1981—2020年中国风速变化及其与大气环流的关系

北京大学城市与环境学院, 北京 100871; †通信作者, E-mail: sh-zhao@urban.pku.edu.cn

摘要基于 1981—2020 年中国地面气象站观测数据, 利用分段线性回归模型、Theil-Sen 斜率估计、Mann-Kendall 趋势检验以及逐步回归模型等方法, 探究近 40 年中国近地面风速变化的区域差异及其与大气环流的关系。结果表明, 1981—2020 年的风速整体上呈下降趋势, 西风、东风、南风和北风的风速下降幅度分别为−0.08, −0.06, −0.14 和−0.14 (m·s−1)/10a; 不同时期风速的变化趋势有差异, 在拐点年份前呈下降趋势, 在拐点年份后呈上升趋势, 且南风和北风的平均风速上升幅度大于西风和东风; 不同区域和不同方向的风速变化存在差异, 中国北部(西北、华北和东北地区)南风和北风的平均风速在 2012 年前后从下降趋势转为上升趋势, 中国南部(华南地区)4 个方向的平均风速在 1990 年前后从下降趋势变为上升趋势; 大气环流与中国区域近地面风速的变化具有较强的相关性。亚洲极涡强度的年际变化指数在逐步回归模型中被保留的频率最高, 与风速正相关, 对中国北部风速的影响大于中部和南部; 太平洋年代际振荡指数在逐步回归模型中被保留的频率最高, 与风速负相关, 对中国南部风速的影响显著小于北部和中部。

风是重要的气象要素, 一个地区的风速变化会对该地区的能见度和空气质量产生影响, 极端大风是导致中国北方沙尘天气的重要因素[1]。同时, 作为一种清洁能源, 风能在社会经济向可持续发展转型的过程中发挥着至关重要的作用。要实现我国政府提出的“碳达峰”和“碳中和”目标, 大力开发风能资源并逐渐替代化石燃料是关键的一步, 因此研究近地面风速变化有着非常重要的现实意义。

近地面风速的变化一直受到研究者的广泛关注,欧洲、北美和东亚等地区均观测到长期近地面风速的显著变化。1981—2010 年世界平均风速为 3.326m/s, 1979—2020 年风速降低的平均速率约为 0.058 (m·s−1)/10a[2]。Pryor 等[3]利用区域气候模型分析欧洲的风能, 发现欧洲北部的风速增加, 地中海地区的风速降低; Weber等[4]通过分析气候变化对欧洲风能的影响, 得到类似的结论; 在北美洲也观测到不同程度的近地面风速下降[5–7]。

中国目前处于能源转型阶段, 研究近地面风速的变化有助于评估和预测未来的潜在风能。Jiang等[8–9]发现 1956—2004 年中国地表平均风速降低速率为 0.124 (m·s−1)/10a, 强风天的数量呈现 3d/10a 的显著下降趋势。与世界风速变化的平均水平相比, 中国近地面风速的下降幅度更大。从季节变化来看, 1975—2016 年中国秋季和冬季的最大近地面风速呈显著下降趋势, 而夏季的最大风速呈显著上升趋势[10]。还有一些学者通过研究中国不同区域的近地面风速变化, 发现我国西北、秦岭南北、京津冀和西南等地区的近地面风速分别呈现−0.06, −0.1, −0.24 和−0.24 (m·s−1)/10a 的变化趋势[11–14]。

近年的一些研究发现近地面风速的变化出现拐点。Zeng 等[15]对全球气象站点风速数据进行分段线性回归分析, 发现全球近地面风速变化的拐点出现在 2010 年前后。这种现象在全球许多区域都得到证实[16–17]。在中国, 有一些研究也观测到近年来近地面风速上升的现象。Yang 等[18]基于观测站点数据, 发现 2000 年之后中国西南地区的近地面风速呈现上升趋势。Zha 等[19]发现, 虽然 1981—2021 年中国东部的风速整体上呈下降趋势, 但 2000 年以后在冬季观测到中国东部风速的上升趋势。Zha 等[20]基于分段线性回归分析, 发现中国东部的近地面风速在 2011 年后从下降趋势转为上升趋势。

作为一种矢量, 风同时具有方向和大小两个要素特征, 因此不同方向的风速变化趋势及影响因素可能存在差异。目前有关近地面风变化的研究大多只关注风速的变化趋势, 对不同方向风速的变化趋势研究较少。本文将风速分解成纬向和经向两个垂直分量并区分正负, 得到西风、东风、南风和北风的风速, 以此为基础研究我国 1981—2020 年风速的时空变化以及与环流的关系, 探索不同方向风速变化的成因差异。

1 研究数据与方法

1.1 研究数据

1.1.1气象站点数据

本文使用的风速数据来自国家气象信息中心(http://data.cma.cn/)的中国国家级地面气象站基本气象要素日值数据集(V3.0)。该数据集包含 1981—2020 年全国 2474 个主要气象站的气象数据日值, 其中日最大风速及其对应的风向记录相对更全面, 因此选取这两个变量来表征近地面风速, 基于风向将风速分解, 然后计算 4 个方向的风速年均值。该数据集经过严格的质量控制, 包括数据完整性检查、时间一致性检查以及空间一致性检查等。本研究去除缺测值数目超过总样本数目 5%的站点, 避免对后续计算风速年均值产生影响。最终, 选取 1712 个站点的数据进行分析。

1.1.2大气环流数据

为研究影响中国区域不同方向近地面风速变化的因素, 本文选取一系列能够表征太平洋和亚洲地区大气环流的特征指数, 将其分为年际指数和年代际指数两类(表 1), 分别探究它们对中国近地面风速的影响。其中, TNA, PDO 和 AO 来自美国国家海洋和大气管理局官网(https://psl.noaa.gov/data/clima teindices/list/), APVII, AZCI, APVAI 和 EATII 来自中国国家气候中心官网(http://cmdp.ncc-cma.net)。所有环流指数均为月均值, 在此基础上计算得到年均值。

1.2 研究方法

1.2.1风向分解方法

数据集中的风向用 16 个方位表示, 按照表 2 所示规则, 将其转化为用角度表示的方位 θ。以站点为坐标原点, 正北为 Y 轴正方向, 正东为 X 轴正方向, 按照对应的风向(θ), 沿着东西方向和南北方向对风向进行分解, 得到经向风和纬向风分量(图 1)。基于分解结果, 将经向风和纬向风分为西风(X+)、东风(X−)、南风(Y+)和北风(Y−), 计算每个站点 4个方向风速的年均值。

1.2.2分段线性回归模型

本文使用分段线性回归模型研究风速变化拐点。分段线性回归模型的基本原理是, 在不同的数据区间拟合线性回归模型, 并在相邻区间之间保持平滑的连接。通过在这些区间内进行回归分析, 模型可以更准确地描述数据的变化情况。分段线性回归模型[21]表示如下:

其中, β0 表示截距, β1 和 β2 表示两段直线的斜率, α 表示断点位置, ti 为自变量, εi 为残差。

本文分别使用普通线性回归模型和分段线性回归模型对同一风速时间序列进行拟合, 并基于赤池信息量准则(Akaike information criterion, AIC)和贝叶斯信息准则(Bayesian information criterion, BIC)获得最优模型。二准则基于信息熵原理, 通常用来衡量不同模型的性能。当模型为线性回归模型且变量呈正态分布时, AIC 和 BIC 的计算公式[22]如下:

其中, |S|表示样本量, width=33.45,height=17.15

表示模型的残差平方和, |M|表示模型中自变量数目, |R|表示模型分段数目。与普通线性回归模型相比较, 如果分段线性回归模型的 AIC 和 BIC 均较小, 便认为分段线性回归模型对原始数据的拟合更优。本文通过该算法来对风速时间序列是否存在拐点进行识别。

1.2.3 Theil-Sen 斜率估计与 Mann-Kendall 检验

Theil-Sen 斜率是一种估计斜率的非参数方法, 与基于最小二乘法的传统回归方法不同, Theil-Sen 斜率估计方法不要求数据必须满足正态分布, 且对异常值不敏感, 因此适用于计算风速等气象要素长时间序列的变化, 计算公式[23]如下:

其中,Median 表示取中位数, xi 和 xj 表示变量。

与 Theil-Sen 斜率估计方法类似, Mann-Kendall (MK)检验也是一种非参数方法, 用于检验数据的变化趋势是否显著, 检验结果可以分为显著上升、显著下降以及没有明显变化 3 种趋势。MK 检验的 Z统计量计算公式[24–25]如下:

式(6)中, g 为结组的数目, ta 表示在结组 a 中重复的数目。式(7)中 sgn 为符号函数, 表示为

1.2.4逐步线性回归模型

逐步回归模型是一种常用的统计学分析方法, 通过逐步加入和剔除变量构建模型。在迭代过程中, 每加入一个自变量, 模型便通过调整 R2 或 F统计量等准则来评估模型性能, 然后决定是否保留该变量。当模型的性能无法进一步提升时, 迭代便终止。逐步回归分析方法的优点是可以在拟合较小的模型时避免过拟合, 并且提供了一种变量选择的方法, 获取那些对因变量影响较大的自变量。本文利用逐步回归模型的这一特性, 筛选与中国区域近地面风速变化存在关联的环流指数。

2 研究结果

2.1 中国平均近地面风速变化与拐点

图 2 显示 1981—2020 年中国区域不同方向平均近地面风速年均值变化趋势、Theil-Sen 斜率估计结果和分段线性回归拟合结果。4 个方向的近地面风速整体上呈显著下降趋势, 西风、东风、南风和北风的 Theil-Sen 斜率分别为−0.08, −0.06, −0.14 和−0.14 (m·s−1)/10a, 南风和北风的下降速率大于西风和东风。东风和西风的年际变化规律大致相同, 二者均在 1981—2020 年呈下降趋势, 分段线性拟合算法未找到合适的拐点; 南风和北风的年际变化规律大致相同, 二者在 1981—2012 年经历长时间的下降后, 拐点均出现在 2013 年前后。4 个方向的风速均在 1986 年前后达到最大值, 在 2012 年前后达到最小值。根据 Theil-Sen 斜率估计与分段线性回归结果, 可以认为中国 2012 年之后近地面风速的增强更大程度上由经向风的增强导致。

利用分段线性回归算法对所有站点 4 个方向的近地面风速进行拟合, 筛选存在拐点的站点序列。图 3 显示, 4 个方向的近地面风速的变化规律整体上以“下降–上升”为主, 西风、东风、南风和北风在拐点前变化的斜率均值分别为−0.34, −0.30, −0.31 和−0.37 (m·s−1)/10a, 在拐点后变化的斜率均值分别为0.39, 0.44, 0.49 和 0.72 (m·s−1)/10a。拐点前西风和北风的下降速率大于东风和南风, 拐点后南风和北风的上升速率大于东风和西风。拐点前 4 个方向近地面风速变化趋势的概率密度分布比拐点后更加集中, 说明大多数站点在拐点前呈现的风速变化规律比拐点后更一致, 也从侧面说明近地面风速变化出现拐点的影响因素比较复杂。

2.2 中国近地面风速变化的区域分异

2.2.1不同区域近地面风速变化趋势

按照纬度, 将中国区域分为北部(西北、华北和东北)、中部(西南、华中和华东)和南部(华南), 在此基础上分析我国不同地区的近地面风速变化。如图 4 所示, 大部分站点的近地面风速呈下降趋势, 西风风速显著下降趋势的站点主要分布在西北和东北地区, 东风风速显著下降趋势的站点则主要分布在西北地区东部和华东地区。受季风气候影响, 华东地区的纬向盛行风向为东风, 而内陆地区受东南季风的影响较小, 因此西风风速下降的趋势更明显。有一些站点西风和东风的风速呈上升趋势, 但上升幅度较小, 这些站点集中分布在华南地区, 华中和华北地区有少量分布。南风和北风的风速整体上也呈现下降趋势, 但站点的空间分布与西风和东风有所差异。南风风速呈下降趋势的站点集中分布在东北和华北地区, 北风风速呈下降趋势站点的空间分布整体上与南风差别不大, 但华中和华东地区更加集中。南部沿海地区 4 个方向的风速均呈现上升的趋势。

中国不同区域 4 个方向近地面风速均值的 Theil- Sen 斜率估计结果(表 3)表明, 除华南地区的西风以0.04 (m·s−1)/10a 的速率显著上升外, 其他地区不同方向的风速均呈下降趋势, 华南地区东风、南风和北风风速的变化斜率未通过显著性检验。东北、华北、华东和华中地区纬向风风速的变化速率明显高于经向风。受西南季风和蒙古高压带来的西北风影响, 西南地区西风和南风风速的下降趋势大于东风和北风, 西北地区西风和北风风速的下降趋势大于东风和南风。对比不同区域同一风向的风速变化可以看到, 东北和西北地区西风风速的下降速率显著高于其他地区, 并且只有华南地区西风的风速呈显著上升趋势; 华东地区东风的风速下降速率最大, 华中地区最小; 东北地区南风的风速下降速率最大, 华东地区次之; 东北、西北和华东地区北风的风速下降速率接近, 并且显著大于其他地区。

综合上述分析可以发现, 近地面风速整体上呈下降趋势, 且不同地区风速变化的主导风向不同。东北、华北、华东和华中地区风速的下降主要由南风和北风贡献, 西南地区风速的变化由西风和南风贡献, 西北地区风速的变化主要由西风和北风的贡献, 华南地区西风风速的上升幅度大于其他风向。

2.2.2不同区域近地面风速拐点

统计中国北部、中部以及南部 1981—2020 年 4个方向近地面风速的均值, 并使用分段线性回归模型进行拟合, 结果如图 5 所示。过去 40 年, 中国北部西风和东风的风速整体上呈下降趋势, 西风和东风风速变化的拐点大致出现在 1987 年, 此前风速下降较快, 此后东风风速下降的速度减缓。南风和北风的变化规律大致相同, 风速变化的拐点均出现在2012 年前后, 拐点前风速呈下降趋势, 拐点后呈上升趋势。中国中部 4 个方向的风速变化规律相似, 拐点出现的时间均在 1986 年前后, 且拐点之后 4 个方向风速的下降速率放缓。中国南部 4 个方向近地面风速的变化规律也大致相同, 风速变化的拐点均出现在 1990 年前后, 拐点之前风速均呈下降趋势, 拐点之后均呈上升趋势, 且拐点之后西风风速的上升幅度大于其他 3 个风向。

2.3 近地面风速与大气环流指数的关系

我们以年际指数为自变量进行逐步回归分析, APVII 在所有的自变量中被保留的频率最高, 其次是 TNA, 最后是 AZCI (表 4)。APVII 和 AZCI 在北部站点中被保留的频率最高, 在南部站点中被保留的频率最低, 而 TNA 在 3 个区域站点中被保留的频率接近, 说明 APVII 和 AZCI 对中国区域近地面风速的影响从南到北逐渐增强。

我们以年代际指数为自变量进行逐步回归分析, PDO 在所有模型中被保留的频率最高, 并且在北部和中部站点中被保留的频率显著高于南部站点(表5)。APVAI 在中部和南部站点中被保留的频率仅次于 PDO, 但在北部站点中 AO 和 EATII 被保留的频率高于 APVAI, 说明 APVAI 对中国中部风速的影响较大, EATII 和 AO 对中国北部风速的影响较大。APVAI 表征的是亚洲区域极涡面积的大小, 当极涡面积增大时, 中国中部的站点受到极涡带来的影响也会增大。EATII 表征的是对我国气候有重要影响的东亚大槽的强度。黄小梅等[26]发现, 在东亚大槽偏强的年份, 蒙古冷高压与阿留申低压同时增强, 区域气压梯度增大, 进而导致冬季偏北风增强。当东亚大槽加深时, 西伯利亚高压相应地增强, 高原北风的频次和风速均会上升[27]。

APVII 和 PDO 分别在年际和年代际尺度上对中国区域近地面风速的影响最大, APVII 与中国的近地面风速正相关, 而 PDO 与中国近地面风速负相关(图 6)。APVII 表征的是亚洲区域极涡的强度。极涡具有风速快和气压低等特点, 亚洲极涡会对东亚经向风和纬向风产生影响。王遵娅等[28]发现, 随着亚洲极涡的强度和面积指数增大, 在高空的西风急流中心会发生北移, 同时在东亚低空的偏北风也随之增强。异常强的极涡向下传播, 会使得西伯利亚高压增强, 东亚沿岸东西气压梯度随之增加, 造成异常偏强的季风[29]。PDO 是太平洋海平面温度的主导模式, 主要表现为太平洋北部中纬度地区与东部热带地区的海平面温度呈相反相位, 具有年代际的周期[30]。当 PDO 处于负相位时, 太平洋北部的海温异常升高, 东亚低纬度地区和中高纬度地区分别呈现北风和南风异常, 减小南北温度梯度, 进而导致经向风的风速降低[31]。此外, Zhang 等[32]认为, 当 PDO 处于负(正)相位时, 温度梯度的增大导致中纬度地区西风削弱(增强), 东风增强(削弱)。

3 讨论

从整体上看, 1981—2020 年中国区域近地面风速呈显著下降趋势。不少研究者认为 2010 年以后我国近地面风速从下降趋势变为上升趋势[15,18–19,33], 本文分段线性拟合结果表明, 南风和北风在 2012 年前后出现明显的拐点, 而东风和西风并未出现拐点, 因而进一步得到结论: 2010 年以后近地面风速的增加在更大程度上受控于经向风速的变化。

一些研究者认为大尺度环流是导致近地面风速发生改变的原因, 有研究表明热带北大西洋指数(TNA)、北大西洋涛动指数(Northern Atlantic Osci-llation, NAO)和太平洋年代际振荡指数(PDO)等环流指数与近地面风速的变化有较强的相关性。Zeng等[15]发现, 在全球尺度上 TNA, PDO 和 NAO 等指数与近地面风速的相关性较强, Jerez 等[34]发现欧洲区域的近地面风速与 NAO 有较好的相关性, Chen 等[35]发现中国区域北极涛动(AO)和厄尔尼诺–南方涛动(EN-SO)指数的相位会显著地影响风速分布的概率。Fu 等[36]发现 PDO 的相位变化会对中国区域的风速产生影响。本文分别探究年际指数和年代际指数与中国区域近地面风速之间的关系, 证明 APVII 和PDO 分别是年际指数和年代际指数中影响最大的指数。因此, 我们推断中国区域近地面风速同时受到来自极涡和太平洋海温异常的共同影响。

4 结论

本文研究了 1981—2020 年中国不同区域近地面风速的变化趋势与拐点, 并探究了近地面风速与大气环流指数的关系, 得到如下主要结论。

1)从整体上看, 过去 40 年中国区域 4 个方向的近地面风速呈下降趋势, 南风和北风的风速在 2012年前后出现明显的拐点, 从下降趋势转为上升趋势。拐点之后南风和北风的风速平均上升速率大于西风和东风, 说明 2012 年以来我国近地面风速的上升主要由经向风主导。

2)不同区域不同方向的风速变化存在差异, 东北、华北、华东和华中地区风速的下降主要受南风和北风影响, 西南地区风速的下降受西风和南风影响, 西北地区风速的下降主要受西风和北风影响, 华南地区西风的风速呈显著上升趋势。不同区域风速的拐点也存在差异, 中国北部(西北、华北和东北)南风和北风的平均风速在 2012 年前后从下降趋势转为上升趋势, 中国中部(西南、华中和华东)的平均风速在 1987 年后下降速率减缓, 中国南部(华南地区)的平均风速在 1990 年前后从下降趋势变为上升趋势。

3)APVII 指数与中国区域近地面风速正相关, 在中国北部站点分段线性拟合模型中保留的频率最高, 南部站点分段线性拟合模型中保留的频率最低; PDO 指数与中国区域近地面风速负相关, 在中国南部站点分段线性拟合模型中保留的频率显著低于北部和中部。中国区域的近地面风速受到极涡和太平洋年代际振荡的共同影响。

[1] 王式功, 董光荣, 陈惠忠, 等. 沙尘暴研究的进展. 中国沙漠, 2000, 20(4): 5–12

[2] Azorin-Molina C, Dunn R, Ricciardulli L, et al. Land and ocean surface winds // State of the climate in 2019. Bulletin of the American Meteorological Society, 2020, 101(8): S63–S65

[3] Pryor S C, Barthelmie R J, Kjellstrom E. Potential climate change impact on wind energy resources in northern Europe: analyses using a regional climate model. Climate Dynamics, 2005, 25(7/8): 815–835

[4] Weber J, Gotzens F, Witthaut D. Impact of strong climate change on the statistics of wind power genera-tion in Europe // Caetano N D, Felgueiras M C. 5th International Conference on Energy and Environment Research. Amsterdam: Elsevier Science, 2018: 22–28

[5] Greene J S, Chatelain M, Morrissey M, et al. Estimated changes in wind speed and wind power density over the western High Plains, 1971–2000. Theoretical and Applied Climatology, 2012, 109(3/4): 507–518

[6] Klink K. Trends and interannual variability of wind speed distributions in Minnesota. Journal of Climate, 2002, 15(22): 3311–3317

[7] Kulkarni S, Huang H P. Changes in surface wind speed over North America from CMIP5 model projections and implications for wind energy. Advances in Me-teorology, 2014, doi: 10.1155/2014/292768

[8] Jiang Y, Luo Y, Zhao Z C, et al. Changes in wind speed over China during 1956–2004. Theoretical and Applied Climatology, 2010, 99(3/4): 421–430

[9] Jiang Y, Luo Y, Zhao Z C. Maximum wind speed changes over China. Acta Meteorologica Sinica, 2013, 27(1): 63–74

[10] Zhang G F, Azorin-Molina C, Chen D L, et al. Variabi-lity of daily maximum wind speed across China, 1975–2016: an examination of likely causes. Journal of Cli-mate, 2020, 33(7): 2793–2816

[11] Ge J, Feng D P, You Q L, et al. Characteristics and causes of surface wind speed variations in Northwest China from 1979 to 2019. Atmospheric Research, 2021, 254: 105527

[12] 蒋冲, 王飞, 刘焱序, 等. 秦岭南北风速时空变化及突变特征分析. 地理科学, 2013, 33(2): 244–250

[13] Wang J, Feng J M, Yan Z W, et al. Urbanization impact on regional wind stilling: a modeling study in the Beijing-Tianjin-Hebei region of China. Journal of Geophysical Research-Atmospheres, 2020, 125(20): e2020JD033132

[14] 张志斌, 杨莹, 张小平, 等. 我国西南地区风速变化及其影响因素. 生态学报, 2014, 34(2): 471–481

[15] Zeng Z H, Ziegler A D, Searchinger T, et al. A reversal in global terrestrial stilling and its implications for wind energy production. Nature Climate Change, 2019, 9(12): 979–985

[16] Kim J, Paik K. Recent recovery of surface wind speed after decadal decrease: a focus on South Korea. Cli-mate Dynamics, 2015, 45(5/6): 1699–1712

[17] Laurila T K, Sinclair V A, Gregow H. Climatology, variability, and trends in near-surface wind speeds over the North Atlantic and Europe during 1979–2018 based on ERA5. International Journal of Climatology, 2021, 41(4): 2253–2278

[18] Yang X M, Li Z X, Feng Q, et al. The decreasing wind speed in southwestern China during 1969–2009, and possible causes. Quaternary International, 2012, 263: 71–84

[19] Zha J L, Wu J, Zhao D M, et al. A possible recovery of the near-surface wind speed in Eastern China during winter after 2000 and the potential causes. Theoretical and Applied Climatology, 2018, 136(1/2): 119–134

[20] Zha J L, Shen C, Zhao D M, et al. Slowdown and reversal of terrestrial near-surface wind speed and its future changes over eastern China. Environmental Re-search Letters, 2021, 16(3): 034028

[21] Toms J D, Lesperance M L. Piecewise regression: a tool for identifying ecological thresholds. Ecology, 2003, 84(8): 2034–2041

[22] Gkioulekas I, Papageorgiou L G. Piecewise regression analysis through information criteria using mathema-tical programming. Expert Systems with Applications, 2019, 121: 362–372

[23] Sen P K. Estimates of the regression coefficient based on Kendall’s Tau. Journal of the American Statistical Association, 1968, 63: 1379–1389

[24] Mann H B. Nonparametric tests against trend. Econo-metrica, 1945, 13: 245–259

[25] Kendall M G. Rank correlation methods. London: Charles Griffin, 1975

[26] 黄小梅, 管兆勇, 戴竹君, 等. 冬季东亚大槽强度年际变化及其与中国气候联系的再分析. 气象学报, 2013, 71(3): 416–428

[27] 周伟东, 孙国武, 董广涛, 等. 中国东部不同气候带近60年冬季最低气温变化特征及环流分析. 高原气象, 2010, 29(3): 680–687

[28] 王遵娅, 丁一汇. 夏季亚洲极涡的长期变化对东亚环流和水汽收支的影响. 地球物理学报, 2009, 52 (1): 20–29

[29] 魏科. 北半球平流层极涡年际和季内变异及其对东亚冬季风的影响[D]. 北京: 中国科学院研究生院, 2007

[30] Zhang Y, Wallace J M, Iwasaka N. Is climate va-riability over the North Pacific a linear response to ENSO?. Journal of Climate, 1996, 9(7): 1468–1478

[31] 查进林. 中国东部地区陆域近地面风速时空演变特征及机理分析[D]. 昆明: 云南大学, 2019

[32] Zhang Y, Xie S P, Kosaka Y, et al. Pacific decadal oscillation: tropical pacific forcing versus internal variability. Journal of Climate, 2018. 31(20): 8265–8279

[33] 杨庆, 李明星, 祖子清, 等. 中国区域的地表风速还在减弱吗?. 中国科学: 地球科学, 2021, 51(7): 1028–1042

[34] Jerez S, Trigo R M, Vicente-Serrano S M, et al. The impact of the North Atlantic Oscillation on renewable energy resources in southwestern Europe. Journal of Applied Meteorology and Climatology, 2013, 52(10): 2204–2225

[35] Chen L, Li D, Pryor S C. Wind speed trends over China: quantifying the magnitude and assessing causa-lity. International Journal of Climatology, 2013, 33 (11): 2579–2590

[36] Fu G B, Yu J J, Zhang Y C, et al. Temporal variation of wind speed in China for 1961–2007. Theoretical and Applied Climatology, 2011, 104(3/4): 313–324

Changes in Wind Speed in China from 1981 to 2020 and Its Relationship with Atmospheric Circulation

College of Urban and Environmental Sciences, Peking University, Beijing 100871; † Corresponding author, E-mail: sh-zhao@urban.pku.edu.cn

Abstract Based on the methods of piecewise regression model, Theil-Sen slope estimator, Mann-Kendall trend test, and stepwise regression model, this study explores the changes in near surface wind speed in China from 1981 to 2020 and its relationship with circulation patterns. The results indicate that overall, the wind speeds from 1981 to 2020 showed decreasing trends, with the decreasing trends of westerly, easterly, southerly, and northerly winds being −0.08, −0.06, −0.14 and −0.14 (m·s−1)/10a, respectively. Using a segmented linear regression model to explore the inflection point of wind speed, the wind speed showed downwards trend before the inflection point and upward trends after the inflection point, and the average increase amplitude of southerly and northerly winds is higher than that of westerly and easterly winds. There are differences in wind speed changes in different regions and directions. The average south and north winds in northern China (Northwest, North, and Northeast China) changed from decreasing to increasing near 2012, while the average wind speeds in the four directions in southern China (South China) changed from decreasing to increasing near 1990. There is a strong correlation between the atmospheric circulation indices and the near surface wind speed in China. Among the inter-annual indices, the Asian Polar Vortex Intensity Index retains the highest frequency in the stepwise regression model, which is positively correlated with wind speed and has a higher impact on the northern sites of China than the central and southern sites. Among the interdecadal indices, the Pacific Decadal Oscillation retains the highest frequency in the stepwise regression model and is negatively correlated with wind speed. Its impact on wind speed at stations in southern China is significantly lower than that in the north and central regions.