图1 中国东部季风区地理区位及地形
Fig.1 Location and topography of eastern China’s monsoon region
北京大学学报(自然科学版) 第62 卷 第4 期 2026 年7 月
Acta Scientiarum Naturalium Universitatis Pekinensis, Vol. 62, No. 4 (July 2026)
doi: 10.13209/j.0479-8023.2026.056
国家自然科学基金(72474010)资助
收稿日期: 2025-05-22;
修回日期: 2025-11-24
Spatial-Temporal Evolution of Wet-Bulb Temperature and Evaluation of Population High Moist-Heat Exposure Risk in Eastern China’s Monsoon Region
工业革命以来, 全球气候发生显著的变化, 其中全球变暖问题尤为突出, 成为当今世界面临的严重威胁之一[1]。各气候组织近期发布的气候报告表明, 工业化后的全球温度持续升高, 2024 年成为有气象记录以来最热的一年, 气候问题日益严峻[1-2]。随着全球变暖情况愈演愈烈, 各类极端高温事件频发。2003 年, 欧洲地区的极端高温事件造成超过 7万人死亡[3]; 2010 年, 俄罗斯有超过 15000 人死于 8月的热浪[4]; 2015 年夏天, 印度和巴基斯坦遭遇长达三周的严重热浪, 造成超过 4000 人死亡[5]; 2022年, 欧洲有约 6.3 万例死亡与高温相关[6]。世界各地层出不穷的极端高温事件对生态系统、人类健康以及社会经济等多方面造成巨大的损失。温度升高已对人类健康造成影响, 高湿环境通常使高温的影响进一步放大[7-9]。在潮湿且温暖的环境中, 人体蒸发冷却的能力被降低, 难以进行正常的排汗, 体内处于过热状态, 限制人体的耐热性, 不仅降低人体的体感舒适度, 更会打破体内平衡, 导致人体内状况紊乱甚至死亡[10-12]。因此, 考虑温度和湿度变化的综合效应, 对应对气候变化和人体热应激具有重要意义。
作为衡量温度和湿度的综合指标, 湿球温度是研究环境湿热变化的关键切入点, 也是研究人体舒适度和热应激的重要参考指标[10,13]。随着全球变暖日益显著, 湿球温度的变化规律及其对全球气候与人类健康的影响成为研究热点。Raymond 等[10]使用 HadISD 气象站点观测数据, 计算 1979—2017 年的全球湿球温度, 发现南亚、中东沿海地区以及北美西南部海岸线附近的湿球温度值处于全球较高水平, 甚至一些地区的湿球温度已经超过 35℃。Willett[14]基于更长的时间序列分析全球湿球温度的变化, 发现全球范围内极端湿热事件的发生频率以及强度都在增加, 尤其是东亚地区, 发生频率增加显著。聚焦到国内, 学者们采用小波功率谱分析以及EOF 分解等多种方法研究中国的湿热状况, 发现日最高湿球温度呈现“南高北低”的空间格局, 部分地区的日最高湿球温度超过 35℃, 并且北方的极端湿热增幅高于南方, 南北方差异正在缩小[15-18]。
近年来, 极端湿热事件发生的范围越来越广,发生频率也有所增加[19-20]。在此背景下, 预测未来湿球温度的变化趋势对今后气候湿热状况以及保护人体健康具有重要意义。当前对未来湿球温度的预测大多从两个角度展开, 一是基于国际耦合模式比较计划(CMIP)提出的未来排放情景, 模拟计算不同排放情景下的湿球温度可能值; 二是将 Sherwood等[21]提出的 35℃人体生理阈值作为参考, 预测未来可能超过该阈值的时间和地点。预计在高排放情景下, 本世纪末全球平均湿球温度将增加 3℃以上,且湿热效应会集中在沿海和赤道地区[22-24]。从人体生理阈值的角度看, 气候模型预测到 21 世纪中期, 极端湿热事件的频率和范围将显著增加, 尤其是热带和亚热带地区, 将对人类健康和宜居性产生显著影响[10,16,25]。同时, 城市化进程会导致人口分布与密度的变化, 进而加剧人口密集城市极端湿热的暴露与健康风险[16,25]。
从全国范围来看, 不适宜的湿度水平(过高或过低)会增加心血管疾病风险, 尤其在夏季, 高温与高湿叠加形成的湿热天气会使非意外死亡的超额风险明显高于单纯高温情形, 且女性、老年人等敏感人群受到的影响更显著[26-28]。有关中国东部季风区内上海和浙江等地的研究证实, 相对湿度可显著地修饰气温与死亡之间的关系, 湿热环境对健康的影响普遍强于单纯高温环境, 不仅升高心血管疾病的死亡风险, 还会增加呼吸系统相关疾病的门诊负担[29-30]。综合来看, 在中国东部季风区, 湿热天气已成为影响人群健康的重要气候因子。
中国东部季风区是我国人口密度最高的地区,是最容易受到极端湿热事件影响的地区[31-33], 但目前有关该区域湿球温度变化情况和未来趋势的细致研究较为欠缺。因此, 本研究聚焦于中国东部季风区, 分析该区域历年来湿球温度的变化特征和湿热天气状况, 预估未来湿热天气的发展趋势, 进而评估区域内人口的高湿热暴露风险。
中国东部季风区地理区位及地形如图1 所示。随着纬度增高, 中国东部季风区的气候表现为热带季风气候、亚热带季风气候和温带季风气候, 夏季受海洋季风影响显著, 气候湿润, 普遍高温多雨; 冬季受北方冷气流影响, 大部分地区寒冷干燥, 雨季集中在 5—9 月, 年降水量均大于 400 mm, 湿润程度高[34]。随着季节变化, 中国东部季风区的风向、降水和气温等呈现明显的更替现象, 尤其在夏季, 经常发生高温热浪事件。因此, 中国东部季风区是研究极端湿热环境的典型区域。
图1 中国东部季风区地理区位及地形
Fig.1 Location and topography of eastern China’s monsoon region
1.2.1 再分析气象数据
再分析气象数据来源于欧洲中期天气预报中心(ECMWF)提供的 ERA5 再分析数据集(https://cds.cli mate.copernicus.eu/datasets), 由 ECMWF 的哥白尼气候变化服务生产。该数据集是对 1950 年 1 月至今全球气候的第五代再分析资料, 包含来自世界各地的观测数据以及模拟数据, 覆盖全球范围, 并使用137 个高度对大气进行解析, 包括在降低空间分辨率和时间分辨率时所有变量的不确定信息, 具有数据精度高、时空分辨率高的优点。ERA5 数据集在模拟中国区域日最高温和相对湿度方面表现良好, 在大多数台站, 日最高温的平均绝对误差和均方根误差均小于 2℃, 与北亚热带地区日最高温观测值的相关系数高达 0.987, 具有较高的模拟精度和可靠性[35]。在表面相对湿度的长期变化和年际变化模拟结果中, ERA5 数据与观测数据的相关性同样较强, 特别是在中国东部地区, 能够较好地反映相对湿度的空间分布特征[36]。本研究选取 ERA5 数据集中 1981 年 1 月 1 日—2020 年 12 月 31 日的日最大和最小近地面温度以及日最小和最大相对湿度, 空间分辨率为 0.25°×0.25°, 格式为 NetCDF。
1.2.2 未来情景的气象数据
未来情景的气象数据基于第六次国际耦合模式比较计划(CMIP6)(https://aims2.llnl.gov/search/cmip 6/)提供的全球气候模式输出。CMIP6 由多个国家和机构自主研发的模式共同组成, 为全球及区域气候变化研究提供了统一的多模式情景框架。考虑到空间分辨率及数据格式的统一性, 本研究在 CMIP6原始模式输出的基础上, 选用美国国家航空航天局(NASA)发布的 NEX-GDDP-CMIP6 数据集(https://ww w.nccs.nasa.gov/services/data-collections/land-basedproducts/nex-gddp-cmip6)作为未来气象情景输入。该数据集通过偏差校正以及统计降尺度方法, 将CMIP6 多模式输出统一至约 0.25°×0.25°的全球日尺度规则格点。研究表明, NEX-GDDP-CMIP6 数据集在极端气候事件的模拟方面较之 CMIP6 有一定的改进, 已经广泛应用于气候变化与风险评估研究中[37-38]。综合考虑模式的整体模拟能力、刻画侧重点、模式间结构差异及其在中国区域的表现, 本研究选取 CanESM5, CESM2, EC-Earth3 以及 MRI-ESM2-0 这 4 个模式(表1)进行未来情景分析, 所用数据包含 4 个模式中 1950—2014 年的历史本底数据以及 SSP2-4.5 和 SSP5-8.5 两个情景下 2046—2055 年的预估数据, 两部分数据中所选指标均为近地面温度以及相对湿度, 时间分辨率为日, 空间分辨率为0.25°×0.25°, 格式为 NetCDF。
表1 模式基本信息
Table1 Basic information of models
模式 研发机构 大气分辨率/km CanESM5 CCCma (加拿大) 500 CESM2 NCAR (美国) 100 EC-Earth3 EC-Earth-Cons (欧盟) 100 MRI-ESM2-0 MRI (日本) 100
1.2.3 人口数据
人口数据来源于 figshare 平台上 2020—2100 年全球 1 km 网格的人口分布数据集(https://doi.org/10.6084/m9.figshare.19609356.v3)。该数据集为 Wang等[39]基于 WorldPop 数据集, 借助随机森林算法预测的未来不同排放情景下覆盖全球的网格化人口数据。本研究选用其中 SSP2-4.5 情景和 SSP5-8.5 情景下 2046—2055 年的数据, 空间分辨率为 1 km×1 km, 时间分辨率为年, 数据格式为 TIFF。
1.2.4 气象数据验证与评价
为评估 ERA5 和所选 4 个气候模式在中国东部季风区的适用性和模拟能力, 本文使用国家气象信息中心(https://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), 对 ERA5 及 4 个模式数据进行验证。以研究区内观测记录较完整的气象站为参考, 分别计算 ERA5 和 4 个模式相对于台站观测数据的归一化标准差(normalized standard deviation, NSD)、中心化均方根差异(centered rootmean-square difference, CRMSD)和相关系数(R)等统计指标, 结果如图2 所示。在大多数站点, ERA5 数据与观测数据之间具有较强的相关性, 整体误差处于可接受水平, 说明 ERA5 数据在研究区是可靠的。气候模式 CanESM5, CESM2, EC-Earth3 和MRI-ESM2-0 相对于观测数据的统计指标均处于合理范围内, 并且模式间总体表现一致, 表明这 4 个模式能够较合理地模拟研究区的气候特征, 满足本文分析的需求。
图2 ERA5 和 CMIP6 模式与站点观测资料的验证结果
Fig.2 Validation of ERA5 and CMIP6 models against station observations
1.3.1 湿球温度的计算
湿球温度这一湿热综合衡量指标在工程设计、气候状况和人体舒适度等多个研究领域均具有重要意义[40-41]。与热指数(heat index, HI)、湿球黑球温度(wet bulb globe temperature, WBGT)等其他衡量热环境的指数相比, 湿球温度能够直接刻画人体蒸发散热的受限程度, 且不依赖辐射和风速等区域性变量, 在数据获取和跨区域对比方面具有一定的优势[21]。目前已有多种估计湿球温度(Tw)的经验方式, 本研究使用近地面温度(T)、相对湿度(RH)和Stull 湿球温度经验方程[42]来计算湿球温度, 该方法已广泛应用于人体热应激研究领域, 计算公式如下:
1.3.2 湿热天气定义
使用 ERA5 再分析数据, 基于式(1), 计算得到1981—2020 年的昼夜湿球温度。根据气象学与统计学标准, 以格点为单位, 对去重后的 1981—2010年昼夜湿球温度值从大到小排序, 取第 1%分位和第 10%分位的值作为每个格点的湿热天气划分阈值。将湿球温度值超过第 1%分位值时定义为高湿热天气, 湿球温度值位于第 1%分位值至第 10%分位值之间时定义为湿热天气, 湿球温度值低于第10%分位值时定义为一般天气。本文主要研究高湿热天气和湿热天气。
1.3.3 人群高湿热暴露风险预估
将人群的高湿热暴露风险定义为未来年均高湿热天数变化与未来暴露于高湿热环境下人口数对数的乘积, 计算公式为
其中, PE 为人群高湿热暴露风险指数, N为未来时段年均高湿热天数的变化值, p 为人口数。本研究中,N 为 SSP2-4.5 和 SSP5-8.5 情景下 2046—2055 年间年均高湿热天数相较于 1950—2014 年间年均高湿热天数的变化, p 为两种情景下预估的 2046—2055年人口均值。
基于式(2), 分别计算两种情景下人群高湿热暴露风险指数。采用核密度分析方法, 识别风险指数值的分布特征与潜在分层结构。在此基础上, 采用 K-means 聚类方法, 对风险值进行分组, 将其划分为低、中、高 3 类暴露风险等级。
1981—2020 年中国东部季风区白天和夜晚湿球温度年最大值与年平均值的变化趋势如图3 所示。近 40 年来, 昼夜湿球温度年最大值和年平均值的变化趋势不尽相同, 表现出不一样的变化特征。
图3 1981-2020 年中国东部季风区昼夜湿球温度年最大值与年平均值的变化趋势
Fig.3 Annual maximum and mean wet-bulb temperature trends for day and night in the eastern China’s monsoon region from 1981 to 2020
图3(a)展示白天湿球温度年最大值的变化情况, 甘肃、四川、云南、山西及东部沿海等地的白天湿球温度年最大值呈现显著上升趋势, 最大变化速率达到约 0.50℃/10 年; 贵州、广西和湖南等地白天的湿球温度年最大值呈现下降趋势, 变化速率约为0.10℃/10 年。其余省份呈现上升与下降交替的特征, 变化趋势不明显。研究区白天湿球温度年平均值的变化趋势总体上表现为升高, 70%以上的区域表现为显著上升, 变化速率在 0～0.50℃/10 年之间(图3(b))。
图3(c)展示夜晚湿球温度年最大值的变化趋势, 除湖南、贵州、广西及周边地区表现为降低趋势外, 其他地区均表现出上升趋势; 山西、山东、河南、江苏、四川和云南等省份的夜晚湿球温度年最大值显著地上升, 最大变化速率达到约 0.60℃/10年。研究区夜晚湿球温度年平均值基本上表现为显著上升趋势, 最大变化速率达到约 0.60℃/10 年(图3(d))。
基于湿热天气的定义, 对 1981—2020 年中国东部季风区昼夜湿热天气进行识别, 结果如图4 和 5所示。如图4(a)所示, 1981—2020 年中国东部季风区白天普遍出现过湿热天气, 出现频次呈现南部最多、北部次之、中部较少的空间格局。白天年均湿热天气出现频次最高的省份是广东省, 普遍达到 85天/年, 华北地区出现湿热天气的天数较少, 基本上低于 40 天/年。如图4(b)所示, 白天高湿热天气也普遍出现, 但年均值远低于湿热天气, 呈现北多南少的空间格局, 最大的高湿热天气频次大于 3 天/年, 位于东北地区。
图4 1981-2020 年中国东部季风区白天各类湿热天气的空间格局
Fig.4 Patterns of humid-heat weather during daytime in the eastern China’s monsoon region from 1981 to 2020
如图5 所示, 夜晚湿热天气主要出现在东北、华北和华东等地区, 其中东南沿海城市夜晚出现湿热天气的频次较高, 最高频次达到 75 天/年。研究区西南部夜晚出现湿热天气的频率较低, 云南省几乎未在夜晚出现过湿热天气。夜晚高湿热天气更加稀少, 仅在华东、华北和东北小部分地区出现过, 最高频次不大于 2 天/年。
图5 1981-2020 年中国东部季风区夜晚各类湿热天气的空间格局
Fig.5 Patterns of moist-heat weather during night in the eastern China’s monsoon region from 1981 to 2020
为了减少单一模式的不确定性, 本研究计算模式 CanESM5, CESM2, EC-Earth3 和 MRI-ESM2-0 的平均值, 对湿球温度进行预估, 得到未来不同情景下的湿热天气变化情况(图6 和 7)。
图6 SSP2-4.5 情景下中国东部季风区 2046-2055 年各类湿热天气的变化
Fig.6 Changes in moist-heat weather under the SSP2-4.5 scenario in the eastern China’s monsoon region from 2046 to 2055
如图6(a)所示, SSP2-4.5 情景下, 研究区内湿热天气变化情况复杂, 南北方差异显著。东北和华北地区基本上表现为 0～50 天/年的增加速率; 华中和华东的大部分地区表现出 0～50 天/年的减少速率,其余地区表现为 0～50 天/年的增加速率。研究区西南部各种变化类型均有, 以 0～50 天/年的减少或增加速率为主, 夹杂其他类型, 其中云南省变化情况最复杂。华南地区的湿热天气变化主要表现为 0～50 天/年的减少速率, 两广南部将出现大于 50 天/年的减少速率, 海南岛以大于 100 天/年的增加速率为主。如图6(b)所示, SSP2-4.5 情景下, 研究区内高湿热天气普遍增加, 北方主要表现为 0～50 天/年的增加速率, 南方主要表现为 50～100 天/年的增加速率,云南、广西和广东等地小范围出现大于 100 天/年的增加速率。
如图7(a)所示, SSP5-8.5 情景下, 东北和华北地区湿热天气普遍增多, 增加速率保持在 0～50 天/年范围内, 部分地区出现 50～100 天/年的增加速率,东北地区小范围表现出 0～50 天/年的减少速率。华中和华东地区主要表现为 0～50 天/年的减少速率,华东沿海地区小范围出现 0～50 天/年的增加速率。研究区西南部湿热天气变化情况复杂, 北部主要表现为 0～50 天/年的增加或减少速率, 南部变化情况多种多样, 各中变化类型夹杂分布。华南地区的高湿热天气主要表现为大于 50 天/年的减少速率, 但是海南岛主要表现为大于 100 天/年的增加速率。如图7(b)所示, SSP5-8.5 情景下, 东北和华北地区高湿热天气普遍出现 0～50 天/年的增加速率, 华中和华东地区主要出现 50～100 天/年的增加速率。研究区西南部高湿热天气以 0～100 天/年的增加速率为主,云南省南部大范围出现大于 100 天/年的增加速率;华南地区高湿热天气主要表现为大于 50 天/年的速率, 增加速率大于 100 天/年的区域集中在两广偏南的地区。
图7 SSP5-8.5 情景下中国东部季风区 2046-2055 年各类湿热天气的变化
Fig.7 Changes in moist-heat weather under the SSP5-8.5 scenario in the eastern China’s monsoon region from 2046 to 2055
基于 4 种模式平均值的高湿热天数变化计算结果, 分别计算 SSP2-4.5 和 SSP5-8.5 情景下 2046—2055 年中国东部季风区人群高湿热暴露风险的空间分布, 结果如图8 所示。
图8 中国东部季风区 2046-2055 年人群高湿热暴露风险的空间格局
Fig.8 Patterns of high moist-heat exposure risk for people in the eastern China’s monsoon region from 2046 to 2055
SSP2-4.5 情景下, 东北及华北地区的暴露风险总体上较低, 研究区西南部低、中风险交替分布,其中云南中部和四川南部出现较高的暴露风险。华中、华东和华南地区的高湿热暴露形势较为严峻,华中和华东大部分地区以中暴露风险为主, 少数地方出现高风险, 整体暴露风险明显高于北方; 华南地区, 尤其是广东和广西面临较高的暴露风险。
SSP5-8.5 情景下, 东北和华北地区主要表现为低风险, 华北南部少数区域面临中风险。研究区西南部以中暴露风险为主, 夹杂分布着低风险区域, 云南中部和四川西部面临高暴露风险。华中和华东地区全面呈现中风险, 夹杂分布着高风险。华南地区湿热暴露尤为严峻, 尤其两广地区, 普遍达到较高风险等级。总体来看, 两种情景下的暴露风险等级均大致呈现从北向南增高的空间格局。
本研究探讨 1981—2020 年中国东部季风区的湿球温度变化趋势和湿热天气空间格局, 基于多模 式预估 2046—2055 年区域内湿热天气变化情况, 并结合人口变化预估未来人群高湿热暴露风险, 得到如下主要结论。
1) 湿球温度总体上呈现上升趋势。1981—2020年, 中国东部季风区的湿球温度总体上升高, 但昼夜变化趋势有所不同。白天, 研究区西部和东部沿海地区的湿球温度年最大值显著上升, 南部少数地区呈现下降趋势; 夜晚, 除南部少数地区外, 湿球温度年最大值均表现为上升趋势。昼夜湿球温度年平均值均主要表现为上升趋势。
2) 各类湿热天气的分布及变化情况复杂。1981 —2020 年, 中国东部季风区白天湿热天气普遍出现, 呈现南部最多、北部次之、中部较少的空间格局; 高湿热天气在研究区普遍出现但出现频率较低。夜晚高湿热天气极为稀少, 湿热天气主要出现在研究区北部和东部, 西南部出现频率较低。在 SSP2-4.5和 SSP5-8.5 情景下, 未来各类湿热天气的发生频率以及分布范围变化显著。湿热天气在两情景下均出现复杂的变化, 且南北方差异显著, 东北和华北地区主要表现为 0～50 天/年的增加速率, 华中和华东地区主要表现为 0～50 天/年的减少速率, 研究区西南部和华南地区出现大于 50 天/年的增加或减少速率。两种情景下, 研究区内高湿热天气的出现频次普遍增多, 主要表现为 0～50 天/年和 50～100 天/年的增加速率, 大于 100 天/年的增加速率仅出现在研究区南部, SSP5-8.5 情景下高湿热天气增多的形势更为严峻。
3) 在两种未来情景下, 东北和华北地区高湿热暴露风险总体上较低, 华东、华中、华南及研究区西南部将面临中度甚至高度的高湿热暴露风险, 亟须相关部门的关注, 并及时采取应对措施。
尽管本研究对湿热环境的现状、未来变化及人群暴露风险进行了较为系统的分析, 但仍然存在局限性, 有待后续研究的进一步完善。首先, 本研究主要关注湿热天气的时空分布特征和未来变化, 对湿热增强的主导因素及其气候学机制缺乏深入的探讨。其次, 本研究中对人群高湿热暴露风险的评估主要基于人口数量, 尚未考虑人口老龄化、适应性差异及其他社会经济因素。最后, 本研究仅在区域尺度上对人群的湿热暴露风险进行识别及评估, 在机制分析方面有待提升。未来的研究中将加强对湿热变化机制的分析, 探讨温度与湿度在不同区域和情景下的相对贡献, 并综合考虑人口结构、社会经济和健康响应等因素, 构建更加全面的风险评估指标, 为应对气候变化提供更坚实的科学支撑。
[1] IPCC. Climate change 2023: synthesis report. Geneva:IPCC, 2023
[2] World Meteorological Organization. State of the global climate 2024. Geneva: World Meteorological Organization, 2025
[3] Robine J M, Cheung S L K, Le Roy S, et al. Death toll exceeded 70,000 in Europe during the summer of 2003.Comptes Rendus: Biologies, 2008, 331(2): 171-178
[4] Matsueda M. Predictability of Euro-Russian blocking in summer of 2010. Geophysical Research Letters,2011, 38(6): L06801
[5] Kennedy J, Morice C, Parker D, et al. Global and regional climate in 2015. Weather, 2016, 71(8): 185-192
[6] Ballester J, Quijal-Zamorano M, Méndez Turrubiates R F, et al. Heat-related mortality in Europe during the summer of 2022. Nature Medicine, 2023, 29(7): 1857-1866
[7] Fischer E M, Knutti R. Robust projections of combined humidity and temperature extremes. Nature Climate Change, 2013, 3(2): 126-130
[8] Wang Pinya, Leung L R, Lu Jian, et al. Extreme wetbulb temperatures in China: the significant role of moisture. Journal of Geophysical Research: Atmospheres, 2019, 124(22): 11944-11960
[9] Fan Xuewei, Miao Chiyuan, Wu Yi, et al. Compara- tive assessment of dry- and humid-heat extremes in a warming climate: frequency, intensity, and seasonal timing. Weather and Climate Extremes, 2024, 45: 100698
[10] Raymond C, Matthews T, Horton R M. The emergence of heat and humidity too severe for human tolerance.Science Advances, 2020, 6(19): eaaw1838
[11] Baldwin J W, Benmarhnia T, Ebi K L, et al. Humidity’s role in heat-related health outcomes: a heated debate. Environmental Health Perspectives, 2023, 131(5): 055001
[12] Sivaraj S, Zscheischler J, Buzan J R, et al. Heat, humidity and health impacts: how causal diagrams can help tell the complex story. Environmental Research Letters, 2024, 19(7): 074069
[13] Zhang K, Cao C, Chu H R, et al. Increased heat risk in wet climate induced by urban humid heat. Nature,2023, 617: 738-742
[14] Willett K M. HadISDH.extremes Part II: exploring humid heat extremes using wet bulb temperature indices. Advances in Atmospheric Sciences, 2023, 40(11): 1968-1985
[15] 张书惠, 华维, 陈活泼. 1961—2020 年中国复合湿热的变化特征. 大气科学学报, 2024, 47(2): 300-312
[16] Chen Huopo, He Wenyue, Zhang Shuhui. Recent urbanization increases exposure to humid-heat extreme events over populated regions of China. Atmospheric and Oceanic Science Letters, 2024, 17(2): 100409
[17] Wang Fan, Gao Meng, Liu Cheng, et al. Uniformly elevated future heat stress in China driven by spatially heterogeneous water vapor changes. Nature Communications, 2024, 15(1): 4522
[18] Ning Guicai, Luo Ming, Wang Shigong, et al. Dominant modes of summer wet bulb temperature in China.Climate Dynamics, 2022, 59: 1473-1488
[19] Kamal A S M M, Fahim A K F, Shahid S. Changes in wet bulb globe temperature and risk to heat-related hazards in Bangladesh. Scientific Reports, 2024, 14(1):10417
[20] Fan Yuanchao, McColl K A. Widespread outdoor exposure to uncompensable heat stress with warming. Communications Earth & Environment, 2024, 5(1): 762
[21] Sherwood S C, Huber M. An adaptability limit to climate change due to heat stress. Proceedings of the National Academy of Sciences, 2010, 107(21): 9552-9555
[22] Newth D, Gunasekera D. Projected changes in wetbulb globe temperature under alternative climate scenarios. Atmosphere, 2018, 9(5): 187
[23] Yang J, Zhao Lei, Oleson K. Large humidity effects on urban heat exposure and cooling challenges under climate change. Environmental Research Letters, 2023,18(4): 044024
[24] Wei Yiheng, She Dunxian, Xia Jun, et al. Climate change dominates the increasing exposure of global population to compound heatwave and humidity extremes in the future. Climate Dynamics, 2024, 62(7): 6203-6217
[25] Vanos J, Guzman-Echavarria G, Baldwin J W, et al. A physiological approach for assessing human survivability and liveability to heat in a changing climate. Nature Communications, 2023, 14(1): 7653
[26] Zheng Congyi, Wu Jiamin, Tang Haosu, et al. Relationship of ambient humidity with cardiovascular diseases:a prospective study of 24,510 adults in a general population. Biomedical and Environmental Sciences, 2024,37(12): 1352-1361
[27] Bu Yaqin, Sun Zhaobin, Tao Yan, et al. The synergistic effect of high temperature and relative humidity on non-accidental deaths at different urbanization levels.Science of the Total Environment, 2024, 940: 173612
[28] Deng Peizhi, Li Yan, Li Shenxin, et al. The role of high humidity on extreme-temperature-related mortality in central China. Air Quality, Atmosphere &Health, 2023, 16: 2285-2295
[29] Zeng Jie, Zhang Xuehai, Yang Jun, et al. Humidity may modify the relationship between temperature and cardiovascular mortality in Zhejiang Province, China.International Journal of Environmental Research and Public Health, 2017, 14: 1383
[30] Chen Liang, Yuan Jiacan, Tang Xu, et al. The influence of humid heat on morbidity of megacity Shanghai in China. Environment International, 2024, 183: 108424
[31] 安洁, 付博, 李玮, 等. 东亚地区典型极端气候指标未来预估及高温下人口暴露度研究. 北京大学学报(自然科学版), 2020, 56(5): 884-892
[32] He Wenyue, Chen Huopo. More extreme-heat occurrences related to humidity in China. Atmospheric and Oceanic Science Letters, 2023, 16(5): 100391
[33] Chen Huopo, He Wenyue, Sun Jianqi, et al. Increases of extreme heat-humidity days endanger future populations living in China. Environmental Research Letters,2022, 17(6): 064013
[34] 吕拉昌. 中国地理(第三版). 北京: 科学出版社,2022
[35] 刘婷婷, 朱秀芳, 张世喆, 等. ERA5 再分析地面气温数据在中国区域的适用性分析. 热带气象学报,2023, 39(1): 78-88
[36] Zhang Jingpeng, Zhao Tianbao, Li Zhi, et al. Evaluation of surface relative humidity in China from the CRA-40 and current reanalyses. Advances in Atmospheric Sciences, 2021, 38(11): 1958-1976
[37] Thrasher B, Wang W L, Michaelis A, et al. NASA global daily downscaled projections, CMIP6. Scientific Data, 2022, 9: 262
[38] Yang Baogang, Wei Linxiao, Tang Hongyu, et al. Future changes in extremes across China based on NEX-GDDP-CMIP6 models. Climate Dynamics, 2024, 62:9587-9617
[39] Wang Xinyu, Meng Xiangfeng, Long Ying. Global 1 km-grid population distributions dataset from 2020 to 2100 [EB/OL]. (2022) [2024-09-30]. https://doi.org/10.6084/m9.figshare.19609356.v3
[40] 闫业超, 岳书平, 刘学华, 等. 国内外气候舒适度评价研究进展. 地球科学进展, 2013, 28(10): 1119-1125
[41] 李元征, 王怡君, 赵国松, 等. 全球气温-相对湿度-人口驱动型制冷度日数时空演变、影响因素及模拟. 地理科学, 2024, 44(8): 1406-1416
[42] Stull R. Wet-bulb temperature from relative humidity and air temperature. Journal of Applied Meteorology and Climatology, 2011, 50(11): 2267-2269