Intensivierung von Hitzewellen in China in den letzten Jahrzehnten: Rollen der Klimamodi

npj Climate and Atmospheric Science Band 6, Artikelnummer: 98 (2023) Diesen Artikel zitieren

499 Zugriffe

2 Altmetrisch

Details zu den Metriken

Arten der Klimavariabilität können sich auf Wetterextreme auswirken und unsere Umwelt vor unlösbare Herausforderungen stellen. Inwieweit Klimamodi Hitzewellen in China vor dem Hintergrund der Erwärmung modulieren können, ist jedoch noch unklar. Hier untersuchen wir die Veränderungen der Hitzewellenintensität in sieben verschiedenen Regionen: drei Ost-, zwei Mittel- und zwei Westregionen über China, und untersuchen systematisch die Auswirkungen von Klimamodi, indem wir Beobachtungen analysieren und Modellexperimente unter Verwendung eines Bayes'schen dynamischen linearen Modells durchführen atmosphärisches allgemeines Zirkulationsmodell (AGCM). Während der Übergangszeit von 1993 bis 2000 ist in ganz China ein abrupter Anstieg der Hitzewellenintensität zu beobachten, und die Intensivierung bleibt in Nord- und Westchina nach dem Ende des Erwärmungstrends robust. Die kombinierten Auswirkungen der El Niño-Southern Oscillation (ENSO), der Atlantic Multidecadal Oscillation (AMO) und des Dipols im Indischen Ozean (IOD) erklären 62,35–70,01 % der beobachteten Hitzewellenintensivierung in Ost I, Mitte I, West I und West II-Regionen. Dekadische Veränderungen der atmosphärischen Zirkulationen, die mit dem negativen Phasenübergang der Interdecadal Pacific Oscillation (IPO) verbunden sind, der stark mit der dekadischen Variabilität von ENSO korreliert, in Kombination mit dem positiven Phasenübergang der AMO um die Mitte der 1990er Jahre erhöhen die Oberflächenlufttemperatur und Sie verstärken die interne Variabilität der Atmosphäre und die Auswirkungen der Klimamodi, was in den letzten zwei Jahrzehnten zu einem abrupten Anstieg von Hitzewellen geführt hat. Diese Ergebnisse unterstreichen die Bedeutung der gleichzeitigen Phasenübergänge dekadischer Klimamodi für die Regulierung von Hitzewellen.

Hitzewellen haben erhebliche Auswirkungen auf Ökosysteme und die menschliche Gesellschaft1. In der Vergangenheit waren Hitzewellenausbrüche für schädliche Auswirkungen auf die menschliche Gesundheit, Ernten, Vegetation, Luftqualität und Naturgefahren verantwortlich2,3. Mit dem Anstieg der globalen Temperatur aufgrund des Klimawandels kam es auf der ganzen Welt zu Hitzeextremen, die in den letzten Jahrzehnten zu zunehmender öffentlicher Besorgnis geführt haben4,5,6,7,8,9,10. Es wurde gezeigt, dass die vorherrschenden Modi der Klimavariabilität – wie die El Niño- und Südliche Oszillation (ENSO), die Atlantische Multidekadische Oszillation (AMO) und der Dipol des Indischen Ozeans (IOD) – den Erwärmungstrend überlagern und die globalen hydrometeorologischen Regime modulieren. die Dauer und Häufigkeit von Hitzewellen verstärken und in verschiedenen Regionen der Welt Naturkatastrophen auslösen11,12,13,14,15,16. Obwohl das Zusammenspiel zwischen anthropogener Erwärmung und internen Klimamodi zunehmend erkannt wird, ist wenig bekannt, wie stark Klimamodi Hitzewellen in China modulieren können. Insbesondere ist unser wissenschaftliches Verständnis der physikalischen Prozesse, die zur Intensivierung von Hitzewellen führen, begrenzt17,18.

Im vergangenen Jahrhundert erlebte China einen deutlichen Erwärmungstrend, ein schnelles Bevölkerungswachstum und eine Urbanisierung. Die jährliche mittlere Oberflächenlufttemperatur über China ist um mehr als 1 °C gestiegen, begleitet von häufigeren und heißeren Sommertagen19,20,21. Der offensichtliche Erwärmungstrend und häufigere Hitzewellen können die Bodenfeuchtigkeit verringern und sich weiter auf Ernten, Vegetation und Wasserverbrauch auswirken, was zu nachteiligen Auswirkungen auf die Ernährungssicherheit und die Nachhaltigkeit der Wasserressourcen in China führt22,23. Unterdessen wird prognostiziert, dass die Intensität heißer Hitzeextreme aufgrund der zunehmenden Konzentration globaler Treibhausgase in Zukunft zunehmen wird24. Studien zu Hitzewellen und ihrem sich ändernden Verhalten in China konzentrieren sich jedoch hauptsächlich auf die zunehmenden Trends im Zusammenhang mit anthropogenen Auswirkungen (z. B. Treibhausgaserwärmung, städtische Hitzeinseln) und isolierten Treibern auf regionaler Ebene9,25,26,27,28. Eine kürzlich durchgeführte Studie ergab eine abrupte (d. h. plötzliche) Intensivierung der landesdurchschnittlichen Hitzewellenstärke über China zwischen 1996 und 1997 und deutete auf die Veränderungen mit der gestiegenen globalen Temperatur hin29. Eine systematische Bewertung der plötzlichen Intensivierung der Hitzewelle in verschiedenen geografischen Regionen Chinas wurde jedoch noch nicht durchgeführt. Während vermutet wird, dass großräumige Klimaanomalien im Zusammenhang mit ENSO, AMO und IOD die Häufigkeit, Dauer und Intensität von Hitzewellen in einigen Gebieten Chinas beeinflussen11,20,29, sind ihre relativen Beiträge zur abrupten Intensivierung in verschiedenen Regionen und Regionen unterschiedlich Die zugrunde liegenden Mechanismen bleiben unklar.

Hier bewerten wir systematisch das sich ändernde Verhalten der Hitzewellenintensität im Sommer (Juni–August) und testen ihre Robustheit und Regionalität in China mithilfe zuverlässiger meteorologischer Beobachtungen (verfügbar von 1961 bis 2017) mit statistischen Techniken. Anschließend untersuchen wir die instationären Auswirkungen der vorherrschenden Klimamodi auf die Hitzewellenintensität mithilfe eines Bayes'schen dynamischen linearen Modells (DLM). Um die relevanten Mechanismen zu verstehen, analysieren wir atmosphärische Reanalysedaten und führen Modellexperimente unter Verwendung eines atmosphärischen allgemeinen Zirkulationsmodells (AGCM) durch. Dieses Verständnis ist entscheidend für dekadische Vorhersagen und kurzfristige Prognosen von Hitzewellen in verschiedenen Regionen Chinas. Die effektive Simulation instationärer Auswirkungen von Klimamodi und Vorhersagefähigkeiten durch Bayesian DLM kann die Hindcast-Fähigkeit um über 10 % verbessern und den mittleren quadratischen Fehler um mehr als 25 % im Vergleich zum herkömmlichen linearen Regressionsmodell30 reduzieren, was zu einer besseren Prognose führt für die Hitzekatastrophen als die Verwendung eines herkömmlichen linearen Modells.

Mithilfe des Fuzzy-C-Means-Algorithmus identifizieren wir sieben verschiedene Regionen der Hitzewellenvariabilität in China (Abb. 1 und ergänzende Abb. 1). Die drei Regionen im Norden Chinas (Ost I, Mitte I und West I) und eine Region im Westen Chinas (West II; Abb. 1a–d) verzeichneten einen stärkeren Anstieg der Hitzewellenintensität als die übrigen drei Regionen im Südosten Chinas (Abb . 1e–g). Die abrupten Änderungen überschreiten das Signifikanzniveau von 95 % in den Regionen Ost I, Mitte I, West I und West II sowie im Gebiet Ost II sowohl im Pettitt- als auch im gleitenden t-Test; Die beiden übrigen südlichen Regionen (Ost III und Mitte II) weisen jedoch inkonsistente Ergebnisse mit den beiden unterschiedlichen Methoden auf (ergänzende Abbildung 2 und Tabelle 1). Die mittleren Hitzewellenintensitäten für die Zeit nach dem abrupten Wandel betragen das 4,8-, 6,7-, 4,8- bzw. 6,1-fache derjenigen der Zeit vor dem abrupten Wandel in den Regionen Ost I, Mitte I, West I und West II, und die Hitzewellenvariabilität – gemessen anhand der Standardabweichung (STD) von EHF – zeigt ebenfalls eine deutliche Verbesserung in jeder Region. Die starken Verstärkungen der Hitzewellenstärken, wie aus der Differenz zwischen dem EHF-Durchschnitt für die Zeit nach und vor dem Ausbruch an jeder Beobachtungsstation hervorgeht, sind auch in Regionen im Norden und Westen Chinas deutlich zu erkennen (Abb. 1h). Die erhöhte Variabilitätsamplitude zeigt, dass einzelne Hitzewellenereignisse intensiver werden.

Zeitreihe von Juni, Juli und August (JJA) – mittlerer Überwärmefaktor (EHF) in 7 Unterregionen (schwarze Linie mit Quadraten) von 1961 bis 2017 (a–g). Die mittleren EHF-Werte während der Zeiträume vor und nach dem abrupten Anstieg werden in blauen und roten Linien angezeigt, und das Jahr der abrupten Änderung ist für jedes Feld in rot angegeben. Die räumliche Verteilung der EHF-Unterschiede zwischen der Post-Abrupt- und der Pre-Abrupt-Periode ist in (h) dargestellt.

Zum Vergleich werden auch die täglichen mittleren Lufttemperaturen aus NCEP/NCAR- und ERA5-Reanalyseprodukten zur Berechnung von EHF verwendet (ergänzende Abbildung 3). Die über China gemittelten Hitzewellenintensitäten aus Beobachtungen, NCEP/NCAR-Reanalyse- und EAR5-Reanalyse-Datensätzen zeigen im Jahr 1996 konsistente abrupte Veränderungen, wie sowohl mit der Pettitt- als auch mit der Moving-T-Methode getestet, obwohl die Reanalyse-Datensätze einen geringeren Anstieg der EHF-Magnituden zeigen als die Beobachtungen von Wetterstationen. Die abrupten EHF-Anstiege in der ERA5-Reanalyse stimmen gut mit denen der Stationsdaten in ganz China überein, mit Ausnahme des Tibet-Plateaus, wo nur wenige meteorologische Stationen verfügbar sind (Abb. 1 und ergänzende Abb. 3). Im Gegensatz dazu zeigen die NCEP/NCAR-Reanalysedaten nur im Nordosten Chinas einen angemessenen EHF-Anstieg (obere Reihe der ergänzenden Abbildung 3). Daher werden wir im Folgenden ERA5-Daten für weitere Berechnungen verwenden. Nach Entfernen des linearen Trends bleibt der abrupte Anstieg der Hitzewellenintensität für die vier nördlichen und westlichen Gebiete erkennbar, obwohl die Stärken verringert sind (Abb. 2a – d, schwarze Linien; Ergänzungstabelle 2). Dieses Ergebnis legt nahe, dass der Erwärmungstrend – der in früheren Studien hauptsächlich auf die globale Erwärmung zurückgeführt wird – tatsächlich die Hitzewellenamplituden in ganz China erhöht, aber er kann den starken und abrupten Anstieg der EHF-Intensität (sowohl im Mittel als auch in der Variabilität), insbesondere in Nord- und Westchina, nicht erklären.

Zeitreihen der beobachteten normalisierten JJA-mittleren Hitzewellenintensität (Y, schwarze Linie) von 1961 bis 2017 (a–g), ihre Simulation des Bayesian Dynamic Linear Model (DLM) (Yfit dlm, rote Linie) und die Gesamteffekte aller drei Klimamodi (blaue Linie; siehe Abschnitt „Auswirkungen der Klimamodi“). Die Standardabweichung (STD) für jede Kurve und die Korrelationen zwischen ihnen werden angezeigt. Das rechte untere Feld gibt die Position der Unterregionen (h) an.

Untersucht werden die Auswirkungen der drei vorherrschenden Klimamodi – ENSO, AMO und IOD – auf das Klima Asiens. Unter Verwendung der JJA-mittelwertbereinigten Indizes von ENSO, AMO und IOD als Prädiktoren und der trendbereinigten Hitzewellenintensität (EHF) als Prädiktor kann das Bayesianische DLM die beobachtete interannuelle und längere Zeitskalenvariabilität der Hitzewellenintensität in allen Regionen, einschließlich ihrer Größenordnungen, simulieren Die Intensität nimmt abrupt zu (Abb. 2, vergleiche schwarze und rote Linie). Die drei Klimamodi zusammen erklären den Großteil der Modelldatenkorrelation und der beobachteten Varianzen (Abb. 2, blaue Linien). Während der Zeit nach dem plötzlichen Ausbruch erklären die kombinierten Auswirkungen von ENSO, AMO und IOD 62,35 %, 70,01 %, 66,20 % und 63,64 % (STDmodes/STDEHF) der beobachteten Hitzewellenintensivierung in Ost I, Mitte I, West I, bzw. West II-Regionen. Bei den Bayes'schen DLM-Simulationen können die kombinierten Auswirkungen der gesamten Klimamodi 85,56 %, 89,33 %, 86,72 % und 88,11 % (STDmodes/STDdlm) zu den Simulationen für die vier Regionen beitragen. Es gibt jedoch einen Teil der EHF, der nicht durch diese Klimamodi erklärt werden kann, was darauf hindeutet, dass auch andere Faktoren (z. B. atmosphärische interne Variabilität) zu Hitzewellenaktivitäten beitragen können. Beachten Sie, dass die Amplituden der ENSO-, AMO- und IOD-Indizes für die Zeiträume vor und nach der abrupten Änderung ähnlich sind (Abb. 3a–c), was darauf hindeutet, dass die modellierten abrupten Anstiege der Hitzewellenintensität im Bayes'schen DLM (Abb. 4a) ergeben sich eher aus ihren deutlich verstärkten Koeffizienten (ergänzende Abbildung 4) als aus Variationen der Stärke der Klimamodi. Physikalisch gesehen deuten diese Ergebnisse darauf hin, dass bei gleicher Stärke eines Klimamodus seine Auswirkungen in der Zeit nach dem Abrupt wirksamer und größer sind. Relevante körperliche Ursachen werden im Folgenden besprochen.

ein Nino3.4-Index; b der Index der atlantischen multidekadischen Oszillation (AMO); c der Dipolmode-Index (DMI) des Indischen Ozeans; d der trendbereinigte IPO-Index (schwarze Linie) und AMO-Index (Schattierung) von 1920 bis 2017. e Räumliche Muster von SST-Anomalien (SSTA; °C), die mit einem positiven IPO über dem Pazifik und einem negativen AMO über dem Nordatlantik verbunden sind (Farbschattierung). ); f-Zeitreihe von 8-Jahres-Tiefpass-gefilterten normalisierten IPO- und AMO-Indizes (schwarze und blaue gepunktete Kurven), ein idealisierter sinusförmiger SSTA, der den IPO-Index (dickes durchgezogenes Rot) und den AMO-Index nachahmt, jedoch mit entgegengesetztem Vorzeichen, und ein sinusförmiger SSTA mit einem 2-Jahres-Zeitraum, der die interannuelle ENSO-Variabilität darstellt (dünnes, durchgehendes Rot).

a Der Korrelationskoeffizient zwischen dem Gesamtbeitrag der Klimamodi (ENSO + AMO + IOD) und den vollständigen Bayes'schen DLM-Simulationen (horizontale Segmente, linke Achse) und der Standardabweichung (STD) des Gesamtbeitrags der Klimamodi für den Vorabrupt und Post-Abrupt-Perioden (Histogramm, rechte Achse) für jede Region. b Der STD der Hitzewellenintensität wird durch ENSO, AMO bzw. IOD erklärt. c Die Korrelation zwischen der DLM-Simulation und dem Beitrag jedes Klimamodus. d Die EHF-Differenz zwischen vor- und nach-abrupten Perioden (post subtrahiert pre), die von jedem Klimamodus beigetragen wird.

Die Auswirkungen der Klimamodi nehmen in der Zeit nach dem Abrupt erheblich zu, wie sowohl aus der erhöhten STD des Beitrags der Klimamodi als auch aus ihrer Korrelation mit der gesamten DLM-Simulation in den vier Regionen Nord- und Westchinas (Ost I, Mitte) ersichtlich ist I, West I und West II), obwohl die Korrelation in West II kaum zunahm (Abb. 4a). Daher konzentrieren wir uns im Folgenden auf diese vier Regionen im Norden und Westen Chinas. ENSO ist für den größten Anteil der Hitzewellenintensivierung in allen vier Regionen verantwortlich und dominiert die kombinierte Wirkung von IOD und AMO in Ost I, Mitte I und West I (Abb. 4b, d). Während die AMO-Auswirkung in diesen drei Regionen schwach oder vernachlässigbar ist, ist die IOD-Auswirkung in Ost I und West I größer und nicht vernachlässigbar. Im West II-Gebiet haben ENSO, IOD und AMO vergleichbare Auswirkungen auf die verstärkte EHF (Abb. 4d). Der Effekt von ENSO war vor den 1990er Jahren insgesamt schwach, aber nach dem Jahr des abrupten Wandels wird der DLM-Koeffizient von ENSO stark negativ und überschreitet das 95 %-Konfidenzintervall des konstanten Koeffizienten des herkömmlichen linearen Regressionsmodells in jeder Region (ergänzende Abbildung). . 4a–d). Der negative Koeffizient deutet darauf hin, dass die negative Phase von ENSO (IPO), die La Niña (negativer IPO) entspricht, die Intensität der Hitzewelle in der Zeit nach dem plötzlichen Ausbruch erhöht.

Die Auswirkungen von AMO und IOD, insbesondere AMO, sind komplexer. Beispielsweise befindet sich die AMO während der Zeit vor dem abrupten Wechsel insgesamt in einer negativen Phase mit erheblicher interannualer Variabilität (Abb. 3b, d) und ihren Auswirkungen auf die Hitzewellenintensität – gemessen an ihren DLM-Koeffizienten (ergänzende Abb. 4e – h). ) – sind in allen vier Regionen schwach. Während der Zeit nach dem abrupten Wechsel befindet sich die AMO in einer positiven Phase (Abb. 3b, d); seine Auswirkungen auf Hitzewellen (DLM-Koeffizient) ändern sich jedoch von negativ vor etwa 2008 zu positiv danach, was auf eine instationäre Beziehung zur Hitzewellenintensität hinweist. Physikalisch deutet dies darauf hin, dass die mit der AMO verbundenen Meeresoberflächentemperaturanomalien (SSTAs) um das Jahr 2008 herum eine Musteränderung erfahren haben könnten, was zu unterschiedlichen Auswirkungen auf das Klima Chinas geführt hätte. Tatsächlich ist der AMO-Index – der gemittelte SSTA im Nordatlantik – mit deutlich unterschiedlichen SSTA-Mustern vor und nach 2008 verbunden (ergänzende Abbildung 5). Die Auswirkungen des IOD verstärken sich in der Zeit nach dem plötzlichen Ausbruch, wobei ein negativer IOD die Hitzewellen verstärkt, wie aus dem negativen DLM-Koeffizienten hervorgeht (ergänzende Abbildung 4i – l). Beachten Sie, dass der DLM-Koeffizient des IOD im West-II-Gebiet in der Zeit nach dem plötzlichen Ausbruch sein Vorzeichen ändert, von positiv vor etwa 2007 zu negativ danach. Wir führen außerdem ein partielles Bayes'sches DLM durch, um zu untersuchen, ob dieser Vorzeichenwechsel des IOD-Koeffizienten künstlich ist. Im Vergleich zum Bayes'schen DLM unter Verwendung aller drei Klimamodi ändern die DLM-Koeffizienten des IOD im partiellen Bayes'schen DLM ebenfalls das Vorzeichen von positiv vor ~2007 zu negativ, wenn auch mit einer kleineren Amplitude (ergänzende Abbildung 6). Der Grund für diese Veränderung im West-II-Tibet-Gebiet ist unklar und könnte mit den relativ spärlichen Wetterstationen in der Region, der atmosphärischen internen Variabilität oder anderen Einflüssen auf die EHF über dem Tibet-Plateau zusammenhängen.

Während unsere obigen Diskussionen auf Gl. (14) Mit mehreren Prädiktoren haben wir auch die Auswirkungen jedes Klimamodus mit einem einzigen Prädiktor (z. B. dem ENSO-Index) im Bayes'schen DLM untersucht. Bewerten Sie dann die Auswirkungen anderer Klimamodi mithilfe des partiellen Bayes'schen DLM, mit AMO-Index und DMI als Prädiktoren und dem EHF-Rest (ohne ENSO-Effekt) als Prädiktor (Ergänzende Abbildungen 7, 8). Die dynamischen Koeffizienten einzelner Prädiktoren weisen ähnliche Schwankungen auf wie die Ergebnisse mehrerer Prädiktoren (im Vergleich zur ergänzenden Abbildung 4). Beispielsweise ist der DLM-Koeffizient von ENSO mit einem einzelnen Prädiktor negativ, was darauf hindeutet, dass La Niña (negativer IPO) Hitzewellen verstärkt. Dieses Ergebnis steht im Einklang mit den ENSO-Auswirkungen der Multi-Prädiktoren-Simulation. Ebenso stimmen die Ergebnisse der AMO- und IOD-Auswirkungen mit denen von Multi-Prädiktorsimulationen überein (Ergänzende Abbildungen 9, 10).

Um die räumlichen Muster der Hitzewellenintensitätsänderungen aufzudecken, die mit Phasenänderungen der Klimamodi verbunden sind, führen wir eine zusammengesetzte Analyse für den EHF unter Verwendung der Klimaindizes durch (Abb. 5). In Übereinstimmung mit unseren obigen Diskussionen verstärken La Niña und die negative Phase des Börsengangs im Vergleich zu ihren positiven Phasen tatsächlich Hitzewellen, insbesondere in nördlichen Regionen Chinas. In der positiven Phase von AMO und IOD intensivieren sich Hitzewellen in ganz China, wobei die größte Zunahme im Vergleich zu ihren negativen Phasen in Nordchina auftritt, und die Hitzewellen zeigen den geringsten Anstieg während positiver Phasen von IOD. Beachten Sie, dass Abb. 5 die EHF-Unterschiede zwischen den beiden Phasen jedes Klimamodus zeigt und nicht die Beiträge der Klimamodi zur abrupten Intensivierung der Hitzewelle seit den 1990er Jahren.

Die Schraffur zeigt die statistische Signifikanz gemäß dem Standard-T-Test bei einem Konfidenzniveau von 90 % an. ein La Niña minus El Niño; b positive minus negative Phasen von AMO; c positive minus negative Phasen des IOD; und d negative minus positive Phasen des Börsengangs.

In diesem Unterabschnitt analysieren wir zunächst das Reanalyseprodukt zusammen mit den Daten der Wetterstation, um zu zeigen, dass das verstärkte Hochdrucksystem über dem eurasischen Kontinent eine wichtige Rolle bei der Erzeugung der wärmeren Oberflächenlufttemperatur und der verstärkten Hitzewelle (d. h. EHF) spielt. in der Zeit nach dem plötzlichen Ausbruch. Anschließend diskutieren wir die Auswirkungen der Klimamodi auf das eurasische Hoch und die Intensivierung der Hitzewelle. Schließlich nehmen wir an, dass Anomalien der atmosphärischen Zirkulation, die mit dem Zusammentreffen interdekadischer Phasenübergänge von IPO und AMO in den 1990er Jahren einhergehen, die Oberflächenlufttemperatur erhöhen und die Hitzewellengrößen verstärken, die durch die interne Variabilität der Atmosphäre und ENSO hervorgerufen werden. Wir testen diese Hypothese, indem wir AGCM-Experimente durchführen.

Im Vergleich zur Zeit vor dem plötzlichen Ausbruch haben sowohl der Meeresspiegeldruck als auch die geopotentielle Höhe von 500 hPa in ganz China zugenommen, insbesondere in Eurasien, das sich über Nord- und Westchina erstreckt (Abb. 6b, c), wo es zu einer starken Erwärmung der Oberflächenlufttemperatur und einer Intensivierung der Hitzewelle kommt beobachtet (Abb. 1h, 6a und ergänzende Abb. 3). Ein bedeutendes Hochdrucksystem mit einem Zentrum auf der Nordseite Eurasiens kontrolliert das chinesische Festland (Abb. 6c). Dieses Ergebnis weist darauf hin, dass die wärmere Oberflächenlufttemperatur während der Zeit nach dem plötzlichen Ausbruch zu stärkeren Hitzewellen führt.

a Oberflächenlufttemperatur (°C), b Meeresspiegeldruck (hPa) und Bodenwind (m s−1), c 500 hPa Geopotentialhöhe (m). Die schwarzen Punkte zeigen die signifikanten Änderungen bei einem Konfidenzniveau von 90 % an.

Die erhöhte geopotentielle Höhe von 500 hPa und der Meeresspiegeldruck (Abb. 6b, c) führen zu einem anomalen Absinken der Atmosphäre und verringern daher die Wolkendecke (Ergänzende Abbildungen 11a, 12a). Die verstärkte Sinkbewegung trägt durch adiabatische Erwärmung zur Oberflächenerwärmung bei (ergänzende Abbildung 11b), und die verringerte Wolkendecke erhöht die nach unten gerichtete Kurzwellenstrahlung der Sonne, die die Erdoberfläche erwärmt, insbesondere im Nordosten Chinas (ergänzende Abbildung 12c). In den zentralen und westlichen Teilen Nordchinas erwärmen ein verringerter latenter Wärmeverlust von der Oberfläche in die Atmosphäre (ergänzende Abbildung 12e), der einer verringerten Verdunstungskühlung an der Oberfläche entspricht, und eine verringerte ausgehende langwellige Strahlung (ergänzende Abbildung 12f) die Erde Oberfläche. Der wärmere Boden erwärmt die Oberflächenluft, indem er den fühlbaren Wärmefluss nach oben erhöht (ergänzende Abbildung 12d). Zusätzlich zu den Oberflächenwärmeflüssen trägt die horizontale Advektion erheblich zur warmen Oberflächenlufttemperatur in West II bei (ergänzende Abbildung 13).

Die grundlegende Dynamik, die dafür sorgt, dass ENSO und AMO das chinesische Klima durch Gill-Reaktion und atmosphärische Rossby-Wellen beeinflussen, wurde in bestehenden Studien diskutiert31,32,33. Da China in der ostasiatischen Monsunregion liegt, reagieren die klimatischen Bedingungen empfindlich auf SSTAs, da sie anhaltende Hochdruckgebiete antreiben und die damit verbundene Dynamik modulieren können34,35. Das Bayes'sche DLM simuliert die starken Änderungen der geopotentiellen Höhe von 500 hPa zwischen den Perioden nach und vor dem plötzlichen Ausbruch über China (Abb. 7), wobei die STD-Verhältnisse zwischen dem simulierten DLM und den beobachteten ERA5-Werten >0,86 und Korrelationskoeffizienten über 0,97 über China liegen ( Ergänzende Abbildung 14). Die drei Klimamodi zusammen können einen großen Teil der geopotentiellen Höhenzunahme über Nordchina erklären. Der ENSO-Beitrag konzentriert sich ähnlich wie die beobachtete Veränderung auf Eurasien. Der AMO-Beitrag weist ein schwächeres Ausmaß auf, ist jedoch in den westlichen Gebieten signifikant, während der IOD-Beitrag sich positiv auf Ost-I konzentriert.

a–d 500 hPa geopotentielle Höhe, beigetragen durch ENSO, AMO, IOD und die Summe der drei Klimamodi, gemittelt für den Zeitraum vor 1996 (1961–1996); e–h Wie (a–d), jedoch für den Zeitraum nach 1996 (1997–2017); i–l Wie (a–d), jedoch mit den Unterschieden zwischen den Zeiträumen vor 1996 und nach 1996 (post subtrahiert pre). Die schwarzen Punkte zeigen die signifikanten Änderungen bei einem Konfidenzniveau von 90 % an.

In den 1990er Jahren geht der IPO (dh die dekadische ENSO-Variabilität; Abb. 3a) von einer positiven in eine negative Phase über und der AMO ändert sich von negativ nach positiv (Abb. 3f). Die Änderung der dekadischen IOD-Variabilität ist im Vergleich zu IPO und AMO schwach (Abb. 3f und ergänzende Abb. 15). Da ein negativer IPO und ein positiver AMO im Allgemeinen dazu neigen, Hitzewellen zu verstärken (Abb. 5), basierend auf dem negativen Regressionskoeffizienten des IPO und dem positiven Koeffizienten des AMO (gestrichelte schwarze Linien in der ergänzenden Abbildung 4), nehmen wir an, dass die kombinierten Auswirkungen des IPO negativ sind Der Phasenübergang und der AMO-positive Phasenübergang um die Mitte der 1990er Jahre verursachen Anomalien der atmosphärischen Zirkulation, erwärmen die Oberflächenluft und verstärken die Hitzewellenstärke, was zu einer Intensivierung der Hitzewellen in China führt. Dies hilft auch, die erhöhte Größe des ENSO-Koeffizienten im Bayes'schen DLM zu erklären (ergänzende Abbildung 4). Es ist auch möglich, dass ENSO, der vorherrschende Modus für die Intensivierung von Hitzewellen, aufgrund der ENSO-Diversität eine Änderung des SSTA-Musters erfahren hat (d. h. ENSO im Zentralpazifik gegenüber ENSO im Ostpazifik), und dass das SSTA-Muster in den letzten zwei Jahrzehnten zu stärkeren Hitzewellen geführt hat. Die Wahrscheinlichkeit des Auftretens der beiden Arten von El Niño-Ereignissen ist jedoch zwischen den Zeiträumen 1980–1996 und 1996–2017 ähnlich (Tabelle 1 von Zhang und Han36) und ist daher wahrscheinlich nicht die Ursache für die abrupte Intensivierung der Hitzewelle.

Um unsere Hypothese zu testen, führen wir drei AGCM-Experimente mit ECHAM4.6 durch, um die Auswirkungen des Börsengangs, des AMO, des ENSO, des kombinierten Börsengangs und des AMO sowie der Kombination aller drei Modi zu bewerten. Insgesamt werden vier AGCM-Experimente durchgeführt: Exp-IPO, Exp-AMO, Exp-(IPO+AMO) und Exp-(IPO+AMO+ENSO), die die Auswirkungen von IPO, AMO, kombiniertem IPO mit AMO bewerten. und kombinierter Börsengang, AMO und ENSO. Die räumlichen Muster der mit jedem Klimamodus verbundenen SSTAs werden durch Regression der SSTA auf die normalisierten Klimamodus-Indizes erhalten und dann mit einer Sinuswelle mit einem Zeitraum von 40 Jahren multipliziert, um die beobachteten interdekadischen Änderungen von IPO und AMO darzustellen (Abb . 3f). Der Effekt von ENSO stellt die zwischenjährliche SST-Variabilität mit einem idealisierten Zeitraum von zwei Jahren dar, die den interdekadischen SSTAs von AMO und IPO überlagert ist, die Exp-(IPO+AMO) erzwingen (Abb. 3f). Das Kontrollexperiment (CTRL) wird durch den klimatologischen SST erzwungen. Somit können die Auswirkungen von IPO, AMO, IPO+AMO und IPO+AMO+ENSO auf die Hitzewellen quantifiziert werden, indem die entsprechenden Ergebnisse mit dem CTRL-Experiment verglichen werden. Beachten Sie, dass in diesen Experimenten die IPO- und AMO-Effekte nur auf einer interdekadischen Zeitskala auftreten und ENSO nur auf einer zwischenjährlichen Zeitskala mit einem idealisierten 2-Jahres-Zyklus (siehe Abb. 3f für ihre idealisierten Indizes).

Zunächst analysieren wir das Ausmaß der Hitzewellenveränderungen, indem wir die EHF-Differenz zwischen der Zeit nach und vor der abrupten Veränderung anhand der täglichen Ergebnisse von Exp-IPO, Exp-AMO und Exp-(IPO+AMO) berechnen (Abb. 8). Exp-IPO zeigt, dass der Börsengang allein Hitzewellen in Zentral-, Nordost- und Westchina verstärkt und AMO allein (Exp-AMO) die Hitzewellenintensität in ganz Südchina nur schwach verstärkt. Ihre kombinierten Auswirkungen von Exp-(IPO+AMO) zeigen jedoch einen deutlichen Anstieg der Hitzewellenintensität in den meisten Regionen Nordchinas (Abb. 8d), wo eine abrupte Intensivierung der Hitzewelle beobachtet wird. Die lineare Überlagerung ihrer Auswirkungen, Exp-IPO+Exp-AMO (Abb. 8c), kann jedoch nicht zu der starken Hitzewellenintensivierung im Nordosten Chinas führen, was darauf hindeutet, dass nichtlineare Wechselwirkungen zwischen den IPO- und AMO-Effekten, die in Exp-( IPO+AMO) spielen eine wichtige Rolle. Die aus Exp-(IPO+AMO) berechneten Zeitreihen des JJA-mittleren EHF in jeder der vier Regionen Nord- und Westchinas zeigen ebenfalls eine Intensivierung der Hitzewelle während der Zeit nach dem abrupten Wandel (ergänzende Abbildung 16). Da nur interdekadische SSTAs von IPO und AMO verwendet werden, um die AGCM zu erzwingen, resultiert die erhöhte Amplitude des zwischenjährlichen EHF in Exp-(IPO+AMO) hauptsächlich aus der interdekadischen Modulation der atmosphärischen internen Variabilität durch IPO und AMO.

Die Unterschiede zwischen dem letzten 20-Jahres-Mittelwert und dem ersten 20-Jahres-Mittelwert ergeben sich. ein EHF von Exp-IPO; b EHF von Exp-AMO; c EHF berechnet durch tägliche TS aus Exp-IPO+Exp-AMO; und d EHF aus Exp-(IPO+AMO).

Die oben genannten AGCM-Experimente zeigen, dass die interdekadischen SSTAs, die mit den gleichzeitigen Phasenübergängen von IPO (positiv zu negativ) und AMO (negativ zu positiv) um die Mitte der 1990er Jahre verbunden sind, tatsächlich eine Intensivierung der Hitzewelle verursachen. Angesichts der Tatsache, dass die Auswirkungen von ENSO auf EHF in der Zeit nach dem plötzlichen Ausbruch verstärkt werden, gehen wir davon aus, dass die kombinierten interdekadischen Phasenübergänge von IPO und AMO auch die zwischenjährlichen Auswirkungen von ENSO auf die Hitzewellenamplitude verstärken können. Um diese Hypothese zu testen, analysieren wir die Ergebnisse von Exp-(IPO+AMO+ENSO) (Abb. 9 und ergänzende Abb. 17). Die zusammengesetzten Unterschiede der La Niña-Episoden zwischen der Zeit nach und vor dem plötzlichen Ausbruch, die ENSO-Auswirkungen isolieren und die Auswirkungen der atmosphärischen internen Variabilität dämpfen, zeigen, dass La Niña-Ereignisse mit derselben Amplitude tatsächlich stärkere Hitzewellen während der Zeit nach dem plötzlichen Ausbruch erzeugen Regionen Ost I und West II. Auch wenn die AGCM-Ergebnisse Modellfehler enthalten, beweisen die guten Übereinstimmungen zwischen unseren idealisierten AGCM-Ergebnissen und Beobachtungsanalysen, dass die gleichzeitigen interdekadischen Phasenübergänge von IPO und AMO einen Großteil des abrupten Anstiegs der Hitzewellenintensität um die Mitte der 1990er Jahre erklären Modulation der atmosphärischen internen Variabilität und der zwischenjährlichen ENSO-Effekte.

a Die Unterschiede zwischen den Ergebnissen des letzten 20-Jahres-Mittelwerts und dem ersten 20-Jahres-Mittelwert. b Die Unterschiede in den Zusammensetzungen der La Niña-Episoden zwischen den letzten 20 Jahren und den ersten 20 Jahren.

Die starken Auswirkungen von Hitzewellen auf die Gesellschaft und das Ökosystem unterstreichen die Dringlichkeit eines besseren Verständnisses ihrer Antriebsmechanismen und des sich ändernden Verhaltens auf dekadischen und längeren Zeitskalen in einem sich erwärmenden Klima. Mithilfe meteorologischer Stationsbeobachtungen und Reanalyse-Datensätzen stellen wir in den letzten zwei Jahrzehnten eine starke Intensivierung der Hitzewellenintensität über China fest, mit einem abrupten Anstieg der Hitzewellenintensität etwa Mitte der 1990er Jahre in Nord- und Westchina (Ost I, Mitte I, West I). und West II-Regionen von Abb. 1). Die Intensivierung bleibt in Nord- und Westchina robust, nachdem wir den multidekadischen linearen Trend der Hitzewellenintensität entfernt haben, der in früheren Studien auf die anthropogene Erwärmung zurückgeführt wurde (Abb. 2). Durch die Durchführung von Bayes'schen DLM- und AGCM-Experimenten zeigen wir, dass die verstärkten Auswirkungen der wichtigsten Klimamodi (ENSO, AMO und IOD) während der Zeit nach dem plötzlichen Hitzewellenausbruch einen Großteil der plötzlichen Hitzewellenintensivierung erklären. Obwohl die Klimamodus-Indizes keine erhöhten Amplituden aufweisen (Abb. 3), verstärkten sich ihre Auswirkungen auf die Hitzewellenintensität, wie ihre größeren Bayes'schen DLM-Koeffizienten zeigen (ergänzende Abb. 4). Physikalisch bedeutet dies, dass Klimamodi günstige atmosphärische Bedingungen für das Auftreten starker Hitzewellen in Nord- und Westchina in den letzten zwei Jahrzehnten schaffen, die die bereits verstärkten Hitzewellen aufgrund der anthropogenen Erwärmung noch verstärken.

Während der Zeit nach dem abrupten Wandel führt das verstärkte eurasische Hochdrucksystem zu einem anomalen Absinken der Atmosphäre, was zur Erwärmung der Erdoberfläche in Nordchina durch adiabatische Erwärmung, erhöhte nach unten gerichtete kurzwellige Sonnenstrahlung aufgrund der abnehmenden Wolkendecke und einen abgeschwächten latenten Wärmeverlust beiträgt. Der warme Boden erwärmt die Oberflächenluft durch sensiblen Wärmefluss, und Advektion trägt auch zur warmen Oberflächenluft in der Region West II bei. Die gleichzeitigen interdekadischen Phasenübergänge des IPO (von positiv nach negativ) und des AMO (von negativ nach positiv) um die Mitte der 1990er Jahre sind die Hauptursache für das beobachtete verstärkte eurasische Hochdrucksystem, das die Oberflächenluft erwärmt und zur Folge hat die abrupte Verschärfung der Hitzewellen Mitte der 1990er Jahre. Unsere AGCM-Experimente zeigen, dass die mit dem IPO und AMO verbundenen interdekadischen SSTAs die jährliche Hitzewellenstärke erhöhen, indem sie die atmosphärische interne Variabilität und die zwischenjährlichen Klimamodi (z. B. ENSO) modulieren. Die Nichtlinearität des atmosphärischen Systems beeinflusst die IPO- und AMO-Auswirkungen und ist in einigen Regionen wichtig. Weitere Untersuchungen sind erforderlich, um die Ursachen der atmosphärischen internen Variabilität und ihr Zusammenspiel mit den Klimamodi zu verstehen, und dies ist ein Bereich unserer zukünftigen Forschung.

Unsere Ergebnisse deuten darauf hin, dass das Zusammentreffen der interdekadischen Phasenübergänge von IPO und AMO die durch die anthropogene Erwärmung verstärkten Hitzewellen in einigen Jahrzehnten verschlimmern, sie in anderen Jahrzehnten jedoch abschwächen kann, was zu abrupten Änderungen der Hitzewellenintensität in verschiedenen Regionen Chinas und anderer Länder führt. Die anhaltende Erwärmung durch Treibhausgase verändert die klimatischen Hintergrundbedingungen und wahrscheinlich auch die Dynamik, die diese Klimamodi bestimmt37. Die Erwärmung der Meerestemperaturen kann auch die Auswirkungen von Klimamodi auf die Ökosysteme und Extremereignisse verstärken (z. B. 38). Daher ist es unerlässlich, die Einflüsse der Klimamodi und ihr Zusammenspiel mit dem sich ändernden Klima zu verstehen. Dieses Verständnis kann dazu beitragen, dekadische Vorhersagen und kurzfristige Projektionen von Klima- und Extremereignissen zu verbessern und somit zu einer fundierten Entscheidungsfindung beizutragen.

Die täglichen Höchst- und Tiefsttemperaturen meteorologischer Stationen von 1961 bis 2017 wurden von der China Meteorological Administration bezogen und auf der Grundlage eines nationalen Standardqualitätsmanagementsystems qualitätskontrolliert. Die insgesamt 718 in dieser Studie verwendeten meteorologischen Stationen sind in Abb. 1h und der ergänzenden Abb. 1 dargestellt. In dieser Studie werden die drei vorherrschenden Klimamodi – ENSO, AMO und IOD – untersucht, die sich auf das asiatische Klima auswirken und durch monatliche Niño3 dargestellt werden .4-Index, AMO-Index und DMI von Juni bis August39,40,41. Der Interdecadal Pacific Oscillation (IPO)-Index42 wird ebenfalls analysiert und mit dem ENSO-Index verglichen (Abb. 3a); Ihre JJA-Mittelwertindizes sind stark korreliert mit einer Korrelation von 0,89 für den Zeitraum 1961–2017 und 0,78 für ihre dekadischen Komponenten (tiefpassgefilterte 8-Jahres-Werte). Die hohen Korrelationen zwischen IPO, der pazifischen dekadischen Oszillation und der dekadischen ENSO-Variabilität wurden in früheren Studien gezeigt, wobei die Korrelationskoeffizienten für das vergangene Jahrhundert bei 0,89 lagen43,44. Daher verwenden wir im Folgenden den IPO und die dekadische Variabilität von ENSO austauschbar und verwenden den IPO-Index, um den Einfluss der dekadischen Variabilität von ENSO auf die abrupte Änderung der Hitzewellenintensität abzuschätzen. Der JJA-Mittelwertindex jedes Klimamodus wird durch Mittelung der Juni-, Juli- und Augustwerte berechnet, wobei die monatliche Klimatologie von 1961–2017 entfernt wird. Darüber hinaus wird zur Durchführung der Regressionsanalyse der monatliche globale SST des NOAA Extended Reconstructed SST V545 verwendet.

Zum Vergleich werden auch die täglichen mittleren Lufttemperaturen aus ERA5- und NCEP/NCAR-Reanalyseprodukten46,47 zur Berechnung der Hitzewellenintensität verwendet. Um das Verständnis der relevanten physikalischen Mechanismen zu erleichtern, analysieren wir auch die Geopotentialhöhe der ERA5-Reanalyse, den Meeresspiegeldruck, die zonalen und meridionalen Oberflächenwinde, die Vertikalgeschwindigkeit, die Gesamtwolkenbedeckung und die Temperaturadvektion. Um die Änderung des Oberflächenwärmeflusses im Zusammenhang mit der Intensivierung der Hitzewelle zu beurteilen, werden auch der latente Oberflächenwärmefluss, der sensible Wärmefluss, der kurzwellige Strahlungsfluss und der langwellige Strahlungsfluss analysiert.

Die Definitionen von Hitzewellen in der vorhandenen Literatur sind nicht konsistent. Die am häufigsten verwendete Definition ist der relative Schwellenwert des 90. oder 95. Perzentils der Tagestemperatur zur Bewertung der übermäßigen Hitzetage und -nächte in Europa, Australien und Indien (z. B. Ref. 48, 49, 50). Hier wurde der mit täglichen maximalen und minimalen Oberflächenlufttemperaturen berechnete EHF aufgrund zweier Verbesserungen im Vergleich zur üblichen Definition ausgewählt: Zum einen werden Tag- und Nachtwärmebedingungen einbezogen; Ein weiterer Grund ist die Berücksichtigung lokaler vorherrschender Wärmebedingungen. Der örtlich vorhergehende Hitzezustand kann die Hitzeamplitude für einen bestimmten Tag verstärken oder schwächen51,52. Der EHF wurde auf der Grundlage von zwei Konzepten vorgeschlagen, die als Überhitzung und Hitzestress bezeichnet werden. Diese Methode wurde intensiv getestet, um Hitzewellenereignisse zuverlässig zu erkennen und die Hitzewellenintensität genauer darzustellen (z. B. Ref. 53, 54, 55, 56). Um die zeitliche Entwicklung der Hitzewellenintensitäten in verschiedenen Regionen Chinas zu beurteilen, berechnen wir den Exzesswärmefaktor (EHF) anhand täglicher Höchst- und Tiefsttemperaturdaten im Sommer (01.06.–31.08.), die von Wetterstationen für den Zeitraum 1961 beobachtet wurden –2017. Die überschüssige Wärme drückt einen ungewöhnlich hohen Temperaturzustand aus, wobei der Durchschnitt der maximalen und minimalen Tagestemperaturen (Tmax und Tmin) über einen Zeitraum von drei Tagen weiter gemittelt und mit einer Langzeittemperatur verglichen wird:

Dabei ist \({T}_{i95}\) das 95. Perzentil der täglichen Durchschnittstemperatur (\({T}_{i}\)) für den gesamten Zeitraum 1961–2017. In unserer Studie wird \({T}_{i95}\) für jeden Tag (\(i\)) mit einem 15-Tage-Fenster (von \({T}_{i-7}\) bis berechnet \({T}_{i+7}\)) zentriert auf \({T}_{i}\) und an jeder Station. Die Tagesmitteltemperatur ist definiert als:

wobei Ti vom 1. Juni bis 31. August im Zeitraum 1961–2017 berechnet wird.

Der Hitzestress charakterisiert eine Hitzeanomalie aus der Akklimatisierung in der jüngeren Vergangenheit, wobei die Durchschnittstemperatur über einen Zeitraum von drei Tagen mit einer kurzfristigen Temperatur verglichen wird:

Der EHF berücksichtigt sowohl EHIsig als auch EHIaccl und ist definiert als

Dies ermöglicht eine effektivere und umfassendere Messung der Hitzewellenintensität.

Wir klassifizieren die Regionen mithilfe des Fuzzy C-Means-Algorithmus, einer häufig verwendeten Clustering-Methode (z. B. Lit. 57,58). Ein endlicher Datensatz \(X=\left\{{x}_{1},{x}_{2},{x}_{3},{\cdots ,x}_{n}\right\}\ ) in einem Merkmalsraum \({R}^{\rm {{s}}}\), wird durch die FCM-Methode in c Cluster \(\left(2\le c < n\right)\) klassifiziert. Das Clusterzentrum ist \(V=\left\{{v}_{1},{v}_{2},{v}_{3},{\cdots v}_{n}\right\}\ ). Die Mitgliedermatrix ist

wobei \({u}_{{ij}}\) der Zugehörigkeitsgrad der i-ten Daten zum j-ten Cluster ist. Im FCM sollte \({u}_{{ij}}\) die folgenden Bedingungen erfüllen:

Die optimierte Zielfunktion des FCM-Algorithmus ist

wobei m ein Fuzzy-gewichteter Parameter ist.

Die optimierte Clustering-Anzahl wird durch Gültigkeitsindizes bestimmt. In dieser Studie werden drei weit verbreitete Validitätsindizes, nämlich der Fuzziness Performance Index (FPI)59, der Partition Index (PI)60 und der Extended Xie-Beni Index (XB)61, ausgewählt, um die optimale Anzahl von Clustern zu ermitteln:

Die optimale Clusteranzahl wird gefunden, wenn die Gültigkeitsindizes kleiner und stabiler werden. Beachten Sie, dass die Werte aller drei Gültigkeitsindizes kleiner und stabiler werden, wenn die Clusterzahl ≥7 ist (ergänzende Abbildung 1a). Daher werden 7 Unterregionen klassifiziert (ergänzende Abbildung 1b): drei Ostregionen (Ost I, Ost II, Ost III), zwei mittlere Regionen (Mitte I, Mitte II) und zwei Westregionen (West I, West II).

Der für jede Subregion gemittelte EHF wird zur Charakterisierung regionaler Hitzewellenintensitätsschwankungen verwendet. Mithilfe des Pettitt-Tests62 zeigen wir einen abrupten Anstieg der Hitzewellenintensität in allen sieben Regionen (Abb. 1a–g und Ergänzungstabelle 1). Die Jahre der abrupten Veränderungen variieren regional und reichen von 1993 in der Region Ost I bis 2000 in der Region Ost II. Die Abruptheit des Anstiegs der Hitzewellenintensität wird durch den gleitenden t-Test (ergänzende Abbildung 2) weiter getestet und gestützt, wobei der gleitende Schritt von 10 Jahren erfolgt, um abrupte Änderungen innerhalb der dekadischen Zeitskala zu erkennen.

Angesichts der Tatsache, dass ENSO und seine dekadische Variabilität (d. h. IPO), AMO und IOD erhebliche Auswirkungen auf Wetter und Klima in China haben20,29,31,32,63,64, untersuchen wir hier ihre Auswirkungen auf die Hitzewellenintensität mithilfe des Bayes'schen DLM65. Das Bayes'sche DLM hat im Vergleich zum herkömmlichen linearen Regressionsmodell den Vorteil, dass es die instationären Auswirkungen (z. B. abrupte Änderungen) von Klimamodi erfasst. Wir berechnen zunächst die linearen Trends des Hitzewellenintensitätsindex und der Klimamodusindizes für den Zeitraum 1961–2017 und entfernen sie dann sowohl aus den Hitzewellenintensitäts- als auch den Klimamodusindizes, um die Auswirkungen der globalen Erwärmung im Zusammenhang mit erhöhten Treibhausgasen zu eliminieren29. Der längere Zeitraum von 1920–2017 wird zur Berechnung des AMO-Trends verwendet, da die AMO Perioden von 60–80 Jahren aufweist und im Zeitraum 1961–2017 einen positiven Phasenübergang aufweist (Abb. 3d, Farbschattierung).

Das herkömmliche multiple-lineare Regressionsmodell wurde häufig verwendet, um die Beziehung zwischen den unabhängigen Prädiktoren (X1, …, aufgrund der konstanten Regressionskoeffizienten (\({b}_{i}\); siehe Gleichung (15) unten) während des Untersuchungszeitraums vom herkömmlichen linearen Modell erfasst werden. Das Bayes'sche DLM ermöglicht die zeitliche Variation der Koeffizienten bi und kann somit die zeitlich variierenden Auswirkungen der Prädiktoren xi auf den Prädiktor Y innerhalb des untersuchten Zeitraums erfassen.

Und

wobei \(\varepsilon \left(t\right) \sim N\left[0,V\left(t\right)\right]\,\) und \({w}_{i}\left(t\ rechts) \sim N\left[0,{W}_{i}\left(t\right)\right]\) sind unabhängiges weißes Rauschen oder Fehler, normalverteilt mit einem Mittelwert von 0 und Varianzen von V(t) und Wi(t).

Mit diesem Vorteil wurde das Bayes'sche DLM kürzlich zur Untersuchung der instationären Auswirkungen von Klimamodi auf ozeanische und atmosphärische Variablen eingesetzt66,67. In dieser Studie verwenden wir ENSO-, AMO- und IOD-Indizes als Prädiktoren, da sie einen deutlichen Einfluss auf Chinas Klima und die Hitzewellenintensität als Prädiktoren haben. Da der Korrelationskoeffizient zwischen dem JJA-mittleren Niño3.4-Index und dem DMI für den Zeitraum 1961–2017 0,42 beträgt, während das Bayes'sche DLM unabhängige Prädiktoren erfordert, wurde der partielle DMI berechnet, indem der ENSO-Effekt aus dem DMI entfernt wurde, bevor das Bayes'sche Modell angewendet wurde . Dabei liegt dem Verfahren die Annahme zugrunde, dass ENSO einen unidirektionalen Einfluss auf den IOD hat. Daher könnten die Auswirkungen von ENSO (IOD) etwas überschätzt (unterschätzt) werden. Da die DMIs mit und ohne entfernten ENSO-Effekt stark korrelieren und der Korrelationskoeffizient 0,91 erreicht (ergänzende Abbildung 18), sind die Über-/Unterschätzungseffekte wahrscheinlich gering.

Um die Unabhängigkeit von ENSO- und IOD-Auswirkungen weiter sicherzustellen und die Überanpassung durch Bayes'sches DLM zu vermeiden, wenden wir auch die partielle Bayes'sche DLM-Methode66 an, indem wir den Rest-EHF Y' = Y(t)−(b1(t)ENSO(t) + verwenden b2(t)AMO(t)) als Prädiktor und partieller DMI als Prädiktor. Dies ergibt Y' = b0(t) + b1(t)IOD(t) + ε(t). Wir vergleichen die IOD-Effekte und ihren DLM-Koeffizienten im partiellen DLM mit denen des ursprünglichen DLM aus Gleichungen. (14) und (15) sind oben erwähnt (ergänzende Abbildung 6). Die AMO ist während der JJA unabhängig von ENSO (r = 0,02) und IOD (r = 0,1) und dient als unabhängiger Prädiktor.

Um den Einfluss der interdekadischen Klimavariabilität im Zusammenhang mit dem Börsengang und der AMO auf die Intensivierung von Hitzewellen über China zu untersuchen, führen wir AGCM-Experimente mit ECHAM4.668 vom Max-Planck-Institut in Hamburg durch. ECHAM4.6 wurde häufig verwendet, um atmosphärische Reaktionen auf großräumige Meeresoberflächentemperaturanomalien (SSTA) in den Tropen zu untersuchen69,70,71,72. Es werden vier Experimente durchgeführt: ein Kontrollversuch (CTRL) und drei Empfindlichkeitsexperimente (Exp-IPO, Exp-AMO und Exp-(IPO+AMO)). Die CTRL wird mit dem monatlichen klimatologischen SST-Feld erzwungen. Bei Exp-IPO wird die mit dem Börsengang über dem tropischen und subtropischen Pazifik verbundene SST-Anomalie (SSTA) zur klimatologischen SST hinzugefügt; Bei Exp-AMO wird der mit der AMO über dem Nordatlantik verbundene SSTA zum klimatologischen SST addiert; Bei Exp-(IPO+AMO) werden sowohl die IPO- als auch die AMO-SSTAs zum klimatologischen SST addiert. Um die mit dem IPO (AMO) verbundenen SSTAs zu erhalten, ermitteln wir zunächst deren räumliche Muster, indem wir SSTA auf den normalisierten Niño3.4 (AMO)-Index zurückführen (Abb. 3a, b, e) und dann die SSTA-Muster mit einer Sinuskurve multiplizieren Welle mit einem Zeitraum von 40 Jahren, um die beobachteten interdekadischen Veränderungen des Börsengangs und der AMO darzustellen (Abb. 3d, f). Darüber hinaus wird auch ein zusätzliches Experiment durchgeführt, das ENSO-Auswirkungen berücksichtigt (Exp-(IPO+AMO+ENSO)), um die Modulation von IPO auf ENSO und ihre kombinierten Auswirkungen auf die Hitzewellenintensität besser zu verstehen.

Für das Experiment CTRL wurde das Modell 42 Jahre lang integriert. Für Exp-IPO, Exp-AMO bzw. Exp-(IPO+AMO) ist das Modell ebenfalls für 42 Jahre integriert, wobei die ersten beiden Jahre wie bei CTRL durch die SST-Klimatologie erzwungen werden, die folgenden 40 Jahre jedoch durch die Summe der SST-Klimatologie und der entsprechenden SSTAs. Die ersten zwei Jahre werden in unserer Analyse aller Experimente verworfen, da es einige Jahre dauert, bis das Modell seinen Gleichgewichtszustand erreicht. Für jedes der Sensitivitätsexperimente wird ein dreiköpfiges Ensemble durchgeführt. Der 40-Jahres-Mittelwert von CTRL stellt die Auswirkungen des klimatologischen SST-Antriebs dar, und der dreiköpfige Ensemble-Mittelwert jedes Sensitivitätsexperiments misst die Auswirkungen von IPO, AMO bzw. IPO+AMO. Die Lösungsdifferenz (Exp-IPO-CTRL) bewertet die IPO-Auswirkungen, (Exp-AMO-CTRL) schätzt die AMO-Auswirkungen und (Exp-(IPO+AMO)-CTRL) misst die kombinierten Auswirkungen von IPO und AMO. Beachten Sie, dass sich aufgrund der Nichtlinearität des Klimasystems die kombinierten IPO- und AMO-Effekte, die aus (Exp-IPO−CTRL)+(Exp-AMO−CTRL) erhalten werden, von denen aus (Exp-(IPO+AMO)−CTRL) unterscheiden. .

Die Beobachtungen der täglichen Höchst- und Tiefsttemperaturen sind unter http://data.cma.cn/en verfügbar. Monatliche Klimamodi-Indizes des NOAA Physical Sciences Laboratory sind unter https://www.esrl.noaa.gov/psd verfügbar. Die atmosphärischen Zirkulationsvariablen und Oberflächenwärmebudgetvariablen aus den ERA5-Reanalyseprodukten sind unter https://cds.climate.copernicus.eu/cdsapp#!/search?type=dataset&text=ERA5 verfügbar. Der monatliche globale SST des NOAA Extended Reconstructed SST V5 ist unter https://www.esrl.noaa.gov/psd/data/gridded/data.noaa.ersst.v5.html verfügbar.

Die Skripte sind unter https://github.com/WeiJ2022/heatwave_2023npj/tree/master verfügbar.

Easterling, DR et al. Klimaextreme: Beobachtungen, Modellierung und Auswirkungen. Wissenschaft 289, 2068–2074 (2000).

Artikel Google Scholar

Ciais, P. et al. Europaweiter Rückgang der Primärproduktivität durch Hitze und Dürre im Jahr 2003. Nature 437, 529–533 (2005).

Artikel Google Scholar

Guo, Y. et al. Quantifizierung übermäßiger Todesfälle im Zusammenhang mit Hitzewellen unter Klimawandelszenarien: eine länderübergreifende Zeitreihenmodellierungsstudie. PLoS Med. 15, e1002629 (2018).

Artikel Google Scholar

Hansen, J., Ruedy, R., Sato, M. & Lo, K. Globale Oberflächentemperaturänderung. Rev. Geophys. 48, RG4004 (2010).

Artikel Google Scholar

Coumou, D. & Rahmstorf, S. Ein Jahrzehnt voller Wetterextreme. Nat. Aufstieg. Änderung 2, 491–496 (2012).

Artikel Google Scholar

Oliver, E. et al. Längere und häufigere Meereshitzewellen im letzten Jahrhundert. Nat. Komm. 9, 1324 (2018).

Artikel Google Scholar

Moron, V., Oueslati, B., Pohl, B., Rome, S. & Janicot, S. Trends der Durchschnittstemperaturen und warmen Extreme im nördlichen tropischen Afrika (1961–2014) aus beobachteten und PPCA-rekonstruierten Zeitreihen. J. Geophys. Auflösung – Atmosphäre. 121, 5298–5319 (2016).

Artikel Google Scholar

Smale, D. et al. Meereshitzewellen bedrohen die globale Artenvielfalt und die Bereitstellung von Ökosystemdienstleistungen. Nat. Aufstieg. Änderung 9, 306–312 (2019).

Artikel Google Scholar

Mukherjee, S. & Mishra, AK Zunahme von Dürren und Hitzewellen in einer sich erwärmenden Welt. Geophys. Res. Lette. 48, e2020GL090617 (2021).

Artikel Google Scholar

Zheng, Z., Zhao, L. & Oleson, KW Große Modellstrukturunsicherheit in globalen Projektionen städtischer Hitzewellen. Nat. Komm. 12, 1–9 (2021).

Artikel Google Scholar

Niedzielski, T. Kapitel zwei. El Niño/Southern Oscillation und ausgewählte Umweltfolgen. Adv. Geophys. 55, 77–122 (2014).

Artikel Google Scholar

Seager, R. & Hoerling, M. Atmosphäre und Ozeanursprünge nordamerikanischer Dürren. J. Clim. 27, 4581–4606 (2014).

Artikel Google Scholar

Murari, K., Sahana, A., Daly, E. & Ghosh, S. Der Einfluss der El Niño Southern Oscillation auf Hitzewellen in Indien. Meteorol. Appl. 23, 705–713 (2016).

Artikel Google Scholar

Zhou, Y. & Wu, Z. Mögliche Auswirkungen von Mega-El Niño/Southern Oscillation und atlantischer multidekadischer Oszillation auf die Frequenzvariabilität der eurasischen Hitzewelle. QJR Meteorol. Soc. 142, 1647–1661 (2016).

Artikel Google Scholar

Zhou, C., Wang, K., Dan, Q. & Tan, J. Zuschreibung eines rekordverdächtigen Hitzewellenereignisses im Sommer 2017 über dem Jangtse-Delta. Stier. Bin. Meteorol. Soc. 100, S97–S103 (2019).

Artikel Google Scholar

Luo, M. & Lau, NC Verstärkende Wirkung von ENSO auf Hitzewellen in China. Aufstieg. Dyn. 52, 3277–3289 (2019a).

Artikel Google Scholar

Russo, S. et al. Ausmaß extremer Hitzewellen im gegenwärtigen Klima und ihre Auswirkungen auf eine sich erwärmende Welt. J. Geophys. Auflösung – Atmosphäre. 119, 500–512 (2015).

Google Scholar

Feng, M., Xing, Y., Yang, J. & Peng, J. Beispiellose Hitze in Europa im Juni–Juli 2019: Risiko im historischen und zukünftigen Kontext. Geophys. Res. Lette. 47, e2020GL087809 (2020).

Google Scholar

Ding, Y. et al. Erkennung, Ursachen und Projektion des Klimawandels auf China: ein Überblick über die jüngsten Fortschritte. Adv. Atmosphäre. Wissenschaft. 24, 954–971 (2007).

Artikel Google Scholar

Zhou, B., Xu, Y., Wu, J., Dong, S. & Shi, Y. Änderungen der extremen Temperatur- und Niederschlagsindizes über China: Analyse eines hochauflösenden Rasterdatensatzes. Int. J. Climatol. 36, 1051–1066 (2016).

Artikel Google Scholar

Luo, M. et al. Beobachtete Hitzewellenveränderungen im trockenen Nordwesten Chinas: physikalischer Mechanismus und langfristiger Trend. Atmosphäre. Res. 242, 105009 (2019).

Artikel Google Scholar

Piao, S. et al. Die Auswirkungen des Klimawandels auf Wasserressourcen und Landwirtschaft in China. Natur 467, 43–51 (2010).

Artikel Google Scholar

Wang, W. et al. Bayesianische Multimodellprojektion des Bewässerungsbedarfs und der Wassernutzungseffizienz in drei typischen Reisplantagenregionen Chinas basierend auf CMIP5. Landwirtschaft. Für. Meteorol. 232, 89–105 (2017).

Artikel Google Scholar

Almazroui, M. et al. Projizierte Änderungen der Klimaextreme mithilfe von CMIP6-Simulationen über SREX-Regionen. Erdsystem. Umgebung. 5, 481–497 (2021).

Artikel Google Scholar

Sun, Y. et al. Rasanter Anstieg des Risikos extremer Sommerhitze in Ostchina. Nat. Aufstieg. Änderung 4, 1082–1085 (2014).

Artikel Google Scholar

Kang, S. & Eltahir, EAB Nordchinesische Ebene von tödlichen Hitzewellen aufgrund von Klimawandel und Bewässerung bedroht. Nat. Komm. 9, 2894–2899 (2018).

Artikel Google Scholar

Li, X. et al. Gleichzeitige Dürren und Hitzeextreme im Nordwesten Chinas von 1961 bis 2017. Int. J. Climatol. 39, 2186–2196 (2018).

Artikel Google Scholar

Li, H., He, S., Gao, Y., Chen, H. & Wang, H. Nordatlantische Modulation interdekadischer Variationen heißer Dürreereignisse über Nordostchina. J. Clim. 33, 4315–4332 (2020).

Artikel Google Scholar

Wei, J. et al. Hitzewellenschwankungen in ganz China hängen mit globalen SST-Modi zusammen. J. Geophys. Auflösung – Atmosphäre. 125, e2019JD031612 (2020).

Artikel Google Scholar

Xing, W., Han, W. & Zhang, L. Verbesserung der Vorhersage der Sommerniederschläge im westlichen Nordpazifik mithilfe eines Bayes'schen dynamischen linearen Modells. Aufstieg. Dyn. 55, 831–842 (2020).

Artikel Google Scholar

Wang, B. et al. Der Sommermonsun auf der Nordhalbkugel wird durch Mega-El Niño/südliche Oszillation und atlantische multidekadische Oszillation verstärkt. Proz. Natl Acad. Wissenschaft. USA 110, 5347–5352 (2013).

Artikel Google Scholar

Zhang, R., Min, Q. & Su, J. Einfluss von El Niño auf atmosphärische Zirkulationen über Ostasien und Niederschläge in China: Rolle des anomalen Hochdruckgebiets im westlichen Nordpazifik. Wissenschaft. China Earth Science. 60, 1124–1132 (2017).

Artikel Google Scholar

Huang, D. et al. Beiträge verschiedener Kombinationen von IPO und AMO zu den jüngsten Veränderungen bei den ostasiatischen Winterjets. J. Clim. 32, 1607–1626 (2019).

Artikel Google Scholar

Xie, SP et al. Kondensator im Indowestpazifik und kohärente Klimaanomalien im Post-ENSO-Sommer: ein Rückblick. Adv. Atmosphäre. Wissenschaft. 33, 411–432 (2016).

Artikel Google Scholar

Chen, W. et al. Jüngste Fortschritte bei der Untersuchung der Variabilitäten und Mechanismen des ostasiatischen Monsuns in einem sich ändernden Klima. Adv. Atmosphäre. Wissenschaft. 36, 887–901 (2019).

Artikel Google Scholar

Zhang, X. & Han, W. Auswirkungen von Klimamodi auf die zwischenjährliche Variabilität des Auftriebs im tropischen Indischen Ozean. J. Clim. 33, 1547–1573 (2020).

Artikel Google Scholar

McPhaden, MJ, Santoso, A. & Cai, W. ENSO in einem sich verändernden Klima verstehen. Eos 100, https://doi.org/10.1029/2019EO124159 (2019).

Boucharel, J., Jin, F.-F., England, MH & Lin, II Arten der Hurrikanaktivitätsvariabilität im Ostpazifik: Auswirkungen auf die Saison 2016. Geophys. Res. Lette. 43, 358–366 (2016).

Artikel Google Scholar

Enfield, DB, Mestas-Nunez, AM & Trimble, PJ Die atlantische multidekadische Oszillation und ihre Beziehung zu Niederschlägen und Flussflüssen in den kontinentalen Geophysen der USA. Res. Lette. 28, 2077–2080 (2001).

Artikel Google Scholar

Rayner, NA et al. Globale Analysen der Meeresoberflächentemperatur, des Meereises und der nächtlichen Meereslufttemperatur seit dem späten 19. Jahrhundert. J. Geophys. Res. 108, 4407 (2003).

Artikel Google Scholar

Saji, NH & Yamagata, T. Mögliche Auswirkungen von Ereignissen im Dipolmodus im Indischen Ozean auf das globale Klima. Aufstieg. Res. 25, 151–169 (2003).

Artikel Google Scholar

Henley, BJ et al. Ein Tripolindex für die interdekadische Pazifische Oszillation. Aufstieg. Dyn. 45, 3077–3090 (2015).

Artikel Google Scholar

Zhang, X. & Church, JA Meeresspiegeltrends, zwischenjährliche und dekadische Variabilität im Pazifischen Ozean. Geophys. Res. Lette. 39, L21701 (2012).

Artikel Google Scholar

Han, W. et al. Intensivierung der dekadischen und multidekadischen Meeresspiegelvariabilität im westlichen tropischen Pazifik in den letzten Jahrzehnten. Aufstieg. Dyn. 43, 1357–1379 (2014).

Artikel Google Scholar

Huang, B., Thome, PW, Banzon, VF & Boyer, T. Extended Reconstructed Sea Surface Temperature Version 5 (ERSSTv5), Upgrades, Validierungen und Vergleiche. J. Clim. 30, 8179–8205 (2017).

Artikel Google Scholar

Kalnay, E. et al. Das 40-jährige NCEP/NCAR-Reanalyseprojekt. Stier. Bin. Meteorol. Soc. 77, 437–472 (1996).

2.0.CO;2" data-track-action="article reference" href="https://doi.org/10.1175%2F1520-0477%281996%29077%3C0437%3ATNYRP%3E2.0.CO%3B2" aria-label="Article reference 46" data-doi="10.1175/1520-0477(1996)0772.0.CO;2">Artikel Google Scholar

Hersbach, H. et al. Die globale ERA5-Reanalyse. QJR Meteorol. Soc. 146, 1999–2049 (2020).

Artikel Google Scholar

Fischer, E. & Schär, C. Konsistente geografische Muster der Veränderungen bei starken europäischen Hitzewellen. Nat. Geosci. 3, 398–403 (2010).

Artikel Google Scholar

White, C., Hudson, D. & Alves, O. ENSO, das IOD und die intrasaisonale Vorhersage von Hitzeextremen in ganz Australien mithilfe von POAMA-2. Aufstieg. Dyn. 43, 1791–1810 (2013).

Artikel Google Scholar

Sharma, S. & Mujumdar, P. Zunehmende Häufigkeit und räumliche Ausdehnung gleichzeitiger meteorologischer Dürren und Hitzewellen in Indien. Wissenschaft. Rep. 7, 15582 (2017).

Artikel Google Scholar

Nairn, J., Fawcett, R. & Ray, D. Definition und Vorhersage übermäßiger Hitzeereignisse, ein nationales System. In „Modelling and Understanding High Impact Weather“: Extended Abstracts of the Third CAWCR Modeling Workshop, (Hrsg. Hollis, AJ) 83–86 (CAWCR Tech. Rep. 017, Melbourne, Australien, 2009).

Perkins, S. & Alexander, L. Zur Messung von Hitzewellen. J. Clim. 26, 4500–4517 (2013).

Artikel Google Scholar

Perkins, S., Alexander, L. & Nairn, J. Zunehmende Häufigkeit, Intensität und Dauer der beobachteten globalen Hitzewellen und Warmperioden. Geophys. Res. Lette. 39, L20714 (2012).

Artikel Google Scholar

Perkins, SE, Argüeso, D. & White, CJ Beziehungen zwischen Klimavariabilität, Bodenfeuchtigkeit und australischen Hitzewellen. J. Geophys. Auflösung – Atmosphäre. 120, 8144–8164 (2015).

Artikel Google Scholar

Nairn, J. & Fawcett, R. Der übermäßige Wärmefaktor: eine Metrik für die Intensität von Hitzewellen und ihre Verwendung bei der Klassifizierung der Schwere von Hitzewellen. Int. J. Umgebung. Res. Public Health 12, 227–253 (2015).

Artikel Google Scholar

Nairn, J., Ostendorf, B. & Bi, P. Leistung des Schweregrads des übermäßigen Hitzefaktors als globaler Index für die Auswirkungen von Hitzewellen auf die Gesundheit. Int. J. Umgebung. Res. Öffentliche Gesundheit 15, 2494 (2018).

Artikel Google Scholar

Asong, ZE, Khaliq, MN & Wheater, HS Regionalisierung der Niederschlagseigenschaften in den kanadischen Prärieprovinzen unter Verwendung großräumiger atmosphärischer Kovariaten und geophysikalischer Attribute. Stoch. Umgebung. Res. Risikobewertung. 29, 875–892 (2015).

Artikel Google Scholar

Goyal, MK & Sharma, A. Ein Fuzzy-C-Means-Ansatz zur Regionalisierung zur Analyse meteorologischer Dürre-Homogenregionen in Westindien. Nat. Gefahren 84, 1–17 (2016).

Artikel Google Scholar

Roubens, M. Fuzzy-Clustering-Algorithmen und ihre Clustervalidität. EUR. J. Oper. Res. 10, 294–301 (1982).

Artikel Google Scholar

Bensaid, AM et al. Gültigkeitsgesteuertes (Re-)Clustering mit Anwendungen zur Bildsegmentierung. IEEE Trans. Fuzzy-System. 4, 112–123 (1996).

Artikel Google Scholar

Xie, XL & Beni, G. Ein Validitätsmaß für Fuzzy-Clustering. IEEE Trans. Muster Anal. Mach. Intel. 13, 841–847 (1991).

Artikel Google Scholar

Pettitt, AN Ein nichtparametrischer Ansatz für das Change-Point-Problem. JR-Stat. Soc. 28, 126–135 (1979).

Google Scholar

Gao, T., Wang, HJ & Zhou, T. Veränderungen extremer Niederschläge und nichtlinearer Einfluss von Klimavariablen auf die Monsunregion in China. Atmosphäre. Res. 197, 379–389 (2017).

Artikel Google Scholar

Lu, C., Ye, J., Wang, S., Yang, M. & Mao, J. Eine ungewöhnliche Hitzewelle in Nordchina im Hochsommer 2018. Vorderseite. Erdwissenschaft. 8, 238 (2020).

Artikel Google Scholar

Petris, G., Petrone, S. & Campagnoli, P. Dynamische lineare Modelle mit R 31–84 (Springer, 2009).

Han, W. et al. Dekadische Variabilität der indischen und pazifischen Walker-Zellen seit den 1960er Jahren: Kovariieren sie auf dekadischen Zeitskalen? J. Clim. 30, 8447–8468 (2017).

Artikel Google Scholar

Han, W. et al. Multidekadischer Trend und dekadische Variabilität des regionalen Meeresspiegels über dem Indischen Ozean seit den 1960er Jahren: Rolle von Klimamodi und externen Antrieben. Klima 6, 51 (2018).

Artikel Google Scholar

Roeckner, E. et al. Das atmosphärische allgemeine Zirkulationsmodell ECHAM-4: Modellbeschreibung und Simulation des heutigen Klimas. Max-Planck-Institut für Meteorologie Bericht 218 (Max-Planck-Institut für Meteorologie, 1996).

Zhang, L., Han, W., Li, Y. & Shinoda, T. Mechanismen für die Entstehung und Entwicklung von Ningaloo Niño. J. Clim. 31, 9239–9259 (2018).

Artikel Google Scholar

Zhang, L. & Han, W. Auswirkungen von Ningaloo Niño auf den tropischen Pazifik und ein Kopplungsmechanismus zwischen den Becken. Geophys. Res. Lette. 45, 300–309 (2018).

Artikel Google Scholar

Zhang, L. et al. Der Erwärmungstrend im Indischen Ozean verringert die Reaktion der pazifischen Erwärmung auf anthropogene Treibhausgase: ein Thermostatmechanismus zwischen den Becken. Geophys. Res. Lette. 46, 10882–10890 (2019).

Artikel Google Scholar

Zhang, L. & Han, W. Der Dipol des Indischen Ozeans führt zum Atlantischen Niño. Nat. Komm. 12, 5952 (2021).

Artikel Google Scholar

Referenzen herunterladen

Diese Arbeit wurde gemeinsam von der National Natural Science Foundation of China (U2240218, 51979071) und den Fundamental Research Funds for the Central Universities (B230201039) unterstützt. LZ wird vom Entwicklungsfonds des South China Sea Institute of Oceanology der Chinesischen Akademie der Wissenschaften SCSIO202203 und dem State Key Laboratory of Tropical Oceanography Grant LTORC2201 unterstützt. Herzlicher Dank gilt dem Herausgeber, dem Mitherausgeber und den anonymen Gutachtern für ihre kritischen und konstruktiven Kommentare, die die Qualität des Manuskripts erheblich verbessern.

Das National Key Laboratory of Water Disaster Prevention, Hohai University, Nanjing, China

Jia Wei und Weiguang Wang

Hochschule für Hydrologie und Wasserressourcen, Hohai-Universität, Nanjing, China

Jia Wei und Weiguang Wang

Abteilung für Atmosphären- und Ozeanwissenschaften, University of Colorado Boulder, UCB 311, Boulder, CO, USA

Weiqing Han

Kooperatives Innovationszentrum für Wassersicherheit und Hydrowissenschaft, Hohai-Universität, Nanjing, China

Weiguang Wang

Schlüssellabor für Wasser-Big-Data-Technologie des Ministeriums für Wasserressourcen, Hohai-Universität, Nanjing, China

Weiguang Wang

Staatliches Schlüssellabor für tropische Ozeanographie, Südchinesisches Meeresinstitut für Ozeanologie, Chinesische Akademie der Wissenschaften, Guangzhou, China

Lei Zhang

Global Ocean and Climate Research Center, Südchinesisches Meeresinstitut für Ozeanologie, Guangzhou, China

Lei Zhang

Abteilung für Bau-, Umwelt- und Architekturingenieurwesen, University of Colorado Boulder, Boulder, CO, USA

Balaji Rajagopalan

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Konzeptualisierung: WGW, WQH Methodik: JW, WQH, WGW, LZ, BR Untersuchung: JW, WQH, WGW, LZ Visualisierung: JW, WQH, WGW, LZ Überwachung: WGW, WQH Schreiben – Originalentwurf: JW Writing – Überprüfung und Bearbeitung : WGW, WQH, LZ, BR Alle Autoren haben die endgültige Version dieses Manuskripts kommentiert und genehmigt.

Korrespondenz mit Weiguang Wang.

Die Autoren geben an, dass keine Interessenkonflikte bestehen.

Anmerkung des Herausgebers Springer Nature bleibt hinsichtlich der Zuständigkeitsansprüche in veröffentlichten Karten und institutionellen Zugehörigkeiten neutral.

Open Access Dieser Artikel ist unter einer Creative Commons Attribution 4.0 International License lizenziert, die die Nutzung, Weitergabe, Anpassung, Verbreitung und Reproduktion in jedem Medium oder Format erlaubt, sofern Sie den/die Originalautor(en) und die Quelle angemessen angeben. Geben Sie einen Link zur Creative Commons-Lizenz an und geben Sie an, ob Änderungen vorgenommen wurden. Die Bilder oder anderes Material Dritter in diesem Artikel sind in der Creative Commons-Lizenz des Artikels enthalten, sofern in der Quellenangabe für das Material nichts anderes angegeben ist. Wenn Material nicht in der Creative-Commons-Lizenz des Artikels enthalten ist und Ihre beabsichtigte Nutzung nicht gesetzlich zulässig ist oder über die zulässige Nutzung hinausgeht, müssen Sie die Genehmigung direkt vom Urheberrechtsinhaber einholen. Um eine Kopie dieser Lizenz anzuzeigen, besuchen Sie http://creativecommons.org/licenses/by/4.0/.

Nachdrucke und Genehmigungen

Wei, J., Han, W., Wang, W. et al. Intensivierung von Hitzewellen in China in den letzten Jahrzehnten: Rollen der Klimamodi. npj Clim Atmos Sci 6, 98 (2023). https://doi.org/10.1038/s41612-023-00428-w

Zitat herunterladen

Eingegangen: 29. Dezember 2022

Angenommen: 17. Juli 2023

Veröffentlicht: 24. Juli 2023

DOI: https://doi.org/10.1038/s41612-023-00428-w

Jeder, mit dem Sie den folgenden Link teilen, kann diesen Inhalt lesen:

Leider ist für diesen Artikel derzeit kein gemeinsam nutzbarer Link verfügbar.

Bereitgestellt von der Content-Sharing-Initiative Springer Nature SharedIt