1909-2021年长春市极端气温多尺度变化特征及其与大尺度气候指数的关系.pdf

余清波,曹丽娟,李珍,等.2023.19092021 年长春市极端气温多尺度变化特征及其与大尺度气候指数的关系 J.气候与环境研究,28(4):437449.YUQingbo,CAOLijuan,LIZhen,etal.2023.Multi-scaleTemporalVariationCharacteristicsofExtremeTemperatureinChangchunduring19092021andItsRelationshipwithLarge-ScaleClimateIndicesJ.ClimaticandEnvironmentalResearch(inChinese),28(4):437449.doi:10.3878/j.issn.1006-9585.2023.2211519092021 年长春市极端气温多尺度变化特征及其与大尺度气候指数的关系余清波1曹丽娟2李珍3王程程1张一博1朱亚妮2王丽丽41吉林省气象信息网络中心，长春1300622国家气象信息中心，北京1000813中国科学院大气物理研究所东亚区域气候环境重点实验室，北京1000294长春北湖学校，长春130102摘要基于 19092021 年长春市均一化逐日最高气温、最低气温资料，评估了百年来长春市气温增暖特征并量化了城市化影响的贡献率，揭示了关键极端气温指数的多尺度变化特征，并探讨不同尺度上极端气温指数与太平洋年代际振荡（PacificDecadalOscillation,PDO）和大西洋年代际振荡（AtlanticMultidecadalOscillation,AMO）的关系。结果表明：19092021 年长春市年平均气温增暖速率为 2.93/100a，19092015 年间城市化影响的贡献率为 56.22%。暖指数（夏日日数 SU25、暖昼日数 TX90p、暖夜日数 TN90p、暖日持续日数 WSDI）在波动中呈上升趋势，而冷指数（霜冻日数 FD0、冷日日数 TX10p、冷夜日数 TN10p、冷日持续日数 CSDI）则呈显著减少趋势。准 3 年为主的年际震荡、35 年为主的年代际震荡和 105 年为主的多年代际震荡在多个气温指数演变过程中占据主导地位。多数极端气温指数的变化由反映年际变化的前两个固有模态函数和反映长期趋势的残余分量所决定。在年际和多年代际尺度上，暖指数的变化多与同期 AMO 指数呈显著正相关，同相位变化特征显著，但与 PDO 指数呈负相关；冷指数则与之相反。关键词均一化极端气温集合经验模态分解（EEMD）多尺度变化特征百年尺度长春市文章编号1006-9585(2023)04-0437-13中图分类号P467文献标识码Adoi:10.3878/j.issn.1006-9585.2023.22115Multi-scale Temporal Variation Characteristics of Extreme Temperaturein Changchun during 19092021 and Its Relationship withLarge-Scale Climate IndicesYUQingbo1,CAOLijuan2,LIZhen3,WANGChengcheng1,ZHANGYibo1,ZHUYani2,andWANGLili41Jilin Meteorological Information Center,Changchun 1300622National Meteorological Information Center,Beijing 1000813Key Laboratory of Regional ClimateEnvironment for Temperate East Asia,Institute of Atmospheric Physics,ChineseAcademy of Sciences,Beijing 100029收稿日期2022-09-29；网络预出版日期2023-04-10作者简介余清波，男，1981 年出生，高级工程师，主要从事气象资料处理与分析。E-mail:通讯作者李珍，E-mail:资助项目中国科学院战略先导科技专项 XDA20020201，中国气象局创新发展专项 CXFZ2023J049Funded byStrategicPriorityResearchProgramoftheChineseAcademyofSciences(GrantXDA20020201),InnovationandDevelopmentProjectofChinaMeteorologicalAdministration(GrantCXFZ2023J049)第28卷第4期气候与环境研究Vol.28No.42023年7月ClimaticandEnvironmentalResearchJul.20234Changchun BeiHu School,Changchun 130102Abstract Based on the homogenized daily maximum and minimum temperature records during 19092021 inChangchun,thewarmingcharacteristicsoftemperatureinChangchunovertherecent100yearswereevaluatedandthecontributionrateofurbanizationimpactwasquantified,themulti-scalevariationcharacteristicsof16extremetemperatureindiceswererevealed,andthentherelationshipbetweenextremetemperatureindicesondifferentscalesandPacificDecadalOscillation(PDO)andAtlanticMultidecadalOscillation(AMO)wasfurtherdiscussed.Theresultsshowedthatwarmindices(SU25,TX90p,TN90p,andWSDI)showedupwardtrendsinfluctuation;whilecoldindices(FD0,TX10p,TN10p,andCSDI)showeddownwardtrendsinfluctuationinrecent113years.Trendsofallindiceswereat0.01or0.05significancelevel,exceptforSU25,WSDI,andTX90p.TheextremetemperatureindicesinChangchunrevealedperiodicchangesatdifferentscales,whicharemainlydeterminedbythefirsttwointrinsicmodefunctionsandtheresidualsignal.Mostextremetemperatureindiceshavea3-yearorquasi-3-yearmaintimescalerevealingtheinterannualvariationsandaquasi-6-yeartimecycledominatingbydecadalvariations.Fewindicesarewithsignificantlongertimescales,suchasquasi-31-yearinSU25,reflectingthecharacteristicsofmulti-decadalvariability.Intheoriginalsignalandmulti-decadevariation,mostwarmindices(SU25,TX90p,TXx,andWSDI)weresignificantlynegativelycorrelatedwithPDOinthesame period but significantly positively correlated with AMO.It indicated there are obvious in-phase relationshipsbetweenwarmindicesandAMO,revealingthesignificantmodulatingeffectofAMOoninterannualandmulti-decadevariationsonextremewarmindices,butout-phaserelationshipsbetweenthemandPDO.While,thesituationisoppositeforcoldindices.KeywordsHomogenization,Extreme temperature,Ensemble EmpiricalModeDecomposition(EEMD),Multi-scaletemporalvariationcharacteristics,Century-scale,ChangchunCity 1 引言IPCC 第六次评估报告指出（IPCC,2021）指出在全球变暖背景下，气候变化正在给不同地区带来多种不同的组合性变化，且其表现和结果在不同区域存在差异，极端高温、热浪、寒潮、极端降水等事件趋频趋强，且多种极端事件并发的概率增加。中国气象局气候变化中心（2021）显示我国是全球气候变化的敏感区和影响显著区，升温速率明显高于同期全球平均水平。高温、强降水等极端天气气候事件增多增强，极端低温事件减少，气候风险水平趋于上升。严中伟和杨赤（2000）研究显示，近几十年中国极端气候变化格局表明气候变化更强烈地表现在极端气候中。百年尺度上，Yanetal.（2001）基于均一化资料量化了 19151997 年北京站和 18731997 年平均气温和极端气温的变化特征，发现 20 世纪 4070 年代北京呈变冷趋势，极端高温气温事件的频率降低，此后又呈增暖趋势，极端高温事件的频率增加；而上海极端气温时间的变化趋势基本呈相反趋势。东北地区气候变化对于全球变暖的响应尤为敏感，百年尺度上亦然。就平均态而言，孙凤华等（2006）研究发现19052001 年东北增温速率（1.43C/100a）是全国平均同期增温速率（0.44C/100a）的 3 倍，长春增暖速率为 1.013C/100a，这充分说明东北地区的确是气候变化敏感区。19052005年长春的增暖速率为 0.19C/10a，整个东北地区年平均气温的增温速率为 0.165C/10a 并存在 23a、812a、2025a 和 45a 左右的区域性多重时间尺度下的周期性变化特征（姜晓艳等,2008）。东北区域气候变化评估报告：2020 决策者摘要（2021）中提到 19052017 年东北区域年平均气温升温趋势更为迅速达 1.8C/100a，远高于全球及全国同期平均升温速率。就极端指数而言，Zhaoetal.（2013）揭示了 19612010 年东北地区高温天数微弱增加，寒潮和低温天数则显著减少；暖日和暖夜显著增加，而冷日和冷夜显著减少。李洋等（2015）揭示了 19612013 年东北地区年和季节高温阈值、低温阈值与最长热浪天数均呈波动上升趋势，年和春、秋、冬季的霜冻日数呈下降趋势。Wangetal.（2012）和Yangetal.（2017）分别侧重研究了19612010 年和 19612014 年东北地区多重时间长度上极端降水的时空变化格局。Guoetal.（2019）研究了 19602014 年东北极端气温和降水事件的时空演变特征。19612017 年东北地区极端最高和极端最低气温显著上升，高温日数增加，低温日数和气候与环境研究28卷438ClimaticandEnvironmentalResearchVol.28寒潮减少，日最大降水量和大雪日数均呈增加趋势（东北区域气候变化评估报告：2020 决策者摘要编写委员会,2021）。YuandMa（2022）基于 83 个气象台站日值降水数据揭示了东北地区降水和极端事件的时空变化特征，对东北地区干旱和洪涝灾害的监测和预警起到指导意义。在更小尺度上，19612015 年吉林极端气温冷指数（冷昼日数、冷夜日数、霜冻日数、冷持续日数等）均显著下降，暖指数（暖昼日数、暖夜日数、夏季日数、热夜日数等）则显著上升，且大部分极端气温指数的主周期为3a 左右（任景全等,2017）。Yuetal.（2020）基于均一化逐日气温资料揭示 19092018 年长春市与极端冷事件有关的指数呈减少趋势，与极端暖事件有关的指数均呈减少趋势（暖夜除外），极端冷、暖阈值指数变化表现出不对称性。气候变化是人为和自然外强迫以及气候系统内部变率共同驱动的。许多研究已经证实太平洋年代际振荡（PacificDecadalOscillation,PDO）和北大西洋年代际振荡（AtlanticMultidecadalOscillation,AMO）影响东亚气温和降水年代际变化的两个主要驱动因子，特别是与东亚夏季气温和降水的年代际异常有显著的相关关系。朱益民和杨修群（2003）研究发现，PDO 与东亚大气环流及中国气候年代际变化关系密切，PDO 暖位相期，冬季和夏季东北大部分地区气温异常显著偏高，而 PDO 冷位相期反之。李双林等（2009）发现 AMO 对东亚季风气候的年代际变化有显著的调制作用，暖位相AMO 增强东亚夏季风，减弱冬季风，气温升高，冷位相则相反。Ouyangetal.（2014）研究了过去100 年 ElNio（ENSO）/PDO 与中国降水、径流的联系，研究发现：尽管存在区域和季节差异，但中国大部分地区的降水和径流在 ENSO/PDO 暖位相时总体减少，在 LaNia/PDO 冷位相时总体增加。当考虑 ENSO 和 PDO 的共同影响时，中国北部和南部的降水/径流响应相反，与 ENSO 相关的降水/流量在 PDO 暖位相时中国北部增强而在南部减少，当 PDO 冷位相时中国南部增强而在北部减少。周晓和黄菲（2015）研究发现，中国极端高温频数的时空变化的第一模态（全国一致型）与 AMO 和印太暖池的变化有关。在年代际尺度上，中国的极端高温天气的发生主要受到北大西洋和中太平洋海表面温度的影响，可能与 AMO 和中太平洋型 ElNio 有一定的关系。Qian（2016）揭示和 AMO 模态有关的多年代际变率增强了中国气温序列在 20世纪早期以及19812010 年的变暖。钱诚等（2018）发现上海极端热事件频数和夏季平均气温演变中都存在明显的 6080 年周期的多年代际变率，与大西洋多年代际振荡相关。Qinetal.（2018）研究发现 20 世纪 40 年代以来中国中北部秋季降水与PDO 存在显著负相关关系，进一步分析表明中北部秋季降水的年代际变化是由 PDO 相关的北半球中纬度大尺度大气环流异常引起的。可见，气候系统的内部变率对全球或区域气温平均态或极值存在影响。同样，IPCC 第六次评估报告（IPCC,2021）亦明确指出在全球变暖背景下，以城市化为代表的人类活动对于气候变暖的影响是客观存在且日趋突显。综上所述，在长期气候冷暖变化方面，东北地区有很好的一致性、同步性，且长春观测资料可反映东北地区的冷暖变化特征，亦可以代表吉林省（马树庆,1996）。但目前，针对百年尺度上长春市极端气温不同时间尺度变化特征的研究尚不多见，多尺度演变规律及其与大尺度气候指数的关系尚不明确，亟需开展相关研究。吉林省是农业大省，气候变化特别是极端气候对农业的影响事关全局。因此，在气候变暖的大背景下，深入开展长春市极端气温指数不同尺度的变化规律，并探讨大尺度气候指数的遥相关关系，对更准确、定量地预报和防范各种极端天气事件的发生、建立健全多灾种早期预警、提高灾害应急能力均有参考意义。本文旨在基于 19092021 年长春市均一化逐日最高、最低气温序列，评估近 113 年来气温变化特征，量化城市化效应的影响，深入揭示 113a 以来各极端气温指数不同尺度周期性变化特征，探讨不同尺度上极端指数与 PDO、AMO 的相关关系，旨在丰富长春市百年尺度气候变化特征的内涵。2 数据与方法 2.1 数据收集、整编长春市气象站（现为长春市绿园区气象局气象站，台站号：54161）19092021 年逐日最高气温和最低气温台站观测资料。1950 年以4期余清波等：19092021 年长春市极端气温多尺度变化特征及其与大尺度气候指数的关系No.4YUQingboetal.Multi-scaleTemporalVariationCharacteristicsofExtremeTemperatureinChangchun.439前气象资料来自于吉林省气象档案馆，19512021 年气象资料来自于国家气象信息中心均一化的气温数据（Caoetal.,2016）。长春市气象站自建站以来 3 次迁站，5 次变更观测仪器，1979 年以前观测环境为自然植被（Yuetal.,2020）。因战乱及历史缘故，1921 年912 月、1922 年5 月、1941 年8 月、19431946 年和 1948 年气温资料缺测。19091950 年逐日最高、最低气温资料采用人工智能技术从长春气象站整编纸质资料中智能识别提取，实现观测数据的数字化，并续接 19512021年逐日最高、最低气温资料。经质量控制、非均一性检验和订正后，形成百年以来均一化逐日最高气温、最低气温观测资料，日平均气温为最高气温和最低气温的平均值。利用美国国家海洋和大气管理局再分析资料20CR19092015 年月平均地表（2m）气温数据（https:/downloads.psl.noaa.gov/Datasets/20thC_ReanV3/spreads/Monthlies/2mSI-MO/2022-12-07），空间分辨率为 1（纬度）1（经度），选取长春市范围内的格点（43N46N，124E128E），求取区域平均序列，通过对其与观测数据变化趋势进行对比分析，量化局地城市化对长春气温长期变化趋势的影响。选取AMO 指数（https:/psl.noaa.gov/data/times-eries/AMO/2022-07-05）和PDO 指数（https:/www.ncei.noaa.gov/pub/data/cmb/ersst/v5/index/ersst.v5.pdo.dat2022-07-05），揭示不同时间尺度上气温极端指数变化特征与大尺度气候指数的可能联系。同时，为了便于分析，文中将 19092021 年各气温极端指标序列、PDO 序列、AMO 序列及各自多尺度分量序列做了归一化处理。2.2 研究方法2.2.1均一性检验与订正采用 RHtest 方法（Wang,2008a,2008b;Wangetal.,2010）对 19092021 年长春市逐日最高气温和最低气温资料进行非均一性检验和订正。在此之前，已完成对原始数据的质量控制，考虑以下两种情况：日最低气温日最高气温；日最高和最低气温记录值严重偏离本地区气候均值情况，即超出平均值4 倍标准差的记录值定义为超出界限值（Yuetal.,2020）。随后，对解放前和解放后衔接数据进行非均一性检验和订正。由于解放前观测台站分布稀疏，较难选到合适的参考站，且无元数据记录，因此，采用 RHtest 中的 PMF 检验对逐日最高气温和最低气温序列进行均一化检验，对不连续点逐一进行判别，保留通过 99%显著性检验的不连续点。经检验发现：解放前日最高气温没有不连续点，无需订正；最低气温在 1937 年存在不连续点，其订正量为1.3C。解放后的资料采用了国家气象信息中心发布的中国国家级地面气象站均一化气温日值数据集（Caoetal.,2016）。2.2.2极端气温指数气候变化检测和指数专家组（ETCCDI）定义了 16 个具有代表性的气候指数，用于全球及区域极端气候变化的研究。本文选取其中 10 个关键极端气温指数（表 1）来表征 19092021 年长春极端气温指数及趋势变化。文中将夏季日数 SU25、暖昼日数 TX90p、暖夜日数 TN90p、极端最高气温 TXx 和暖日持续日数 WSDI 视为暖指数，将霜冻日数FD0、冷日日数TX10p、冷夜日数TN10p、极表 1 关键极端气温指数的定义Table 1 Definitions of key extreme temperature indices指数类型极端气温指数缩写定义单位暖指数夏季日数SU25年内日最高气温25C日数极端最高气温TXx年日最高气温的最大值C暖昼日数TX90p年日最高气温19611990年第90个百分位数值日数暖夜日数TN90p年日最低气温19611990年第90个百分位数值日数d暖日持续日数WSDI年日最高气温19611990年第90个百分位值连续6d日数冷指数霜冻日数FD0年内日最低气温0C日数极端最低气温TNn年日最低气温的最小值C冷日日数TX10p年日最高气温19611990年第10个百分位数值日数冷夜日数TN10p年日最低气温19611990年第10个百分位数值日数冷日持续日数CSDI年日最低气温19611990年第10个百分位值连续6d日数气候与环境研究28卷440ClimaticandEnvironmentalResearchVol.28端最低气温 TNn 和冷日持续日数 CSDI 视为冷指数。2.2.3集合经验模态分解任国玉等（2010）认为极端气候序列线性趋势的分析尚依赖于时间尺度的选取，趋势的大小受序列两端极端值的影响较大。李慧群和付遵涛（2012）认为传统趋势分析中，大尺度循环和趋势变化很可能混合在一起，不能分辨出趋势变化还是周期震荡。相比而言，集合经验模态分解（EnsembleEmpiricalModeDecomposition,EEMD）具有自适应性和时间上的局部性特点，是适应于非线性、非平稳领域的时频分析方法，能够更好地提取趋势和周期信息（Huangetal.,1998;WuandHuang,2009），可应用于气候序列的多尺度分析（Qianetal.,2010;王兵和李晓东,2011）。在多数情况下，加入的白噪声与原始序列的信噪比为 0.2，几百次的分解能使噪声产生的误差小于 1%（WuandHuang,2009）。本文采用 EEMD 方法对 19092021 年长春市 10 个关键极端气温指数序列、PDO 及 AMO 序列进行本征模态函数分解，分解时扰动白噪声与原始信号的信噪比定为0.2，集合样本数取 500次，最终得到各极端指数的 5 个分量（C1C5）及长期残差分量（Residual,RES）。每个分量表征了信号的局部特征，RES 则体现了其真实的长期变化趋势。EEMD 亦可计算各分量的平均周期和能量谱密度，两者间的关系可表征为斜率为1 的直线，并给出白噪声能量谱分布的置信区间。在给定显著性水平下，分解所得各分量能量相对于周期分布位于置信度曲线以上，则表明通过检验，具有实际物理意义；反之则认为未通过显著性检验（冯晓莉等,2020）。2.2.4城市化效应评估KalnayandCai（2003）提出了“观测减去再分析”（ObservationMinusReanalysis,OMR）方法，利用观测气温与再分析资料的差值研究代表气温的变化趋势，将土地利用/土地覆盖对局地气候的影响信息从全球变暖的大背景中剥离出来。城市化引起的气温上升是土地利用/土地覆盖变化影响区域气候的重要体现。城市化影响贡献率评估的思路是：经过气候模式计算的再分析资料代表大尺度气候变化，不包括局地土地利用变化（如城市化）的影响，因而用实地气温观测减去再分析的气温序列，即可推断城市化的贡献。然而，由于模式本身存在误差，使得再分析资料中气温序列的多年代际变率（Multi-decadalvariability,MDV）相对于实测 MDV 存在系统性偏差，该方法在应用中通常会高估城市化效应（Wangetal.,2013），而这一结论在城市化对日较差的影响中进一步得到印证（Wangetal.,2018）。此外，由于生成大气再分析资料的数值模式在边界层、近地层和陆面过程参数化方案以及外强迫数据（如气溶胶）存在偏差，无法完美再现大尺度气候变化趋势，导致 OMR 的结果存在偏差。但总体来说，OMR 方法在一定程度上能够用来估计局地因素的增温效应，目前已被广泛应用于研究城市化和土地利用对区域气候的影响（Falletal.,2010;Shenetal.,2017）。2.2.5变化趋势估计及相关性分析采用一元线性回归模型拟合各极端气温指数与时间序列间的关系及各极值指标与 PDO/AMO 原始信号和 C1C5 分量对应序列的关系，采用 F 检验对回归系数（线性趋势）的显著性进行检验。其中前者的显著性水平设为 0.01，后者设为 0.05。计算各分量与原始信号间的皮尔逊相关系数，考虑到气温序列是红噪声，具有自相关性，在采用 t 检验（显著性水平 0.01）对皮尔森相关系数进行显著性检验时，采用有效自由度（Brethertonetal.,1999），进而明晰各分量与原始信号的相关程度。2.2.6数据归一化处理归一化是一种简化计算的方式，即将不同量级的数据转化成为同一量级的数据，将所有属性以相同的测量单位表示，并使用通用的刻度或范围，是一种无量纲处理手段。由于各极值指标、PDO 和AMO 序列在数据量级上差异，为了便于分析，本文直接调用了 matlab 里面的 mapminmax 函数对上述序列进行归一化处理，将所有序列的值映射到1,1 之间，计算公式如下：y=(ymaxymin)(xxmin)(xmaxxmin)+ymin.（1）其中，x 为样本数据，xmax、xmin分别为样本矩阵每行的最大值、最小值；y 为归一化后的矩阵，ymax、ymin分别是归一化后矩阵 y 每行的最大值、最小值；本文 ymax和 ymin分别为 1 和1。3 研究结果 3.1 百年尺度长春市平均气温变化特征及局地城市化的影响通过对相同时段内（19092015 年）观测资4期余清波等：19092021 年长春市极端气温多尺度变化特征及其与大尺度气候指数的关系No.4YUQingboetal.Multi-scaleTemporalVariationCharacteristicsofExtremeTemperatureinChangchun.441料和再分析资料 20CR 获得的长春市年平均气温序列进行对比（图 1），进而从全球变暖中分离出下垫面引起的局地气温变化特征，量化城市化对于长春气候变暖的贡献。为了对比，图 1 还给出了同期全球平均气温序列。从图 1 可以看出，19092015 年长春市年平均气温序列与基于 20CR 得到的序列呈现出一致的年际变率，但变化趋势存在明显差异，观测资料表明长春市增暖速率为 2.85C/100a（19092021 年增暖更为迅速为2.93C/100a），明显高于再分析资料的增暖速率 1.25C/100a，更远远超过全球平均增暖速率 1.04C/100a。可见，19092015 年长春市 OMR 趋势值（城市化影响）为 1.60C/100a，进一步计算发现城市化对于气温变暖的贡献率为 56.22%。3.2 极端气温指数年际变化图 2 给出了 19092021 年各极端气温指数年际变化曲线及由 EEMD 分解得到的趋势项 RES；表 2 给出了各极端气温指数原始信号的线性变化趋图11909 年以来基于观测及再分析资料 20CR 的全球和长春市年平均气温距平序列（参考期 19091918 年）Fig.1AnnualmeantemperatureanomalyseriesinChangchunandglobalsince1909basedontheobservedandreanalyzed(20CR)data（usingabaseperiodof19091918）图219092021 年长春市（a）夏季日数（SU25）、（b）霜冻日数（FD0）、（c）极端最高气温（TXx）、（d）极端最低气温（TNn）、（e）暖昼日数（TX90p）、（f）冷日日数（TX10p）、（g）暖夜日数（TN90p）、（h）冷夜日数（TN10p）、（i）暖日持续日数（WSDI）、（j）冷日持续日数（CSDI）年序列（黑色实线）、线性拟合线（黑色虚线）及基于集合经验模态分解（EEMD）得到的长期趋势（灰色线）Fig.2Timeseriesofannualtemperatureextremeindice(a)SU25,(b)FD0,(c)TXx,(d)TNn,(e)TX90p,(f)TX10p,(g)TN90p,(h)TN10p,(i)WSDI,and(j)CSDI(blacksolidline),linearfittinglines(blackdashedline),andlongtermtrends(graysolidline)basedonEnsembleEmpiricalModeDecomposition(EEMD)inChangchunduring19092021气候与环境研究28卷442ClimaticandEnvironmentalResearchVol.28势、各指数分量与原始信号的相关系数及其方差贡献率和各分量的平均震荡周期。总体来看，暖指数以上升趋势为主，冷指数则以下降趋势为主（图 2）。就长期变化趋势而言（表 2），19092021 年长春市FD0、TX10p、TN10p、TXx 和CSDI 分 别 呈 37.06d/100a、5.86d/100a、26.82d/100a、1.78C/100a和30.26d/100a 的显著下降趋势（p0.01）；而TN90p 和 TNn 则分别呈 23.32d/100a、和 6.95C/100a 的显著上升趋势；SU25、TX90p 和 WSDI 呈上升但不显著的趋势，分别为 3.88d/100a、0.44d/100a 和 1.56d/100a。以上结果表明：极端冷事件趋于减少，极端暖事件增多，符合全球变暖背景下极端气候事件的变化特征。上述极端指数的变化趋势与前人的研究结论（朱红蕊和刘赫男,2011;李洋等,2015;周晓宇等,2015;任景全等,2017;Qianetal.,2019;周波涛和钱进,2021）均基本一致，仅在量值上有所差异。就TXx 而言（图2k），19092021 年长春市呈1.78C/100a 的显著下降趋势，与 Yuetal.（2020）长春市 19092018 年2.10C/100a 的变化趋势基本一致。对比发现 19092021 年 TX90p 以 0.44d/100a趋势增加（图 2g），这与 Yuetal.（2020）19092018 年长春市 TX90p 以0.9d/100a 的趋势下降结论相反，进一步计算发现 19092018 年 TX90p 呈0.71d/100a 的下降趋势，与 Yuetal.（2020）结论一致仅量值略有差异，说明 20192021 年TX90p 迅速上升改变了其整体变化趋势。TX10p（图 2e）、TN10p（图 2f）的变化幅度要大于 TX90p（图 2g）和 TN90p（图 2h），这与张凯等（2006）分析的 19572000 年沈阳地区冷日、冷夜的变化幅度要大于暖日和暖夜的结论一致。基于 EEMD 分解得到的长期趋势 RES（图 2），体现了原始时间序列总体上随时间变化的趋势，具有单调性。总体来看，RES 的长期变化趋势与线性拟合趋势基本一致，但 RES 更能真实地反映出极端指数的变化特征。如 SU25 在 1969 年之前呈下降趋势，1969 年出现谷值，之后相反为上升趋势，且后期上升趋势大于前期下降趋势，其更好地反映出 SU25“先降后升”的 U 型变化特征；且在20 世纪 20 年代至 40 年代末期、21 世纪初至今两个时段 SU25 的天数较多，夏季偏热（图 2a）。WSDI 在 1962 之前呈下降趋势，之后呈上升显著趋势，上升率将近为前期下降率的 2 倍，说明暖持续日数变化呈现“先减少后增多”的特征，且近期的增加幅度大于早期的减少幅度（图 2i）。由此可见，极端气温指标在波动变化过程中，个别指标呈现出较为明显的多年代际变化特征。3.3 极端气温指数多尺度变化为了更细致地刻画极端气温指标的多尺度变化特征，对各指标原始信号及各分量的相关性进行统表 2 19092021 年长春市极端气温指数原始信号线性趋势、经 EEMD 分解的各分量（C1C5）及残差（RES）与原始信号的相关系数及其方差贡献率、各分量的平均震荡周期Table 2 Linear trends of extreme temperature index original signal,correlation coefficients and variance contributionrates between the components (C1C5)based on EEMD and residual (RES)and original signal,and average oscillationperiods of C1C5 in Changchun during 19092021极值指标与原始信号的相关系数方差贡献率平均震荡周期/a原始信号的线性趋势C1C2C3C4C5RESC1C2C3C4C5RESC1 C2 C3C4C5SU253.88d/100a0.73*0.46*0.44*0.42*0.040.2653.57%13.56%4.51%15.51%2.95%9.91%2.8 5.3 11.7 26.3*52.5TXx1.78C/100a*0.76*0.470.280.250.350.34*59.66%18.54%6.00%2.14%3.65%10.02%2.8 6.2 13.1 2152.5TX90p0.44d/100a0.76*0.58*0.340.250.320.0450.54%18.97%4.62%4.80%14.52%6.55%2.9*5.8 10.5 21105.0*TN90p23.32d/100a*0.25*0.35*0.230.290.390.92*7.49%3.33%1.06%2.34%0.90%84.88%2.8 5.8 17.5 35.0*52.5*WSDI1.56d/100a0.74*0.44*0.360.170.270.2960.29%20.11%4.20%3.28%4.55%7.57%3.1*6.6 13.1 26.352.5FD037.06d/100a*0.42*0.17*0.09*0.20.110.84*18.74%4.47%1.26%2.22%1.36%71.96%3.0*6.2 13.1 35.0*105TNn6.95C/100a*0.60.370.330.290.180.64*38.51%10.39%7.24%2.73%1.98%39.14%2.9*5.5 11.7 26.352.5TX10p5.86d/100a*0.60.40.440.240.10.47*37.57%13.8%8.52%4.49%3.19%32.44%3.1*5.5 13.1 35105.0*TN10p26.82d/100a*0.21*0.19*0.29*0.110.46 0.918.08%1.29%2.28%1.02%1.44%85.88%3.0*5.8 11.7 26.3105.0*CSDI30.26d/100a*0.45*0.280.350.340.350.72*34.99%8.44%11.26%2.03%2.14%41.14%3.0*6.2 11.7 26.3