题目：Spatiotemporal Characteristics and Physical Drivers of Heatwaves in India
期刊：Geophysical Research Letters
01 研究背景
热浪是指对农业、人类健康和生态系统等具有危害性的极端高温事件。印度地处中低纬南亚地区，是受热浪影响最严重的国家之一。在1992年至2015年期间，热浪在印度已造成至少2.4万人死亡。由于全球气候变化的影响，近年来印度热浪的发生频率、强度和持续时间均呈现出增加的趋势。虽然已有大量研究探讨了全球及印度的热浪形成机制，但目前还未有研究对印度热浪的时空演变特征进行分析。
因此，Dar和Apurv（2024）基于复杂网络方法识别了印度的热浪源区，并揭示了其空间传播模式。研究还使用3-D connected component (CC3D)算法追踪了源区热浪事件的传播轨迹，并根据传播距离和传播方向对热浪进行分类。最后，基于再分析数据集探讨了不同热浪事件的物理驱动因素差异。
02 研究数据与方法
2.1 研究数据
首先，研究使用印度气象局（IMD）提供的1950-2020年日最高温度数据集（https://www.imdpune.gov.in/cmpg/Griddata/Max_1_Bin.html）来识别热浪事件并分析其时空演变轨迹；
其次，使用欧洲中期天气预报中心（ECMWF）提供的日尺度再分析数据集ERA5-Land（https://cds.climate.copernicus.eu/datasets/reanalysis-era5-land）和ERA5（https://cds.climate.copernicus.eu/datasets/reanalysis-era5-pressure-levels），分析热浪的物理驱动因素。使用的变量如下：（1）ERA5-Land：2 m气温、地表净长波辐射、向下长波辐射、地表净短波辐射、地表潜热通量、地表感热通量和0-7 cm的土壤湿度；（2）ERA5：位势高度、纬向和经向速度、边界层高度和总云量；
最后，利用美国国家海洋和大气管理局（NOAA）提供的Niño 3.4指数时间序列（https://origin.cpc.ncep.noaa.gov/products/analysis_monitoring/ensostuff/ONI_v5.php），分析ENSO（厄尔尼诺-南方涛动）对印度热浪的影响。
2.2 利用复杂网络确定热浪源区
首先，通过计算格点i和j的热浪事件之间的动态延迟来确定同步事件。若两个热浪事件的滞后时间小于动态延迟，则认为这对事件是同步的。确定所有同步事件后，进一步计算Qij和qij来度量节点对之间的同步性：其中，Qij表示两点之间同步热浪发生的比例，而qij表示先在i发生的同步事件数与先在j发生的同步事件数之差。然后将Qij和qij转化为网络的邻接矩阵AQ和Aq，前者表征两点之间热浪的同步程度，后者表征同步热浪的方向性。最后，基于邻接矩阵得出以下两个网络指标：
（1）度中心性（degree centrality，DC）：某节点的连接数与其最大可能连接数之比。DC值越高表示该地的热浪与更多地点的热浪同步发生。
（2）网络散度（network divergence，ND）：某节点的向内连接数与向外连接数之差。高负值的ND和高正值的ND分别表示热浪的源区（即热浪更倾向于从该地扩散）和汇区（即热浪更倾向于传入该地）。
2.3 热浪轨迹的识别与分类
研究使用3-D connected component (CC3D)算法来追踪热浪。该算法使用3×3网格的筛选窗口，在每个时间点遍历所有经纬度。对于以位置（i， j）为中心的3×3窗口，考虑26个候选格点：t日的8个相邻点，t–1日和t+1日包括中心点在内的9个点。若在筛选窗口中识别到新的热浪易发格点，则标记其为与窗口内已有热浪易发格点相同的标签，若未识别到新热浪易发格点，则为其标记新标签。对于每种标签，使用不同时间热浪质心的位置集合代表其轨迹，然后根据热浪移动方向和距离对热浪轨迹进行K均值聚类，并使用轮廓评分确定最佳集群数。
03 主要发现
3.1 热浪网络
印度西北部和中部地区所有月份的DC值都较高（>0.1），同步的热浪面积约占印度面积的10%（约40万平方公里）（图1 a,b,c）。这是季风期前该地区发展的反气旋条件导致的。而印度南部地区的DC值一直较低，表明该地区热浪的空间同步性低（图1 a,b,c）。同时，印度西北部负ND也较强，表明许多热浪起源于该地区；印度中部和东南部呈现正ND，表明它们是热浪的汇区（图1 d,e,f）。此外，由于5月份热浪的大面积传播，高DC区域从印度西北源区向东移动（图1c）。由此可知，热浪主要起源于印度西北部，并于3、4月向东传播至印度中部，至5月传播到印度东南部。
图 1 3月（a），4月（b），5月（c）的度中心性空间分布和3月（d），4月（e），5月（f）的网络散度空间分布。矩形框代表识别到的主要源区。
3.2 热浪轨迹
筛选出80个来自主要源区的空间范围大于8个1°×1°网格的热浪，并确定出两个热浪集群（图2a）。其中，向东北传播的53个热浪归为第一集群（NEP，蓝色），向东南传播的27个热浪归为第二集群（SEP，红色）。相比之下，NEP强度较高，其平均值为0.79℃，中位数为0.78℃；而SEP强度相对较低，其平均值为0.68℃，中位数为0.69℃（图2c）。但SEP持续时间更长（图2b），空间覆盖范围更大（图2d），移动距离也更远（图2e）。
图 2 （a）箭头表示NEP（蓝色）和SEP热浪（红色）的移动方向，箭头的两端分别代表热浪传播过程中前半段和后半段热浪（时间上）的质心位置。（b-e）分别是NEP热浪（蓝色）和SEP热浪（红色）的持续时间、强度、空间范围和移动距离的箱形图。
3.3 热浪驱动因素
本文分析了两个集群的热浪特征与Niño3.4指数的关系，发现NEP的特征与Niño3.4指数没有显著相关性，而SEP的持续时间和面积与Niño3.4指数呈显著正相关。这表明，ENSO在延长SEP的持续时间和扩大其空间范围方面有重要作用。研究进一步分析了两个集群在500 hPa的位势高度和风速。图3显示，在热浪发生之前，在印度西北部两个集群均表现出很高的正位势高度异常。然而，SEP的正位势高度异常的空间范围更大，几乎覆盖了印度25°N以北的全部地区，且持续时间更长。这使得SEP的覆盖范围更广、持续时间更长。此外， SEP伴随着较强的北风异常，导致热浪更多地向南传播。
图 3 NEP（a-c）和SEP（d-f）热浪前3天、当天和后3天500hpa的位势高度（彩色）和风速（箭头）复合异常。
在使用IMD数据集确定的80次热浪事件中，ERA5-Land数据集识别出了72次重合的热浪事件。图4a比较了重合的热浪事件的强度，发现二者之间存在较大差异。因此，本文仅分析了ERA5-Land数据集中误差小于±0.2℃的54次热浪事件的驱动因素。选择±0.2℃的误差阈值是因为能在保留较多事件数的同时，保证热浪强度之间具有较高的相关性。
图4中的箱形图显示了两个集群中所有热浪事件的异常情况。两类热浪的净短波辐射均呈现较高的正异常（图4b），而向下的长波辐射异常非常小（图4c）。其中，NEP净短波辐射异常明显更高，它使陆地升温，导致地表发射更多长波辐射（图4e）。因此，两类热浪的净辐射异常十分接近（图4d）。NEP净短波辐射高异常的原因是NEP的云量负异常比SEP更大，且NEP中土壤水的干燥速度更快，这导致感热通量正异常和潜热通量负异常略高（图4f、g）。此外，NEP的边界层高度显著高于SEP，并且热浪开始前边界层高度还随时间逐渐增加（图4h），这有利于边界层的热量夹卷和积累。综上所述，NEP强度较大可能是由于强烈短波辐射对地表的加热以及边界层热量夹卷的共同作用。
图 4 （a）IMD与ERA5热浪强度对比，灰色阴影区内是本文要分析的事件。（b）净短波辐射（c）向下长波辐射（d）净辐射（e）地面向上长波辐射（f）潜热通量（g）感热通量（h）实际边界层高度。箱形图展现了所有来自主要源区的热浪异常值，t表示热浪发生的时间。含有绿点的箱形图表示两个集群的异常在0.05 水平上有显著差异（K-W检验）。
04 主要结论
（1）印度季风期前（3-5月）的热浪主要起源于印度西北部，并且该地区的热浪在全国范围内具有最大的同步范围。热浪在3月和4月逐步向东传播至印度中部，到5月扩散至印度东南部。
（2）印度西北部热浪的传播轨迹可以分为两类，一类向东北方向传播（NEP），一类向东南方向传播（SEP）。其中，NEP强度更高，但其持续时间、空间覆盖范围、移动距离要小于SEP。
（3）SEP的持续时间和面积范围与Niño3.4指数具有显著相关性，表明El Niño事件对SEP的影响较大；此外，边界层中较大的辐射通量异常和热夹卷对NEP的强度有显著影响。
05 引发思考
（1）本研究发现，印度西北部是印度热浪的主要源区，且从该地区向南传播的热浪在持续时间和影响范围上与前一年冬季的Niño 3.4指数有很强的相关性，这对于印度南部热浪的预测和预警至关重要。
（2）本研究将IMD观测数据集与ERA5-Land数据集识别到的热浪事件进行了对比。结果表明，虽然两个数据集识别的热浪事件在空间范围和时间分布上非常相似，但在热浪强度方面却存在显著差异，这强调了在极端事件研究中使用现有观测资料来验证再分析数据集的重要性。
编者注
以上总结仅代表个人对论文的理解，仅供研究参考所用，不用于商业用途。若上述理解内容有误，请以论文原文为主。
原文出处
Dar, J. A., & Apurv, T. (2024). Spatiotemporal characteristics and physical drivers of heatwaves in India. Geophysical Research Letters, 51, e2024GL109785. https://doi.org/10.1029/ 2024GL109785
文字来源：刘恺
图片来源：https://agupubs.onlinelibrary.wiley.com
编辑：刘恺
审核：谷天顺 王建军
