一种评估温室气体影响气温季节性的弹性指数方法

1.本发明涉及一种温室气体影响气温季节性的评估方法，尤其涉及一种评估温室气体影响气温季节性的弹性指数方法。


背景技术：

2.作为气候系统最重要的特征，全球变暖在过去几十年中弱化了全球范围内气温季节性，理解全球变暖下气温季节性的动力学特征对于人类社会的繁衍生息、生态文明建设等非常必要。为了评估气温季节性的动态变化，需要确定导致气温季节性减弱的主要驱动因素。
3.尽管气温季节性减弱通常归因于人为辐射强迫和自然变化，但关于气温季节性的主导因素仍然存在争议。一些研究认为人为辐射强迫主导了北半球气温季节性的减弱，而其他研究则认为自然系统变化是其主要驱动力，这表明目前尚不清楚人文辐射强迫和自然气候系统导致气温季节性减弱的程度。因此，非常有必要进一步量化人为辐射强迫和自然因素对气温季节性的贡献。
4.气温季节性变化研究常用两种统计方法最优指纹法和推理法。最优指纹法可以用多元回归来实现；推理法是将演绎与对标量因子的假设估计相结合，可以分为标准最高频率法及贝叶斯法。标准法首先要检测假定的气候变化信号显著不等于零，其次比较观测结果与模式模拟对强迫的响应；采用贝叶斯方法需要集合信息以及综合分析独立信息的能力。虽然这两种方法对气温上升趋势能够很好地进行分析，但对于观测到的气温季节性变化原因解析则显不足。这些说明强迫指标表达不好甚或有遗漏，造成当前对气温季节性减弱认识存在分歧的主要原因是对人文辐射强迫和自然因素对气温季节性的作用机理缺乏有效的解析方法，这一方面会导致气温季节性减弱归因的片面性，另一方面会对气温季节性的进一步演化造成误判。
5.有鉴于此，特提出本发明。


技术实现要素：

6.本发明的目的在于提供一种评估温室气体影响气温季节性的弹性指数方法；本发明气温季节性评估方法将综合人文辐射强迫和自然变化对气温季节性的影响，适应性较强。
7.本发明的目的在于提供一种评估温室气体影响气温季节性的弹性指数方法，所述方法包括以下步骤：
8.步骤1：确定研究区域、研究时间，获取人文辐射强迫指标、气象要素指标及气候系统指标并进行预处理；
9.步骤2：确定研究时间内气温季节性的时空变化；
10.步骤3：利用人文辐射强迫指标、气象要素指标及气候系统指标对气温季节性的时空变化进行归因；
11.步骤4：利用人文辐射强迫指标、气象要素指标及气候系统指标对气温季节性的贡献评估温室气体对气温季节性的影响；
12.作为进一步的技术方案，步骤1中，所述确定研究区域、研究时间，获取人文辐射强迫指标、气象要素指标及气候系统指标包括：
13.所述研究区域应满足位于北半球中纬度且具有气温季节性；
14.所述研究时间应满足大于30年且包含气温季节性变化信息的要求；
15.优选地，所述人文辐射强迫指标包括黑碳人为排放、黑炭生物质燃烧排放、尘埃消光气溶胶光学厚度、尘埃散射气溶胶光学厚度、有机碳人为排放、有机碳生物质燃烧排放、二氧化硫人为排放、二氧化硫生物质燃烧排放、四氧化硫人为排放、二氧化碳浓度；
16.优选地，所述气象要素指标包括空气温度、d20蒸发皿蒸发、0cm地表温度、降水、气压、相对湿度、日照时数、风速；
17.优选地，所述气候系统指标包括大西洋多年代际涛动、东太平洋/北太平洋涛动、北极涛动、北大西洋涛动、极端东热带太平洋海温、东热带太平洋海温、中热带太平洋海温、东中热带太平洋海温、太平洋年代际涛动、极地/欧亚模式、准双年涛动、斯堪的纳维亚模式、南方涛动指数、太平洋北美指数、跨尼诺指数、热带北大西洋指数、热带南大西洋指数；
18.作为进一步的技术方案，步骤1中，对人文辐射强迫指标、气象要素指标及气候系统指标进行预处理的过程如下：
19.步骤101：对气象要素指标使用标准正态均匀性检验进行均匀化以提高数据集一致性；
20.步骤102：逐月的气候系统指标数值平均为年平均和季平均时间序列；
21.步骤103：利用线性预测加随机扰动的方法将人文辐射强迫指标的时间跨度拓展到研究时间段内；
22.步骤104：利用时空自适应反射率融合模型结合全球co2浓度将co2的时间跨度拓展到研究时间段内，计算公式如下：
[0023][0024]
式中，c表示研究区，t
p
表示拓展时间段内的预测时刻，表示研究区 c预测时刻t
p
的预测的co2浓度，g表示全球，表示全球g预测时刻t
p
的 co2浓度，te表示研究区co2浓度数据结束时间，ts表示研究区co2浓度数据开始时间，tb表示研究区co2浓度数据te与ts之间的基准时刻，表示研究区基准时刻tb的co2浓度，表示全球基准时刻tb的co2浓度，该方法利用拓展时间内全球co2浓度表示研究区co2浓度的时间变化，以研究区所有时刻的co2浓度数据作为基准对扩展时间内的co2浓度进行预测，能够消除单一基准时刻预报的不确定性；
[0025]
步骤105：采用网格面积加权平均法对co2、人文辐射强迫和气象要素指标数据集进行处理，得到研究区平均的年平均和季平均的距平时间序列，计算方法如下：
[0026]
[0027]
式中，xn为第n年co2、人文辐射强迫或气象要素指标的距平值，x
in
是第n年位于第i个网格中指标数据的平均值，是位于第i个网格中指标数据的多年平均指标值，i表示网格数，wi是第i个网格的加权系数，根据国际公认的每个网格的纬度之间的余弦关系计算，计算公式如下：
[0028][0029]
式中，lati是网格的中心纬度，网格的大小设置为2.5
°
纬度
×
2.5
°
经度。
[0030]
作为进一步的技术方案，步骤2中，所述确定研究时间内气温季节性的时空变化的具体步骤为：
[0031]
步骤201：计算研究时间前后端各5年的研究区逐日气温均值；
[0032]
步骤202：基于研究区开始5年的逐日气温均值，以第60、152、244、 305天作为研究时间开始5年春、夏、秋、冬的开始日期ds，采用候温法以开始日期为中心前后2天的逐日气温均值的均值为相应季节开始日期的气温t
as5
；基于研究区结束5年的逐日气温均值，以第60、152、244、305天为中心的40 个儒略日及相应儒略日逐日气温均值分别作为自变量和因变量得到线性回归方程，利用线性回归方程计算研究区结束5年逐日气温均值等于t
as5
所对应的儒略日，所对应的儒略日即为研究区结束5年春、夏、秋、冬的开始日期de；de-ds 为研究区研究时间内春、夏、秋、冬的开始日期的变化，de-ds》0表示季节开始日期滞后，de-ds《0表示季节开始日期提前；
[0033]
步骤203：以3-5月为春节、6-8月为夏季、9-11月为秋季、12-次年2月为冬季，计算研究区每2.5
°
纬度带开始5年季节气温均值并组成季节气温均值纬度梯度曲线，并计算研究区全域开始5年和结束5年季节气温均值；
[0034]
步骤204：将研究区全域开始5年和结束5年季节气温均值在季节气温均值纬度梯度曲线上进行投影，所得到的投影纬度分别记为ls和le，le-ls》0表示季节气温均值向北偏移，de-ds《0表示季节气温均值向赤道偏移；
[0035]
作为进一步的技术方案，步骤3中，所述利用人文辐射强迫指标、气象要素指标及气候系统指标对气温季节性的时空变化进行归因的具体步骤为：
[0036]
步骤301：将研究区气温季节性的时空变化归因于研究区域气温年均值的趋势，研究区域气温年均值时间序列记为：
[0037]
tan×1＝[t
a,1
,
…
,t
a,i
,
…
,t
a,n
]
′
[0038]
式中，t
a,i
表示第i年的研究区域气温年均值，n表示研究时间的年数，tan×1表示研究区域n年气温年均值组成的时间序列；
[0039]
步骤302：利用逐步回归分析从人文辐射强迫指标、气象要素指标及气候系统指标的不同组合中选取对研究区域气温年均值的趋势有显著影响的指标，记为：
[0040][0041]
式中，p表示利用逐步回归分析从人文辐射强迫指标、气象要素指标及气候系统指标的不同组合中选取对研究区域气温年均值的趋势有显著影响的指标数量，x
in
表示第n年第i个入选指标研究区域的年均值，xn×
p
表示所有n年所有 p个入选指标研究区域年均值组成的n行
×
p列的矩阵；
[0042]
步骤303：对tan×1和xn×
p
的p列进行标准化，即将tan×1中每年的研究区域气温年均值减去n年研究区域气温年均值的均值后再除以n年研究区域气温年均值的标准差，将xn×
p
的p列中每个指标每年的指标年均值减去该列指标n 年指标年均值的均值后再除以该列指标n年指标年均值的标准差；
[0043]
步骤304：对标准化后的xn×
p
执行主成分分析得到xn×
p
的奇异值分解，分解公式如下：
[0044]
x＝uδv'
[0045]
式中，δ
p
×
p
表示x的非负奇异值，而un×
p
和v
p
×
p
＝[v1,
…
,v
p
]的列是x的左右奇异向量；
[0046]
步骤305：对x
′
x执行谱分解，谱分解公式如下：
[0047]
x'x＝vλv'
[0048]
式中，表示x
′
x的非负特征值，而 v的列是特征向量的正交集合。xvj表示对应第j个最大主成分值的第j个主成分；
[0049]
步骤306：由v的前k个正交列组成的p
×
k矩阵将xn×
p
转换为wn×k，转换公式为：
[0050]
wn×k＝xn×
pvp
×k[0051]
式中，wn×k包含前k个主成分作为其列，k为预测的和观测的tan×1之间的均方根误差达到最小时的值；
[0052]
步骤307：tan×1在wn×k上的回归系数可通过最小二乘回归获得，如下所示：
[0053][0054]
式中，为tan×1在wn×k上的回归系数；
[0055]
步骤308：tan×1在xn×k上的回归系数可通过下式得到：
[0056][0057]
式中，β
p
×1为tan×1在xn×k上的回归系数；
[0058]
作为进一步的技术方案，步骤4中，所述利用人文辐射强迫指标、气象要素指标及气候系统指标对气温季节性的贡献评估温室气体对气温季节性的影响的具体步骤为：
[0059]
步骤401：第j
0≤j≤p
个入选指标对气温的研究区域年均值或季节均值趋势的贡献cj由其趋势tj和回归系数βj的乘积与所有入选指标的趋势t
j|0≤j≤p
和系数β
p
×1乘积之和的比率决定，计算式如下：
[0060][0061]
步骤402：对任一季节，结合入选的人文辐射强迫指标、气象要素指标及气候系统指标的贡献和趋势，利用气温季节性弹性指数评估人文辐射强迫指标对气温季节性的影响，气温季节性弹性指数定义如下：
[0062][0063]
式中，下标s表示春季、夏季、秋季或冬季，对于s季节，β_arfi和t_arfi分别表示第i个入选的人文辐射强迫指标的回归系数和标准化趋势，而β_natj和t_natj分别表示第j个入选的气象要素指标或气候系统指标的回归系数和标准化趋势，tsris表示人文辐射强迫指标与自然指标对s季节的综合控制力之比；
[0064]
步骤403：采用因素换时间的概念构建春季、夏季、秋季和冬季四季的气温季节性弹性指数序列及对应的人文辐射强迫入选指标趋势之和的序列，构建方法如下：
[0065][0066]
步骤404：对x和y进行回归，得到如下回归模型：
[0067]
y＝κx b
[0068]
步骤405：利用y＝κx b可揭示随着人文辐射强迫趋势的变化人文辐射强迫对气温季节性的控制程度。
[0070]
本发明带来了的有益效果是：本发明提供所述了一种评估温室气体影响气温季节性的弹性指数方法，该方法能够有效解决常用的气温季节性归因方法中人文辐射强迫及自然因素考虑不周、不能用于研判气温季节性如何随温室气体排放而变的局限性，在植被物候学、宜居温度和生态系统服务等领域有着广泛应用。
附图说明
[0071]
图1为本发明所述一种评估温室气体影响气温季节性的弹性指数方法的流程图；
[0072]
图2为本发明所述步骤1的具体实现流程图；
[0073]
图3为本发明所述步骤2的具体实现流程图；
[0074]
图4为本发明所述步骤3的具体实现流程图；
[0075]
图5为本发明所述步骤4的具体实现流程图；
具体实施方式
[0076]
以下结合附图和具体实施例，对本发明进行详细说明。
[0077]
图1为本发明提供的实施例中的方法流程图，如图1所示，本实施例提供了一种评估温室气体影响气温季节性的弹性指数方法，所述方法包括以下步骤：
[0078]
步骤1：确定研究区域、研究时间，获取人文辐射强迫指标、气象要素指标及气候系统指标并进行预处理；
[0079]
步骤2：确定研究时间内气温季节性的时空变化；
[0080]
步骤3：利用人文辐射强迫指标、气象要素指标及气候系统指标对气温季节性的时空变化进行归因；
[0081]
步骤4：利用人文辐射强迫指标、气象要素指标及气候系统指标对气温季节性的贡献评估温室气体对气温季节性的影响；
[0082]
作为进一步的技术方案，步骤1中，所述确定研究区域、研究时间，获取人文辐射强迫指标、气象要素指标及气候系统指标包括：
[0083]
所述研究区域应满足位于北半球中纬度且具有气温季节性；
[0084]
所述研究时间应满足大于30年且包含气温季节性变化信息的要求；
[0085]
优选地，所述人文辐射强迫指标包括黑碳人为排放、黑炭生物质燃烧排放、尘埃消光气溶胶光学厚度、尘埃散射气溶胶光学厚度、有机碳人为排放、有机碳生物质燃烧排放、二氧化硫人为排放、二氧化硫生物质燃烧排放、四氧化硫人为排放、二氧化碳浓度；
[0086]
可选地，人文辐射强迫数据集可在https://disc.gsfc.nasa.gov/datasets下载，时间跨度为1980-2017，覆盖范围为全球，空间分辨率为0.5
°×
0.625
°
，时间分辨率为逐月；
[0087]
可选地，co2数据集可在https://disc.gsfc.nasa.gov/api/jobs/results下载，时间跨度为2002-2017，覆盖范围为全球，空间分辨率为2
°×
2.5
°
，时间分辨率为逐月；
[0088]
优选地，所述气象要素指标包括空气温度、d20蒸发皿蒸发、0cm地表温度、降水、气压、相对湿度、日照时数、风速；
[0089]
可选地，气象要素数据集可在https://www.ncei.noaa.gov/access/search/ index下载，数据时间可以追溯到上世纪初，覆盖范围为全球，空间分辨率为气象台站，时间分辨率为逐年、逐月、逐日；
[0090]
优选地，所述气候系统指标包括大西洋多年代际涛动、东太平洋/北太平洋涛动、北极涛动、北大西洋涛动、极端东热带太平洋海温、东热带太平洋海温、中热带太平洋海温、东中热带太平洋海温、太平洋年代际涛动、极地/欧亚模式、准双年涛动、斯堪的纳维亚模式、南方涛动指数、太平洋北美指数、跨尼诺指数、热带北大西洋指数、热带南大西洋指数；
[0091]
可选地，气候系统数据集可在https://www.esrl.noaa.gov/psd/data/climate indices/list下载，数据时间可以追溯到上世纪初，覆盖范围为全球，时间分辨率为逐年、逐月；
[0092]
图2为本发明提供的实施例中步骤1的流程图，如图2所示，所述步骤1 的过程如下：
[0093]
步骤101：对气象要素指标使用标准正态均匀性检验进行均匀化以提高数据集一致性；
[0094]
步骤102：逐月的气候系统指标数值平均为年平均和季平均时间序列；
[0095]
步骤103：利用线性预测加随机扰动的方法将人文辐射强迫指标的时间跨度拓展到研究时间段内；
[0096]
步骤104：利用时空自适应反射率融合模型结合全球co2浓度将co2的时间跨度拓展到研究时间段内，计算公式如下：
[0097]
[0098]
式中，c表示研究区，t
p
表示拓展时间段内的预测时刻，表示研究区 c预测时刻t
p
的预测的co2浓度，g表示全球，表示全球g预测时刻t
p
的 co2浓度，te表示研究区co2浓度数据开始时间，ts表示研究区co2浓度数据开始时间，tb表示研究区co2浓度数据te与ts之间的基准时刻，表示研究区基准时刻tb的co2浓度，表示全球基准时刻tb的co2浓度，该方法利用拓展时间内全球co2浓度表示研究区co2浓度的时间变化，以研究区所有时刻的co2浓度数据作为基准对扩展时间内的co2浓度进行预测，能够消除单一基准时刻预报的不确定性；
[0099]
步骤105：采用网格面积加权平均法对co2、人文辐射强迫和气象要素指标数据集进行处理，得到研究区平均的年平均和季平均的距平时间序列，计算方法如下：
[0100][0101]
式中，xn为第n年co2、人文辐射强迫或气象要素指标的距平值，x
in
是第n年位于第i个网格中指标数据的平均值，是位于第i个网格中指标数据的多年平均因子值，i表示网格数，wi是第i个网格的加权系数，根据国际公认的每个网格的纬度之间的余弦关系计算，计算公式如下：
[0102][0103]
式中，lati是网格的中心纬度，网格的大小设置为2.5
°
纬度
×
2.5
°
经度。
[0104]
图3为本发明提供的实施例中步骤2的流程图，如图3所示，所述步骤2 的过程如下：
[0105]
步骤201：计算研究时间前后端各5年的研究区逐日气温均值；
[0106]
步骤202：基于研究区开始5年的逐日气温均值，以第60、152、244、305天作为研究时间开始5年春、夏、秋、冬的开始日期ds，采用候温法以开始日期为中心前后2天的逐日气温均值的均值为相应季节开始日期的气温t
as5
；基于研究区结束5年的逐日气温均值，以第60、152、244、305天为中心的40 个儒略日及相应逐日气温均值分别作为自变量和因变量得到线性回归方程，利用线性回归方程计算研究区结束5年逐日气温均值等于t
as5
所对应的儒略日，所对应的儒略日被认为是研究区结束5年春、夏、秋、冬的开始日期de；de-ds为研究区研究时间内春、夏、秋、冬的开始日期的变化，de-ds》0表示季节开始日期滞后，de-ds《0表示季节开始日期提前；
[0107]
步骤203：以3-5月为春节、6-8月为夏季、9-11月为秋季、12-次年2月为冬季，计算研究区每2.5
°
纬度带开始5年季节气温均值并组成季节气温均值纬度梯度曲线，计算研究区全域开始5年和结束5年季节气温均值；
[0108]
步骤204：将研究区全域开始5年和结束5年季节气温均值在季节气温均值纬度梯度曲线上进行投影，所得到的投影纬度分别记为ls和le，le-ls》0表示季节气温均值向北偏移，de-ds《0表示季节气温均值向赤道偏移；
[0109]
图4为本发明提供的实施例中步骤3的流程图，如图4所示，所述步骤3 的过程如下：
[0110]
步骤301：将研究区气温季节性的时空变化归因于研究区域气温年均值的趋势，研究区域气温年均值记为：
[0111]
tan×1＝[t
a,1
,
…
,t
a,i
,
…
,t
a,n
]
′
[0112]
式中，t
a,i
表示第i年的研究区域气温年均值，n表示研究时间的年数，tan×1表示研究区域n年气温年均值组成的列向量；
[0113]
步骤302：利用逐步回归分析从人文辐射强迫指标、气象要素指标及气候系统指标的不同组合中选取对研究区域气温年均值的趋势有显著影响的指标，记为：
[0114][0115]
式中，p表示利用逐步回归分析从人文辐射强迫指标、气象要素指标及气候系统指标的不同组合中选取对研究区域气温年均值的趋势有显著影响的指标数量，x
in
表示第n年第i个入选指标研究区域的年均值，xn×
p
表示所有n年所有 p个入选指标研究区域年均值组成的n行
×
p列的矩阵；
[0116]
步骤303：对tan×1和xn×
p
的p列进行标准化，即将tan×1中每年的研究区域气温年均值减去n年研究区域气温年均值的均值后再除以n年研究区域气温年均值的标准差，将xn×
p
的p列中每个指标每年的指标年均值减去该列指标n 年指标年均值的均值后再除以该列指标n年指标年均值的标准差；
[0117]
步骤304：对标准化后的xn×
p
执行主成分分析得到xn×
p
的奇异值分解，分解公式如下：
[0118]
x＝uδv'
[0119]
式中，δ
p
×
p
表示x的非负奇异值，而un×
p
和v
p
×
p
＝[v1,
…
,v
p
]的列是x的左右奇异向量；
[0120]
步骤305：对x
′
x执行谱分解，谱分解公式如下：
[0121]
x'x＝vλv'
[0122]
式中，表示x
′
x的非负特征值，而 v的列是特征向量的正交集合。xvj表示对应第j个最大主成分值的第j个主成分；
[0123]
步骤306：由v的前k个正交列组成的p
×
k矩阵将xn×
p
转换为wn×k，转换公式为：
[0124]
wn×k＝xn×
pvp
×k[0125]
式中，wn×k包含前k个主成分作为其列，k为预测的和观测的tan×1之间的均方根误差达到最小时的值；
[0126]
步骤307：tan×1在wn×k上的回归系数可通过最小二乘回归获得，如下所示：
[0127]
[0128]
式中，为tan×1在wn×k上的回归系数；
[0129]
步骤308：tan×1在xn×k上的回归系数可通过下式得到：
[0130][0131]
式中，β
p
×1为tan×1在xn×k上的回归系数；
[0132]
图5为本发明提供的实施例中步骤4的流程图，如图5所示，所述步骤4 的过程如下：
[0133]
步骤401：第j
0≤j≤p
个入选指标对气温的研究区域年均值或季节均值趋势的贡献cj由其趋势tj和回归系数βj的乘积与所有入选指标的趋势t
j|0≤j≤p
和系数β
p
×1乘积之和的比率决定，计算式如下：
[0134][0135]
步骤402：对任一季节，结合入选的人文辐射强迫指标、气象要素指标及气候系统指标的贡献和趋势，利用气温季节性弹性指数评估人文辐射强迫指标对气温季节性的影响，气温季节性弹性指数定义如下：
[0136][0137]
式中，下标s表示春季、夏季、秋季或冬季，对于s季节，β_arfi和t_arfi分别表示第i个入选的人文辐射强迫指标的回归系数和标准化趋势，而β_natj和t_natj分别表示第j个入选的气象要素指标或气候系统指标的回归系数和标准化趋势，tsris表示人文辐射强迫指标与自然指标对s季节的综合控制力之比；
[0138]
步骤403：采用因素换时间的概念构建春季、夏季、秋季和冬季四季的气温季节性弹性指数序列及对应的人文辐射强迫入选指标趋势之和的序列，构建方法如下：
[0139][0140]
步骤404：对x和y进行回归，得到如下回归模型：
[0141]
y＝κx b
[0142]
步骤405：利用y＝κx b可揭示随着人文辐射强迫趋势的变化人文辐射强迫对气温季节性的控制程度。
[0143]
需要说明的是：以上所述实施例，仅为本发明的较佳实施例，用以说明本发明的技术方案，而非对其限制，对本领域普通技术人员，可对本发明的技术方案进行变化、修改或者等效替换，这些都应属于本发明所附权利要求的保护范围之内。