1. 引言
近几十年以来，由于人类活动排放温室气体引起的温室效应不断积累，全球气候正在显著变暖。研究发现，对于全球而言，不管是平均气温，还是最高气温、最低气温，都在逐步升高，尤其是最低气温，升高最为明显[1]。这种最高和最低气温升高的不对称性必然导致气温日较差(Daily Temperature Range，简称DTR)的减小。
随着全球变暖的日益加剧以及对气温变化研究的不断深入，人们不再局限于探讨平均气温的变化，而是开始从不同的角度、选取不同的气温要素来研究气温的变化。DTR也叫气温日振幅，表示日最高气温与日最低气温的差值。DTR反映了全球和区域性的温度变化幅度，并具有重要的生态学意义，所以其变化对于人类生存的环境、气候异常的影响和可持续发展研究具有特殊的参考意义[2] [3]。Karl [4]等和Easterling [5]的研究表明，不论是全球尺度，还是美国与加拿大等局地地区，DTR近年来均呈现明显的下降趋势；Mote [6]也发表了ENSO对美国东南部最高最低气温的影响。国内学者对于DTR的研究也有很多。严中伟[7]等对我国40、50年代到90年代温度及日较差进行了研究后发现我国气温普遍升高，其中北方最低温增温日较差减小、南方则是最高温增温日较差增大。华丽娟[8]等分别对中国不同区域的月、季和年平均气温日较差以及月较差、季较差和年较差的变化趋势进行了分析，发现较差均有下降趋势，且春夏最为明显，冬季次之秋季最弱。唐红玉[9]等对我国1951~2002年的最高、最低气温以及日较差进行了系统的研究，发现近52年来我国平均日较差也大多呈现下降的趋势，且北方的下降趋势尤为明显，其中以冬季的下降幅度为最大。王凯[10]等单独对华中三省河南、湖北、湖南在1960~2005年的最高、最低气温及日较差进行研究，发现日较差存在下降趋势且冬季降幅最大。陈铁喜[2]等基于中国气象局国家气候中心编制的资料的研究也揭示了类似的研究结论。
这些研究的结果都表明在全球变暖的大趋势下，我国大部分地区最高气温与最低气温的差异在逐渐变小，年平均DTR和季节平均DTR都呈现出明显的下降趋势。通过上述文献回顾，不难看出过去关于DTR的研究多聚焦于全球变暖引起的趋势变化，对于其中自然变率的关注较少。因此，本文拟利用中国地面日资料和全球再分析大气环流和海表温度数据，分析我国冬季DTR的长期趋势变化及其区域差异特征，并着重研究我国冬季平均DTR的时空变化主要模态，厘清其多时空尺度变化特征，探究DTR主模态与海表温度的可能联系，并揭示其中的物理过程。这对于加深我国冬季气候变化问题的理解、以及短期气候预测技巧的提升均具有重要意义。
2. 资料和方法
本文采用的资料包括：1) 国家气象信息中心提供的1951~2020年中国地面气候资料日值数据集，我们选取其中的日最高气温和日最低气温数据，首先计算出每日的DTR，然后将逐月的数据进行平均，得到1951~2020年逐月的DTR数据；2) 同期的NCEP/NCAR全球逐月再分析大气环流数据，包括风场、位势高度场、比湿场和总云量场等[11]；3) 同期的NOAA拓展重构的全球逐月海表温度数据集[12]。
图1给出了中国地面气候资料日值数据集中的699个站点的空间分布，由于数据在50、60年代站点缺测较多(图2)，会对研究结果产生较大影响，为了尽可能保证资料的空间一致性，我们从1970年开始进行研究，这主要是因为从1970年开始，缺测站点数占比开始稳定地小于4% (图2)。本文将冬季DTR作为研究对象，所以取12月和次年1、2月三个月的平均作为冬季平均值，例如1970年冬季表示1970年12月至1971年2月的平均值。
Figure 1. Spatial distribution map of 699 stations in China
图1. 全国699个站点空间分布图
本文采用的统计分析方法包括：趋势分析法、经验正交函数分解、相关分析和回归分析等，其中趋势系数及其检验方法采用的是文献[13]中提出的线性回归方法，为了解气象要素x的长期变化趋势，通常采用线性回归方程：
(1)
式中a为常量，b为回归系数。b的单位是：要素的单位/时间单位。对于相关分析和回归分析，主要采用t检验方法来进行显著性检验。
Figure 2. Evolution of number of missing stations over time
图2. 缺测站点数随时间演变图
文中的Niño3.4指数定义为Niño3.4区[5˚S~5˚N, 120˚~170˚W]海温异常的平均值，IPO指数采用Henley等[14]的定义，即基于赤道中太平洋[10˚S~10˚N, 170˚E~90˚W]海温平均值与西北太平洋[25˚N~45˚N, 140˚E~145˚W]和西南太平洋[50˚S~15˚S, 150˚E~160˚W]海温平均值之间的差异。IPO指数是一个非常易于计算的指数，将西北太平洋作为A区、赤道中太平洋作为B区、西南太平洋作为C区，它们的海温距平分别为SSTA1，SSTA2，SSTA3，则它的计算方法为：
(2)
3. 我国冬季平均DTR的长期变化趋势
图3为1970年~2020年全国冬季平均气温、最高气温、最低气温和DTR示意图。由图3中可以看出我国冬季平均的最高气温(图3(b))、最低气温(图3(c))基本由北向南递增的。而由此计算出的我国冬季平均DTR (图3(a))的分布则显著不同，冬季平均DTR最高值出现的地方为青藏高原地区，其余地区基本分布特征为由西北向东南递减，这与西部地区较干燥的气候特征有关。为了了解我国冬季DTR的长期变化趋势，需要计算DTR与时间序列的相关系数，表示DTR在气候变化中的升降程度，并且需要对计算结果进行显著性检验。图4为我国冬季最高气温、最低气温以及DTR与时间序列的相关系数以及置信度为95%的显著性检验。从中可以看出我国冬季最高气温、最低气温均呈现显著的增暖趋势，尤其是我国北方地区，线性增暖趋势通过了95%的置信度检验，我国冬季DTR则呈线性减小趋势，其中40˚N以北地区减小趋势最大，这主要是因为，在全球变暖情况下，最低气温增暖速率远大于最高气温而造成的(图4(a)，图4(b))，以上分析结果与前人的研究结论一致。
4. 我国冬季DTR的时空主要模态
为了研究我国冬季DTR的自然变率，下面我们对冬季平均DTR去趋势处理，然后利用EOF函数分析我国冬季DTR异常的时空主要模态。EOF结果显示，我国冬季平均DTR异常主要存在两个变化模态，它们约占DTR异常总方差的38%左右。EOF所得时间序列已进行标准化处理，并用标准化后的时间序列回归的DTR异常表示EOF空间型，图中绿色等值线表示标准差时间序列与DTR的回归系数。回归系数为a，x为时间序列，y为DTR的逐年的异常值，阴影部分则表示回归系数显著与否。计算方法如下：
(3)
注：该图基于自然资源部标准底图服务网站下载的审图号为GS(2020)3184号的标准地图制作，底图无修改。
Figure 3. Spatial distribution of (a) DTR, (b) Tmax, (c) Tmin (all in ˚C) in long-term average climate state in 1970~2020
图3. 1970~2020年长期平均的气候态(a) DTR，(b) Tmax，(c) Tmin (单位均为℃)的空间分布
注：该图基于自然资源部标准底图服务网站下载的审图号为GS(2020)3184号的标准地图制作，底图无修改。
Figure 4. Linear trend spatial distribution (a) Rrend of winter maximum temperature in China from 1970 to 2020, (b) Trend of winter minimum temperature in China from 1970 to 2020, (c) Trend of daily range of winter average temperature in China from 1970 to 2020 (The dot shadow indicates that it passes the 95% confidence test)
图4. 线性趋势空间分布(a) 1970~2020年我国冬季最高气温变化趋势，(b) 1970~2020年我国冬季最低气温变化趋势，(c) 1970~2020年我国冬季平均气温日较差变化趋势(点状阴影表示通过95%置信度检验)
注：该图基于自然资源部标准底图服务网站下载的审图号为GS(2020)3184号的标准地图制作，底图无修改。
Figure 5. Spatial pattern and time series of daily temperature difference EOF in winter in China (a) First mode, (b) Second mode
图5. 我国冬季DTR EOF空间型和时间序列(a) 第一模态，(b) 第二模态
我国冬季DTR异常存在两个主要模态。EOF1 (图5(a))占据了我国冬季DTR总方差的22.94%，空间型表现为40˚N以南地区的一致型变化，与之相应的时间序列变化具有比较显著的年际尺度波动，大致为2~3年一个变化周期。EOF2占据我国冬季DTR总方差的14.98%，它在空间上则主要表征40˚N以北地区的DTR变化。与之对应的时间序列在呈现年代际尺度波动，在1980年代之前以及2005年之后，PC2主要表现为正位相，即此阶段，我国40˚N以北地区冬季DTR较常年偏大，而1980~2005年，PC2主要为负值，即我国40˚N以北地区冬季DTR较常年偏小。
5. 我国冬季DTR主模态与海表温度异常的可能联系
DTR的变化有许多原因，其中最直接的原因就是最高温与最低温的变化幅度不一致。前人研究表明，DTR的变化跟自然、人为因素都有关[15]。例如云量、水汽含量、降水、辐射、地形、植被、污染物的排放等都会通过影响最高气温和最低气温从而影响DTR的变化。我们在上一节所得的DTR变化模态已经去除了线性趋势，即可认为主要是自然变率影响的结果，有学者的研究[16]表明美国东南部的DTR变化与厄尔尼诺–南方涛动(ENSO)有一定的相关性，ENSO效应会持续增加或减少云量和降水，而云量和降水的增加或减少与中纬度气旋和地面锋有关，从而导致或低或高的DTR，DTR会随ENSO相位的变化而变化。既然海温的异常能够影响到北美地区DTR的变化，那么是否也会对我国冬季平均DTR异常产生影响呢？
接下来我们计算了两个模态标准化时间序列PC1和PC2与同期海表温度异常场的相关系数(图6)，可以看出，PC1与热带太平洋海温异常息息相关(图6(a))，当PC1为正位相时，对应热带中东太平洋海温异常显著偏低，而热带西太平洋海温显著偏高。这种海温异常分布与La Niña事件非常类似。众所周知，ENSO事件的强度一般用Niño3.4指数衡量，为了进一步确认PC1与ENSO事件之间的关系，我们计算了PC1和Niño3.4指数的相关系数，达到了−0.375，通过了95%的置信度检验，这进一步说明第一模态与ENSO事件有关。ENSO的正相位(即El Niño事件)对应我国40˚N以南地区冬季DTR降低，而ENSO的负相位(即La Niña事件)则对应我国40˚N以南地区冬季DTR的升高；从图6(b)中可见，与PC2相关的海表温度异常型态与一种典型的“三极”太平洋海温异常模态相似，即太平洋年代际振荡(IPO) [14]。PC2正位相对应热带太平洋海温偏低，而北太平洋和南太平洋海温偏高，即IPO负位相，为了进一步确认PC2与IPO之间的关系，我们根据IPO的定义，计算了逐年冬季IPO时间序列，并计算了其与PC2之间的相关系数，达到−0.323，也通过了95%的置信度检验。这进一步说明第二模态与IPO密切有关。IPO正相位对应我国40˚N以北地区冬季DTR降低，而IPO负相位则对应我国40˚N以北地区冬季DTR的升高。
Figure 6. Correlation coefficient diagram of two mode time series and SST anomalies (a) The correlation between the TS1 and the SST, (b) The correlation between the TS2 and the SST (The dot shadow indicates that it passes the 95% confidence test)
图6. 两模态时间序列与海温异常的相关系数图(a) 时间序列1与全球海温相关，(b) 时间序列2与全球海温相关(点状阴影表示通过95%置信度检验)
Figure 7. 850 hPa wind field and potential height field regressed by Niño3.4 (The dot shadow indicates that it passes the 95% confidence test)
图7. Niño3.4回归的850 hPa风场和位势高度场(点状阴影表示通过95%置信度检验)
Figure 8. Return cloud amount and 850 hPa specific humidity field of Niño3.4 (a) Niño3.4 index regression wind field, (b) Niño3.4 index regression water vapor content field (The dot shadow indicates that it passes the 95% confidence test)
图8. Niño3.4回归的云量和850 hPa比湿场 (a) Niño3.4指数回归风场，(b) Niño3.4指数回归水汽含量场(点状阴影表示通过95%置信度检验)
Figure 9. 850 hPa wind field and potential height field of IPO index regression (The dot shadow indicates that it passes the 95% confidence test)
图9. IPO指数回归的850 hPa风场和位势高度场(点状阴影表示通过95%置信度检验)
Figure 10. 850 hPa specific humidity field of IPO index regression
图10. IPO指数回归的850 hPa比湿场
那么ENSO和IPO究竟是通过何种途径对我国冬季平均DTR产生影响的呢？我们知道，DTR是由最高气温及最低气温的差得出的，而最高气温及最低气温皆受到大气环流以及云–辐射过程的影响，云量增多时，白天对太阳辐射反射作用强，有利于最高气温偏低，夜晚大气逆辐射强，有利于最低气温偏高，因而云量偏多时，DTR较小，云量已被认为是能够影响DTR的主要因素之一[17]，水汽对DTR也具有类似的影响过程。为了探究ENSO和IPO对我国DTR的影响过程，我们计算了Niño3.4指数回归的大气环流场(图7)、云量场以及水汽含量场(图8)，从ENSO事件对应的850 hPa风场和位势高度场上可见，西北太平洋地区存在显著正高度距平和反气旋性环流异常，对应东亚大槽显著减弱，我国南方地区主要受偏南异常气流的影响，有利于水汽的汇聚和云量、水汽含量的增加，图8显示的就是Niño3.4指数回归的云量和850 hPa比湿场的空间分布，可以看到，不管是水汽含量还是云量，南方地区均存在大值中心，即El Niño (La Niña)年冬季，受异常大气环流的影响，我国南方云量增多(减少)，水汽含量增加(减少)，使得DTR容易偏小(偏大)。同理，我们分析了IPO对DTR第二模态的影响过程。图9给出了IPO指数回归的850 hPa风场及位势高度场，从中可以看出，西北太平洋地区存在显著正高度距平和反气旋性环流异常，对应东亚大槽显著减弱，我国东北地区主要受偏南异常气流的影响，有利于水汽的汇聚，即水汽含量的增加，图10进一步给出了IPO指数回归的850 hPa比湿场，可以看出，当IPO为正位相时，我国东北地区水汽含量显著增加，水汽增加有利于大气逆辐射增强，日最低气温升高，从而有利于DTR的减少。即当IPO为正(负)位相时，东亚大槽显著减弱(增强)，东北地区水汽含量增多(减少)，导致DTR显著减小(增大)。
6. 讨论及结论
本文利用中国地面气候站点资料日值数据集、全球再分析大气环流和海表温度资料，研究了我国1970~2020年冬季DTR的多时空尺度变化特征，分析了我国冬季DTR主要模态及其与同期太平洋海温异常的可能联系，并解释了冬季太平洋海温异常影响我国冬季DTR的可能机理，主要结论如下：
我国冬季DTR呈线性减小趋势，其中40˚N以北地区减小趋势最大，这主要是因为，在全球变暖情况下，最低气温增暖速率远大于最高气温而造成的。
我国冬季DTR异常存在两个主要模态，第一模态表现为40˚N以南地区的一致型变化，时间序列具有显著的年际变化特征，第二模态则主要表征40˚N以北地区的DTR变化，以年代际变化为主。
我国冬季DTR两个模态与同期海表温度异常密切相关，第一模态对应显著的热带中东太平洋海温异常，即El Niño (La Niña)年冬季，受异常大气环流的影响，我国南方云量增多(减少)，水汽含量增加(减少)，使得DTR容易偏小(偏大)，第二模态则与太平洋年代际振荡(IPO)有关，当IPO为正(负)位相时，东亚大槽显著减弱(增强)，东北地区水汽含量增多(减少)，导致DTR显著减小(增大)。
本文仅从气候统计角度分析了我国冬季DTR主模态与太平洋海温异常之间的可能联系，尤其是物理机制部分的讨论尚粗浅，仍需要理论和模式试验的结果加以验证研究。此外，ENSO现象具有复杂性和多变性，例如，ENSO存在明显的位相非对称性特征，即El Niño事件显著强于La Niña事件，其对我国冬季DTR的影响是否存在非对称性尚不得而知；另外，ENSO纬向位置存在明显变异，近些年来中太平洋ENSO事件频繁出现，它们对我国冬季DTR之间的影响是否与传统ENSO事件存在差异也需要进一步研究。此外，从图6中可以看出，我国冬季DTR主模态除了与太平洋海温异常有关之外，还与印度洋和大西洋的海温异常存在密切联系，这种联系的物理过程如何也有待后续研究的进一步开展。