气候变化背景下复合干热和湿热事件的时空演变及其驱动机制

《Journal of Hydrology》：Spatiotemporal evolution and drivers of compound dry-hot and wet-hot events in a changing climate

　　

• •
  复合干热事件和湿热事件自20世纪90年代以来在全球范围内加剧。
• •
  干热极端事件主要在大面积干旱地区加剧。
• •
  在强烈增温条件下，湿热事件的加剧速度比干热事件快1.5至2倍。
• •
  热浪在复合事件中占主导地位，且蒸气压差产生一致性的影响。
• •
  未来复合热风险预计将转向以湿热为主。

引言

全球气候持续变暖导致极端事件的频率和强度显著增加（H. Tang等，2025；Zhao等，2023），给社会经济发展、生态稳定和公共卫生带来日益增长的压力（Fu等，2023；Hulley等，2020；Li等，2021；Zscheischler等，2020）。由多种气候因素共同影响驱动的事件往往比单一极端事件产生更强、影响范围更广的后果（AghaKouchak等，2020；Chiang等，2021；Zscheischler等，2018）。其中，复合干热事件和复合湿热事件因其破坏性影响和独特的物理驱动因素而受到特别关注（De Luca和Donat，2023；Hao，2022；Meng等，2022）。复合干热事件发生在极端高温和干旱同时出现时，这会加剧水资源短缺（Scanlon等，2023）、减少农业产量（Brás等，2021），并破坏水电和交通系统，正如2022年欧洲严重夏秋干旱期间因破纪录高温而加剧的情形所示（B?hnisch等，2025）。复合湿热事件在气温高与强降水同时发生时发展，这种条件显著增加了人体热应激风险（Luo和Lau，2021；Zhang等，2023），并可能促进病媒传播（Sherwood和Huber，2010）。由于复合干热事件和复合湿热事件源于不同的形成过程并导致不同的社会经济后果，对这两类复合事件进行比较研究对于制定更具针对性的风险防控和气候适应策略至关重要（表1）。

近几十年来，通过基于观测数据集和气候模型模拟的分析，在理解复合干热事件和复合湿热事件时空演变方面取得了重大进展（Sarhadi等，2018；Weber等，2020；X. Wu等，2021；Zscheischler和Seneviratne，2017）。近期进展进一步将复合极端研究从时间上并发危险的识别扩展到整合的时空视角。越来越多关注被投向复合危险的地理足迹、时间演变以及尺度依赖特征，认识到复合事件可能表现出与其单个组成部分不同的空间模式和时间行为。例如，开发了一种时空识别框架，通过同时考虑其发生时间和受影响的空间区域来表征复合危险（Tilloy等，2022）。近期研究进一步探讨了气候变暖下复合极端事件的空间异质性、时间演变和未来变化，强调了在统一时空框架内评估复合危险的必要性（Liao等，2024；Velpuri等，2023）。现有研究通常通过结合基于相对或绝对温度阈值的热浪指标（Niu等，2025）与干旱指标，如标准化降水指数（SPI）（Abd-Elhamid等，2026；Ghazi等，2025）、标准化降水蒸散发指数（SPEI）（Feng等，2021）、土壤水分异常（Abebe等，2025）或降水百分位阈值（L. Tang等，2025），来识别复合事件。这些方法通常将复合事件定义为异常高温条件与水分亏缺在时间上的并发，从而能够跨不同区域和数据集评估其频率、持续时间、严重性和空间范围（Feng等，2025；Liu等，2025；Raj等，2025）。

基于此理解，众多研究一致揭示了历史时期内，这些事件在世界上大多数地区包括欧洲、北美和亚洲的频率和强度均呈显著上升趋势（Manning等，2019；Mazdiyasni和AghaKouchak，2015；H. Wu等，2021）。此外，CMIP5和CMIP6模型预测表明，在未来高排放情景下复合干热事件的风险将进一步加剧（N. N. Ridder等，2022；Y. Wu等，2021；Zhang等，2022）。同时，关于复合湿热事件的研究也达成了类似共识，表明全球变暖按照克劳修斯-克拉珀龙关系增加大气持水能力（Fischer和Knutti，2016），从而增加了极端降水和高温同时发生的概率（Prein等，2017）。然而，大多数现有研究分别考察了复合干热事件和复合湿热事件（Feng等，2023）。这种分离忽略了两类复合极端之间的显著差异。复合干热事件通常源于持续性反气旋环流、增强的蒸散发以及土壤水分-大气反馈，对农业、水资源可用性和能源系统产生强烈影响（Qian等，2024）。相比之下，复合湿热事件由增强的水汽输送和极端降水驱动，大大放大了人口密集区的热应激和疾病传播风险（Adeyeri等，2025）。这些对比机制表明两类极端事件可能对大尺度气候强迫的反应并不相同。因此，目前尚不清楚复合干热事件和复合湿热事件是在协同增强还是在同一气候系统中表现出补偿性行为。

理解水分和热量条件之间的非线性耦合对于解释复合极端的形成至关重要（Mukherjee等，2023）。它们的相互作用往往产生远超个体影响之和的放大效应（Miller等，2024），因为高温增加了大气的持水能力（Ishida等，2018），而持续降水抑制蒸发冷却并降低散热效率（Richter和Xie，2008）。这些机制是区分复合干热事件和复合湿热事件的核心。复合干热事件在热条件与水分亏缺相互作用时产生，加剧了土壤水分耗竭和对流加热，而复合湿热事件在热条件与丰富水分同时出现时产生，增强了潮湿条件、体感温度和热应激风险。尽管先前的归因研究考察了干和热条件之间的协变性（Bador等，2020；Otto，2017），但很少在全局一致的复合干热事件和复合湿热事件比较中评估它们的相对作用，特别是在分离热边缘分布、水分边缘分布和依赖结构的变化的方面。加强定量理解水分-热量相互作用对于阐明复合干热事件和复合湿热事件为何对气候强迫反应不同、表现出不同空间模式并导致分歧的社会经济和影响的产生至关重要（Zscheischler和Seneviratne，2017）。

总之，深入理解复合干热事件和复合湿热事件的演变和驱动机制对于制定差异化气候变化适应策略（Nina N. Ridder等，2022）、确保生态安全（Easterling等，2000）和促进可持续社会经济发展（Perkins，2015）至关重要。为系统应对上述研究挑战，本研究基于CMIP6多模式集合数据（Huang等，2024），在一致比较评估框架下，对1960年至2100年间的复合干热事件和复合湿热事件进行了全面分析。具体而言，本研究聚焦于三个核心目标：（1）量化和比较这两类复合事件历史时期的时空特征；（2）评估不同排放情景（SSP1-2.6、SSP2-4.5、SSP3-7.0和SSP5-8.5）下这些事件的未来变化预测；以及（3）应用已建立的基于copula的分解方法估计各种变化的相对贡献，从而揭示其主要物理机制。

章节摘要

数据来源

我们从CMIP6（Eyring等，2016）获取了日最高温度（Tmax）和月降水数据，包括历史数据（1960-2014）和2015-2100年未来预测，涵盖四种共享社会经济路径（SSP1-2.6、SSP2-4.5、SSP3-7.0和SSP5-8.5）。其中，SSP1-2.6代表低辐射强迫，SSP2-4.5对应中等稳定化，SSP3-7.0反映中等偏高强迫，SSP5-8.5代表高强迫（O'Neill等，2016）。CMIP6

复合干热事件和复合湿热事件的历史特征模式

为考察复合极端事件的长期行为，我们分析了1960年至2014年历史时期复合干热事件和复合湿热事件的时间演变。在此期间，复合干热事件和复合湿热事件的时间演变表现出明显的阶段性特征和空间分化。从1960年到1990年，两种事件类型均相对稳定，频率和持续时间均无显著上升趋势（图1）。然而，1990年之后，出现明显上升趋势。该

复合干热事件和复合湿热事件的对比演变及主导驱动因素

本研究聚焦于1960年至2100年全球尺度下不同干湿条件下复合干热事件和复合湿热事件的强度变化及其演变模式，并深入分析两者之间的强度差异，特别关注干湿条件对复合事件的相对贡献以及其在不同干旱区和湿润区的复合效应，为复合事件研究提供新见解。我们的结果表明，复合干热事件和复合湿热事件

结论

复合干热事件和复合湿热事件代表了全球变暖背景下两种对比鲜明但日益重要的复合热风险形式。本研究在全球尺度上对1960年至2100年间复合干热事件和复合湿热事件进行了广泛的比较评估和综合，采用已建立的事件识别标准、基于copula的回归期分解、CMIP6情景分析以及陆-气相互作用机制分析，以进一步支持统计结果的物理解释。结果表明，两者

作者贡献声明

Chao Wang：撰写——初稿、方法论、经费获取、形式分析、数据整理。Fanli Sun：撰写——初稿、方法论、数据整理。Shuzhe Huang：方法论、经费获取、形式分析。Wei Wang：撰写——审阅与编辑。

未引用参考文献

Qiang和Chao，2025；Erfanian Javadian Entezar Yazd，2017；Ridder等，2022a；Ridder等，2022b；Tang等，2025a；Tang等，2025b；Wu等，2021a；Wu等，2021b；Wu等，2021c。

利益冲突声明

作者声明，他们没有已知的可能影响本文所报告工作的竞争性经济利益或个人关系。

致谢

本文的数值计算已在武汉大学超级计算中心的超级计算机系统上完成。本研究由中国国家重点研发计划（2023YFC3209101）、国家自然科学基金（42371101）、湖北省自然科学基金（2024AFB551）、CRSRI开放研究计划（CKWV20231198/KY）以及国家地理信息系统工程技术研究中心开放基金资助。

Chao Wang | Fanli Sun | Shuzhe Huang | Wei Wang