1940年至2024年基于分数划分的全球气候区：一种新的客观气候分类方法

《Energy Economics》：Score-driven global climate zones from 1940 to 2024: A new objective climate classification method

　　**摘要**
我们采用了一种新颖的基于分数的气候聚类模型，分析了1940年1月至2024年12月期间的全球气候变化。该模型利用欧洲中期天气预报中心（ECMWF）第五代再分析产品ERA5中的气候变量，动态地对全球地理位置进行重新分类。数据集包含了来自全球930个均匀分布地点的月度数据，涵盖了八个变量：2米高度的空气温度、2米高度的露点温度、平均海平面气压、10米风速的东向分量、10米风速的北向分量、10米风速的阵风、总降水量以及地表向下的短波太阳辐射通量。我们的气候聚类模型是一个多变量、基于分数的、多状态转换框架，用于分析这些气候变量的条件均值和协方差矩阵。它为不同的气候状态指定了一个动态的转移概率矩阵，有效地代表了气候群集。我们估计了每个气候状态的转移概率、过滤后的概率以及预测概率。我们重点关注了五个不同的气候群集，并展示了这些群集在经历可观测气候变化的各种地理位置上的演变情况。此外，我们还根据统计估计的可行性，探索了替代的数据和模型规格。我们的研究结果包括对全球110个均匀分布地点的两个变量（2米高度的空气温度和露点温度）进行的年度分析，结果表明北半球和南半球的多个地理位置在样本期间都过渡到了更高温度的群集。

**引言**
理解和分类地球的气候带对于研究生态系统、人类发展、农业生产力以及长期经济地理学至关重要。传统的气候分类系统，如经典的K?ppen–Geiger分类法（K?ppen, 1900; Geiger, 1961; Kottek et al., 2006），长期以来一直是气候学研究的基础。这些基于规则的系统依赖于固定的气候变量阈值，往往缺乏动态适应性，无法适应自工业革命以来的快速环境变化（如全球变暖）。气候变化表现出显著的空间和时间异质性（Gadea Rivas and Gonzalo, 2020; Ji et al., 2014）。虽然热带地区的升温相对较慢，但高纬度地区，尤其是在北半球，经历了更显著的温度升高（IPCC, 2021）。空间经济学领域的新研究强调了模拟气候与经济变量之间在时间和空间上的相互作用的重要性。Desmet和Rossi-Hansberg（2024）最近发布了一张1970年至2019年全球局部陆地温度线性趋势的地图，显示阿拉斯加、北欧和西伯利亚部分地区温度上升超过了3°C。这些作者强调了内生位置选择、适应行为以及空间生产外部性在塑造气候变化经济后果中的作用。他们的模型采用了高分辨率的空间网格和前瞻性动态优化方法，表明气候影响在空间上高度异质，并且会随着气候物理条件和人类适应行为而演变。这类研究强调了需要能够明确考虑动态空间转换的模型，而这正是我们基于分数的聚类方法所旨在捕捉的特征。随着人为因素导致全球气候系统的持续变化，对数据驱动的、灵活的、时间动态的分类系统的需求变得越来越明显（Belda et al., 2014; Navarro and Tapiador, 2024）。空间计量经济学和动态聚类领域的最新进展为超越静态或临时方法提供了机会。统计和机器学习基础的聚类模型，包括主成分分析、层次聚类、k-means、回归树和五分位数等，已被用于检测气候带的变化（Fovell and Fovell, 1993; Cannon, 2011; Zscheischler et al., 2012; Netzel and Stepinski, 2016; Duan et al., 2024）。我们通过引入一种多变量、基于分数的状态转换聚类模型，为全球气候分类做出了贡献。最近在基于分数的时间序列模型方面的进展（Creal et al., 2013; Harvey, 2013）提供了一种灵活且信息论上有效的方法，用于估计时变参数和实时跟踪状态变化。我们的模型允许空间分布的地理位置以概率性的、内生的、数据驱动的方式随时间在气候带之间转换。在基于分数的模型文献（Creal et al., 2013; Harvey, 2013; Blasques et al., 2015; Gorgi et al., 2024）的基础上，我们开发了一种具有动态条件均值、方差和转移概率的动态聚类算法。这种方法能够对气候群集的时间演变进行连贯的推断，这是传统静态分类方法无法实现的。

**本文结构**
本文的其余部分组织如下：第2节回顾相关文献；第3节介绍基于分数的气候聚类模型；第4节描述数据；第5节总结实证结果；第6节讨论主要发现；第7节进行结论。

**气候聚类**
气候分类是根据特定气候变量来划分气候类型的，是气象学中理解气候系统及其反馈机制的一个重要领域（Netzel and Stepinski, 2016; Navarro and Tapiador, 2024）。它还有助于通过捕捉全球气候类型的时空演变来检测和可视化气候变化（Belda et al., 2014; Netzel and Stepinski, 2016; IPCC, 2021; Navarro et al., 2025）。

**基于分数的气候聚类模型**
在气候聚类模型中，我们将D个气候变量纳入一个因变量向量Yi,t (D×1)中，其中i=1,…,N表示地理位置，t=1,…,T表示时间周期。我们还使用潜在随机变量ci,t∈{1,…,J} (1×1)来表示时间t内位置i所属的气候群集。尽管ci,t是潜在变量，但我们估计位置i在时间t属于每个气候群集j=1,…,J的概率。对于每个位置和每个时间周期，我们估计J个概率。

**数据**
我们使用了欧洲中期天气预报中心（ECMWF）提供的ERA5全球再分析数据集（Hersbach et al., 2023）。该网格化数据集结合了天气观测数据和大气环流模型（AGCM）的输出（数据来源：https://cds.climate.copernicus.eu/datasets/reanalysis-era5-single-levels?tab=overview）。我们从1940年到2024年在12°×6°的全球网格上下载了每月的气候和天气数据，覆盖了930个网格点。

**模型规格**
在基于分数的气候分类方法中，我们使用了五个气候群集，从而简化了对地球气候的描述。这一限制源于输入数据集的粗略水平分辨率以及使用的气候变量数量有限。选择粗略分辨率的目的是为了降低计算成本，而使用有限数量的变量则保证了数值稳定性。因此，我们只能识别出广泛的纬度带（纬度）变化。

**讨论**
气候分类旨在根据气候变量的共同模式来解释生物的全球分布（Navarro and Tapiador, 2024）。因此，为了实现正确的分类，必须包括代表热量和水分供应的气候变量，这解释了我们在实证工作中使用空气温度和露点温度的原因。与基于规则的方法相比，客观分类方法允许使用更多的变量；然而，不适当的使用这些变量可能会导致分类不准确。

**结论**
在这项研究中，我们提出了一种基于分数的气候聚类模型，该模型通过分析与热量和水分供应相关的变量，有效地区分了地球上的主要气候类型。该模型成功实现了气候分类的主要目标，即识别具有相似气候条件的区域。我们的研究结果还表明，基于分数的气候分类方法可以用来监测气候类型随时间的变化。因此，我们建议使用这种模型。

**作者贡献声明**
Szabolcs Blazsek：撰写——审稿与编辑、初稿撰写、可视化、验证、软件开发、方法论研究、数据分析、概念化。
álvaro Escribano：撰写——审稿与编辑、初稿撰写、可视化、验证、软件开发、方法论研究、数据分析、概念化。
Erzsébet Kristóf：撰写——审稿与编辑、初稿撰写、可视化、验证、软件开发、方法论研究。

**未引用参考文献**
Blazsek et al. (2025a)

**利益冲突声明**
作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文的研究结果。

**致谢**
本文在2025年12月18日至19日于匈牙利布达佩斯举行的匈牙利经济学会年会上进行了展示。我们非常感谢Anna Naszódi的讨论。Alvaro Escribano感谢Agencia Estatal de Investigación-Ministerio de Ciencia e Innovación（MICIN/AEI/10.13039/501100011033; CEX2021-001181-M; CEX2021-001181-M; MICIN/AEI/2023/00378/001）和Comunidad de Madrid（EPUC3M11, V-PRICIT）的资助。