基于贝叶斯马尔可夫转换模型的意大利弗留利-威尼斯朱利亚地区热浪检测与预测研究

针对极端高温事件频发但传统阈值方法存在局限性的问题，Gioia Di Credico团队创新性地提出贝叶斯马尔可夫转换加性模型（Bayesian Markov-switching additive model），通过分析意大利弗留利-威尼斯朱利亚地区（FVG）四个气象站的日最高温度数据，实现了热浪的随机过程分类与情景预测。该研究结合广义极值分布（GEV）与半参数回归，首次将全球地表温度（GST）指数纳入气候情景模拟，揭示了区域热浪频率与强度的时空异质性，为气候变化适应性决策提供了量化工具。

　　

随着全球气候变化加剧，热浪（heat waves）作为最具破坏性的极端气候事件之一，其发生频率和强度在近几十年显著上升。这类事件不仅威胁生态系统稳定性，更直接导致人类超额死亡率（excess mortality）——例如2003年欧洲热浪造成超过7万人死亡。然而，传统热浪识别方法（如Perkins提出的固定分位数阈值法）难以捕捉温度动态的随机性特征，且气候模型因分辨率不足常低估局地极端事件。如何建立兼具解释力与预测能力的统计模型，成为气候流行病学与灾害防控的核心挑战。

意大利的里雅斯特大学研究团队在《Environmental and Ecological Statistics》发表的研究中，创新性地将贝叶斯马尔可夫转换模型（Bayesian Markov-switching model）应用于意大利东北部弗留利-威尼斯朱利亚大区（FVG）1995-2023年夏季日最高温度数据分析。该研究通过两状态隐马尔可夫过程（latent Markov process）区分常态与极端温度机制，首次实现热浪的随机过程分类，并基于全球地表温度异常（GST anomalies）构建情景预测模型，为区域气候适应策略提供科学依据。

关键技术方法包括：1）基于ARPA气象站网络的日最高温度数据（含缺失值插补）；2）贝叶斯马尔可夫转换模型构建，包含高斯分布（第一状态）与广义极值分布/反向威布尔分布（第二状态）的混合建模；3）半参数回归中惩罚B样条（penalized B-splines）处理季节效应；4）Hamilton滤波算法计算状态转移概率；5）通过热浪R包（heatwaveR）校准概率阈值实现热浪事件识别。

3.1 数据与研究区域
研究选取FVG地区四个代表性站点（低地Pordenone、沿海Trieste、丘陵Capriva、高山Zoncolan），分析其1995-2023年5-9月日最高温度。数据预处理中，对缺失值采用相邻日均值或气候学均值插补。地理异质性分析显示，Trieste因海洋调节温度波动最小（较Pordenone平均低5℃），而2003年与2014年分别呈现极端高温与异常湿润的典型对比。

3.2 模型选择
通过贝叶斯留一法交叉验证（LOOIC）比较六种模型变体，发现含自回归项（AR(1)）的线性趋势模型（模型6）最优。关键发现包括：1）第二状态采用正态分布（N-N）即可充分捕捉尾部行为，简化了极端值理论（EVT）的应用；2）自回归项使状态驻留时间缩短50%（δ₁₂从0.08升至0.28）；3）所有站点均显示显著增温趋势（0.01-0.05℃/年），其中低地Pordenone增幅最高。

3.3 热浪检测
创新性地提出概率阈值校准法：将状态2的后验概率π₂^t与热浪R包的90分位数阈值（u_d）匹配，确定最优分类阈值π₂^*（0.80-0.99）。该方法在2003年热浪检测中与经典方法一致，但更敏感识别出2023年9月的异质性事件。值得注意的是，Trieste因状态分离度低（π₂^t中位数0.45）检测性能较弱，反映海洋性气候对极端事件的缓冲作用。

3.4 情景预测
将年际趋势替换为GST异常值后，模型生成R=200次温度轨迹模拟。预测显示：当GST异常达3℃时，Pordenone与Capriva热浪日数中位数达30天（较当前+100%），而Trieste因气候韧性仅增50%。这一结果量化了地理因素对热浪风险的调节效应，支持差异化适应政策的制定。

该研究通过融合隐马尔可夫过程与半参数回归，突破了传统阈值法的静态局限性，首次实现热浪机制的动态概率分类。方法论上，证实自回归结构可替代复杂极值分布建模，为高维气候数据建模提供新思路；应用层面，GST情景预测揭示了低地vs沿海地区的脆弱性差异，指导区域应急资源配置。未来研究可扩展至多变量（如湿度耦合）与空间马尔可夫模型，以进一步提升预测精度。值得注意的是，模型在海洋性气候区的性能衰减提示需开发区域适应性参数化方案，这为后续研究指明了改进方向。