全球变暖的背景下，极端气候事件愈加频繁，特别是21世纪以来，众多破纪录气候事件给社会带来了严重的影响(Dim and Stefan， 2012)，如2003年欧洲夏季的高温热浪打破了近500年的纪录(Robine et al., 2008)；2010年俄罗斯西部地区经受了自1500年以来最热的一个夏季，谷物减产达30%(Barriopedro et al., 2011)；2011年西欧遭遇了自1880年最干热的春季，同年中国长江流域及江南地区发生了春夏季节交替时期干旱与洪涝灾害的急剧转变；2012年7月21日北京房山区的特大暴雨事件对交通、生命及社会的影响更是让人记忆犹新.因此，极端气候事件已成为近年来全球研究热点，人们对其演变特征、发生机理及影响评估等方面进行了分析并取得了诸多成果(Katz and Brown， 1992；Mirza，2003； Alexander et al., 2006；Wigley，2009； 任国玉等，2010；Wang et al., 2012).

然而，从以往对极端气候事件的统计研究来看，极端气候事件的识别大多是利用逐日资料针对单一台站的固定阈值或百分位阈值确定的(Jones et al., 1999； Plummer et al., 1999; 翟盘茂和潘晓华，2003；陈海山等，2009；付冬雪等，2011)，对极端气候事件在时间和空间上的群发性考虑不够.大量事实表明，极端气候事件在发生频次、影响范围及程度上往往表现出群发特征(黄丹青和钱永甫，2009；杨萍等，2010a；Qian et al，2011；Ding and Qian， 2011；龚志强等，2012； Ren et al., 2012).极端气候事件的群发性大体上可分为不同种类极端事件的群发、时间持续群发性和空间区域群发性三类(杨萍等，2010b).本文中指的是同类极端气候事件的群发性，其包含两层含义，一是空间上的群发，即在同一时间一定区域较为集中地发生同类极端气候事件，另一是指时间上的群发，即发生的极端气候事件会持续一段时间.群发性极端气候事件的发生往往导致严重的气象灾害并造成巨大的损失，因此对群发性极端气候事件的研究对防灾减灾具有重要意义.由于特殊的地理分布和气候特点，中国的极端气候事件有显著的群发性，如近年来东北的冬季低温，西南地区的持续干旱等等，人们对这些群发性极端气候事件的研究为理解气候灾害的变化规律及预测评估提供了客观的参考依据.

对群发性极端气候事件的研究，首先要解决的问题是群发性极端气候事件的客观识别及定量描述，人们通过研究，提出了三种比较有代表性的方法.其中，Ren等(2012)提出了一种客观的区域性极端气候事件识别方法，该方法首先对单站进行极端事件发生与否的判别，然后对判别结果进行“区域事件带”划分，接着以重合程度考察事件的时间持续性，最后形成三级指标体系对事件的过程及强弱进行定量描述.这种方法对极端气候事件的时空群发性特征考虑得较为全面，适用于能用连续资料判定的群发性极端气候事件的识别，但由于该方法可调参数太多且尚无客观标准，而不同参数对应的结果有一定差异，这限制了其在日常业务中的推广应用.Ding和Qian(2011)亦提供了一种简化的方法，该方法对事件中心位置的确定时将各站点受事件影响天数作为权重，能更客观地体现事件影响显著的区域，但其对区域事件的定义识别不能较好地反映群发性极端气候事件的移动特征.杨萍等(2010a)则是应用空间点过程理论来检测空间群发性极端气候事件，其将站点的位置看作随机的二项式分布，将单站极端气候事件的发生频数作为权重，用K阶最近距离法来客观提取丛集点来探讨低温和降水的群发性事件.这种方法的优点在于其对站点的识别较为客观，避免了群发性事件分组的人为性，但其对群发性事件的识别亦存在一些不足，首先是K值的选取类似于Ren等(2012)及Ding和Qian(2011)的方法中扫描半径的确定，仍具有主观性；其次是由于各个站点的位置是不变的，分组就取决权重的大小，而权重的多少亦需要人为确定；其三，这种方法只能识别出一组丛集点，这对于同一时段出现的不同区域极端气候事件缺乏识别能力.

基于上述，我们对Ren等(2012)的方法作了一些改进，并结合Ding和Qian(2011)对事件中心位置的确定方法，提出了一个简化的识别群发性极端气候事件的方法.由于近年来频发的破纪录高温天气已成为全球关注的焦点问题(Meehl et al., 2009；Schär et al., 2004；Karoly，2009；Wergen and Krug， 2010；Kysely，2010).本文将该方法应用于我国近五十年来日最高温度超过35 ℃群发性高温事件的识别，并对相应事件的频率分布、年代际差异及区域特征作了进一步研究，以期深入了解全球变暖背景下我国群发性高温事件的变化规律，为短期气候预测及防灾减灾工作提供理论参考. 2 所用资料

本文所用资料来自国家气候中心的中国724个气象观测站的逐日最高气温，时段为1951—2012年.站点的分布情况如图 1a所示，针对部分站点可能出现缺测的情况，我们还给出了1951—2012年有效统计站点数随时间的变化情况(图 1b)，由图所示，1951—1960年间有效统计站数比较少，因此本文的统计时段选为1961—2012年.

气象业务上将单站日最高气温超过35 ℃的天气称为高温天气，本文所指的群发性高温事件则是指高温天气必须达到一定的空间范围，因此，我们定义的群发性高温事件具有以下一些特征：(1)单站日最高气温超过35 ℃；(2)出现高温天气的站点具有集中性且达到一定的数目；(3)群发性高温事件具有一定的持续性.

图 1 中国724个气象观测站的分布(a)及1951—2012年有效统计站数随时间的变化(b) Fig. 1(a)Distribution of 724 meteorological stations in China and (b)temporal variation of available station numbers from 1951 to 2012

根据上述群发性高温事件的特征，我们对群发性高温事件的识别包括了以下几个步骤：

(1)对单站逐日最高气温进行检测，判断其是否≥35 ℃，达到高温天气标准.

(2)对单日群发性高温事件的识别.由于群发性事件中要求站点具有一定的集中性，我们首先需确定扫描范围D_c，然后对达到高温天气标准的站点进行扫描分组(同组间最近两站点距离不超过D_c，而不同组间最近两站点距离必须大于D_c)，保留达到群发性事件站点阈值的组，舍弃没有达到标准的组.

这个步骤包括了两个主要参数：一是站点分组扫描半径D_c，可根据不同要素进行调整，这里选为300 km；二是群发性事件站数阈值Q_c，可按当日有资料站点数的一定比例选取，考虑到不同年代的资料站点数可能不一样，这里选为当日有资料站点数的5%左右.

为了更好地说明分组情况，我们以2007年8月11日的情况作为示例，图 2给出了该日出现高温天气的站点及分组情况.根据扫描半径，将当日出现高温天气的站点分成了三组，一组位于华南地区(十字符号区域)，一组位于新疆地区(空心圆区域)，一组位于四川省东部(实心圆区域)，三组的站数分别为56、39、6.该日有资料站数为696站，群发性事件站数的阈值为35，因此，前两组达到了群发性高温事件的标准，而后者达不到标准，弃之.

图 2 2007年8月11日发生高温天气的站点分组情况 Fig. 2 Grouping results for stations occurring high temperature weather on 11-Aug-2007

(3)群发性高温事件持续性的识别与归并.对于事件是否持续，我们通过将当日满足群发性事件标准的组与前一日群发性高温事件(称为原事件)进行重合站点数的计算后加以判断，可分为以下三种情况：I. 如果重合站点数达到标准，则将该组并入原事件，原事件持续；II. 如果重合站点数达不到标准，则该组成为新事件；III. 如果原事件没有新组并入，则原事件结束.

这个步骤包括了一个参数： 群发性事件合并的重合站点数阈值H_c，我们选用群发性站点阈值Q_c的20%作为标准，即如果群发性事件站数的阈值为35的话，那么H_c就为7.类似地，我们选用了2007年6月21—26日群发性高温事件的识别过程来进行说明.

从图 3中可以看到，6月21日，出现了一个位于华南地区的群发性高温事件组，我们称之为事件A(十字符号).6月22日，群发性高温事件组的站点与前一日的事件出现了重合，重合站数超过阈值，于是将该组并入事件A，即事件A持续.6月23日，群发高温事件出现了两个组，一个位于华南(十字符号)，一个位于新疆(空心圆符号)，前者与事件A重合站数达到合并标准，并入事件A中，事件A持续；位于新疆的群发高温组与事件A无重合，可看成新事件，称为事件B. 6月24日，出现了三个达到群发性事件标准的组，分别位于华南(十字符号)、新疆(空心圆符号)及黄淮流域(实心圆符号)，按照重合站数标准，将华南组并入事件A，新疆组并入事件B，黄淮流域组称为事件C. 6月25日，按照扫描分组的标准，只出现了一个群发高温组，其与事件A及事件C都达到了重合的标准，对这种情况，我们将其并入持续时间长的事件，即将其并入事件A，与此同时将事件C亦合并入事件A；事件B没有群发事件组并入，即事件B结束.6月26日，没有群发性事件组出现，事件A结束.

图 3 2007年6月21日至26日群发性高温事件的分组及事件归并 Fig. 3 Demonstrating process for grouping and merging high temperature events from 21-Jun-2007 to 26-Jun-2007

按照上述过程，这段时间识别出了两次群发性高温天气事件(见图 4)，图中受事件影响站点为实心圆，大小为该站影响天数与事件持续天数的比值，符号越大表明该站受这次事件的影响时间越长.其中事件A从6月21日至25日共持续五天，影响范围主要在华南及沿海地区，华北地区受的影响时间较短.事件B从6月23日至24日持续两天，主要影响新疆地区.因此，从群发性高温事件的识别情况来看，这种方法得出的结果是比较客观合理的.

图 4 2007年6月21日至26日两个群发性高温事件的客观识别 圆点表示事件影响站点，圆点大小表示该站受影响天数与事件天数的比值. Fig. 4 Two identified cluster high temperature events during the period of 21—26 Jun 2007 based on the new method Dot is for affected station with magnitude for related lasting length in the event.

(4)群发性高温事件强度及影响范围的度量.我们可通过以下参数对事件影响范围及持续时间等方面进行度量.

持续天数ALD：事件的开始日到结束日之间的总天数；

影响站数AST：事件影响的总站数；

累积强度AQ：事件过程中各站与灾害阈值之差的绝对值总和；

平均强度MQ：各站平均强度之和/影响站数；

平均最大强度MMX：事件过程中各站与灾害阈值之差绝对值的最大值平均；

极端最大强度EMX：事件过程中所有站点与灾害阈值之差绝对值的最大值；

平均中心经度MLON：受影响站点位置的经度平均值(以影响天数为权重)；

平均中心纬度MLAT：受影响站点位置的纬度平均值(以影响天数为权重)；

综合强度：TEN=0.4×ALD^*+0.4×AST^*+0.1×MQ^*+0.1×MMX^*(*表示标准化值).

需要说明的是，在综合强度的计算中，各参数权重可依据不同的要素而变动.

与Ren等(2012)的方法相比，此方法具有以下一些特点：

I. 对事件的空间群发性只需根据扫描半径D_c及站数阈值Q_c而定，不需通过计算各个站点周围的事件发生率来确定事件的中心及分组.

II．对群发性事件持续性只需通过计算站点重合率确定，物理意义明确，易实现.

III．对影响区域的计算直接用影响站数来表征，舍弃计算繁杂的影响面积.

IV．将影响站点的持续天数作为权重来确定事件中心位置. 4 近五十年来群发性高温事件的统计特征

根据上述识别方法，我们利用1961—2012年全国724站的逐日最高气温资料，总共识别出群发性高温事件510次.表 1列出了综合强度位于前十的群发性高温事件，从中可以看出，有5次发生于2000年以后，占了50%，与全球变暖的趋势相一致(姜大膀等，2004; 郎咸梅和隋月，2013)，夏季高温热浪的强度也呈现明显的增强.其中综合强度最强的一次群发性高温事件发生于2003年6月30日—8月11日，持续天数长达43天，影响站数达268站，平均强度达2.1 ℃，极端最大强度为8.2 ℃，综合强度为3.80；处于第二的群发性高温事件发生于2007年7月3日至8月11日，持续时间长达40天，影响站数达270站，平均强度达1.6，极端最大强度为6.4 ℃，综合强度为3.44.

表1(Table 1)

表 1 1961—2012年综合强度前十位的群发性高温事件 Table 1 The top ten cluster high temperature events based on the composite intensity from 1961 to 2012 名次 发生时间 持续天数 影响站数 平均强度(℃) 极端最大强度(℃) 综合强度 平均中心位置 1 2003-06-30—08-11 43 268 2.1 8.2 3.80 (27.77°N，114.38°E) 2 2007-07-03—08-11 40 270 1.6 6.4 3.44 (27.65°N，114.76°E) 3 1966-07-16—08-17 33 275 2.0 8.4 3.13 (29.53°N，114.00°E) 4 1967-07-14—08-13 31 283 1.5 7.7 2.93 (29.57°N，114.27°E) 5 1971-07-09—08-03 26 308 1.8 8.3 2.80 (30.01°N，113.88°E) 6 2001-06-27—07-17 21 360 1.6 10.6 2.79 (32.10°N，111.83°E) 7 2011-07-20—08-09 21 309 1.9 11.0 2.53 (29.22°N，111.65°E) 8 1988-06-30—07-26 27 258 1.9 6.4 2.51 (28.89°N，114.52°E) 9 2000-07-15—07-29 15 375 1.6 8.7 2.39 (31.01°N，111.84°E) 10 1998-07-27—08-27 32 182 1.5 5.9 2.36 (26.83°N，114.45°E)

表 1 1961—2012年综合强度前十位的群发性高温事件 Table 1 The top ten cluster high temperature events based on the composite intensity from 1961 to 2012

为了对群发性高温事件进行一个总体上的描述，我们给出了各个定量指标的频率分布特征(图 5)，这里需要说明的是，对于发生年份、月份及持续天数，高温事件发生的统计次数均对应坐标数.其余各项则是统计发生在一定区间的高温事件频数，统计分组数为5logn=16，其中n为识别出来的群发性高温事件次数510，每组的组间距取为：.从群发性高温事件发生年份来看，发生次数最多的年份出现在2000年，达到17次，占总数的3.3%，其次为2005及2010年，达到了16次，这里我们注意到2003年的群发性高温事件发生次数为5次，为最少，但从表 1中可看到，由于2003年出现了一次持续时间很长的群发性高温事件，其综合强度达到最强，因此，虽然该年群发性高温事件次数少，但其影响却不小.从发生的月份来看，群发性高温事件主要发生在夏季，最早出现在4月份(由于数值较小，图中不易分辨出来)，最晚出现在9月 份，在7月份达到峰值(169次)，达到总数的33.1%. 从持续天数来看，持续时间为1天的占了大多数，为156次，占总数的30.5%，其次为持续2天的占17.2%，持续3天的占11.4%，最长的持续长达43天.从影响站数来看，影响站数在25~75之间的群发性高温事件发生频率最高，为232次，占总数的45.5%，其次是影响站数在75~125之间的群发性高温事件占23.1%，影响站数最多的一次群发性高温事件发生在2000年7月，影响站数达375站.从平均强度来看，强度位于1.0~1.3 ℃的高温事件最多，达到总数的28.6%，而平均强度最强的一次出现在1997年7月19日的新疆地区，强度达4.0 ℃，即平均最高温度达到了39 ℃.从极端强度的分布来看，出现在3.1~4.0 ℃的次数最多，达到22.0%，最强的两次发生于2008年8月1—4日及2011年7月13—15日的新疆地区，极端强度都达到了12.8 ℃.

图 5 1961—2012年群发性高温事件频率分布图 (a)发生年份;(b)发生月份;(c)持续天数;(d)影响站数;(e)平均强度;(f)极端强度. Fig. 5 Frequency percentage distributions of all cluster high temperature events from 1961 to 2012 according to different indices (a)Occurring year;(b)Occurring month;(c)Lasting days;(d)Affected stations;(e)Average intensity;(f)Extreme intensity.

上述给出了群发性高温事件的总体频率分布特征，如果我们以不同年代来统计的话(图 6)，1961—1970年发生次数为102次，1971—1980年为92次，1981—1990年为84次，1991—2000年为103次，2000—2010(2012)年为109(129)次(考虑到各个年代的年数相同易于比较，图 6中2011—2012年的群发性高温事件没有参与统计).可见20世纪90年代以来，群发性高温事件出现了明显上升的态势，这与全球变暖的趋势是相一致的.与此同时，我们还按照持续天数、影响站数及综合强度给出了各个年代不同等级的群发性高温事件发生次数.从持续天数来看，小于等于3天的群发性高温事件在20世纪的60及90年代稍偏多，分别为64和66次，80年代最少为49次，70年代及2000年代分别为56和55次；持续时间3~6天的群发性高温事件在2000年 后发生最多，达到24次，其次为60年代和90年代，分别为20和19次，70和80年代最少，只有17次.而超过6天的长时间群发性高温事件则在2000年以后最多，达到了30次，而其他几个年代都没达到20次，表明夏季长时间群发性高温热浪事件在全球变暖的背景下出现了剧烈增长.从影响站数来看，影响站数低于125站的群发性高温事件在20世纪60年代和90年代最多，为76次，在80年代最少，只有57次，其余两个年代相差不大，在65次上下.影响站数在125~225之间的高温事件在2000年以后达到最高27次，其次为80年代，为22次，另外三个时代均为18次.而超过225站数的高温事件则是在2000年以后达到了17次，在80年代最少，只有5次.其余三个年代为8~9次.从综合强度来看，强度小于-0.7的高温事件多少的先后排名分别是60年代、80年代、90年代、70年代、2000年代.强度位于-0.7~0.4间的高温事件在90年代及2000年代出现最多，都达到69次，80年代最少，只有47次.从综合强度超过0.4的事件发生分布来看，出现在2000年的达到最高，为33次，其次为60年代，为22次，另外三个年代均为19次.

图 6 各年代各等级群发性高温事件发生次数对比(图中数字为每个等级事件发生次数) Fig. 6 Occurring numbers of cluster high temperature events based on different grads in different decades

综上所述，不论是从发生频数、持续时间、影响站数还是综合强度来看，2000年以后的群发性高温事件都是近50年来最显著的. 4.3 区域特征

由于我国幅原辽阔，气候差异显著，因此，群发性高温事件具有明显的区域特征.图 7给出了近五十年来群发性高温事件中心位置的散点分布情况，从中可以看到，群发性高温事件发生频率最高区域主要位于长江以南，这个区域为副热带低纬地区，夏季经常被西太平洋副热带高压所控制，所以成为群发性高温事件的频发区.表 1中前十个综合强度的十次高温事件皆发生于此区域，这个地区的群发性高温事件最早出现在4月，最晚出现在9月，其中在7—8月达到高峰.另一个发生次数较多的区域为黄河下游华北地区，20世纪70年代后期以来，华北的干旱趋势明显加剧，夏季高温事件发生次数增多，最早出现在5月，最晚出现在8月，以6月份发生次数最多，7月份次之，这表明华北的高温事件主要发生在雨季到来之前，当副高第二次北跳，雨带北推，长江流域梅雨结束以后，华北的高温天气随着雨带的北移而减少.另一个群发性高温事件的高发区是以新疆为主的西北地区，西北地区由于季风雨带不能到达，下垫面植被稀少，海拔高度低，因此夏季往往出现群发性高温事件，出现时间以7月最多，8月次之，6月最少，其余月份则没有出现高温天气.与此同时，我们还看到在东北地区亦出现过两次群发性高温事件：一次发生在2010年6月，另一次发生在1982年7月.图 8给出了三次发生在不同区域的典型群发性高温事件的影响分布情况.

图 7 1961—2012年群发性高温事件平均中心位置的散点分布情况 Fig. 7 Scatter distribution of averaged centers of all cluster high temperature events from 1961 to 2012

图 8 三次典型群发性高温事件的影响范围 圆点表示事件影响站点，圆点大小表示该站受影响天数与事件天数的比值. Fig. 8 Affected station distributions of three typical cluster high temperature events Dot is for affected station with magnitude for related lasting length in the event.

基于前人的工作，本文提出了一种简化的识别群发性高温事件方法，对近五十多年来全国群发性高温事件进行了识别及统计分析，从识别结果与实发情况对比来看，本文改进的群发性高温事件识别方法简单，物理意义明确，方法客观有效，结果符合实际.

近五十年来综合强度位于前十的群发性高温事件中，有5次发生于2000年以后，占了50%，这与全球变暖的趋势相一致.通过年代际差异的比较，不论是从发生频数、持续时间、影响站数还是综合强度来看，2000年以后的群发性高温事件都是近五个年代中最显著的.

群发性高温事件具有明显的区域特征：长江以南地区发生频率最高；其次为黄河下游华北地区；以新疆为主的西北地区亦是群发性高温频发区；虽然东北地区属中高纬，但其仍可能出现持续的群发性高温事件.各个区域群发性高温事件在不同月份的分布差异体现了我国季风雨带移动及下垫面的影响.

本文所提出的方法不但适用于群发性高温天气的识别，亦可用于连续资料表征的任何区域、任何群发性气象事件的识别，包括群发性暴雨事件、群发性低温事件、群发性极端天气事件等等，亦可用于群发性霜、雾等事件的识别.但这里要说明的是，由于干旱的判定不能完全基于单日无降水事件，因此该方法对群发性干旱事件的识别还有待改进.

由于方法中参数的不同取值会影响识别结果，因此，在用于不同区域，不同事件的判别中一定要通过与实际发生情况作对比以后确定参数取值.该方法用于站点分布较均匀的地方效果较好，由于中国西部站点分布较少，因此，亦可针对东西部地区取不同的D_c值，这样的结果可能会更客观些.