-19]。然而，本区温度与降水量研究仍存数据精度不够、缺乏时间(月际)与空间(1 km)精细化演变研究等问题。地球表层区域高分辨率气候数据集(climatologies at high resolution for the earth land surface areas，CHELSA)与同类温度数据产品WorldClim (global climate and weather data)、CRU (climatic research unit)及ERA-Interim相比准确度相近，但其降水量预测有明显改进[20]。这对刻画具有显著旱/雨季特征的热带季风区气候变化尤为重要。然而，当前CHELSA相关研究多侧重于同类气候产品横向比较与精度评价等，对区域层面气候要素演变特征与突变趋势分析不足[21]。
为此，本文选取具有长时序(1980—2018年)、高空间分辨率(30″×30″)且全球覆盖的最新CHELSA月际温度和降水量数据，利用线性拟合、Mann-Kendall检验(简称M-K检验)等方法，拟揭示南亚—东南亚近40年月尺度下温度与降水量时空演变特征与突变发展趋势。南亚—东南亚不同时间(月际、季节、年际)与空间(栅格、国家、区域)尺度下的温度和降水量的时空演变与趋势特征研究，有助于认识区域内气候变化特征及其气候变化原因。

1 研究区概况

南亚—东南亚是亚洲热带核心区。全区地势相差悬殊、西高东低，地貌单元复杂多样(图1)。自西向东分布有兴都库什、喜马拉雅、长山与毛克等不同走向山脉，山脉间嵌有印度德干与缅甸掸邦等起伏不一的高原，山脉与高原之间发育有大江大河，并在中下游形成了大小不等的平原。基于全球陆地1 km基准高程(GLOBE)，南亚—东南亚平均海拔为644.39 m，3500 m及以上高山区域占比不足4%，集中分布在南亚北部，构成南北向气候屏障。本文南亚旱季对应月份为10月—次年5月，雨季为6—9月；东南亚旱季对应月份为11月—次年5月，雨季为6—10月。根据柯本全球气候分类[22]，全区由南向北主要包括热带雨林(21.23%)、热带季风(7.79%)、热带疏林(23.43%)、草原气候(11.98%)、冬干温暖气候(16.84%)与沙漠气候(12.13%)6种类型(共占93.40%)，其他气候类型仅占6.60%(表1)。全区涉及19个国家[23-24]，除东帝汶与横穿赤道的印尼、新加坡3国外，其余国家均在北半球。本区土地面积975.34万km2，约占全球6.55%。2020年总人口25.35亿(https://data.worldbank.org.cn/)，其中农业人口约分别占各次区(南亚、中南半岛、马来群岛)总量的65.12%、61.03%与43.71%(南亚—东南亚各分区概况数据统计，详见表1)。全区农业生产占有重要份额但方式较为粗放，如丘陵山区仍沿用传统刀耕火种，农田秸秆焚烧屡禁不止。野火以及人类活动正在加剧区域气候变化[25-26]，而气候变化会诱发新的农、林活跃火发生发展[27⇓-29]。
图1 南亚—东南亚地理位置与主要地形、气候分布

注：本图中的世界地图基于自然资源部标准地图服务网站下载的审图号为GS(2016)1666号的标准地图制作，底图无修改。Af：热带雨林气候；Am：热带季风气候；Aw：热带疏林气候；Bs：草原气候；Bw：沙漠气候；Cw：冬干温暖气候。

Fig.1 Topography and climate zones of South and Southeast Asia (SSEA, 19 countries)

表1 南亚、中南半岛与马来群岛主要特征

Tab.1 Main characteristics of South Asia, Mainland Southeast Asia and Malay Archipelago

要素 要素分级/分类 占比/%
南亚 中南半岛 马来群岛 总计
高程 Ⅰ级(≤200 m) 17.97 8.76 14.45 100
Ⅱ级(>200~500 m) 14.34 4.44 4.67
Ⅲ级(>500~1000 m) 9.97 4.21 3.49
Ⅳ级(>1000~3500 m) 9.58 2.53 2.22
Ⅴ级(>3500 m) 3.30 0.03 0.04
面积 — 52.77 20.11 27.12 100
人口 — 73.41 9.68 16.91 100
气候类型 Af(热带雨林气候) 0.20 0.21 20.82 100
Am(热带季风气候) 2.05 3.50 2.24
Aw(热带疏林气候) 11.94 10.16 1.33
Bs(草原气候) 11.69 0.29 0
Bw(沙漠气候) 12.13 0 0
Cw(冬干温暖气候) 9.27 5.90 1.67
其他 5.49 0.05 1.06

2 数据来源与研究方法

2.1 CHELSA温度与降水量产品

CHELSA是由瑞士联邦森林、雪、景观研究所开发维护的全球降尺度气候(包括温度和降水量)数据(https://chelsa-climate.org/timeseries/)，分辨率为30弧秒(约1 km)，数据可获取最新年份为2018年[30]。其中，温度算法基于样条插值法对大气温度进行统计学降尺度；降水量算法考虑了地形(含风场、山谷分布)和边界层高度等因素的影响。经过一致性偏差校准后，得到了全球1979—2018年逐月温度和降水量数据。2017年发布以来，CHELSA产品因其空间分辨率高及其与生物环境关联性，已广泛用于气候、环境科学、生物多样性等领域[21]。本文选用1980—2018年CHELSA Version 2.1逐月降水量、月均温度、最高温和最低温4个数据集。基于ArcGIS将气候要素的空间分辨率从30″×30″转换为1 km×1 km尺度的栅格，经栅格投影、重采样与掩膜提取等预处理操作，得到南亚—东南亚1 km分辨率、长达39年的月际温度和降水量数据。

2.2 海洋Niño指数

海洋Niño指数(oceanic niño index，ONI)由美国国家海洋和大气管理局(NOAA)发布。通过观测并计算东太平洋Niño3.4海区(5°N~5°S、120°W~170°W)海洋表面温度异常值，以确定ENSO事件相位及发展程度,是国际上较为认可的主流标准[25]。厄尔尼诺现象出现并无固定周期，一般2~7年发生一次，持续时间9~12个月，少数可达2~3年[31-32]。当ONI 3个月滑动平均值达到或超过0.5(或-0.5)且持续至少5个月，表明发生了厄尔尼诺(或拉尼娜)。ONI越高，厄尔尼诺现象越明显，波及范围、影响程度也愈强烈；反之，则拉尼娜更显著。亚洲因降水引发的旱涝灾害与季风年际间涛动紧密关联，ENSO是促使亚洲季风发生年际变化的主要驱动因子之一[10-11,33-34]。根据全球近40年海洋Niño指数表[25,32]，拉尼娜年及厄尔尼诺年的划分如表2所示。
表2 基于海洋Niño指数的近40年拉尼娜、厄尔尼诺年份划分

Tab.2 Occurrence years of La Niña and El Niño in the last 40 years based on ocean Niño index

类别 出现时段
拉尼娜年 1983—1984、1984—1985、1988—1989、1995—1996、1998—2001、2005—2006、2007—2008、2008—2009、
2010—2012、2016、2017—2018年
厄尔尼诺年 1982—1983、1986—1988、1991—1992、1994—1995、1997—1998、2002—2003、2004—2005、2006—2007、
2009—2010、2014—2016年

2.3 研究方法

2.3.1 最小二乘法趋势分析

基于Origin软件并利用最小二乘法对1980—2018年南亚—东南亚温度和降水量变化趋势进行线性拟合。具体地，构建时间序列与气候要素序列之间的一元线性回归方程，将方程的斜率b即回归系数定义为气候要素的年际变化趋势率[35-36]。b>0表示温度和降水量变化随时间推移呈现上升(增加)趋势，反之则呈下降(减少)趋势，其值大小表征气候要素变化速度。

2.3.2 M-K检验

M-K突变检验依赖于通过顺序、逆序时间序列的秩序列计算出的2条统计量曲线UF和UB，若UF大于0，则表明序列呈上升趋势，否则呈下降趋势。取±1.96为M-K突变检验的临界线，即0.05显著性水平对应的置信度检验区间，若2条曲线的交点在临界范围内，则认为气候要素发生突变[37]。M-K趋势显著性检验值Z>0，表明气候要素呈现上升(增加)趋势，反之则呈下降(减少)趋势。在给定的显著性水平α下，若|Z|≥Z1-α/2，则拒绝原假设，即在显著性水平α上，时序数据存在显著的上升(增加)或下降(减少)趋势[38-39]。根据Z值可将气候变化趋势划分为6种类型(表3)。M-K突变与趋势检验均在Matlab-2020软件下完成。
表3 Mann-Kendall 检验趋势特征类别划分

Tab.3 Classification of trend characteristics based on the Mann-Kendall test

Z值 趋势特征 Z值 趋势特征
0< Z ≤ 1.96 微显著增加 -1.96 ≤ Z < 0 微显著减少
1.96< Z ≤ 2.58 显著增加 -2.58 ≤ Z <-1.96 显著减少
2.58 < Z 极显著增加 Z < -2.58 极显著减少

注：Z = 0时，无明显变化趋势。

3 结果分析

3.1 降水量时空变化特征

3.1.1 降水量时序变化特征分析

南亚—东南亚1980—2018年全区平均降水量为1816.6 mm，是全球平均降水量的2.6倍。全区降水量表现出2个特征(图2a)：第一，年际波动较大，年最大降水量(2039.3 mm，2008年)远超年最小降水量(1582.8 mm，1997年)，且区域降水量年际波动与年降水量显著相关；第二，年降水量呈显著增加趋势，增幅为4.19 mm/a (P<0.05)，远超全球平均增长水平(0.19 mm/a)[40]。域内降水量变化空间异质性强，其中马来群岛年际增长率最大(9.77 mm/a，P<0.05)，中南半岛次之，南亚最小(0.61 mm/a，P<0.05)。考虑到离散分布的长时序降水量数据并不表现出明显规律，进一步对年降水量进行5年滑动平均处理。1980年代，南亚—东南亚年际降水量变化较为稳定，21世纪前后2个10年降水量都有小幅减少，之后保持稳定增长，且2000年代增速远大于1990年代。然而，21世纪前20年年际降水量先增后减，转折年份出现在2009年。南亚年降水量变化趋势呈波浪起伏型，约20年为一周期，降水量先减后增，且后一周期增长率也在变大；中南半岛及马来群岛年增长率较平缓，降水量的增加集中于21世纪(图2b)。
图2 南亚—东南亚整体与区域年际降水量变化趋势

Fig.2 Trends of annual precipitation in South and Southeast Asia and the three sub-regions

表4展示了南亚—东南亚气候要素月际变化趋势强弱及其对于多年温度和降水量变化的贡献率。总体看，月际降水量变化特征复杂，不同月份间降水量呈增加趋势，但存在明显强弱差异。1、3、8、9和10月降水量增长低于月降水量增长平均水平，其中10月降水量变化幅度最小，仅为总降水量增长的1.43%，对于多年降水量变化的影响可忽略不计，6月降水量增长幅度最大(17.18%)，对于南亚—东南亚多年降水量增长贡献最大。综上，南亚—东南亚旱、雨季降水量增长相近。其中，南亚降水量的增加主要出现在4—9月，马来群岛则集中于11月至次年6月，中南半岛降水量增长年内较均匀，主要集中于1、3、7及12月4个月份。
表4 南亚—东南亚月际温度与降水量变化及其对多年气候变化贡献率

Tab.4 Monthly contribution rates to annual change in temperature and precipitation in South and Southeast Asia

月份 温度 降水量
温度变化/(℃/a) 贡献率/% 显著性水平 降水量变化/(mm/a) 贡献率/% 显著性水平
1 0.016 5.80 0.05 0.15 3.58 0.10
2 0.028 10.15 0.05 0.41 9.78 0.05
3 0.029 10.51 0.05 0.15 3.58 0.10
4 0.022 7.97 0.05 0.39 9.31 0.05
5 0.022 7.97 0.05 0.49 11.70 0.10
6 0.019 6.88 0.05 0.72 17.18 0.10
7 0.020 7.25 0.05 0.53 12.65 0.10
8 0.019 6.88 0.05 0.22 5.25 0.10
9 0.022 7.97 0.05 0.23 5.49 0.10
10 0.029 10.51 0.05 0.06 1.43 0.10
11 0.026 9.42 0.05 0.47 11.22 0.05
12 0.024 8.69 0.05 0.37 8.83 0.05
1980年以来南亚—东南亚降水量高值分别出现于1984、1988、1995、1999、2005、2008、2010与2017年，年降水量低值出现于1982、1987、1992、1997、2002、2004、2006、2009及2014年。南亚—东南亚年降水量高值、低值分别对应于拉尼娜、厄尔尼诺事件发生年份，其中1994—1995年厄尔尼诺(7个月)、2016年拉尼娜(5个月)因持续时间较短，年降水量有所增加(减少)，但未达到高值(低值)水平。ENSO是全球气候变化的重要影响因子，南亚—东南亚由于地理位置特殊，降水量年际间变化深受其影响，厄尔尼诺与拉尼娜作为大尺度气候事件，其对本区气候要素的影响机制、时空响应特征等还有待于进一步深入研究。
根据UF与UB曲线及其交点对应年份(图3)，确定本区年降水量增长趋势在2005年发生突变。全区降水量自2005年起出现明显增长(图3a)，但不显著(即未超过0.05显著性水平临界线)。此前，全区年降水量呈弱下降趋势，之后降水量年增长率急剧攀升，其中，中南半岛最为强烈(图3c)，这与2007—2008、2010—2012年连续2次强拉尼娜事件紧密相关。类似地，2014年前后出现的2个交点，则跟2014—2016年超强厄尔尼诺事件有关。在厄尔尼诺影响下，东南亚降水量明显减少，局部区域甚至遭受严重的干旱。随着厄尔尼诺结束，降水量迅速恢复到一个较高水平。两个交点代表降水量趋势变化一增一减，且未持续，因此不认定其是降水量趋势变化突变点。马来群岛年降水量最大，与区域总体降水量变化趋势相近(图3d)；南亚降水量变化趋势最小且最为复杂(图3b)，1996年和2011年出现增加趋势但不显著，1998年与2015年后增长趋势开始削弱并迅速转为下降趋势，区域年降水量增减波动频繁。
图3 南亚—东南亚整体与区域年降水量M-K突变检验(1980—2018年)

Fig.3 Mann-Kendall mutation test of annual precipitation in South and Southeast Asia as a whole and the three sub-regions during 1980-2018

3.1.2 降水量空间变化趋势分析

南亚—东南亚受亚洲季风影响显著，是欧亚大陆年降水量高值区之一，多年降水量呈增长趋势，且东南亚气候变化幅度要高于南亚[40⇓-42]。全区降水量空间分布异质性强(图4)，受地形、大气环流等影响，呈南北向递减且高值区集中在山脉与海岸带附近。马来群岛因其是世界最大群岛，海洋性气候显著，常年高温多雨，降水量最大，年降水量超过2000 mm区域占90.59%；南亚北部高山阻挡了亚洲冷空气侵入，南部海洋暖湿气流不易到达，形成热带荒漠气候，降水量最小，年降水量低于2000 mm区域占88.72%。年降水量高值区，南亚集中于恒河流域东北部及西高止山脉西海岸；中南半岛集中于安达曼海岸带附近；马来群岛域内多海岛，年降水量空间分布相对均匀，高值区出现于毛克山脉及加里曼丹岛内陆区域。其中，马来西亚(3207.1 mm)与印度尼西亚(3187.8 mm)为全区年降水量高值国家；而年降水量最少、最干旱的区域为巴基斯坦(369.1 mm)，印度国土面积最大、年降水量仅有1256.7 mm。
图4 南亚—东南亚不同时间尺度降水M-K趋势空间变化

Fig.4 Spatial variation of the Mann-Kendall trend of precipitation at varied temporal scales in South and Southeast Asia

1980—2018年，南亚—东南亚降水量变化显著性水平均值(即降水量变化趋势强弱程度)，中南半岛最大(1.38)，南亚最小(0.20)。其中，有65.32%的区域降水量变化表现为上升趋势，微显著与极显著上升分别占44.17%与11.23%。具体而言，降水量极显著增加区域，南亚集中于阿富汗内陆省份(萨尔普勒、巴米扬、瓦尔达克等省)、巴基斯坦西北部(如联邦直辖部落地区、西北边境省)、印度西南部(马哈拉施特拉邦、泰米尔纳德邦等)，中南半岛集中于缅甸(钦邦、马圭、曼德勒等省)、老挝东部(川圹、波里坎赛)、越南湄公河三角洲，以及印度尼西亚(廖内、中加里曼丹、苏拉威西、巴布亚等省)等地。降水量递减区主要分布在阿富汗西南部(法拉、尼姆鲁兹、赫尔曼德、坎大哈等省)、巴基斯坦西部(俾路支省)、印度、尼泊尔、不丹和孟加拉国大部，中南半岛及马来群岛有零星分布。
年内南亚—东南亚多年降水量变化显著性空间分布统计表明，月际降水量主要集中在微显著变化区间，占比高达80%~90%，其中3—9月单月降水量微显著减少的比例低于月平均水平，降水量微显著增加占比最高月份出现在旱季的4月，达62%(图5)。旱季降水量变化显著性水平均值(根据图5中显著性Z值，计算其区域内所有像素的平均值得到)为0.474，雨季均值为0.476。整体来看，全区降水量增加的显著性旱、雨季相近，且旱季或雨季降水量变化表现为上升区占比均要明显高于下降区。雨季降水量变化的显著性南亚和东南亚相近，旱季东南亚降水量变化的显著性则要明显超过南亚。与以往研究认为东南亚降水量存在显著变化[43-44]不同的是，基于情景模拟的长时序东南亚降水量与温度变化研究发现，年降水量增加主要限于缅甸和泰国湾，且主要由雨季降水量增加所致[45]。本文根据月际层面降水量变化表明，雨季降水量增加对于年降水量增加的贡献超过平均水平但并不突出。
图5 南亚—东南亚不同时间尺度降水变化趋势特征占比

注：为突出主要的变化趋势特征，仅对占比大于等于8%的类别进行了标注。图9同。

Fig.5 Percentage of precipitation trend characteristics at varied temporal scales in South and Southeast Asia

3.2 温度时空变化特征

3.2.1 温度时序变化特征分析

南亚—东南亚多年均温为23.0 ℃，远超全球年均温(9.0 ℃)。全区温度表现出2个特征(图6a)：第一，近40年温度保持缓慢上升趋势，累计增温接近1 ℃。年增长率为0.023 ℃/a(P<0.05)，这与宁忠瑞等[40]研究表明亚洲增温速度(0.02 ℃/a)结论较为一致。第二，年增温率区域相差悬殊，马来群岛年增温率最大(0.024 ℃/a)，中南半岛最小(0.021 ℃/a)。从国家层面来看，印度(0.017 ℃/a)、孟加拉国(0.018 ℃/a)略低于平均水平。年均温5年滑动曲线表明，近20年较21世纪前20年增温速率显著增大，且温度变化大体以10年为周期，表现出一定的规律性。具体而言，各个年代初期温度保持在一个稳定水平，中期温度开始攀升，之后维持稳态，在相应年代末期继续上升或略有下滑。类似地，全区年内不同月份升温较均衡(表4)，2、3、10和11月的温度增长均超过了月平均增长水平。其中，以3月和10月增幅最大，对多年温度变化的贡献率最高(10.51%)，1月升温速率最小，贡献率也最低(5.80%)，但都通过了0.05的显著性水平检验。
图6 南亚—东南亚年均温、最高温及最低温变化趋势

Fig.6 Trends of variation of annual mean temperature and extreme temperature in South and Southeast Asia

南亚—东南亚多年最高、最低气温分别为27.28 ℃、18.10 ℃。其中，南亚(26.07 ℃)、中南半岛(27.89 ℃)和马来群岛(27.55 ℃)最高温接近，但最低温相差悬殊，马来群岛最高(21.25 ℃)，南亚最低(15.05 ℃)。受均温变化趋势影响，全区极端温度也处于缓慢增长状态，最高温增温速率(0.009 ℃/a)显著低于最低温增温速率(0.016 ℃/a)，极端温差在逐年缩小(图6b)。1990年代以来，全区温度呈现明显上升趋势，21世纪初升温趋势已超过0.05显著性水平线，近10年甚至超过0.01显著性水平，即全区近20年气候变暖较前20年更显著(图7)。UF和UB曲线交点均在95%的置信度区间外，即全区温度变化不存在突变，即气候变暖是渐变现象。南亚(图7b)、中南半岛(图7c)及马来群岛(图7d)多年温度变化趋势较为一致，但区域增温强弱程度不同，南亚升温趋势要小于东南亚。温度的持续上升将在一定程度上加重南亚—东南亚干旱程度，进而加大人为与自然野火发生风险。
图7 南亚—东南亚整体与区域年均温度的M-K突变检验(1980—2018)

Fig.7 Mann-Kendall mutation test of annual temperature in South and Southeast Asia as a whole and the three sub-regions during 1980-2018

3.2.2 温度空间变化特征分析

南亚—东南亚地处热带低纬地区，受纬度、地形、海陆热力性质等因素影响，全年高温但区域温差悬殊，温度变化趋势时空差异显著(图8)。南亚大陆性气候明显，且北部喜马拉雅山脉阻挡了冬季东北季风南下，造成本区全年酷热，极端高温常超过40 ℃。东南亚较南亚纬度更低、地理位置更加偏南，气候海洋性远超南亚。中南半岛中部及北部气候与南亚相似，马来群岛受海洋调节，极端高温略低于中南半岛。此外，地形因素对温度的影响占据重要地位。年均温低于10 ℃区域占6.10%，集中在南亚(5.91%)喜马拉雅、兴都库什、若开等山脉及其延伸高地范围内，其中阿富汗、尼泊尔及不丹为常年低温区。东南亚年均温低于20 ℃区域仅占7.81%，离散分布于中南半岛(3.66%)的掸邦、川圹高原及他念他翁、比劳山脉等，马来群岛(4.15%)境内巴里散、毛克、加里曼丹岛中心山脉等地，进而使得本区温度低于平均水平。随着全球持续变暖，全区极端温度事件频繁，热浪现象比过去更强烈、年内更提前[43]。受此影响，野火发生风险呈上升态势并加剧温室气体排放与区域气候变暖。
图8 南亚—东南亚不同时间尺度温度M-K趋势空间变化

Fig.8 Spatial variation of the Mann-Kendall trend of temperature at varied temporal scales in South and Southeast Asia

同期，南亚—东南亚温度空间变化较降水量更为突出。年均温显著性水平均值马来群岛最大(5.22)，南亚最小(2.99)。具体地，1980—2018年全区有99.13%的区域温度处于上升趋势，其中极显著上升区占到79.34%。空间上，温度呈极显著增加区域集中于除小巽他群岛外的马来群岛大部、中南半岛大部及南亚外围区域，仅内陆巴基斯坦(旁遮普省、信德省)有小部分区域处于无变化或微显著下降趋势。其中，文莱(5.52)、印度尼西亚(5.35)、马来西亚(5.16)年均温显著性均态位列前三，印度(2.87)、巴基斯坦(2.82)及斯里兰卡(1.92)显著性低于平均水平。已有研究表明，东南亚超99%的区域温度显著上升，且变湿区与增温区高度重叠，事实上温度与降水量同增的现象在全球也较为常见，地表温度的升高会增加热低压的强度，从而导致更多的湿气从海洋流入[46-47]。南亚—东南亚降水量增加区与温度上升区分别为65.32%与99.13%，其中二者同步上升(增加)区域占64.92%，除印度东北部、阿富汗及巴基斯坦西北部、印度尼西亚南部外均存在广泛分布。全区普遍升温且具有强显著性，与之相比，降水量的时空变化表现出明显不确定性。
对南亚—东南亚多年温度变化显著性在不同时间尺度上进行分区统计，结果表明，年内月际温度变化表现出一定差异性，逐月温度变化趋势主要集中在微显著增加、显著增加和极显著增加3个区间，其中6—10月单月温度极显著增加占比要高于1—5月，最大占比出现在9月，达到了60%(图9)。旱季温度变化显著性均值为3.31，雨季均值为3.08，全区温度上升显著性水平旱季大于雨季。雨季温度变化显著性均态东南亚大于南亚，且二者差异较大，旱季温度变化显著性马来群岛最大，南亚最小。综上，南亚温度上升显著性旱季大于雨季，东南亚则相反，雨季要大于旱季。
图9 南亚—东南亚不同时间尺度温度变化趋势特征类别占比

Fig.9 Percentage of temperature trend characteristics at varied temporal scales in South and Southeast Asia

4 结论与讨论

本文利用CHELSA 1980—2018年月际降水量与温度栅格产品，采用最小二乘法、M-K检验等空间统计方法，研究揭示了南亚—东南亚温度与降水量逐月、1 km的时空特征与演变趋势差异。结果表明，南亚—东南亚近40年气候变化整体表现出暖湿化发展特征，且东南亚温度与降水量变化显著性与幅度均要高于南亚。降水量呈显著增加趋势，于2005年发生突变；旱季降水量变化的显著性东南亚较南亚更明显，雨季二者相近。全区平均增温接近1 ℃，年内不同月份间温度增长较均衡；温度变化呈上升趋势区占99.13%，南亚旱季温度上升显著性大于雨季，东南亚则相反。温度与降水量变化呈同步上升(增加)趋势区域占64.92%，全区普遍升温且具有强持续性，与之相比，降水量的时空变化表现出更大不确定性，全球变化背景下需加强区域气候风险防范。
全球尺度上，预测因子与气候变量(温度、降水量)难以找到普遍有效的传递函数。此外，基础气候记录异质性高对静态预测影响较小，但当需要整合风场、气压场等因子进行高度动态预测时，统计降尺度变得尤为困难[48]。现有全球气候变化研究多采用东英格利亚大学气候研究所格点数据集(CRU)、全球历史气候网络数据集(GHCN)、全球降水量气候数据集(GPCC)等[49-50]，其中又以CRU网格气候集应用最为广泛，其空间分辨率仅为0.5°。这对刻画全球尺度上气候变化尚可，但对区域气候要素变化差异揭示则显不足。相比之下，CHELSA数据集具有与大气、环境紧密结合的特性，且对前述较粗数据具有高精度优势，将有助于揭示区域气候要素时空演变特征。当然，其自身也存在一些不足，如动态因子时空异质性可能导致特定月份或特定区域的伪相关，进而对回归模型精度造成干扰[30]。此外，火是地球系统中改变生态结构和大气组成的重要过程，同时作为重要的碳排放源，其在加剧全球变暖、改变区域降水强度方面具有深刻影响[51]。当前，气候变化背景下全球特别是热带活跃火的发生发展过程与机理值得深入研究，CHELSA因其长时序与较高精度等优点将有助于开展活跃火与气候变化(即“火—气”)关系研究。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
King A D, Karoly D J, Henley B J. Australian climate extremes at 1.5 ℃ and 2 ℃ of global warming[J]. Nature Climate Change, 2017, 7(6): 412-416.

DOI

[2]
王晓欣, 姜大膀, 郎咸梅. CMIP5多模式预估的1.5 ℃升温背景下中国气温和降水变化[J]. 大气科学, 2019, 43(5): 1158-1170.

[Wang Xiaoxin, Jiang Dabang, Lang Xianmei. Temperature and precipitation changes over China under a 1.5 ℃ global warming scenario based on CMIP5 models. Chinese Journal of Atmospheric Sciences, 2019, 43(5): 1158-1170.]

[3]
胡婷, 孙颖, 张学斌. 全球1.5和2 ℃温升时的气温和降水变化预估[J]. 科学通报, 2017, 62(26): 3098-3111.

[Hu Ting, Sun Ying, Zhang Xuebin. Temperature and precipitation projection at 1.5 and 2 ℃ increase in global mean temperature. Chinese Science Bulletin, 2017, 62(26): 3098-3111.]

[4]
周波涛, 徐影, 韩振宇, 等. “一带一路”区域未来气候变化预估[J]. 大气科学学报, 2020, 43(1): 255-264.

[Zhou Botao, Xu Ying, Han Zhenyu, et al. CMIP5 projected changes in mean and extreme climate in the Belt and Road region. Transactions of Atmospheric Sciences, 2020, 43(1): 255-264.]

[5]
Nguyen T H, Min S K, Paik S, et al. Time of emergence in regional precipitation changes: An updated assessment using the CMIP5 multi-model ensemble[J]. Climate Dynamics, 2018, 51(9): 3179-3193.

DOI

[6]
周天军, 陈梓明, 陈晓龙, 等. IPCC AR6 报告解读: 未来的全球气候: 基于情景的预估和近期信息[J]. 气候变化研究进展, 2021, 17(6): 652-663.

[Zhou Tianjun, Chen Ziming, Chen Xiaolong, et al. Interpreting IPCC AR6: Future global climate based on projection under scenarios and on near-term information. Climate Change Research, 2021, 17(6): 652-663.]

[7]
Abolverdi J, Ferdosifar G, Khalili D, et al. Recent trends in regional air temperature and precipitation and links to global climate change in the Maharlo watershed, Southwestern Iran[J]. Meteorology and Atmospheric Physics, 2014, 126(3): 177-192.

DOI

[8]
Dai X G, Wang P. A new classification of large-scale climate regimes around the Tibetan Plateau based on seasonal circulation patterns[J]. Advances in Climate Change Research, 2017, 8(1): 26-36.

DOI

[9]
Chang C P, Johnson R H, Ha K J, et al. The multiscale global monsoon system: Research and prediction challenges in weather and climate[J]. Bulletin of the American Meteorological Society, 2018, 99(9): ES149-ES153.

[10]
杨阳, 戴新刚, 汪萍. 未来30年亚洲降水情景预估及偏差订正[J]. 大气科学, 2022, 46(1): 40-54.

[Yang Yang, Dai Xingang, Wang Ping. Projection of Asian precipitation for the coming 30 years and its bias correction. Chinese Journal of Atmospheric Sciences, 2022, 46(1): 40-54.]

[11]
Revadekar J V, Preethi B. Statistical analysis of the relationship between summer monsoon precipitation extremes and foodgrain yield over India[J]. International Journal of Climatology, 2012, 32(3): 419-429.

DOI

[12]
Lu R Y, Hina S, Hong X W. Upper-and lower-tropospheric circulation anomalies associated with interannual variation of Pakistan rainfall during summer[J]. Advances in Atmospheric Sciences, 2020, 37(11): 1179-1190.

DOI

[13]
Xu Y, Zhou B T, Wu J, et al. Asian climate change under 1.5-4 ℃ warming targets[J]. Advances in Climate Change Research, 2017, 8(2): 99-107.

DOI

[14]
Mishra V, Bhatia U, Tiwari A D. Bias-corrected climate projections for South Asia from Coupled Model Intercomparison Project-6[J]. Scientific Data, 2020, 7: 338. doi: 10.1038/s41597-020-00681-1.

DOI PMID

[15]
Almazroui M, Saeed S, Saeed F, et al. Projections of precipitation and temperature over the South Asian countries in CMIP6[J]. Earth Systems and Environment, 2020, 4(2): 297-320.

DOI

[16]
Loo Y Y, Billa L, Singh A. Effect of climate change on seasonal monsoon in Asia and its impact on the variability of monsoon rainfall in Southeast Asia[J]. Geoscience Frontiers, 2015, 6(6): 817-823.

DOI

[17]
Cheong W K, Timbal B, Golding N, et al. Observed and modelled temperature and precipitation extremes over Southeast Asia from 1972 to 2010[J]. International Journal of Climatology, 2018, 38(7): 3013-3027.

DOI

[18]
李鹏, 李文君, 封志明, 等. 基于FIRMS MODIS与VIIRS的东南亚活跃火频次时空动态分析[J]. 资源科学, 2019, 41(8): 1526-1540.

DOI

[Li Peng, Li Wenjun, Feng Zhiming, et al. Spatiotemporal dynamics of active fire frequency in Southeast Asia with the FIRMS Moderate Resolution Imaging Spectroradiometer (MODIS) and Visible Infrared Imaging Radiometer (VIIRS) data. Resources Science, 2019, 41(8): 1526-1540.]

DOI

[19]
刘颖, 李鹏, 肖池伟, 等. 中南半岛旱季VIIRS活跃火的空间特征与国别差异[J]. 地理科学进展, 2021, 40(8): 1406-1418.

DOI

[Liu Ying, Li Peng, Xiao Chiwei, et al. Spatial characteristics and national differences of active fires derived from Visible Infrared Imaging Radiometer Suite(VIIRS) in Mainland Southeast Asia in the dry season during 2012-2019. Progress in Geography, 2021, 40(8): 1406-1418.]

DOI

[20]
Hamed M M, Nashwan M S, Shahid S. Performance evaluation of reanalysis precipitation products in Egypt using fuzzy entropy time series similarity analysis[J]. International Journal of Climatology, 2021, 41(11): 5431-5446.

DOI

[21]
de Oliveira-Júnior J F, Correia Filho W L F, de Barros Santiago D, et al. Rainfall in Brazilian northeast via in situ data and CHELSA product: Mapping, trends, and socio-environmental implications[J]. Environmental Monitoring and Assessment, 2021, 193: 263. doi: 10.1007/s10661-021-09043-9.

DOI PMID

[22]
Beck H E, Zimmermann N E, McVicar T R, et al. Present and future Köppen-Geiger climate classification maps at 1-km resolution[J]. Scientific Data, 2018, 5: 180214. doi: 10.1038/sdata.2018.214.

DOI

[23]
Wu S H, Liu L L, Liu Y H, et al. The Belt and Road: Geographical pattern and regional risks[J]. Journal of Geographical Sciences, 2019, 29(4): 483-495.

DOI

[24]
邹嘉龄, 刘卫东. 2001—2013 年中国与“一带一路”沿线国家贸易网络分析[J]. 地理科学, 2016, 36(11): 1629-1636.

DOI

[Zou Jialing, Liu Weidong. Trade network of China and countries along "Belt and Road Initiative" areas from 2001 to 2013. Scientia Geographica Sinica, 2016, 36(11): 1629-1636.]

DOI

[25]
刘佳, 梁一行, 李鹏, 等. 2001—2018年印度尼西亚MODIS活跃火的发生特征与响应[J]. 地理学报, 2020, 75(9): 1907-1920.

DOI

[Liu Jia, Liang Yihang, Li Peng, et al. Occurrence characteristics and response to El Niño of MODIS-based active fires in Indonesia during 2001-2018. Acta Geographica Sinica, 2020, 75(9): 1907-1920.]

[26]
刘怡媛, 李鹏, 肖池伟, 等. 老挝VIIRS活跃火的主要自然地理要素特征[J]. 地理研究, 2020, 39(3): 749-760.

DOI

[Liu Yiyuan, Li Peng, Xiao Chiwei, et al. Characteristics analyses of major physical geographic elements of Visible Infrared Imaging Radiometer (VIIRS) active fire in Laos. Geographical Research, 2020, 39(3): 749-760.]

DOI

[27]
Xiao C W, Feng Z M, Li P. Active fires show an increasing elevation trend in the tropical highlands[J]. Global Change Biology, 2022, 28(8): 2790-2803.

DOI

[28]
Li P, Xiao C W, Feng Z M, et al. Occurrence frequencies and regional variations in Visible Infrared Imaging Radiometer Suite (VIIRS) global active fires[J]. Global Change Biology, 2020, 26(5): 2970-2987.

DOI PMID

[29]
Devkota J U. Statistical analysis of active fire remote sensing data: Examples from South Asia[J]. Environmental Monitoring and Assessment, 2021, 193: 608. doi: 10.1007/s10661-021-09354-x.

DOI PMID

[30]
Field R D, van der Werf G R, Fanin T, et al. Indonesian fire activity and smoke pollution in 2015 show persistent nonlinear sensitivity to El Niño-induced drought[J]. PNAS, 2016, 113(33): 9204-9209.

DOI PMID

[31]
许武成, 王文, 马劲松, 等. 1951—2007年的ENSO事件及其特征值[J]. 自然灾害学报, 2009, 18(4): 18-24.

[Xu Wucheng, Wang Wen, Ma Jinsong, et al. ENSO events during 1951-2007 and their characteristic indices. Journal of Natural Disasters, 2009, 18(4): 18-24.]

[32]
Santoso A, McPhaden M J, Cai W J. The defining characteristics of ENSO extremes and the strong 2015/2016 El Niño[J]. Reviews of Geophysics, 2017, 55(4): 1079-1129.

DOI

[33]
Krishnamurthy V, Goswami B N. Indian monsoon-ENSO relationship on interdecadal timescale[J]. Journal of Climate, 2000, 13(3): 579-595.

DOI

[34]
王会军, 任宏利, 陈活泼, 等. 中国气候预测研究与业务发展的回顾[J]. 气象学报, 2020, 78(3): 317-331.

[Wang Huijun, Ren Hongli, Chen Huopo, et al. Highlights of climate prediction study and operation in China over the past decades. Acta Meteorologica Sinica, 2020, 78(3): 317-331.]

[35]
Crowley J W, Huang J L. A least-squares method for estimating the correlated error of GRACE models[J]. Geophysical Journal International, 2020, 221(3): 1736-1749.

DOI

[36]
闫军辉, 刘浩龙, 葛全胜, 等. 1906—2015年武汉市温度变化序列重建与初步分析[J]. 地理科学进展, 2017, 36(9): 1176-1183.

DOI

[Yan Junhui, Liu Haolong, Ge Quansheng, et al. Reconstruction and analysis of annual mean temperature of Wuhan for the 1906-2015 period. Progress in Geography, 2017, 36(9): 1176-1183.]

DOI

[37]
姚亭亭, 刘苏峡. 京津冀水资源利用多效率指标的变化特征比较[J]. 地理科学进展, 2021, 40(7): 1195-1207.

DOI

[Yao Tingting, Liu Suxia. Comparison of the variation characteristics of water resource use efficiency indicators in the Beijing-Tianjin-Hebei region. Progress in Geography, 2021, 40(7): 1195-1207.]

DOI

[38]
褚健婷, 夏军, 许崇育, 等. 海河流域气象和水文降水资料对比分析及时空变异[J]. 地理学报, 2009, 64(9): 1083-1092.

[Chu Jianting, Xia Jun, Xu Chongyu, et al. Comparison and spatial-temporal variability of daily precipitation data of weather stations and rain gauges in Haihe River Basin. Acta Geographica Sinica, 2009, 64(9): 1083-1092.]

DOI

[39]
佘敦先, 夏军, 张永勇, 等. 近50年来淮河流域极端降水的时空变化及统计特征[J]. 地理学报, 2011, 66(9): 1200-1210.

[She Dunxian, Xia Jun, Zhang Yongyong, et al. The trend analysis and statistical distribution of extreme rainfall events in the Huaihe River Basin in the past 50 years. Acta Geographica Sinica, 2011, 66(9): 1200-1210.]

[40]
宁忠瑞, 张建云, 王国庆. 1948—2016年全球主要气象要素演变特征[J]. 中国环境科学, 2021, 41(9): 4085-4095.

[Ning Zhongrui, Zhang Jianyun, Wang Guoqing. Variation and global pattern of major meteorological elements during 1948-2016. China Environmental Science, 2021, 41(9): 4085-4095.]

[41]
郭丽娜, 施能, 朱兴明, 等. 东南亚地区年际降水变化及其与ENSO的关系[J]. 南京气象学院学报, 2006, 29(1): 88-93.

[Guo Lina, Shi Neng, Zhu Xingming, et al. Variation features of annual and seasonal rainfalls in Southeast Asia and their relations with ENSO during 1948-2002 . Journal of Nanjing Institute of Meteorology, 2006, 29(1): 88-93.]

[42]
李铭宇, 韩婷婷, 郝鑫. 欧亚大陆极端降水事件的区域变化特征[J]. 大气科学学报, 2020, 43(4): 687-698.

[Li Mingyu, Han Tingting, Hao Xin. Regional characteristics of extreme precipitation events in Eurasia. Transactions of Atmospheric Sciences, 2020, 43(4): 687-698.]

[43]
Chambers J. Global and cross-country analysis of exposure of vulnerable populations to heatwaves from 1980 to 2018[J]. Climatic Change, 2020, 163(1): 539-558.

DOI

[44]
Cheong W K, Timbal B, Golding N, et al. Observed and modelled temperature and precipitation extremes over Southeast Asia from 1972 to 2010[J]. International Journal of Climatology, 2018, 38(7): 3013-3027.

DOI

[45]
Hamed M M, Nashwan M S, Shahid S, et al. Inconsistency in historical simulations and future projections of temperature and rainfall: A comparison of CMIP5 and CMIP6 models over Southeast Asia[J]. Atmospheric Research, 2022, 265: 105927. doi: 10.1016/j.atmosres.2021.105927.

DOI

[46]
Lacombe G, Hoanh C T, Smakhtin V. Multi-year variability or unidirectional trends? Mapping long-term precipitation and temperature changes in continental Southeast Asia using PRECIS regional climate model[J]. Climatic Change, 2012, 113(2): 285-299.

DOI

[47]
Previdi M, Liepert B G. Interdecadal variability of rainfall on a warming planet[J]. EOS, Transactions American Geophysical Union, 2008, 89(21): 193-195.

[48]
Wilby R L, Wigley T M L. Downscaling general circulation model output: A review of methods and limitations[J]. Progress in Physical Geography: Earth and Environment, 1997, 21(4): 530-548.

DOI

[49]
陈晓龙, 王平. 1979—2017年北极陆地气候变化趋势[J]. 资源科学, 2021, 43(6): 1260-1274.

DOI

[Chen Xiaolong, Wang Ping. Climate changes over the Arctic land during 1979-2017. Resources Science, 2021, 43(6): 1260-1274.]

DOI

[50]
李茂华, 都金康, 李皖彤, 等. 1982—2015年全球植被变化及其与温度和降水的关系[J]. 地理科学, 2020, 40(5): 823-832.

DOI

[Li Maohua, Du Jinkang, Li Wantong, et al. Global vegetation change and its relationship with precipitation and temperature based on GLASS-LAI in 1982-2015. Scientia Geographica Sinica, 2020, 40(5): 823-832.]

DOI

[51]
Andela N, Morton D C, Giglio L, et al. The Global Fire Atlas of individual fire size, duration, speed and direction[J]. Earth System Science Data, 2019, 11(2): 529-552.

DOI

Options
Outlines

/

〈 〉