最暖年份2015年的仪器记录以及其与1998年的对比外文翻译资料

最暖年份2015年的仪器记录以及其与1998年的对比

摘要：本文利用CRU、NASA和NOAA的近地面气温异常（SATA）数据，对比分析了2015年和1998年的温度异常分布特征，证实了2015年是有观测记录以来温度最暖的一年，并进一步利用EEMD方法探讨了不同时间尺度对2015年温度异常的贡献以及其温度最暖的形成原因。结果表明，年代际及其以上的时间尺度和长期增暖趋势对2015年年平均SATA贡献为0.64°C，远远大于与ENSO信号相关的年际时间尺度的贡献（为0.1°C），说明长时间尺度和全球长期变暖趋势对2015年温度异常的形成有重要贡献。

1. 引言

在上个世纪，全球年平均表面空气温度异常（SATA）呈现升温趋势（Cook等，2014）。这一趋势给许多国家的环境，社会和经济带来了挑战，并导致了极端天气和气候事件的发生，例如洪水，干旱和高温（Hao，Agha Kouchak和Phillips 2013; Cook等2014; Li，Zhang和Yao 2015）。因此，全球变暖是全球环境和社会各个领域争议的研究课题。

全球变暖已被广泛研究。在二十一世纪的前十年，全球平均气温并没有出现明显的变化

变暖趋势;相反，观察到中性趋势。人们称这种趋势为全球性的变暖停滞（Bala 2013）。变暖停滞已吸引了大量的关注，并提出了各种原因。未来的趋势和这种停滞是相关的。特别是，2015年最热的记录的出现引发了关于变暖停滞的争论。

许多媒体报道称，2015年是仪器纪录中最热的一年。^1,2,3为什么2015年出现最热的气候不仅有助于预测年际气候异常，而且对于预测未来变暖停滞演变也很重要。如果2015年异常的主要因素是年际时间尺度上的物理强迫，它可能不会提供暗示停滞的迹象或暗示。相反，如果造成2015年异常的主要因素包括年代际成分甚至年代际尺度以上的成分，则可能意味着停滞正在消失。因此，了解2015年最热的气温发生的原因至关重要。

2015年在两个方面与1998年相似。除了较暖的SATA外，2015年发生了一个发展中的厄尔尼诺事件。同样，1998年是二十世纪最暖的一年，最强的ENSO发生在1997— 1998年冬季（Bell 等1999; Lu 2005; Zhang和Li 2015）。以前的研究表明，厄尔尼诺事件提高了全球平均气温（Bell等1999; Lean 和 Rind 2008,2009），1997/1998年厄尔尼诺事件对1997年至1997年11月6月份平均气温的贡献为0.23°C （Lean 和 Rind 2008）。因此，我们试图通过将其与1998年的气候进行比较来解释2015年异常温暖气候的形成。我们提出以下问题：（1）2015年全球平均SATA持续是否是不同观测或再分析数据集中最强的异常？海洋与大陆之间的年平均SATA，或四季之间的季节性平均SATA是否存在差异？ （2）是什么导致了2015年最热的SATA发生？与1998年相比，2015年的哪些主要影响因素是不同的？

1. 资料及方法
   1. 数据

每月的陆地SATA数据集和月平均海面温度异常数据集均来自CRUTEM4（Jones et al。2012）和Had SST3数据集（Kennedy等，2011）。这两个数据集都由东安格利亚大学的气候研究组（CRU）提供。每月的全球SATA数据集从Had CRUT4获得，该CRUT4是气象局哈德来中心与CRU合作的产品CRUTEM4和Had SST3数据集（Morice et al。2012）。这些异常相对于1961-1990年的平均值计算得出，水平分辨率为5°times;5°，涵盖1850年至2015年的时间段。

为了与从CRU数据集计算出的时间序列相比较，美国国家航空和航天局（NASA）的戈达德空间研究所（GISS）制作的GISTEMP数据集（Hansen等2010）的时间序列：1951-1980），国家海洋和大气管理局（NOAA，国家气候数据中心（NCDC）提供的MLOST数据集（Smith 等2008）也用于基准期：1901-2000） 。来自NOAA的扩展的重建海面温度V3b数据集（Smith 等2008）水平分辨率为2°times;2°，涵盖了从1854年到2015年的时间段，也用于计算时间序列以1961年至1990年为基期的年平均SATA。

• 1. 经验模态分解方法

为了分离观察到的SATA系列的不同时间尺度的成分，使用集合经验模式分解（EEMD）方法（Wu和Huang 2009）。 EEMD方法的分解过程如下：

1. 将一个白噪声序列添加到目标数据X（t），

其中X（t）是初始数据，W_j（t）是白噪声序列的第j个实现，X_j（t）是加噪序列，用于第j个分解。

1. 将具有白噪声的数据分解成不同的成分，称为固有模式函数（IMF）。 X（t）的IMF总数接近log₂ Y，其中Y是X（t）的长度，

其中c_jk和r_jn是第j个分解中的第k个和第n个（残差）分量。

1. 重复步骤1和步骤2，但每次添加不同的白噪声系列。
2. 得到分解出的IMFs的集合平均为最终结果，

其中N是集合数量。

逐级提取IMF：首先提取数据中相应较低频率部分的最高频率局部振荡;其次，提取数据残差的下一级最高频率局部振荡。这个过程一直持续到残差中没有完全振荡。简而言之，EEMD是一种自适应方法，它将数据X（t）分解成几个具有从年际，年代际，多十年和百年纪c_j以及长期趋势r_n即不同时间尺度的系列组分

将剩余分量定义为整体自适应趋势（R），并考虑基于WU和Huang（2004）提出的后验检验方法，通过0.01显著性检验的R和分量之和作为多年代趋势（Wu 和 Huang 2004; Wu 等2007）。在分解过程中，每个EEMD集合成员添加标准偏差为0.2的白噪声，并使用1000的集合数量。

1. 地面气温异常的时空分布

图1显示了不同数据集中年平均SATA的时间序列。2015年的全球平均SATA比HadCRUT4数据集的1961-1990年基准期的气候平均值高0.74°C（图1（a））。这是分析期间最热的一年，比二十世纪最热的一年1998年还要暖和。 2015年陆地和海洋的平均SATA分别为CRUTEM4和Had SST数据集的1.13和0.59°C，均为全球第一温暖的年份。 NASA和NOAA的数据集显示了类似的结果（图1）。

图1. a（a）全球，（b）陆地和（c）海洋的年平均值A的变化。红色线表示异常是基于1961-1990年基准期的CRU数据集计算的。蓝色线是从基准周期为1901-2000的NASA数据集计算出来的。绿线是根据（a）和（b）中从1951年到1980年的基期和1961年至1990年的基期的无AA数据集在（c）中。单位：°c。

图2显示了分别来自HadCRUT4，CRUTEM4和HadSST3数据集的全球，陆地和海洋的季节性平均SATA数据。2014-2015年冬季（即2014年12月至2015年2月）四季的全球平均SATA ）到2015年秋季分别为0.64,0.68,0.72和0.80°C。所有SATA排名第一。与1998年相比，冬季至秋季四季的全球平均SATA分别为0.09,0.09,0.1和0.44°C。

图2.全球（左列），陆地（中间列）和海洋（右列）的季节平均值A的时间序列。单位：°c。

SATA在陆地上的强度大于海洋上的强度。 2015年夏季和秋季季节性SATA地区排名第一，异常分别为0.97和1.15°C，而冬季和春季季节性SATA排名第二，异常分别为1.14和1.03°C。除了2014-2015年冬季以外的海洋，其中冬季温度排名第三，异常温度为0.43°C，其余三个季节的平均SATA排名第一，异常值分别为0.52,0.63和0.71°C，这可能与正在进行的厄尔尼诺事件有关。

图3显示了2015年和1998年的年平均和季节平均SATA的空间分布比较。除陆地上的异常值比海洋更大外，高纬度地区的暖度在2015年高于低纬度地区，特别是50°N以北，全年的SATA纬向平均值超过1.5°C，明显高于1998年。对于不同地区，热异常区最显着的地区包括欧亚中西部地区大陆，北美洲大陆，热带太平洋中东部和东北太平洋，异常范围为0.5〜3.5°C。季节，欧亚大陆和北美西部的暖异常在2014 - 2015年冬季最为明显并在随后的季节减弱。在海洋上空，2015年春季热带太平洋中东部和东北太平洋也出现暖异常，并在随后的夏季和秋季逐渐增强并在空间上延伸。

图3.年平均的在2015年（左列）和1998年的空间分布（顶行）和S AT A的四个不同的季节的季节平均值（从第二到最后一行）的比较（右列）。 在右边的子面板的黑色曲线表示纬向平均。单位：°c。

相比之下，1998年的陆地上空平均气温在北美洲大幅上升，尤其是在1997—1998年冬季和1998年春季，在欧亚大陆北部，特别是在1997—1998年冬季和1998年春季和秋季的冬季比同一时期明显偏冷在海洋上空，1997—1998年冬季在中东太平洋发生了显着的温暖，随后的季节减弱，这与2015年的温暖不同。在北太平洋发生的负SATA持续在四季，这与2015年的异常情况一致。

1. 可能的原因

在上述分析中，我们发现2015年全球年平均SATA，土地和海洋是仪器记录中最热的SATA。这三个时间序列分析了为什么2015年是最热的一年。 EEMD方法被用来将一个序列分解成几个具有不同时间尺度的系列成分——年际，年代际，多年代，百年和长期趋势 - 这些都以不同的方式反映出来（Ci：EEMD之后的第i个成分方程（4）由于不同时间尺度的变化可以追溯到不同的物理原因，因此这种时间尺度分解可能表明形成了2015年最热的异常。

在EEMD之后，分离出七个成分;它们的周期性和三个时间序列的解释方差率列于表1中。具有2-7年周期的C1和C2应该反映ENSO信号，而C3的周期性约为11年应该反映太阳周期。只有C4-C6反映了从年代际组分到多年代组分的变异性（Wu 等 2007; Qian 等 2009; Wu 和 Huang 2009; Qian 等 2011）。统计测试表明第四（C4），第五（C5）和最后（R）分量与全球和海洋年平均值SATA的时间序列以及C5和R分离，与年平均SATA在陆地上的时间序列分离，均在99％的置信水平（表1）。这一发现表明了多年代和多年代际时间尺度以上部分的重要性。

表1.由EEMD方法从年平均值的时间序列导出的单个成分的周期性（记为p，单位：年）和解释的方差率（A） （Globe），土地（Land）和海洋（ocean）。

注：黑色粗体文本中的值以及右上角的单个和双个星号分别表示组分的显着性分别为99％，95％和90％置信水平。

图4.左列：比较（a）全球，（b）陆地和（c）海洋及其各种趋势（红色：线性）的年平均值A A的时间序列 趋势;绿色：总体自适应趋势;蓝色：多年代趋势;红色：9年运行平均值）。 右列：去除线性趋势的残差（红色），去除总体自适应趋势的残差（绿色），以及去除多年代趋势的残差（蓝色）。 将0.25°c的值分别加入或减去红色实线和蓝色实线，以改善线条的可读性。

因此，反映不同时间尺度的若干项包括线性趋势，年代际（以9年平均运行时间表示），整体自适应趋势（EEMD中的R）和多年代趋势（R和通过0.01显著性检验）绘制在图4（a）—（d）中。总共有三个项目（1850-1878,1910-1944和1975-2015）有升温趋势，两个项目（1879-1909和1945-1974）有降温趋势。当与整体自适应趋势重叠时，多年代变化再现了年度SATA中的主要趋势特征，优于线性趋势（Wu 等2007），从每年SATA系列的解释变化率也是明显的，分别约为90％和80％（表1）。在消除了线性趋势（图4（e） - （h）中的红线）之后，剩下的系列包含一个主要的百年时间尺度和一个多十年时间尺度。 当整体自适应趋势被消除时，观察到的多年代波动模式表明周期性变化在较短的时间尺度上比整体自适应趋势要小（Wu 等 2007）。 当从十年到百年的组成部分和长期趋势被消除后，2015年剩余的SATAs并不是最热的，这表明十年至百年组成部分及其以后的重要贡献。十年的背景以及全球变暖趋势可能在2015年形成温度最高的SATA方面发挥重要作用。然后，将2015年SATA的大小与基于信噪比概念的年际噪声进行比较。 当时间尺度超过年际（包括年代际，多年代际，百年和整体适应趋势）的成分被去除时，噪声被估计为剩余序列的标准差。 结果表明，2015年和1998年剩余的SATAs的数量超过1个。

之后，根据信噪比的概念，将2015年SATA的数量与年际噪声进行比较。 当具有标准偏差的分量可以被视为信号时，噪声被估计为剩余序列的标准偏差，这意味着年际分量也很重要。

厄尔尼诺通常有助于提高全球平均水平的SATA（Lean 和 Rind 2008,200

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[21983]，资料为PDF文档或Word文档，PDF文档可免费转换为Word