全球变暖背景下的极端天气气候变化.ppt

全球变暖背景下的极端天气气候变化 严中伟中国科学院东亚区域气候环境重点实验室;提纲 研究背景基本概念 climate extremes资料方法结果 我国变化事实进一步工作;背景问题;气候极值研究意义;促成当前研究热潮的简史;基本概念气候是什么？气候与天气是什么关系？;基本概念气候是所有天气现象的综合表述。对于特定的气象要素（如温度或降水），气候就是所有可能天气值所构成的分布。;基本概念;基本概念 – 如何定义逐日气候？;基本概念 – 逐日气候，以北京温度为例;由于涉及天气尺度问题，传统月季平均气候资料已不能满足研究需要。逐日甚至逐时等高分辨率资料是必要的。 限于资料的可获取程度,目前国际上气候极值研究的主要基础资料是逐日气象观测。 然而，大多数气象观测在其长期发展过程中由于台站环境和观测规则变迁而具有不同程度的非同一性（inhomogeneity）问题。由于气候极值本身就是小概率事件，资料中的微小误差有可能导致分析结果之较大误差.;非均一性成因： 观测地点变化（如从房顶到地面;室内到室外；开放式凉亭到百叶箱；郊区到城区等） 观测规则变更（如每日3到24时次观测等） 资料处理引起（如缺测插补；多台站互校正等） 这些问题在以月、季平均资料为基础的研究中相对说来不很突出。但对于气候极值研究则至关重要。与气候极值研究相关联的资料学研究本身，不仅为极值研究提供基础，还能帮助揭示传统气候资料分析中存在的问题。;北京迁站及城市化效应分析(Yan et al 2009；Li and Yan 2009);方差校正的影响 著名的英格兰中部近200多年的逐日气温序列（CET）是由3个邻近站资料重构起来的。1882年前主要是一个站的资料，1883年后主要是3站平均。序列创建者发现1882年前序列方差系统性地偏大，于是作了方差校正。 下图可见，年均温序列看不出异常。但经小波分析，可见DV在1882-83年间出现跃变。这对我们定义气候极值分析气候趋势造成严重影响。;气候序列非均一性研究发展 A-type校正——传统思路，解决长期平均气候变化估算中的偏差（Li and Yan 2009） 分布校正——从统计意义上解决小概率的极值估算偏差（例如：Della-Marta and Wanner 2006） 变率校正——时频分析可以检测，但校正仍需进一步发展方法（Yan and Jones 2008);由于气候极值是小概率的，所以难以简单地把观测到的某个最大或最小值直接作为研究对象。如台风中心附近最大风速，是很难观测到的。 气候极值指数应运而生，以获得统计意义较为稳定（尽量避免仅由单一记录决定）而又有实用意义的研究目标。 百分位：一个概率分布均分为100份的份间位置。设某地某时段气候服从某种分布，将所有记录当成该分布的样本，有小到大排列之，即可估计各百分位（如第1和99百分位）的临界值;对于给定分布，百分位值较之最大（小）值更稳定例如：如图某地某时温度距平分布，由1000个观测样本构成（下）和由10000个样本构成（上），其最大最小值往往不一，但第5/95百分位值则相当一致;绝对极值指数：如年或季节最大降水、最低温度等。注意为保持统计意义稳定，要用百分位临界值或相应的若干个极端记录的平均。 相对极值指数：相对于当时当地气候态定义的百分位临界值。多用于定义局部极端异常天气事件，如21C为8月8日北京异常低温（低于3百分位临界值），但对于哈尔滨8月8日或北京1月8日则不然。常用于计算异常天气事件的频数。 其它极端指数：如霜冻日数 国际气候界曾讨论制定标准气候极值指数，目前大致有几十种得到较广泛认同（详见CLIVAR或CRU网站）;从给定分布总体中抽取多组样本，其极大值渐进服从3种极值分布(Gumbel, Frechet and Weibull)，其概率密度函数可统一表述如下： y(x| m,s,e) = s -1 exp{-z-1/e} z-1-1/e 其中 z=1+e(x-m)/s > 0; m, s, e: location, scale and shape parameters e >，<0 分别对应上述II和III类分布 e -> 0 对应I类分布 优点：简明经典理论，软件化程度高 缺点：需要较大样本数，且资料应用效率低。;GLM视每个“天气”值为某种气候分布总体中抽取的样本。通过最大似然回归确定最符合所有样本的分布（包括确定自回归规律以及分布参数随时间、地点和各种可能气候因子的变化）；通过Monte Carlo法产生大量模拟样本，从中判断气候分布及极值随各种可能原因而发生的变化。 优点：把所有资料同时纳入一个关于分布（包括均值和极值）的研究框架，结果具有优越的统计稳定性。 缺点：必须预设