Language
Intensificación de las olas de calor en China en las últimas décadas: papel de los modos climáticos
HogarHogar > Noticias > Intensificación de las olas de calor en China en las últimas décadas: papel de los modos climáticos
ÚLTIMAS NOTICIAS

Intensificación de las olas de calor en China en las últimas décadas: papel de los modos climáticos

May 15, 2024

npj Climate and Atmospheric Science volumen 6, número de artículo: 98 (2023) Citar este artículo

499 Accesos

2 altmétrico

Detalles de métricas

Los modos de variabilidad climática pueden afectar los extremos climáticos, planteando desafíos difíciles para nuestro medio ambiente. Sin embargo, aún no se comprende bien hasta qué punto los modos climáticos pueden modular las olas de calor en China en un contexto de calentamiento. Aquí, examinamos los cambios en la intensidad de las olas de calor en siete regiones distintas: tres regiones del Este, dos del Medio y dos del Oeste sobre China y exploramos sistemáticamente los impactos de los modos climáticos, analizando observaciones y realizando experimentos con modelos utilizando un modelo lineal dinámico bayesiano y un modelo de circulación general atmosférica (AGCM). Se detectan aumentos abruptos en la intensidad de las olas de calor en toda China durante un período de transición de 1993 a 2000, y la intensificación sigue siendo sólida en el norte y el oeste de China después de que se eliminó la tendencia al calentamiento. Los impactos combinados de El Niño-Oscilación del Sur (ENSO), la Oscilación Multidecadal del Atlántico (AMO) y el Dipolo del Océano Índico (IOD) explican entre el 62,35% y el 70,01% de la intensificación de las olas de calor observadas en el Este I, Medio I, Oeste I y Oeste. II regiones. Los cambios decenales de las circulaciones atmosféricas asociados con la transición de fase negativa de la Oscilación Interdecadal del Pacífico (IPO), que está altamente correlacionada con la variabilidad decenal de ENSO, combinados con la transición de fase positiva de la AMO a mediados de la década de 1990 aumentan la temperatura del aire en la superficie y aumentar la variabilidad interna atmosférica y los impactos de los modos climáticos, lo que ha resultado en el aumento abrupto de las olas de calor en las últimas dos décadas. Estos resultados resaltan la importancia de las transiciones de fase simultáneas de los modos climáticos decenales en la regulación de las olas de calor.

Las olas de calor tienen importantes impactos en los ecosistemas y la sociedad humana1. Históricamente, los estallidos de olas de calor han sido responsables de impactos perjudiciales para la salud humana, los cultivos, la vegetación, la calidad del aire y los peligros naturales2,3. Con el aumento de la temperatura global debido al cambio climático, se han producido calores extremos en todo el mundo y han generado una creciente preocupación pública en las últimas décadas4,5,6,7,8,9,10. Por encima de la tendencia al calentamiento, se ha demostrado que los modos dominantes de variabilidad climática, como El Niño y la Oscilación del Sur (ENSO), la Oscilación Multidecadal del Atlántico (AMO) y el Dipolo del Océano Índico (IOD), modulan los regímenes hidrometeorológicos globales. intensificar la duración y frecuencia de las olas de calor e inducir desastres naturales en varias regiones del mundo11,12,13,14,15,16. A pesar de una creciente apreciación de la interacción entre el calentamiento antropogénico y los modos climáticos internos, es poco lo que se sabe con qué intensidad los modos climáticos pueden modular las olas de calor en China. En particular, nuestra comprensión científica de los procesos físicos que conducen a la intensificación de las olas de calor es limitada17,18.

En el siglo pasado, China ha experimentado una clara tendencia al calentamiento, un rápido crecimiento demográfico y urbanización. La temperatura media anual del aire en la superficie de China ha aumentado más de 1 °C, acompañada de días de verano más frecuentes y calurosos19,20,21. La evidente tendencia al calentamiento y las olas de calor más frecuentes pueden reducir la humedad del suelo y afectar aún más los cultivos, la vegetación y el consumo de agua, lo que genera impactos perjudiciales sobre la seguridad alimentaria y la sostenibilidad de los recursos hídricos en China22,23. Mientras tanto, se prevé que la intensidad de los extremos cálidos aumente en el futuro debido a la mayor concentración global de gases de efecto invernadero24. Sin embargo, los estudios sobre las olas de calor y su comportamiento cambiante en China se centran principalmente en las tendencias crecientes asociadas con los efectos antropogénicos (por ejemplo, calentamiento de gases de efecto invernadero, islas de calor urbanas) y factores aislados a escala regional9,25,26,27,28. Un estudio reciente reveló una intensificación abrupta (es decir, repentina) de la magnitud promedio de las olas de calor en China alrededor de 1996-1997 y aludió a los cambios en el aumento de la temperatura global29. Sin embargo, aún no se ha realizado una evaluación sistemática de la abrupta intensificación de la ola de calor en diferentes regiones geográficas de China. Si bien se ha sugerido que las anomalías climáticas a gran escala asociadas con ENSO, AMO y IOD afectan la frecuencia, duración e intensidad de las olas de calor en algunas áreas de China11,20,29, sus contribuciones relativas a la intensificación abrupta en diferentes regiones y la Los mecanismos subyacentes siguen sin estar claros.

Aquí, evaluamos sistemáticamente los comportamientos cambiantes de la intensidad de las olas de calor del verano (junio-agosto) y probamos su solidez y regionalidad en China, utilizando observaciones meteorológicas confiables (disponibles de 1961 a 2017) con técnicas estadísticas. Luego exploramos los impactos no estacionarios de los modos climáticos dominantes en la intensidad de las olas de calor utilizando un modelo lineal dinámico bayesiano (DLM). Para ayudar a comprender los mecanismos relevantes, analizamos datos de reanálisis atmosférico y realizamos experimentos con modelos utilizando un modelo de circulación general atmosférica (AGCM). Esta comprensión es crucial para las predicciones decenales y las proyecciones a corto plazo de olas de calor en diferentes regiones de China. La simulación efectiva de los impactos no estacionarios de los modos climáticos y la capacidad de predicción que presenta el DLM bayesiano puede mejorar la habilidad de retrospectiva en más de un 10 % y reducir el error cuadrático medio en más de un 25 % en comparación con el modelo de regresión lineal convencional30, lo que lleva a un mejor pronóstico. para los desastres por calor que usar un modelo lineal convencional.

Utilizando el algoritmo Fuzzy C-Means, identificamos siete regiones distintas de variabilidad de olas de calor en China (Fig. 1 y Fig. 1 complementaria). Las tres regiones del norte de China (Este I, Medio I y Oeste I) y una región del oeste de China (Oeste II; Fig. 1a-d) han experimentado mayores aumentos en la intensidad de las olas de calor que las tres regiones restantes del sureste de China (Fig. .1e-g). Los cambios abruptos superan el nivel de significancia del 95 % en las regiones Este I, Medio I, Oeste I y Oeste II, así como en el área Este II, tanto en las pruebas de Pettitt como en las pruebas t móviles; sin embargo, las otras dos regiones del sur (Este III y Medio II) tienen resultados inconsistentes de los dos métodos diferentes (Figura complementaria 2 y Tabla 1). Las intensidades medias de las olas de calor para el período posterior al cambio abrupto son 4,8, 6,7, 4,8 y 6,1 veces las del período anterior al abrupto en las regiones Este I, Medio I, Oeste I y Oeste II, respectivamente, y la variabilidad de la ola de calor: medido por la desviación estándar (STD) de EHF, también muestra una mejora evidente en cada región. Las fuertes intensificaciones de las magnitudes de las olas de calor, como lo muestra la diferencia entre el EHF promediado para el período post y pre-abrupto en cada estación de observación, también se ven claramente en las regiones del norte y oeste de China (Fig. 1h). La mayor amplitud de la variabilidad demuestra que los eventos de olas de calor individuales se vuelven más intensos.

Series temporales de junio, julio y agosto (JJA): factor de exceso de calor medio (EHF) en 7 subregiones (línea negra con cuadrados) de 1961 a 2017 (a – g). Los valores medios de EHF durante los períodos pre-abrupto y post-abrupto se muestran en líneas azules y rojas, y el año del cambio abrupto se indica en rojo para cada panel. La distribución espacial de las diferencias de EHF entre los períodos posabrupto y preabrupto se muestra en (h).

A modo de comparación, las temperaturas medias diarias del aire de los productos de reanálisis NCEP/NCAR y ERA5 también se utilizan para calcular EHF (Figura complementaria 3). Las intensidades de las olas de calor promediadas en China a partir de observaciones, reanálisis de NCEP/NCAR y conjuntos de datos de reanálisis EAR5 muestran cambios abruptos consistentes en 1996, según lo probado por los métodos de Pettitt y t móvil, aunque los conjuntos de datos de reanálisis muestran un aumento menor en las magnitudes de EHF que las observaciones de las estaciones meteorológicas. Los aumentos abruptos de EHF en el reanálisis de ERA5 concuerdan bien con los datos de las estaciones en toda China, excepto en el área de la meseta del Tíbet, donde solo hay unas pocas estaciones meteorológicas disponibles (Fig. 1 y Fig. 3 complementaria). Por el contrario, los datos del reanálisis de NCEP/NCAR muestran un aumento razonable del EHF sólo en el noreste de China (fila superior de la figura complementaria 3). Por lo tanto, utilizaremos los datos de ERA5 para realizar cálculos adicionales en el futuro. Después de eliminar la tendencia lineal, el aumento abrupto en la intensidad de la ola de calor sigue siendo evidente para las cuatro áreas norte y oeste, aunque las magnitudes se reducen (Fig. 2a-d, líneas negras; Tabla complementaria 2). Este resultado sugiere que la tendencia al calentamiento, que estudios previos atribuyen principalmente al calentamiento global, de hecho aumenta las amplitudes de las olas de calor en China, pero no puede explicar el fuerte y abrupto aumento de la intensidad del EHF (tanto la media como la variabilidad), especialmente en el norte y el oeste de China.

Serie temporal de intensidad de ola de calor media JJA normalizada observada (Y, línea negra) de 1961 a 2017 (a – g), su simulación del modelo lineal dinámico bayesiano (DLM) (Yfit dlm, línea roja) y los efectos totales de los tres modos climáticos (línea azul; ver sección “Impactos de los modos climáticos”). Se muestra la desviación estándar (STD) de cada curva y las correlaciones entre ellas. El panel inferior derecho indica la ubicación de las subregiones (h).

Se examinan los impactos de los tres modos climáticos dominantes (ENSO, AMO e IOD) que afectan el clima de Asia. Utilizando los índices sin tendencia media de JJA de ENSO, AMO e IOD como predictores y la intensidad de la ola de calor sin tendencia (EHF) como predictando, el DLM bayesiano puede simular la variabilidad interanual y a mayor escala observada de la intensidad de las olas de calor en todas las regiones, incluidas sus magnitudes y aumentos abruptos de intensidad (Fig. 2, compare las líneas negras y rojas). Los tres modos climáticos juntos explican la mayor parte de la correlación de los datos del modelo y las variaciones observadas (Fig. 2, líneas azules). Durante el período post-abrupto, los impactos combinados de ENSO, AMO e IOD explican el 62,35%, 70,01%, 66,20% y 63,64% (STDmodes/STDEHF) de la intensificación de las olas de calor observadas en East I, Middle I, West I, y Oeste II, respectivamente. Para las simulaciones bayesianas DLM, los impactos combinados de los modos climáticos totales pueden contribuir en un 85,56%, 89,33%, 86,72% y 88,11% (STDmodes/STDdlm) a las simulaciones para las cuatro regiones. Sin embargo, hay una parte del EHF que no puede explicarse por estos modos climáticos, lo que sugiere que otros factores (por ejemplo, la variabilidad interna atmosférica) también pueden contribuir a las actividades de las olas de calor. Tenga en cuenta que las amplitudes de los índices ENOS, AMO e IOD son similares para los períodos de cambio previo y posterior (Fig. 3a-c), lo que sugiere que los aumentos abruptos modelados en la intensidad de las olas de calor en el DLM bayesiano (Fig. 4a) surgen de sus coeficientes significativamente intensificados (Figura 4 complementaria) en lugar de variaciones en la intensidad de los modos climáticos. Físicamente, estos resultados sugieren que para la misma fuerza de un modo climático, sus impactos son más efectivos y mayores durante el período post-abrupto. Las causas físicas relevantes se analizan a continuación.

un índice Nino3.4; b el índice de oscilación multidecenal del Atlántico (AMO); c el índice de modo dipolo (DMI) del Océano Índico; d el índice IPO sin tendencia (línea negra) y el índice AMO (sombreado) de 1920 a 2017. e Patrones espaciales de anomalías de TSM (SSTA; °C) asociados con un IPO positivo sobre el Pacífico y un AMO negativo sobre el Atlántico Norte (sombreado de color ); f serie temporal de índices IPO y AMO normalizados con filtro de paso bajo de 8 años (curvas de puntos negros y azules), un SSTA sinusoidal idealizado que imita el índice IPO (rojo sólido grueso) y el índice AMO pero con un signo opuesto, y un SSTA sinusoidal con un período de 2 años que representa la variabilidad interanual de ENSO (rojo fino y sólido).

a El coeficiente de correlación entre la contribución total de los modos climáticos (ENSO + AMO + IOD) y las simulaciones bayesianas DLM completas (segmentos horizontales, eje izquierdo), y la desviación estándar (STD) de la contribución total de los modos climáticos para el periodo pre-abrupto. y períodos post-abruptos (histograma, eje derecho) para cada región. b El STD de la intensidad de las olas de calor se explica por ENOS, AMO e IOD, respectivamente. c La correlación entre la simulación DLM y la contribución de cada modo climático. d La diferencia de EHF entre los períodos pre-abrupto y post-abrupto (post resta pre) aportado por cada modo climático.

Los impactos de los modos climáticos tienen aumentos sustanciales durante el período post-abrupto, como se puede ver tanto en el aumento del STD de la contribución de los modos climáticos como en su correlación con la simulación DLM total en las cuatro regiones del norte y oeste de China (Este I, Medio I, West I y West II) aunque la correlación aumentó poco en West II (Fig. 4a). Por lo tanto, de ahora en adelante nos centraremos en estas cuatro regiones del norte y oeste de China. ENOS representa la mayor fracción de la intensificación de las olas de calor en las cuatro regiones y domina el efecto combinado de IOD y AMO en el Este I, Medio I y Oeste I (Fig. 4b, d). Si bien el impacto de la AMO es débil o insignificante en estas tres regiones, el impacto del IOD es mayor y no insignificante en el Este I y el Oeste I. En el área del Oeste II, ENSO, IOD y AMO tienen efectos comparables en el EHF mejorado (Fig. 4d). El efecto de ENSO es débil en general antes de la década de 1990, pero después del año de cambio abrupto, el coeficiente DLM de ENSO se vuelve fuertemente negativo y excede el intervalo de confianza del 95% del coeficiente constante del modelo de regresión lineal convencional en cada región (Figura complementaria .4a–d). El coeficiente negativo sugiere que la fase negativa de ENOS (IPO), que corresponde a La Niña (IPO negativo), aumenta la intensidad de la ola de calor durante el período post-abrupto.

Los impactos de la AMO y la IOD, especialmente la AMO, son más complejos. Por ejemplo, durante el período de cambio previo al abrupto, la AMO se encuentra en una fase negativa en general con una variabilidad interanual significativa (Fig. 3b, d), y sus impactos en la intensidad de las olas de calor, medidos por sus coeficientes DLM (Fig. 4e-h suplementaria). )—son débiles en las cuatro regiones. Durante el período posterior al cambio abrupto, la AMO se encuentra en una fase positiva (Fig. 3b, d); Sin embargo, sus impactos sobre las olas de calor (coeficiente DLM) cambian de negativos antes de ~2008 a positivos después, lo que indica su relación no estacionaria con la intensidad de las olas de calor. Físicamente, esto sugiere que las anomalías de la temperatura de la superficie del mar (SSTA) asociadas con la OMA podrían haber experimentado un cambio de patrón alrededor de 2008, lo que tuvo como resultado diferentes impactos en el clima de China. De hecho, el índice AMO (la SSTA promediada en el Océano Atlántico Norte) está asociado con patrones de SSTA significativamente diferentes antes y después de 2008 (Figura complementaria 5). Para el IOD, sus impactos aumentan durante el período posterior a la abrupta y el IOD negativo aumenta las olas de calor, como lo muestra su coeficiente DLM negativo (Figuras complementarias 4i-l). Tenga en cuenta que el coeficiente DLM de IOD en el área Oeste II cambia de signo durante el período post-abrupto, de positivo antes de ~2007 a negativo después. Además, realizamos DLM bayesiano parcial para investigar si este signo cambiante del coeficiente IOD es artificial. En comparación con el DLM bayesiano que utiliza los tres modos climáticos, los coeficientes DLM de IOD en el DLM bayesiano parcial también cambian el signo de positivo antes de ~2007 a negativo, aunque con una amplitud menor (Figura complementaria 6). La razón de este cambio en el área del Tíbet Occidental II no está clara y podría estar relacionada con las relativamente escasas estaciones meteorológicas en la región, la variabilidad atmosférica interna u otros forzamientos en el EHF sobre la meseta del Tíbet.

Si bien nuestras discusiones anteriores se basan en la Ec. (14) con múltiples predictores, también hemos examinado el impacto de cada modo climático con un único predictor (por ejemplo, índice ENSO) en el DLM bayesiano. Luego, evalúe el impacto de otros modos climáticos utilizando DLM bayesiano parcial, con el índice AMO y el DMI como predictores y el residual EHF (con el efecto ENOS eliminado) como predictivo (Figuras complementarias 7, 8). Los coeficientes dinámicos de los predictores individuales muestran variaciones similares con los resultados de los predictores múltiples (en comparación con la figura complementaria 4). Por ejemplo, el coeficiente DLM de ENOS con un único predictor es negativo, lo que indica que La Niña (IPO negativo) actúa intensificando las olas de calor. Este resultado es consistente con el impacto ENOS de la simulación de múltiples predictores. Asimismo, los resultados de los impactos de AMO y IOD también son consistentes con los de simulaciones de predictores múltiples (Figuras complementarias 9, 10).

Para revelar los patrones espaciales de los cambios en la intensidad de las olas de calor asociados con los cambios de fase de los modos climáticos, realizamos un análisis compuesto para el EHF utilizando los índices climáticos (Fig. 5). De acuerdo con nuestras discusiones anteriores, La Niña y la fase negativa de las IPO intensifican las olas de calor, especialmente en las regiones del norte de China, en relación con sus fases positivas. Para la fase positiva de AMO y IOD, las olas de calor se intensifican en toda China; el mayor aumento se produce en el norte de China en relación con sus fases negativas, y las olas de calor muestran el menor aumento durante las fases positivas de IOD. Tenga en cuenta que la Fig. 5 muestra las diferencias EHF entre las dos fases de cada modo climático, en lugar de las contribuciones de los modos climáticos a la abrupta intensificación de las olas de calor desde la década de 1990.

El rayado indica significancia estadística según la prueba t estándar con un nivel de confianza del 90%. a La Niña menos El Niño; b fases positivas menos negativas de AMO; c fases positivas menos negativas del IOD; y d fases negativas menos positivas de la IPO.

En esta subsección, primero analizaremos el producto del reanálisis junto con los datos de la estación meteorológica, para demostrar que el sistema mejorado de alta presión sobre el continente euroasiático juega un papel importante en la generación de una temperatura más cálida del aire en la superficie y una ola de calor intensificada (es decir, EHF). durante el período post-abrupto. Luego discutimos los efectos de los modos climáticos en la alta eurasiática y la intensificación de las olas de calor. Finalmente, planteamos la hipótesis de que las anomalías de la circulación atmosférica asociadas con la concurrencia de transiciones de fase interdecenales del IPO y AMO durante la década de 1990 aumentan la temperatura del aire en la superficie y mejoran las magnitudes de las olas de calor inducidas por la variabilidad interna de la atmósfera y ENSO. Probamos esta hipótesis realizando experimentos AGCM.

En comparación con el período pre-abrupto, tanto la presión a nivel del mar como la altura geopotencial de 500 hPa han aumentado en toda China, especialmente en Eurasia, que se extiende por el norte y el oeste de China (Fig. 6b, c), donde se prevé un fuerte calentamiento de la temperatura del aire en la superficie y una intensificación de las olas de calor. observado (Figs. 1h, 6a y Fig. complementaria 3). Un importante sistema de alta presión con un centro ubicado en el lado norte de Eurasia controla la China continental (Fig. 6c). Este resultado indica que la temperatura más cálida del aire en la superficie durante el período posterior a la abrupta produce olas de calor más fuertes.

a Temperatura del aire en superficie (°C), b Presión al nivel del mar (hPa) y viento en superficie (m s−1), c Altura geopotencial de 500 hPa (m). Los puntos negros indican los cambios significativos al nivel de confianza del 90%.

El aumento de la altura geopotencial de 500 hPa y la presión a nivel del mar (Fig. 6b, c) provocan un hundimiento anómalo de la atmósfera y, por lo tanto, reducen la cobertura de nubes (Fig. 11a, 12a complementarias). El movimiento de hundimiento mejorado contribuye al calentamiento de la superficie a través del calentamiento adiabático (Figura complementaria 11b), y la cubierta de nubes reducida aumenta la radiación solar de onda corta descendente que calienta la superficie de la Tierra, especialmente en el noreste de China (Figura complementaria 12c). En las partes central y occidental del norte de China, la reducción de la pérdida de calor latente desde la superficie a la atmósfera (Figura complementaria 12e), que corresponde a un enfriamiento por evaporación reducido en la superficie, y la reducción de la radiación de onda larga saliente (Figura complementaria 12f) calientan la Tierra. superficie. El suelo más cálido calienta el aire de la superficie al aumentar el flujo de calor sensible hacia arriba (Figura complementaria 12d). Además de los flujos de calor en la superficie, la advección horizontal tiene contribuciones significativas a la temperatura del aire cálido en la superficie en Oeste II (Figura complementaria 13).

La dinámica fundamental para que ENSO y AMO afecten el clima de China a través de la respuesta de tipo Gill y las ondas atmosféricas de Rossby se han discutido en estudios existentes31,32,33. Situada en la región monzónica de Asia oriental, las condiciones climáticas de China son sensibles a los SSTA, ya que pueden impulsar anticiclones persistentes y modular la dinámica asociada34,35. El DLM bayesiano simula los fuertes cambios de la altura geopotencial de 500 hPa entre los períodos post y pre-abrupto en China (Fig. 7), con relaciones de STD entre el DLM simulado y los valores observados de ERA5 >0,86 y coeficientes de correlación superiores a 0,97 en China ( Figura complementaria 14). Los tres modos climáticos juntos pueden explicar una gran fracción del aumento de la altura geopotencial en el norte de China. La contribución de ENSO se centra en Eurasia de manera similar al cambio observado. La contribución de AMO muestra una magnitud más débil pero es significativa en las áreas occidentales, mientras que la contribución de IOD se centra positivamente en East I.

a–d Altura geopotencial de 500 hPa aportada por ENSO, AMO, IOD y la suma de tres modos climáticos promediados para el período anterior a 1996 (1961–1996); e–h Igual que (a–d) pero para el período posterior a 1996 (1997–2017); i–l Igual que (a–d) pero con las diferencias entre los períodos anterior a 1996 y posterior a 1996 (post resta pre). Los puntos negros indican los cambios significativos al nivel de confianza del 90%.

Durante la década de 1990, la IPO (es decir, la variabilidad decenal de ENSO; Fig. 3a) pasa de una fase positiva a una fase negativa y la AMO cambia de negativa a positiva (Fig. 3f). El cambio en la variabilidad decenal del IOD es débil en comparación con el de IPO y AMO (Fig. 3f y Fig. 15 complementaria). Debido a que la IPO negativa y la AMO positiva generalmente tienden a intensificar las olas de calor (Fig. 5) según el coeficiente de regresión negativo de la IPO y el coeficiente positivo de la AMO (líneas negras discontinuas de la Figura 4 complementaria), planteamos la hipótesis de que los efectos combinados de la IPO negativa La transición de fase y la transición de fase positiva de AMO a mediados de la década de 1990 causan anomalías en la circulación atmosférica, calientan el aire de la superficie y aumentan la magnitud de las olas de calor, lo que resulta en la intensificación de las olas de calor en China. Esto también ayuda a explicar la magnitud mejorada del coeficiente ENOS en el DLM bayesiano (Figura complementaria 4). También es posible que ENSO, el modo dominante de intensificación de las olas de calor, haya experimentado un cambio en el patrón SSTA debido a la diversidad de ENSO (es decir, ENOS en el Pacífico Central versus ENOS en el Pacífico Oriental), y que el patrón SSTA en las últimas dos décadas provoque olas de calor más fuertes. Sin embargo, la ocurrencia de los dos tipos de eventos de El Niño tiene posibilidades similares entre los períodos 1980-1996 y 1996-2017 (Tabla 1 de Zhang y Han36) y, por lo tanto, no es probable que sean la causa de la intensificación abrupta de las olas de calor.

Para probar nuestra hipótesis, realizamos tres experimentos AGCM utilizando ECHAM4.6 para evaluar los impactos de la IPO, la AMO, el ENSO, la IPO y la AMO combinadas, y la combinación de los tres modos. Se realizan un total de cuatro experimentos AGCM: Exp-IPO, Exp-AMO, Exp-(IPO+AMO) y Exp-(IPO+AMO+ENSO), que evalúan los impactos de IPO, AMO, IPO combinado con AMO, y IPO, AMO y ENSO combinados. Los patrones espaciales de los SSTA asociados con cada modo climático se obtienen haciendo una regresión de SSTA en los índices de modo climático normalizados y luego se multiplican por una onda sinusoidal con un período de 40 años para representar los cambios interdecenales observados de IPO y AMO (Fig. .3f). El efecto de ENOS representa la variabilidad interanual de la SST con un período idealizado de 2 años, que se superpone a las SSTA interdecenales de AMO e IPO que fuerzan Exp- (IPO + AMO) (Fig. 3f). El experimento de control (CTRL) es forzado por la TSM climatológica. Por lo tanto, los impactos de IPO, AMO, IPO+AMO e IPO+AMO+ENSO en las olas de calor se pueden cuantificar comparando los resultados correspondientes con el experimento CTRL. Tenga en cuenta que en estos experimentos, los efectos IPO y AMO se dan solo en una escala de tiempo interdecenal, y ENOS está solo en una escala de tiempo interanual con un ciclo idealizado de 2 años (consulte la Fig. 3f para sus índices idealizados).

Primero, analizamos las magnitudes de los cambios de las olas de calor calculando la diferencia de EHF entre el período posterior y previo al cambio abrupto utilizando resultados diarios de Exp-IPO, Exp-AMO y Exp-(IPO+AMO) (Fig. 8). Exp-IPO muestra que la IPO por sí sola aumenta las olas de calor en el centro, noreste y oeste de China, y que AMO por sí sola (Exp-AMO) mejora débilmente la intensidad de las olas de calor en todo el sur de China. Sin embargo, sus impactos combinados de Exp-(IPO+AMO) muestran aumentos evidentes en la intensidad de las olas de calor en la mayoría de las regiones del norte de China (Fig. 8d), donde se observa una intensificación abrupta de las olas de calor. Sin embargo, la superposición lineal de sus impactos, Exp-IPO + Exp-AMO (Fig. 8c), no puede producir la fuerte intensificación de la ola de calor en el noreste de China, lo que sugiere que las interacciones no lineales entre los efectos IPO y AMO, que se incluyen en Exp-( IPO+AMO), juegan un papel importante. La serie temporal de EHF media de JJA calculada a partir de Exp- (IPO + AMO) en cada una de las cuatro regiones del norte y oeste de China también muestra una intensificación de las olas de calor durante el período posterior al cambio abrupto (Figura complementaria 16). Dado que solo se utilizan SSTA interdecenales de IPO y AMO para forzar el AGCM, la amplitud mejorada de EHF interanual en Exp-(IPO+AMO) resulta principalmente de la modulación interdecadal de la variabilidad interna atmosférica por IPO y AMO.

Se muestran las diferencias entre los resultados de la media de los últimos 20 años y de los primeros 20 años. un EHF de Exp-IPO; b EHF de Exp-AMO; c EHF calculado por TS diario a partir de Exp-IPO+Exp-AMO; yd EHF de Exp-(IPO+AMO).

Los experimentos AGCM anteriores demuestran que las SSTA interdecenales asociadas con las transiciones de fase simultáneas de IPO (de positivo a negativo) y AMO (de negativo a positivo) alrededor de mediados de la década de 1990 causan de hecho una intensificación de las olas de calor. Dado que el impacto de ENSO en EHF se intensifica durante el período post-abrupto, esperamos que las transiciones de fase interdecenales combinadas de IPO y AMO también puedan mejorar los impactos interanuales de ENSO en la amplitud de las olas de calor. Para probar esta hipótesis, analizamos los resultados de Exp- (IPO + AMO + ENSO) (Fig. 9 y Fig. complementaria 17). Las diferencias compuestas de los episodios de La Niña entre los períodos post y pre-abrupto, que aíslan los impactos de ENSO y amortiguan los efectos de la variabilidad interna atmosférica, muestran que los eventos de La Niña de la misma amplitud efectivamente producen olas de calor más fuertes durante el período post-abrupto en el Regiones Este I y Oeste II. Aunque los resultados del AGCM contienen errores de modelo, las buenas concordancias entre nuestros resultados idealizados del AGCM y los análisis observacionales demuestran que las transiciones de fase interdecenales simultáneas de la IPO y la AMO explican una parte importante del abrupto aumento de la intensidad de las olas de calor a mediados de los años 1990, por modulando la variabilidad interna atmosférica y los efectos interanuales de ENSO.

a Las diferencias entre los resultados de la media de los últimos 20 años y de los primeros 20 años. b Las diferencias en las composiciones de los episodios de La Niña entre los últimos 20 años y los primeros 20 años.

Los fuertes impactos sociales y ecosistémicos de las olas de calor enfatizan la urgencia de una mejor comprensión de sus mecanismos impulsores y del cambio de comportamiento en escalas de tiempo decenales y más largas en un clima que se calienta. Utilizando observaciones de estaciones meteorológicas y conjuntos de datos de reanálisis, detectamos una fuerte intensificación de las magnitudes de las olas de calor en China en las últimas dos décadas, con un aumento abrupto en la intensidad de las olas de calor a mediados de la década de 1990 en el norte y el oeste de China (Este I, Medio I, Oeste I, y Oeste II de la Fig. 1). La intensificación sigue siendo sólida en el norte y el oeste de China después de que eliminamos la tendencia lineal multidecenal de intensidad de las olas de calor, que estudios previos han atribuido al calentamiento antropogénico (Fig. 2). Al realizar experimentos bayesianos DLM y AGCM, mostramos que los impactos mejorados de los principales modos climáticos (ENSO, AMO e IOD) durante el período post-abrupto explican una parte importante de la abrupta intensificación de las olas de calor. A pesar de que los índices de modo climático no muestran amplitudes aumentadas (Fig. 3), sus impactos en la intensidad de las olas de calor se intensificaron, como lo muestran sus coeficientes DLM bayesianos más grandes (Fig. 4 complementaria). Físicamente, esto significa que los modos climáticos generan condiciones atmosféricas favorables para que se produzcan fuertes olas de calor en el norte y el oeste de China durante las últimas dos décadas, lo que amplifica aún más las olas de calor ya intensificadas debido al calentamiento antropogénico.

Durante el período posterior al cambio abrupto, el sistema mejorado de alta presión euroasiático provoca un hundimiento anómalo de la atmósfera, lo que contribuye al calentamiento de la superficie de la Tierra en el norte de China a través del calentamiento adiabático, el aumento de la radiación solar de onda corta descendente debido a la reducción de la cobertura de nubes y el debilitamiento de la pérdida de calor latente. El suelo cálido calienta el aire de la superficie a través del flujo de calor sensible, y la advección también contribuye al aire caliente de la superficie en la región Oeste II. Las transiciones de fase interdecadales simultáneas del IPO (de positivo a negativo) y del AMO (de negativo a positivo) alrededor de mediados de la década de 1990 son la causa principal del sistema de alta presión euroasiático intensificado observado, que calienta el aire de la superficie y da como resultado la abrupta intensificación de las olas de calor a mediados de la década de 1990. Nuestros experimentos AGCM muestran que las SSTA interdecenales asociadas con la IPO y la AMO mejoran las magnitudes de las olas de calor de un año a otro al modular la variabilidad interna atmosférica y los modos climáticos interanuales (por ejemplo, ENSO). La no linealidad del sistema atmosférico afecta los impactos de IPO y AMO y es importante en algunas regiones. Se necesita más investigación para comprender las fuentes de la variabilidad interna atmosférica y su interacción con los modos climáticos, y esta es un área de nuestra investigación futura.

Nuestros resultados indican que la concurrencia de transiciones de fase interdecenales de IPO y AMO pueden agravar las olas de calor intensificadas debido al calentamiento antropogénico en algunas décadas, pero debilitarlas durante otras décadas, provocando cambios abruptos en la intensidad de las olas de calor en diferentes regiones de China y otros países. El calentamiento continuo de los gases de efecto invernadero está alterando las condiciones climáticas de fondo y probablemente la dinámica que gobierna estos modos climáticos37. El calentamiento de las temperaturas del océano también puede amplificar los impactos de los modos climáticos en los ecosistemas y los eventos extremos (por ejemplo, 38). Por tanto, es imperativo comprender las influencias de los modos climáticos y su interacción con el clima cambiante. Esta comprensión puede ayudar a mejorar las predicciones decenales y las proyecciones a corto plazo del clima y los fenómenos extremos y, por tanto, contribuir a la toma de decisiones informadas.

Las temperaturas máximas y mínimas diarias de las estaciones meteorológicas de 1961 a 2017 se obtuvieron de la Administración Meteorológica de China y se controlaron la calidad según un sistema de gestión de calidad estándar nacional. El total de 718 estaciones meteorológicas utilizadas en este estudio se muestran en la Fig. 1h y en la Fig. 1 complementaria. En este estudio, se examinan los tres modos climáticos dominantes (ENSO, AMO e IOD) que afectan el clima de Asia, que están representados por el Niño3 mensual. .4, índice AMO y DMI de junio a agosto, respectivamente39,40,41. También se analiza y compara el índice de Oscilación Interdecadal del Pacífico (IPO)42 con el índice ENSO (Fig. 3a); sus índices medios JJA están altamente correlacionados con una correlación de 0,89 para el período 1961-2017 y 0,78 para sus componentes decenales (valores filtrados de paso bajo de 8 años). Estudios previos han demostrado las altas correlaciones entre la IPO, la oscilación decenal del Pacífico y la variabilidad decenal de ENSO, con coeficientes de correlación de 0,89 durante el siglo pasado43,44. Por lo tanto, de ahora en adelante usaremos el IPO y la variabilidad decenal de ENSO indistintamente y usaremos el índice IPO para estimar el impacto de la variabilidad decenal de ENOS en el cambio abrupto de la intensidad de la ola de calor. El índice medio JJA de cada modo climático se calcula promediando los valores de junio, julio y agosto, sin la climatología mensual de 1961-2017. Además, la SST global mensual de la SST reconstruida extendida V545 de NOAA se utiliza para realizar el análisis de regresión.

A modo de comparación, las temperaturas medias diarias del aire de los productos de reanálisis ERA5 y NCEP/NCAR46,47 también se utilizan para calcular la intensidad de las olas de calor. Para ayudar a comprender los mecanismos físicos relevantes, también analizamos la altura geopotencial del reanálisis ERA5, la presión del nivel del mar, los vientos zonales y meridionales de la superficie, la velocidad vertical, la nubosidad total y la advección de temperatura. Para evaluar el cambio en el flujo de calor superficial asociado con la intensificación de las olas de calor, también se analizan el flujo de calor latente en la superficie, el flujo de calor sensible, el flujo de radiación de onda corta y el flujo de radiación de onda larga.

Las definiciones de ola de calor en la literatura existente no son consistentes. La definición más comúnmente utilizada es el umbral relativo del percentil 90 o 95 de temperatura diaria para evaluar los días y noches de calor excesivo en Europa, Australia y la India (por ejemplo, referencias 48,49,50). En este caso, se seleccionó el EHF calculado con las temperaturas máximas y mínimas diarias del aire en superficie debido a dos mejoras en comparación con la definición común: una es la incorporación de condiciones de calor diurnas y nocturnas; otra es la consideración de las condiciones de calor antecedentes locales. La condición de calor antecedente local puede aumentar o debilitar la amplitud del calor para un día determinado51,52. El EHF se propuso basándose en dos conceptos denominados exceso de calor y estrés térmico. Este método ha sido probado intensamente para detectar de manera confiable eventos de olas de calor y representar con mayor precisión la intensidad de las olas de calor (por ejemplo, referencias 53,54,55,56). Para evaluar la evolución temporal de las intensidades de las olas de calor en diferentes regiones de China, calculamos el factor de exceso de calor (EHF) utilizando datos diarios de temperatura máxima y mínima durante el verano (01/06–31/08) observados desde estaciones meteorológicas para el período de 1961. –2017. El exceso de calor expresa una condición de temperatura inusualmente alta con un promedio de temperaturas diarias máximas y mínimas (Tmax y Tmin) promediadas durante un período de tres días y comparándolas con una temperatura a largo plazo:

donde \({T}_{i95}\) es el percentil 95 de la temperatura media diaria (\({T}_{i}\)) para todo el período 1961-2017. En nuestro estudio, el \({T}_{i95}\) se calcula para cada día (\(i\)) con una ventana de 15 días (desde \({T}_{i-7}\) hasta \({T}_{i+7}\)) centrado en \({T}_{i}\) y en cada estación. La temperatura media diaria se define como:

donde Ti se calcula del 1 de junio al 31 de agosto durante el período 1961-2017.

El estrés por calor caracteriza una anomalía térmica derivada de la aclimatación en el pasado reciente con la temperatura promedio durante un período de 3 días en comparación con una temperatura a corto plazo:

El EHF considera tanto EHIsig como EHIaccl y se define como

lo que proporciona una medición más efectiva y completa de la intensidad de las olas de calor.

Clasificamos las regiones utilizando el algoritmo Fuzzy C-Means, que es un método de agrupación comúnmente utilizado (por ejemplo, referencias 57,58). Un conjunto de datos finito \(X=\left\{{x}_{1},{x}_{2},{x}_{3},{\cdots ,x}_{n}\right\}\ ) en un espacio de características \({R}^{\rm {{s}}}\), se clasifica mediante el método FCM en c grupos \(\left(2\le c < n\right)\). El centro del grupo es \(V=\left\{{v}_{1},{v}_{2},{v}_{3},{\cdots v}_{n}\right\}\ ). La matriz de membresía es

donde \({u}_{{ij}}\) es el grado de pertenencia de los datos i al grupo j. En el FCM, \({u}_{{ij}}\) debe satisfacer las siguientes condiciones:

La función objetivo optimizada del algoritmo FCM es

donde m es un parámetro ponderado difuso.

El número de agrupamiento optimizado está determinado por índices de validez. En este estudio, se seleccionan tres índices de validez ampliamente utilizados, a saber, el índice de rendimiento de borrosidad (FPI)59, el índice de partición (PI)60 y el índice extendido Xie-Beni (XB)61, para encontrar el número óptimo de conglomerados:

El número de conglomerado óptimo se encuentra cuando los índices de validez se vuelven más pequeños y estables. Tenga en cuenta que los valores de los tres índices de validez se vuelven más pequeños y estables cuando el número de grupo ≥7 (Figura complementaria 1a). Por lo tanto, se clasifican 7 subregiones (Figura complementaria 1b): tres regiones orientales (Este I, Este II, Este III), dos regiones medias (Medio I, Medio II) y dos regiones occidentales (Oeste I, Oeste II).

El EHF promediado para cada subregión se utiliza para caracterizar la variación regional de la intensidad de las olas de calor. Utilizando la prueba de Pettitt62, mostramos aumentos abruptos en la intensidad de las olas de calor en las siete regiones (Fig. 1a-g y Tabla complementaria 1). Los años de cambios abruptos varían regionalmente, desde 1993 en la región Este I hasta 2000 en la Región Este II. La brusquedad del aumento de la intensidad de la ola de calor se prueba y respalda aún más mediante la prueba t móvil (Figura 2 complementaria), con el paso móvil de 10 años para detectar cambios abruptos dentro de la escala de tiempo decenal.

Dado que ENSO y su variabilidad decenal (es decir, IPO), AMO y IOD tienen impactos prominentes en el tiempo y el clima en China20,29,31,32,63,64, aquí investigamos sus impactos en la intensidad de las olas de calor utilizando el DLM bayesiano65. El DLM bayesiano tiene la ventaja de capturar los impactos no estacionarios (por ejemplo, cambios abruptos) de los modos climáticos en comparación con el modelo de regresión lineal convencional. Primero calculamos las tendencias lineales del índice de intensidad de las olas de calor y de los índices de modo climático para el período 1961-2017 y luego las eliminamos de los índices de intensidad de la ola de calor y de modo climático para eliminar los efectos del calentamiento a escala global asociado con el aumento de los gases de efecto invernadero29. El período más largo de 1920-2017 se utiliza para calcular la tendencia de la AMO, ya que la AMO tiene períodos de 60 a 80 años y muestra una transición de fase positiva durante 1961-2017 (Fig. 3d, sombreado de color).

El modelo de regresión lineal múltiple convencional se ha utilizado ampliamente para examinar la relación entre los predictores independientes (X1,..., Xn) y el predictando, Y. Sin embargo, las relaciones no estacionarias entre Y y Xi en un sistema geofísico real, especialmente bajo un clima cálido, no pueden ser capturado por el modelo lineal convencional, debido a los coeficientes de regresión constantes (\({b}_{i}\); consulte la ecuación (15) a continuación) durante el período de examen. El DLM bayesiano permite que los coeficientes bi varíen con el tiempo y, por lo tanto, puede capturar los impactos variables en el tiempo de los predictores xi sobre el predictando Y dentro del período temporal examinado.

y

donde \(\varepsilon \left(t\right) \sim N\left[0,V\left(t\right)\right]\,\) y \({w}_{i}\left(t\ right) \sim N\left[0,{W}_{i}\left(t\right)\right]\) son ruidos blancos o errores independientes, distribuidos normalmente con una media de 0 y varianzas de V(t) y Wi(t).

Con esta ventaja, el DLM bayesiano se ha aplicado recientemente para investigar los efectos no estacionarios de los modos climáticos sobre las variables oceánicas y atmosféricas66,67. En este estudio, utilizamos los índices ENOS, AMO e IOD como predictores debido a sus importantes impactos en el clima de China y la intensidad de las olas de calor como predictivo. Dado que el coeficiente de correlación entre el índice Niño3.4 medio de JJA y el DMI es 0,42 para el período 1961-2017, mientras que el DLM bayesiano requiere que los predictores sean independientes, el DMI parcial se calculó eliminando el efecto ENOS del DMI antes de aplicar el modelo bayesiano. . Al hacerlo, la suposición subyacente del procedimiento es que ENOS tiene una influencia unidireccional sobre la DIO. Por lo tanto, los impactos de ENSO (IOD) podrían estar algo sobreestimados (subestimados). Dado que los DMI con y sin efecto ENSO eliminado están altamente correlacionados, con un coeficiente de correlación que alcanza 0,91 (Figura 18 complementaria), los efectos de sobreestimación/subestimación probablemente sean pequeños.

Para garantizar aún más la independencia de los impactos de ENSO y IOD y evitar el sobreajuste del DLM bayesiano, también aplicamos el método DLM bayesiano parcial66 utilizando el EHF residual, Y' = Y(t)−(b1(t)ENSO(t) + b2(t)AMO(t)), como predictivo y DMI parcial como predictor. Esto produce Y' = b0(t) + b1(t)IOD(t) + ε(t). Comparamos los efectos IOD y su coeficiente DLM en el DLM parcial con el del DLM original de las Ecs. (14) y (15) se mencionan anteriormente (Figura complementaria 6). La AMO es independiente de ENSO (r = 0,02) y IOD (r = 0,1) durante JJA y sirve como un predictor independiente.

Para investigar el impacto de la variabilidad climática interdecadal asociada con la IPO y la AMO en la intensificación de las olas de calor en China, realizamos experimentos AGCM utilizando ECHAM4.668 del Instituto Max Planck en Hamburgo. ECHAM4.6 se ha utilizado ampliamente para estudiar las respuestas atmosféricas al forzamiento de anomalías de la temperatura de la superficie del mar (SSTA) a gran escala en los trópicos69,70,71,72. Se realizan cuatro experimentos: un control (CTRL) y tres experimentos de sensibilidad (Exp-IPO, Exp-AMO y Exp-(IPO+AMO)). Se fuerza la CTRL con el campo climatológico SST mensual. En Exp-IPO, a la TSM climatológica se le suma la anomalía de TSM (SSTA) asociada al IPO sobre el Pacífico tropical y subtropical; En Exp-AMO, la SSTA asociada con la AMO sobre el Atlántico Norte se suma a la SST climatológica; En Exp-(IPO+AMO), tanto las SSTA de IPO como de AMO se añaden a la TSM climatológica. Para obtener los SSTA asociados con la IPO (AMO), primero obtenemos sus patrones espaciales haciendo una regresión de SSTA al índice Niño3.4 (AMO) normalizado (Fig. 3a, b, e), y luego multiplicamos los patrones de SSTA por un índice sinusoidal. onda con un período de 40 años para representar los cambios interdecenales observados de IPO y AMO (Fig. 3d, f). Además, también se realiza un experimento adicional que incluye los impactos de ENSO (Exp-(IPO+AMO+ENSO)) para comprender mejor la modulación de IPO en ENSO y sus impactos combinados en la intensidad de las olas de calor.

Para el experimento CTRL, el modelo estuvo integrado durante 42 años. Para Exp-IPO, Exp-AMO y Exp-(IPO+AMO), respectivamente, el modelo también está integrado durante 42 años, con los primeros dos años forzados por la climatología SST como en CTRL pero los 40 años siguientes forzados por la suma de climatología SST y las SSTA correspondientes. Los primeros 2 años se descartan en nuestro análisis de todos los experimentos, dado que el modelo tarda un par de años en alcanzar su estado de equilibrio. Se realiza un conjunto de tres miembros para cada uno de los experimentos de sensibilidad. La media de 40 años de CTRL representa los efectos del forzamiento climatológico de la TSM, y la media del conjunto de tres miembros de cada experimento de sensibilidad mide los impactos de IPO, AMO e IPO+AMO, respectivamente. La diferencia de solución (Exp-IPO-CTRL) evalúa el impacto de la IPO, (Exp-AMO-CTRL) estima el impacto de la AMO y (Exp-(IPO+AMO)-CTRL) mide los efectos combinados de la IPO y la AMO. Tenga en cuenta que debido a la no linealidad del sistema climático, los efectos combinados de IPO y AMO obtenidos de (Exp-IPO−CTRL)+(Exp-AMO−CTRL) son diferentes a los de (Exp-(IPO+AMO)−CTRL) .

Las observaciones de temperaturas máximas y mínimas diarias están disponibles en http://data.cma.cn/en. Los índices mensuales de modos climáticos del Laboratorio de Ciencias Físicas de la NOAA están disponibles en https://www.esrl.noaa.gov/psd. Las variables de circulación atmosférica y las variables del balance de calor de la superficie de los productos de reanálisis de ERA5 están disponibles en https://cds.climate.copernicus.eu/cdsapp#!/search?type=dataset&text=ERA5. La SST global mensual de la SST reconstruida extendida V5 de NOAA está disponible en https://www.esrl.noaa.gov/psd/data/gridded/data.noaa.ersst.v5.html.

Los scripts están disponibles en https://github.com/WeiJ2022/heatwave_2023npj/tree/master.

Easterling, DR et al. Extremos climáticos: observaciones, modelización e impactos. Ciencia 289, 2068–2074 (2000).

Artículo de Google Scholar

Ciais, P. et al. Reducción en toda Europa de la productividad primaria causada por el calor y la sequía en 2003. Nature 437, 529–533 (2005).

Artículo de Google Scholar

Guo, Y. et al. Cuantificación del exceso de muertes relacionadas con olas de calor en escenarios de cambio climático: un estudio de modelización de series temporales en varios países. PLoS Med. 15, e1002629 (2018).

Artículo de Google Scholar

Hansen, J., Ruedy, R., Sato, M. y Lo, K. Cambio global en la temperatura de la superficie. Rev. Geophys. 48, RG4004 (2010).

Artículo de Google Scholar

Coumou, D. & Rahmstorf, S. Una década de climas extremos. Nat. Subir. Cambio 2, 491–496 (2012).

Artículo de Google Scholar

Oliver, E. y otros. Olas de calor marinas más largas y frecuentes durante el último siglo. Nat. Comunitario. 9, 1324 (2018).

Artículo de Google Scholar

Moron, V., Oueslati, B., Pohl, B., Rome, S. & Janicot, S. Tendencias de las temperaturas medias y los extremos cálidos en el norte de África tropical (1961-2014) a partir de series temporales observadas y reconstruidas por PPCA. J. Geophys. Res.—Atmos. 121, 5298–5319 (2016).

Artículo de Google Scholar

Smale, D. y col. Las olas de calor marinas amenazan la biodiversidad global y la prestación de servicios ecosistémicos. Nat. Subir. Cambio 9, 306–312 (2019).

Artículo de Google Scholar

Mukherjee, S. & Mishra, AK Aumento de las sequías y olas de calor compuestas en un mundo en calentamiento. Geofís. Res. Letón. 48, e2020GL090617 (2021).

Artículo de Google Scholar

Zheng, Z., Zhao, L. y Oleson, KW Incertidumbre estructural de modelos grandes en proyecciones globales de olas de calor urbanas. Nat. Comunitario. 12, 1–9 (2021).

Artículo de Google Scholar

Niedzielski, T. Capítulo dos. El Niño/Oscilación del Sur y consecuencias ambientales seleccionadas. Adv. Geofís. 55, 77-122 (2014).

Artículo de Google Scholar

Seager, R. & Hoerling, M. Orígenes atmosféricos y oceánicos de las sequías de América del Norte. J. Clim. 27, 4581–4606 (2014).

Artículo de Google Scholar

Murari, K., Sahana, A., Daly, E. y Ghosh, S. La influencia de la oscilación del sur de El Niño en las olas de calor en la India. Meteorol. Aplica. 23, 705–713 (2016).

Artículo de Google Scholar

Zhou, Y. & Wu, Z. Posibles impactos de mega-El Niño/Oscilación del Sur y la oscilación multidecenal del Atlántico en la variabilidad de la frecuencia de las olas de calor de Eurasia. Meteorol QJR. Soc. 142, 1647–1661 (2016).

Artículo de Google Scholar

Zhou, C., Wang, K., Dan, Q. y Tan, J. Atribución de una ola de calor sin precedentes en el verano de 2017 sobre el delta del río Yangtze. Toro. Soy. Meteorol. Soc. 100, S97-S103 (2019).

Artículo de Google Scholar

Luo, M. & Lau, NC Efecto amplificador del ENOS sobre las olas de calor en China. Subir. Din. 52, 3277–3289 (2019a).

Artículo de Google Scholar

Russo, S. y col. Magnitud de las olas de calor extremas en el clima actual y su proyección en un mundo en calentamiento. J. Geophys. Res.—Atmos. 119, 500–512 (2015).

Google Académico

Feng, M., Xing, Y., Yang, J. & Peng, J. Calor sin precedentes en Europa en junio-julio de 2019: riesgo en el contexto histórico y futuro. Geofís. Res. Letón. 47, e2020GL087809 (2020).

Google Académico

Ding, Y. et al. Detección, causas y proyección del cambio climático en China: una visión general de los avances recientes. Adv. Atmos. Ciencia. 24, 954–971 (2007).

Artículo de Google Scholar

Zhou, B., Xu, Y., Wu, J., Dong, S. & Shi, Y. Cambios en los índices extremos de temperatura y precipitación en China: análisis de un conjunto de datos de cuadrícula de alta resolución. En t. J. Climatol. 36, 1051-1066 (2016).

Artículo de Google Scholar

Luo, M. y col. Cambios observados en las olas de calor en el árido noroeste de China: mecanismo físico y tendencia a largo plazo. Atmos. Res. 242, 105009 (2019).

Artículo de Google Scholar

Piao, S. y col. Los impactos del cambio climático en los recursos hídricos y la agricultura en China. Naturaleza 467, 43–51 (2010).

Artículo de Google Scholar

Wang, W. y col. Proyección bayesiana de modelos múltiples de los requisitos de riego y la eficiencia del uso del agua en tres regiones típicas de plantaciones de arroz de China según CMIP5. Agrícola. Para. Meteorol. 232, 89-105 (2017).

Artículo de Google Scholar

Almazroui, M. et al. Cambios proyectados en los extremos climáticos utilizando simulaciones CMIP6 sobre regiones SREX. Sistema Tierra. Reinar. 5, 481–497 (2021).

Artículo de Google Scholar

Sun, Y. et al. Rápido aumento del riesgo de calor extremo en verano en el este de China. Nat. Subir. Cambio 4, 1082–1085 (2014).

Artículo de Google Scholar

Kang, S. & Eltahir, EAB La llanura del norte de China está amenazada por olas de calor mortales debido al cambio climático y el riego. Nat. Comunitario. 9, 2894–2899 (2018).

Artículo de Google Scholar

Li, X. y col. Sequías simultáneas y temperaturas extremas en el noroeste de China de 1961 a 2017. Int. J. Climatol. 39, 2186–2196 (2018).

Artículo de Google Scholar

Li, H., He, S., Gao, Y., Chen, H. & Wang, H. Modulación del Atlántico norte de variaciones interdecadales en eventos de sequía cálida en el noreste de China. J. Clim. 33, 4315–4332 (2020).

Artículo de Google Scholar

Wei, J. y col. Variaciones de las olas de calor en China vinculadas a los modos globales de TSM. J. Geophys. Res.—Atmos. 125, e2019JD031612 (2020).

Artículo de Google Scholar

Xing, W., Han, W. y Zhang, L. Mejora de la predicción de las precipitaciones de verano en el Pacífico norte occidental utilizando un modelo lineal dinámico bayesiano. Subir. Din. 55, 831–842 (2020).

Artículo de Google Scholar

Wang, B. y col. Monzón de verano en el hemisferio norte intensificado por mega-El Niño/oscilación sur y oscilación multidecenal del Atlántico. Proc. Acad. Nacional. Ciencia. Estados Unidos 110, 5347–5352 (2013).

Artículo de Google Scholar

Zhang, R., Min, Q. & Su, J. Impacto de El Niño en las circulaciones atmosféricas sobre Asia oriental y las precipitaciones en China: papel del anticiclón anómalo del Pacífico norte occidental. Ciencia. Ciencia de la Tierra de China. 60, 1124-1132 (2017).

Artículo de Google Scholar

Huang, D. y col. Contribuciones de diferentes combinaciones de IPO y AMO a los cambios recientes en los Jets de Asia Oriental en invierno. J. Clim. 32, 1607-1626 (2019).

Artículo de Google Scholar

Xie, SP y cols. Condensador del Océano Pacífico Indo-Occidental y anomalías climáticas coherentes en el verano posterior a ENSO: una revisión. Adv. Atmos. Ciencia. 33, 411–432 (2016).

Artículo de Google Scholar

Chen, W. y col. Avances recientes en los estudios de las variabilidades y mecanismos del monzón de Asia oriental en un clima cambiante. Adv. Atmos. Ciencia. 36, 887–901 (2019).

Artículo de Google Scholar

Zhang, X. & Han, W. Efectos de los modos climáticos sobre la variabilidad interanual de las surgencias en el Océano Índico tropical. J. Clim. 33, 1547-1573 (2020).

Artículo de Google Scholar

McPhaden, MJ, Santoso, A. & Cai, W. Comprender ENSO en un clima cambiante. Eos 100, https://doi.org/10.1029/2019EO124159 (2019).

Boucharel, J., Jin, F.-F., Inglaterra, MH & Lin, II Modos de variabilidad de la actividad de los huracanes en el Pacífico oriental: implicaciones para la temporada 2016. Geofís. Res. Letón. 43, 358–366 (2016).

Artículo de Google Scholar

Enfield, DB, Mestas-Nunez, AM & Trimble, PJ La oscilación multidecadal del Atlántico y su relación con las precipitaciones y los caudales de los ríos en los EE. UU. continentales Geophys. Res. Letón. 28, 2077–2080 (2001).

Artículo de Google Scholar

Rayner, NA y cols. Análisis globales de la temperatura de la superficie del mar, el hielo marino y la temperatura del aire marino nocturno desde finales del siglo XIX. J. Geophys. Res. 108, 4407 (2003).

Artículo de Google Scholar

Saji, NH y Yamagata, T. Posibles impactos de los eventos del modo dipolo del Océano Índico en el clima global. Subir. Res. 25, 151-169 (2003).

Artículo de Google Scholar

Henley, BJ y cols. Un índice tripolar para la oscilación interdecadal del Pacífico. Subir. Din. 45, 3077–3090 (2015).

Artículo de Google Scholar

Zhang, X. & Church, JA Tendencias del nivel del mar, variabilidad interanual y decenal en el Océano Pacífico. Geofís. Res. Letón. 39, L21701 (2012).

Artículo de Google Scholar

Han, W. y col. Intensificación de la variabilidad decenal y multidecenal del nivel del mar en el Pacífico tropical occidental durante las últimas décadas. Subir. Din. 43, 1357-1379 (2014).

Artículo de Google Scholar

Huang, B., Thome, PW, Banzon, VF & Boyer, T. Temperatura de la superficie del mar reconstruida extendida versión 5 (ERSSTv5), actualizaciones, validaciones e intercomparaciones. J. Clim. 30, 8179–8205 (2017).

Artículo de Google Scholar

Kalnay, E. y col. El proyecto de reanálisis de 40 años de NCEP/NCAR. Toro. Soy. Meteorol. Soc. 77, 437–472 (1996).

2.0.CO;2" data-track-action="article reference" href="https://doi.org/10.1175%2F1520-0477%281996%29077%3C0437%3ATNYRP%3E2.0.CO%3B2" aria-label="Article reference 46" data-doi="10.1175/1520-0477(1996)0772.0.CO;2">Artículo de Google Scholar

Hersbach, H. y col. El reanálisis global del ERA5. Meteorol QJR. Soc. 146, 1999-2049 (2020).

Artículo de Google Scholar

Fischer, E. & Schär, C. Patrones geográficos consistentes de cambios en olas de calor europeas de alto impacto. Nat. Geociencias. 3, 398–403 (2010).

Artículo de Google Scholar

White, C., Hudson, D. & Alves, O. ENSO, el IOD y la predicción intraestacional de calor extremo en Australia utilizando POAMA-2. Subir. Din. 43, 1791–1810 (2013).

Artículo de Google Scholar

Sharma, S. & Mujumdar, P. Aumento de la frecuencia y extensión espacial de sequías meteorológicas y olas de calor concurrentes en la India. Ciencia. Rep. 7, 15582 (2017).

Artículo de Google Scholar

Nairn, J., Fawcett, R. y Ray, D. Definición y predicción de eventos de calor excesivo, un sistema nacional. En 'Modelado y comprensión del clima de alto impacto': Resúmenes ampliados del tercer taller de modelado de CAWCR, (ed. Hollis, AJ) 83–86 (Representante técnico de CAWCR 017, Melbourne, Australia, 2009).

Perkins, S. y Alexander, L. Sobre la medición de olas de calor. J. Clim. 26, 4500–4517 (2013).

Artículo de Google Scholar

Perkins, S., Alexander, L. y Nairn, J. Aumento de la frecuencia, intensidad y duración de las olas de calor y períodos cálidos globales observados. Geofís. Res. Letón. 39, L20714 (2012).

Artículo de Google Scholar

Perkins, SE, Argüeso, D. & White, CJ Relaciones entre la variabilidad climática, la humedad del suelo y las olas de calor australianas. J. Geophys. Res.—Atmos. 120, 8144–8164 (2015).

Artículo de Google Scholar

Nairn, J. & Fawcett, R. El factor de exceso de calor: una métrica para la intensidad de las olas de calor y su uso para clasificar la gravedad de las olas de calor. En t. J. Medio Ambiente. Res. Salud pública 12, 227–253 (2015).

Artículo de Google Scholar

Nairn, J., Ostendorf, B. & Bi, P. Rendimiento de la gravedad del factor de exceso de calor como índice global de impacto en la salud de las olas de calor. En t. J. Medio Ambiente. Res. Salud Pública 15, 2494 (2018).

Artículo de Google Scholar

Asong, ZE, Khaliq, MN y Wheater, HS Regionalización de las características de la precipitación en las provincias de las praderas canadienses utilizando covariables atmosféricas a gran escala y atributos geofísicos. Estoco. Reinar. Res. Evaluación de riesgos. 29, 875–892 (2015).

Artículo de Google Scholar

Goyal, MK & Sharma, A. Un enfoque difuso de regionalización de c-medias para el análisis de regiones homogéneas de sequía meteorológica en el oeste de la India. Nat. Peligros 84, 1-17 (2016).

Artículo de Google Scholar

Roubens, M. Algoritmos de agrupamiento difuso y su validez de grupo. EUR. J. Ópera. Res. 10, 294–301 (1982).

Artículo de Google Scholar

Bensaid, AM y cols. (Re)agrupación guiada por validez con aplicaciones para la segmentación de imágenes. Traducción IEEE. Sistema difuso. 4, 112-123 (1996).

Artículo de Google Scholar

Xie, XL y Beni, G. Una medida de validez para la agrupación difusa. Traducción IEEE. Patrón Anal. Mach. Intel. 13, 841–847 (1991).

Artículo de Google Scholar

Pettitt, AN Un enfoque no paramétrico al problema del punto de cambio. Estadística JR. Soc. 28, 126-135 (1979).

Google Académico

Gao, T., Wang, HJ y Zhou, T. Cambios de precipitaciones extremas e influencia no lineal de las variables climáticas en la región de los monzones en China. Atmos. Res. 197, 379–389 (2017).

Artículo de Google Scholar

Lu, C., Ye, J., Wang, S., Yang, M. y Mao, J. Una ola de calor inusual en el norte de China durante el verano de 2018. Frente. Ciencia de la Tierra. 8, 238 (2020).

Artículo de Google Scholar

Petris, G., Petrone, S. y Campagnoli, P. Modelos lineales dinámicos con R 31–84 (Springer, 2009).

Han, W. y col. Variabilidad decenal de las células Walker de la India y el Pacífico desde la década de 1960: ¿covarían en escalas de tiempo decenales? J. Clim. 30, 8447–8468 (2017).

Artículo de Google Scholar

Han, W. y col. Tendencia multidecenal y variabilidad decenal del nivel del mar regional sobre el Océano Índico desde la década de 1960: papel de los modos climáticos y forzamiento externo. Clima 6, 51 (2018).

Artículo de Google Scholar

Roeckner, E. y col. El Modelo de Circulación General Atmosférica ECHAM-4: Descripción del Modelo y Simulación del Clima Actual. Informe 218 del Instituto Max Planck de Meteorología (Instituto Max Planck de Meteorología, 1996).

Zhang, L., Han, W., Li, Y. & Shinoda, T. Mecanismos de generación y desarrollo de Ningaloo Niño. J. Clim. 31, 9239–9259 (2018).

Artículo de Google Scholar

Zhang, L. & Han, W. Impacto de Ningaloo Niño en el Pacífico tropical y un mecanismo de acoplamiento entre cuencas. Geofís. Res. Letón. 45, 300–309 (2018).

Artículo de Google Scholar

Zhang, L. y col. La tendencia al calentamiento del Océano Índico reduce la respuesta al calentamiento del Pacífico a los gases de efecto invernadero antropogénicos: un mecanismo de termostato entre cuencas. Geofís. Res. Letón. 46, 10882–10890 (2019).

Artículo de Google Scholar

Zhang, L. & Han, W. El dipolo del Océano Índico conduce al Niño Atlántico. Nat. Comunitario. 12, 5952 (2021).

Artículo de Google Scholar

Descargar referencias

Este trabajo fue apoyado conjuntamente por la Fundación Nacional de Ciencias Naturales de China (U2240218, 51979071) y los Fondos de Investigación Fundamental para las Universidades Centrales (B230201039). LZ cuenta con el apoyo del fondo de desarrollo del Instituto de Oceanología del Mar de China Meridional de la Academia de Ciencias de China SCSIO202203 y la subvención LTORC2201 del Laboratorio Estatal Clave de Oceanografía Tropical. Se extiende un cordial agradecimiento al editor, al editor asociado y a los revisores anónimos por sus comentarios críticos y constructivos, que mejoran enormemente la calidad del manuscrito.

Laboratorio Nacional Clave para la Prevención de Desastres Hídricos, Universidad Hohai, Nanjing, China

Jia Wei y Weiguang Wang

Facultad de Hidrología y Recursos Hídricos, Universidad Hohai, Nanjing, China

Jia Wei y Weiguang Wang

Departamento de Ciencias Atmosféricas y Oceánicas, Universidad de Colorado Boulder, UCB 311, Boulder, CO, EE. UU.

Weiqing Han

Centro de Innovación Cooperativa para la Seguridad del Agua y la Ciencia Hidroeléctrica, Universidad Hohai, Nanjing, China

Weiguang Wang

Laboratorio clave de tecnología de Big Data sobre el agua del Ministerio de Recursos Hídricos, Universidad Hohai, Nanjing, China

Weiguang Wang

Laboratorio Estatal Clave de Oceanografía Tropical, Instituto de Oceanología del Mar de China Meridional, Academia de Ciencias de China, Guangzhou, China

Lei Zhang

Centro Mundial de Investigación del Océano y el Clima, Instituto de Oceanología del Mar de China Meridional, Guangzhou, China

Lei Zhang

Departamento de Ingeniería Civil, Ambiental y Arquitectónica, Universidad de Colorado Boulder, Boulder, CO, EE. UU.

Balaji Rajagopalan

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

Conceptualización: WGW, WQH Metodología: JW, WQH, WGW, LZ, BR Investigación: JW, WQH, WGW, LZ Visualización: JW, WQH, WGW, LZ Supervisión: WGW, WQH Escritura: borrador original: JW Escritura: revisión y edición : WGW, WQH, LZ, BR Todos los autores comentaron y aprobaron la versión final de este manuscrito.

Correspondencia a Weiguang Wang.

Los autores declaran no tener conflictos de intereses.

Nota del editor Springer Nature se mantiene neutral con respecto a reclamos jurisdiccionales en mapas publicados y afiliaciones institucionales.

Acceso Abierto Este artículo está bajo una Licencia Internacional Creative Commons Attribution 4.0, que permite el uso, compartir, adaptación, distribución y reproducción en cualquier medio o formato, siempre y cuando se dé el crédito apropiado a los autores originales y a la fuente. proporcione un enlace a la licencia Creative Commons e indique si se realizaron cambios. Las imágenes u otro material de terceros en este artículo están incluidos en la licencia Creative Commons del artículo, a menos que se indique lo contrario en una línea de crédito al material. Si el material no está incluido en la licencia Creative Commons del artículo y su uso previsto no está permitido por la normativa legal o excede el uso permitido, deberá obtener permiso directamente del titular de los derechos de autor. Para ver una copia de esta licencia, visite http://creativecommons.org/licenses/by/4.0/.

Reimpresiones y permisos

Wei, J., Han, W., Wang, W. et al. Intensificación de las olas de calor en China en las últimas décadas: funciones de los modos climáticos. npj Clim Atmos Sci 6, 98 (2023). https://doi.org/10.1038/s41612-023-00428-w

Descargar cita

Recibido: 29 de diciembre de 2022

Aceptado: 17 de julio de 2023

Publicado: 24 de julio de 2023

DOI: https://doi.org/10.1038/s41612-023-00428-w

Cualquier persona con la que compartas el siguiente enlace podrá leer este contenido:

Lo sentimos, actualmente no hay un enlace para compartir disponible para este artículo.

Proporcionado por la iniciativa de intercambio de contenidos Springer Nature SharedIt