ACTA Scientiarum Naturalium Universitatis Pekinensis
东亚地区典型极端气候指标未来预估及高温下人口暴露度研究
安洁 付博 李玮 彭思源 李本纲†
北京大学城市与环境学院, 地表过程分析与模拟教育部重点实验室 北京100871; † 通信作者, Email: libengang@pku.edu.cn
摘要 基于地球系统模式、CMIP6 (第六次全球耦合模式比较计划)温室气体排放和大气成分数据以及人口数据, 研究区域均温变化与极端气候指标变化之间的相关关系, 进而探讨9种 SSPS (共享社会经济路径)-RCPS (典型浓度路径)情景下东亚3种极端气候指标的未来预估和区域高温下人口暴露度的变化及归因。结果表明: 1) 全球地表均温变化和区域极端气候指标具有稳健的相关关系, 可以用于区域极端气候指标的未来预估; 2)与基准期1861—1880年相比, 未来数十年间东亚地区在5 种情景(SSP2-4.5, SSP4-6.0, SSP3-LOWNTCF, Ssp37.0-baseline和 Ssp5-8.5-baseline)下面临持续增加的极端气候风险, 而空气污染物减排与控制措施可以显著地降低该风险, 不过, 气候对温室气体及气溶胶排放控制措施的响应具有一定的时间滞后效应, 为预防可能面临的极端气候事件风险, 减排及控制措施应提前布局和实施; 3) 东亚典型区域未来高温下的人口暴露度受气候因子和人口因子共同作用, 随时间动态变化且具有明显的区域差异, 多数情景下, 气候因子对区域高温下人口暴露度的影响逐渐减弱, 而人口因子的影响逐渐加强, 华南地区高温下的人口暴露度明显高于西南和华中地区, 其中气候因子的相对贡献比例也高于后两个地区。关键词 东亚; 极端气候指标; SSPS (共享社会经济路径)-RCPS (典型浓度路径)情景;
极端高温; 人口暴露度
安洁等 东亚地区典型极端气候指标未来预估及高温下人口暴露度研究
政府间气候变化专门委员会(Intergovernmental Panel on Climate Change, IPCC)第五次评估报告[1]指出, 19世纪后期以来, 全球地表增温显著, 1880 —2012年全球地表均温约上升0.85ºc (0.65~1.06ºc)。研究表明, 2013—2017年成为有记录以来最暖的五年, 2017年全球地表均温比工业化前高出约1.1ºc,成为有气象观测记录以来最暖的3个年份之一[2]。在全球变暖背景下, 以东亚为代表的区域高温热浪、低温冷害等区域极端天气和气候事件频发, 极端气候事件的频率和强度也显著增加, 严重地影响人类社会的生产生活和人体健康[1]。极端高温和极端低温都会影响人群健康, 高温热浪更是人群死亡
[3–5]及相关疾病发生的重要因素 。因此, 极端气候事件的未来预估及典型极端气候事件下人口暴露度的评估, 是当前备受关注的研究课题。在全球升温背景下区域极端气候事件的未来预估中, 较为关键的是区域气候变化信号的识别和特定升温阈值下极端气候事件的预估方法[6–7]。针对这一关键环节, 目前较为成熟的4种气候变化信号识别方法为排放或浓度情景法、基于全球温度响应的气候模式法、空间型标度法和全球升温时区域气
[8] [9]候异常值提取法 。Seneviratne 等 综合这4种方法, 研究全球地表均温变化和全球气候变化间的经验响应关系, 并指出可以根据全球地表均温变化,稳健且有效地预估某些极端气候指标。Wartenburger等[10]则采用类似的方法, 研究全球地表均温变化和32个区域极端气候指标变化之间响应的经验关系,用于辅助不同区域极端气候指标的未来预估。Tebaldi等[11]发现, 全球地表均温变化会显著地影响区域尺度上极端气候事件的频次及强度。若全球增温从 1.5ºc 变化至 2°C, 约 50%的陆地区域持续高温日数每年将增加20天, 暖昼指数将增加0.6个标准差[12]。研究表明, 在全球增温的背景下, 极端气候事件及其变化具有明显的区域差异, 全球干旱地区的极端降水事件增加幅度显著高于湿润地区[13],中国大部分地区极端降水指数显著增加[14], 中国的区域均温增幅高于全球[15], 较冷区域极端高温事件显著增加, 而较暖区域极端低温事件明显减少[16]。因此, 针对特定的重要区域, 对区域极端气候事件进行未来预估, 具有重要的现实意义。
根据IPCC《管理极端气候事件与灾害风险、推进气候变化适应特别报告》(SREX)[17]的相关定义, 人口暴露度指区域人口受到可能不利影响的程
度, 通常用区域暴露人口密度(即灾害日数与对应暴露人口数的乘积)来表征[18–20], 随时空尺度变化而改变。在区域极端气候事件频发背景下, 未来极端高温事件下的人口暴露度预测及归因分析成为研究热点。目前, 关于极端高温事件的定义多基于特定区域温度的绝对或相对阈值, 尚无统一的标准。
[21] Liu 等 用高温热浪天数(日最高温连续3天>max (95百分位值, 25ºc)的天数)表征高温热浪事件, 用高温热浪天数与相应人口数的乘积表征高温热浪事件下的人口暴露度, 结果表明, 2100年全球高温热浪事件下的人口暴露度在高排放情景下将增加近30倍, 其中气候因子是人口暴露度大幅增加的主要因素; 至 21世纪末, 美国高温(日最高气温>35ºc)下的人口暴露度将比历史时期增加4~6 倍, 其中人口和气候变化的贡献相当[18]; 与 1981—2010 年相比, 中国于2021—2040 年、2041—2060 年、2061— 2080年和 2081—2100 年4个时段高温(日最高气温≥35ºc)的人口暴露度将分别增加1.3, 2.0, 3.6 和 5.0倍, 其中华北、黄淮、华南和江南增幅最为显著,而暴露度变化主要受气候因子主导[22];陈曦等[23]发现, 历史时期全球热浪事件(日平均湿球黑球温度超过99百分位值)下的人口暴露度(年均热浪天数乘以人口数)主要受人口分布主导, 而未来情景下中高纬度地区受气候变化主导, 热带地区的热浪人口暴露度演变趋势则是人口和气候变化共同作用的结果。
目前, 区域极端气候指标的未来预估多基于第五次全球耦合模式比较计划(The fifth phase of the Coupled Model Intercomparison Project, CMIP5)的4种典型浓度路径开展, 而高温人口暴露预测、评估及归因分析多采用全球或区域尺度的人口预测数据, 未考虑区域经济发展的独特性。第六次全球耦合模式比较计划(The sixth phase of the Coupled Model Intercomparison Project, CMIP6)构建了9个由共享社会经济路径(The Shared Socioeconomic Pathways, SSPS)与未来气候辐射强迫情景(用典型浓度路径表征, The Representative Concentration Pathways, RCPS)组合的情景矩阵 SSPS-RCPS, 比 CMIP5 具有
[24]更强的针对性和合理性 。不同的极端气候指标随社会经济–排放情景不同而动态地变化, 与此同时, 极端气候事件下的人口暴露度预测与评估又受气候变化和社会经济发展的共同影响[25]。因此, 基于CMIP6构建的最新情景, 对区域极端气候指标进
885
北京大学学报(自然科学版)第56卷 第5期 2020年9月
行多情景、多时段和多指标的动态预估, 并以此为核心, 研究极端高温下的人口暴露度变化及其归因,是亟待解决的科学问题和现实课题。
本研究以 Seneviratne 等[9]和 Wartenburger 等[10]关于全球地表均温变化对全球典型极端气候指标变化响应的稳健的经验关系为逻辑基础, 采用CMIP6最新的温室气体排放和大气成分数据以及最新的SSPS-RCPS情景数据, 对东亚地区典型极端气候指标进行未来预估, 并进一步探讨典型区域高温下人口暴露度的动态变化及其归因。
1 数据和方法1.1 研究区域
安洁等 东亚地区典型极端气候指标未来预估及高温下人口暴露度研究
函数。
1.4.2未来极端高温下人口暴露度评估及归因分析
区域极端气候事件研究中, 常用百分位法确定极端高温的阈值。本研究将区域高温天数定义为日最高温大于90百分位数的天数(即暖日天数), 参考文献[17,21]的定义, 用高温天数与暴露在此温度范围的人口数的乘积来表征高温下的人口暴露度, 单位为天×人/年, 计算公式为
Expo = T·P = tx90p × 365 × pop , (1)其中, T和P分别为高温天数和人口数量, tx90p为日最高温大于90百分位数的天数百分比, pop为区域人口。对研究区高温下人口暴露度变化进行归因分析时, 针对未来的 2021—2040 年、2041—2060 年、2061—2080年和 2081—2100年4个时段, 分别计算后一时段相比于前一时段气候因子、人口因子及暴露度的变化。其中, 高温下人口暴露度变化计算公式[21–22]如下: Δexpo = (ΔT + T) · (ΔP + P)− T·P
=ΔT·P +ΔP·T +ΔT·ΔP,其中, ΔT·P 为气候因子的影响, ΔP·T 为人口因子的影响, ΔT·ΔP为气候–人口因子的综合作用。各影响因子的相对贡献率则由本文改进后的式(3)~(5)计算。气候因子相对贡献率:
T P
CT
T P P T T P人口因子相对贡献率:
CP
P T
T P P T T P|气候–人口综合因子相对贡献率: T P
CT P
T P P T T P (3)
2 结果与讨论2.1 均温变化与区域极端气候指标变化的关系
北京大学学报(自然科学版)第56卷 第5期 2020年9月
安洁等 东亚地区典型极端气候指标未来预估及高温下人口暴露度研究
候指标开始从峰值下降, 且趋势明显。气候对温室气体及气溶胶排放控制措施的响应具有一定的时间滞后效应, 为预防可能面临的极端气候事件风险,减排及控制措施应提前布局和实施。
2.3东亚典型区域未来极端高温下的人口暴露度
基于表6的东亚均温变化与区域A, B和C 暖日指数变化关系函数, 结合区域人口数据, 可以预估9种 SSPS-RCPS情景下3个典型区域2010—2100 年高温下的人口暴露度, 如图3所示。可以看出, 区
北京大学学报(自然科学版)第56卷 第5期 2020年9月
域 A, B和C未来高温下的人口暴露度受不同社会经济–气候情景影响, 且区域差异显著。其中, 区域A(西南)和区域C(华中)高温下人口暴露度的变化特征相似, Ssp3-7.0-baseline 和 SSP3-LOWNTCF 情景下最高, 且呈持续上升趋势。SSP2-4.5情景下这两个区域人口暴露度短暂上升后即趋于稳定。在其余6种情景(SSP1-1.9, SSP1-2.6, SSP4-3.4, SSP4-6.0,
SSP5-3.4-OS 和 Ssp5-8.5-baseline)下均呈现上升后逐年下降的趋势。至2100 年, A和C两个区域的人口暴露度将分别达到(0.37~2.07)×1010 和 (0.45~2.63) ×1010天·人/年。区域B(华南)的人口暴露度变化特征则与上述两个区域明显不同, 在 5 种情景(SSP46.0, SSP2-4.5, SSP3-LOWNTCF, Ssp3-7.0-baseline和 Ssp5-8.5-baseline)下呈持续上升趋势, 在4种情
安洁等 东亚地区典型极端气候指标未来预估及高温下人口暴露度研究
景(SSP1-1.9, SSP1-2.6, SSP4-3.4和SSP5-3.4-OS)下先上升后逐年下降。以 Ssp5-8.5-baseline 情景下的人口暴露度为最高。至2100 年, 区域B高温下的人口暴露度可达(1.24~3.91)×1010 天·人/年, 明显高于区域 A 和 C。
对未来不同情景下区域A, B和C在高温下人口暴露度进行归因分析发现, 总体而言, 相较于前一时段, T2时段(2041—2060 年)、T3时段(2061— 2080年)和T4时段(2081—2100年)高温下人口暴露度受气候–人口综合因子影响较小, 受气候和人口因子分别影响较大。3种因子的相对贡献率因区域、情景和时段各异(图4)。
可以看出, 区域A(图 4(a))和区域 C(图 4(c))中各影响因子的相对贡献特征较为相似, SSP2-4.5, Ssp3-7.0-baseline 和 SSP3-LOWNTCF情景下由气候因子主导, 且贡献为正, 说明这3种情景下区域气候变化是导致高温下人口暴露度增加的主要原因。在 SSP1-1.9, SSP1-2.6, SSP4-3.4 和 SSP5-3.4-OS这4种情景下, 区域A和C高温下人口暴露度的变化则主要受区域内人口波动(人口减少, 贡献率为负)的影响。在 SSP4-6.0 和 Ssp5-8.5-baseline 情景下, 气候因子影响强度逐渐减弱, 但贡献仍为正, 人口因子影响强度增强, 且贡献率均为负, 即随时间推移,气候变暖和人口减少, 这两个区域高温下人口暴露度变化由气候因子主导逐渐向人口因子主导转变。
区域 B(图 4(b))的情况明显有别于区域A 和C。在 SSP2-4.5, Ssp3-7.0-baseline, SSP3-LOWNTCF, SSP4-6.0 和 Ssp5-8.5-baseline 这 5种情景下, 气候因子始终占据主导地位。SSP1-1.9, SSP1-2.6, SSP43.4和 SSP5-3.4-OS 这4种情景下, 气候因子和人口因子的主导地位动态地变化, 其中SSP1-2.6和 SSP43.4情景下逐渐由气候因子主导过渡为人口因子主导。
3结论
本研究结合CMIP6温室气体排放与大气成分和人口数据, 建立区域均温变化与极端气候指标变化之间的稳健相关关系。在此基础上, 结合地球气候模式, 探讨9种 SSPS-RCPS情景下东亚地区3种极端气候指标的未来变化趋势, 进而评估3个典型区域高温下的人口暴露度及其变化归因, 得到如下结果。
1) 全球地表均温变化与区域极端气候指标具有稳健的相关关系, 可用于区域极端气候指标的未来预估。
2) 与基准期 1861—1880 年相比, 未来数十年间东亚地区在5 种情景(SSP2-4.5, SSP4-6.0, SSP3LOWNTCF, Ssp3-7.0-baseline 和 Ssp5-8.5-baseline)下面临持续增加的极端气候风险, 大气污染物减排与控制措施可以显著地降低该风险。由于气候对温室气体及气溶胶排放控制措施的响应具有一定的时间滞后效应, 为预防可能面临的极端气候事件风险,减排及控制措施应提前布局和实施。
3) 东亚典型区域未来高温下人口暴露度的变化受气候因子和人口因子共同作用, 随时间动态地变化, 且具有明显的区域差异。多数情景下, 气候因子对区域高温下人口暴露度的影响逐渐减弱, 而人口因子的影响逐渐加强。华南地区高温下人口暴露度明显高于西南和华中地区, 其气候因子的相对贡献率也高于后两个地区。目前的高温下人口暴露度预估是基于现有的人口预测数据, 气候变化在一定程度上依赖于人口变化和其他因素, 未来人口、医疗和社会保障政策的逐步完善可能会影响区域人口的走势, 进而影响空气污染物排放及全球气候, 因此相关研究需要持续跟进。
北京大学学报(自然科学版)第56卷 第5期 2020年9月
Characterizing half-a-degree difference: a review of methods for identifying regional climate responses to global warming targets. Wiley Interdisciplinary Reviews-climate Change, 2017, 8(2): 1–17 Seneviratne S I, Donat M G, Pitman A J, et al. Allowable CO2 emissions based on regional and impactrelated climate targets. Nature, 2016, 529: 477–483 Wartenburger R, Hirschi M, Donat M G, et al. Changes in regional climate extremes as a function of global mean temperature: an interactive plotting framework. Geoscientific Model Development, 2017, 10(9): 3609–3634 Tebaldi C, O’neill B, Lamarque J. Sensitivity of regional climate to global temperature and forcing. Environmental Research Letters, 2015, 10(7): 74001 Schleussner C, Lissner T K, Fischer E M, et al. Differential climate impacts for policy-relevant limits to global warming: the case of 1.5℃ and 2℃. Earth System Dynamics, 2016, 7(2): 327–351 Donat M G, Lowry A L, Alexander L V, et al. More extreme precipitation in the world’s dry and wet regions. Nature Climate Change, 2016, 6(5): 508–513 Jiang Zhihong, Li Wei, Xu Jianjun, et al. Extreme precipitation indices over China in CMIP5 models. Part I: model evaluation. Journal of Climate, 2015, 28(21): 8603–8619陈晓晨, 徐影, 姚遥. 不同升温阈值下中国地区极端气候事件变化预估. 大气科学, 2015, 39(6): 1123– 1135李林超. 极端气温、降水和干旱事件的时空演变规律及其多模式预测[D]. 咸阳: 西北农林科技大学, 2019 IPCC. Managing the risks of extreme events and disasters to advance climate change adaptation. Cambridge: Cambridge University Press, 2012 Jones B, O Neill B C, Mcdaniel L, et al. Future population exposure to US heat extremes. Nature Climate Change, 2015, 5(7): 652–655刘俸霞. 不同升温情景下长江流域极端降水事件及人口暴露度研究[D]. 南京: 南京信息工程大学,