1980年至2024年间中国近地面风速的相反趋势反转

《Atmospheric Research》：Divergent trend reversals in near-surface wind speed over China during 1980–2024

　　• 在中国近90%的站点中观察到了显著的WS10趋势逆转现象。• 大多数站点的变化趋势转为正值，而约20%的站点则转为负值。• 变化年份因逆转类型和站点海拔高度的不同而有所差异。• 这些逆转现象与高层风速、边界层厚度以及表面热通量有关。

1. 引言
10米高度处的风速（WS10）是陆地气候系统的关键因素。它调节地表蒸发和水汽传输，从而影响水文循环、降水量变化以及农业生产力（McVicar等人，2012a；McVicar等人，2012b；Poulsen等人，2022；Rayner，2007；Roderick等人，2007）。风速的减弱会降低边界层的通风能力，促进空气污染物的积累，减少大气能见度和地表太阳辐射，同时增加城市雾霾事件的发生概率（Shi等人，2019；Wu等人，2013；Zhang等人，2020a；Zhang等人，2020b）。相反，较强的风速会加剧土壤侵蚀，增加沙尘暴的频率和强度，尤其是在干旱和半干旱地区（Lal，2003；Li等人，2005；Pal等人，2021；Wang等人，2017；Zhang等人，2026）。此外，由于风能潜力与风速的立方成正比，即使是在涡轮机高度附近的风速发生适度变化，也会显著影响电力生成（Dai等人，2018；Jung和Schindler，2019；Liu等人，2024a）。因此，理解WS10的变化对于气候风险评估和风能开发至关重要。
陆地WS10变化的一个公认特点是长期下降趋势，通常称为“陆地静化”（Roderick等人，2007；Vautard等人，2010；Azorin-Molina等人，2014；Azorin-Molina等人，2021；Zhang等人，2025）。这种下降趋势在全球范围内都有观测到，在北半球中纬度地区尤为明显，包括北美、欧洲和东亚（Azorin-Molina等人，2014；Deng等人，2021；Deng等人，2022；Pryor等人，2009）。在中国，自20世纪60年代以来，WS10持续下降（Li等人，2018；Zha等人，2021b；Zhang等人，2021），据报道平均每十年下降约5.5%，相应地风能密度也下降了约24.5%（Wu等人，2018；Zeng等人，2019）。然而，进入21世纪后，这种长期下降趋势在中国大部分地区已经减弱、停止或逆转（Chuan等人，2024；Li等人，2026；Shen等人，2023；Zhou等人，2021）。这种明显的恢复在站点观测数据中显而易见，但在再分析产品和CMIP6模拟中却常常被低估（Deng等人，2024；Mi和Liu，2025；Miao等人，2025；Minola等人，2024；Shen等人，2022）。
WS10的下降与城市化加速和土地利用变化导致的地表粗糙度增加有关（Vautard等人，2010；Wever，2012；Zhang等人，2022；Zhang等人，2025）；由于地表不均匀升温而引起的压力梯度减小（Deng等人，2022；Deng等人，2024；Zhang等人，2021）；边界层稳定性的增强（Liu等人，2024a；Mahrt，2024；McVicar等人，2012a）；以及由于站点搬迁、风速计高度变化或仪器随时间老化而引起的数据不均匀性（Azorin-Molina等人，2023；Liu等人，2024b）。相比之下，最近WS10趋势的逆转则与大尺度大气-海洋系统的年代际变化有关，包括太平洋十年涛动、大西洋多十年涛动、北大西洋涛动以及热带西太平洋的变暖（Deng等人，2022；Qiu等人，2025；Qiu等人，2026；Yan等人，2024；Zhang等人，2025；Zhao等人，2025）。这些研究表明，WS10趋势的变化是局部地表强迫、边界层过程、观测因素和远距离气候变异相互作用的结果。
尽管中国WS10的变化已经得到了广泛研究，但仍存在重要空白。关于最近WS10回升的证据主要基于全国或区域的平均值（Yang等人，2021；Zha等人，2021a；Zha等人，2021b；Zha等人，2024；Zhang和Wang，2020；Zhang等人，2024）。这种汇总方法有助于识别大尺度变化信号，但可能掩盖了站点尺度上趋势转变的时间、幅度和方向的强烈差异。此外，“恢复”一词通常被用作一个宽泛的描述词，尽管它可能指多种不同的趋势转变形式，包括减弱后的上升、下降后的上升以及加速上升（Yan等人，2026）。这些行为意味着不同的物理机制和实际后果，但尚未系统地进行区分。最后，尽管已经确定了WS10变化的许多潜在驱动因素（Deng等人，2022；Li等人，2024；McVicar等人，2012a；Park和Park，2006），但目前尚不清楚不同类型的趋势逆转是否与特定的大气、地表或地理条件相关。
在这项研究中，我们分析了中国季节性WS10趋势逆转的统计特征，并探讨了相关因素。本文的其余部分安排如下：第2节描述数据和方法；第3节介绍了WS10趋势转变的统计特征；第4节分析了与不同类型趋势逆转相关的大气、地表和地理因素；第5节总结了主要发现并讨论了其更广泛的影响。

2. 数据和方法
2.1. 站点观测
中国的日观测数据来自Global Summary of the Day (GSOD) 数据库，该数据库的网址为 https://www.ncei.noaa.gov/data/global-summary-of-the-day/access/。GSOD 提供了从1929年至今的记录，其中1973年之后的覆盖较为完整。在之前的研究中，GSOD数据集被广泛用于评估WS10的变化（Yang等人，2021；Zeng等人，2019）。与再分析产品不同，站点观测是直接的实地测量结果，不受数值模型物理过程或数据同化假设的限制。因此，它们非常适合描述中国复杂地形和显著空间异质性下的日尺度区域变化及其长期演变。
为了最小化时间覆盖不均对气候统计和趋势估计的影响，并确保站点间的可比性，我们将分析范围限制在1980年至2024年。对站点记录进行了基于完整性的质量控制后，保留了303个气象站点。保留记录中的缺失值通过移动窗口气候插值方法进行了填补：Xd=∑y∑j=d?7d+7XyjN，N≥10，其中j∈[d ?7, d +7]表示移动窗口的范围，Xyj是年份y和日期j的观测WS10值，N是有效样本的总数。
2.2. 再分析数据
为了研究与WS10趋势转折点相关的气象因素，我们使用了欧洲中期天气预报中心的第五代大气再分析数据（ERA5；Hersbach等人，2020）。ERA5提供了从1940年至今的全球大气场数据，空间分辨率为0.25° × 0.25°，时间分辨率为每月一度，数据可以从Copernicus Climate Data Store获取：https://cds.climate.copernicus.eu/datasets/reanalysis-era5-single-levels-monthly-means?tab=download。我们分析了925-hPa风速、地表显热通量和边界层高度，以探讨大尺度动力强迫、地表热过程和边界层混合对WS10的影响。为了与站点观测结果进行比较，将ERA5场数据插值到303个气象站点的坐标，并提取了1980年至2024年的月平均时间序列。0.25°的分辨率足以分辨中国的大尺度环流模式和地表热状况的区域差异。
2.3. 方法
为了识别中国各地WS10趋势的特定转折年份，我们应用了分段线性拟合（PWLF；Jekel和Venter，2019；Tomé和Miranda，2004）。PWLF将时间序列划分为多个段，并对每个段分别进行线性回归。PWLF的一般形式为：yt=α1+β1t?b1（b1< />< />< />< />< />< />< />在确定转折点后，分别应用普通最小二乘回归来估计转折点前后的长期ws10趋势。趋势以m s?1 decade?1的单位报告。使用学生t检验来评估统计显著性，显著性阈值为p < 0.05。进一步使用核密度估计来推导ws10趋势的概率密度函数，以便比较趋势分布的中心趋势和离散度的变化（parzen，1962）。
在近90%的站点中检测到了显著的转折点，这些转折点大致可以分为两类。a型转折点表示趋势向正值转变，包括减弱后的上升、下降后的上升以及加速上升；b型转折点表示趋势向负值转变，包括减弱后的上升、上升后的下降以及加速下降。
为了量化转折点前后趋势逆转幅度的差异，我们定义了以下转折强度指数：intensity=slopeatp?slopebtp，其中slopeatp和slopebtp分别表示转折点前后的ws10线性趋势。转折强度量化了转折点后ws10的变化程度。
此外，根据转折点前后ws10趋势的相对变化，将站点分为不同类型。进行了回归和相关性分析，以定量评估转折点发生的时间特征及其相关的强度响应。为了分析转折点前后环境变量的协同演变，将时间轴标准化为相对年份。我们将转折点年份定义为年份0，转折点前的10年为年份?10至?1，转折点后的10年为年份+1至+10。对于转折点前或后时间少于10年的站点，使用所有可用年份进行复合异常值计算。然后计算每个相对年份的所有站点的复合异常值，以揭示转折点前后环境变量的系统变化。

3. 中国两种类型的ws10趋势逆转
图1显示了本研究分析的站点空间分布及其ws10趋势逆转的统计特征。这303个气象站点分布在中国东部季风区、中部过渡区以及西部和西北部（图1a）。在超过90%的站点中检测到了显著的趋势转折点。这些站点根据转折点前后趋势斜率的变化进一步分为两类。
下载：下载高分辨率图像（242kb）
下载：下载全尺寸图像
图1. (a) 本研究中分析的303个站点的高度。(b) 分类为tpa的站点，左侧显示了各季节的计数和相应的百分比。(c) 与(b)类似，但针对tpb站点。蓝色和红色线条分别表示转折点前（btp）和转折点后（atp）的ws10趋势。黑色点表示识别的转折点。（关于图中颜色参考的解释，请参阅本文的网页版本。）
a型站点在转折点后的斜率大于转折点前的斜率，表明转折点后ws10趋势转向更强或减弱后的下降（图1b）。相比之下，b型站点在转折点后的斜率小于转折点前的斜率，表明转折点后ws10趋势转向减弱或增强后的下降（图1c）。统计上，a型站点在所有季节中都占主导地位，比例明显高于b型站点。春季（3月至4月至5月，mam）、夏季（6月至7月至8月，jja）、秋季（9月至10月至11月，son）和冬季（12月至1月至2月，djf）的a型站点数量分别为188、197、204和210个，分别占所有站点的62.0%、65.0%、67.3%和69.3%。相应的b型站点数量分别为72、74、73和71个，占23.8%、24.4%、24.1%和23.4%。这些结果表明，从全国平均水平分析得出的ws10趋势增强掩盖了明显的空间异质性。尽管大多数站点显示出向更正值趋势的转变，但约20%的站点表现出相反的趋势，即上升趋势减弱或转为下降。这种空间差异挑战了统一的恢复论调，并突出了进行近地面风速变化站点尺度评估的必要性。
图2显示了a型站点ws10趋势逆转的空间和季节特征。在转折点之前，ws10在所有四个季节中持续下降。这种下降在mam期间最为明显，许多站点的趋势低于?0.25 m s?1 decade?1，主要位于中国东北部、西南部和南部沿海地区（左侧面板）。转折点之后，ws10趋势显著转向正值。 在确定转折点后，分别应用普通最小二乘回归来估计转折点前后的长期ws10趋势。趋势以m s?1 decade?1的单位报告。使用学生t检验来评估统计显著性，显著性阈值为p < 0.05。进一步使用核密度估计来推导ws10趋势的概率密度函数，以便比较趋势分布的中心趋势和离散度的变化（parzen，1962）。 在近90%的站点中检测到了显著的转折点，这些转折点大致可以分为两类。a型转折点表示趋势向正值转变，包括减弱后的上升、下降后的上升以及加速上升；b型转折点表示趋势向负值转变，包括减弱后的上升、上升后的下降以及加速下降。 为了量化转折点前后趋势逆转幅度的差异，我们定义了以下转折强度指数：intensity=SlopeATP?SlopeBTP，其中SlopeATP和SlopeBTP分别表示转折点前后的WS10线性趋势。转折强度量化了转折点后WS10的变化程度。 此外，根据转折点前后ws10趋势的相对变化，将站点分为不同类型。进行了回归和相关性分析，以定量评估转折点发生的时间特征及其相关的强度响应。为了分析转折点前后环境变量的协同演变，将时间轴标准化为相对年份。我们将转折点年份定义为年份0，转折点前的10年为年份?10至?1，转折点后的10年为年份+1至+10。对于转折点前或后时间少于10年的站点，使用所有可用年份进行复合异常值计算。然后计算每个相对年份的所有站点的复合异常值，以揭示转折点前后环境变量的系统变化。 3. 中国两种类型的ws10趋势逆转 图1显示了本研究分析的站点空间分布及其ws10趋势逆转的统计特征。这303个气象站点分布在中国东部季风区、中部过渡区以及西部和西北部（图1a）。在超过90%的站点中检测到了显著的趋势转折点。这些站点根据转折点前后趋势斜率的变化进一步分为两类。 下载：下载高分辨率图像（242kb） 下载：下载全尺寸图像 图1. (a) 本研究中分析的303个站点的高度。(b) 分类为tpa的站点，左侧显示了各季节的计数和相应的百分比。(c) 与(b)类似，但针对tpb站点。蓝色和红色线条分别表示转折点前（btp）和转折点后（atp）的ws10趋势。黑色点表示识别的转折点。（关于图中颜色参考的解释，请参阅本文的网页版本。） a型站点在转折点后的斜率大于转折点前的斜率，表明转折点后ws10趋势转向更强或减弱后的下降（图1b）。相比之下，b型站点在转折点后的斜率小于转折点前的斜率，表明转折点后ws10趋势转向减弱或增强后的下降（图1c）。统计上，a型站点在所有季节中都占主导地位，比例明显高于b型站点。春季（3月至4月至5月，mam）、夏季（6月至7月至8月，jja）、秋季（9月至10月至11月，son）和冬季（12月至1月至2月，djf）的a型站点数量分别为188、197、204和210个，分别占所有站点的62.0%、65.0%、67.3%和69.3%。相应的b型站点数量分别为72、74、73和71个，占23.8%、24.4%、24.1%和23.4%。这些结果表明，从全国平均水平分析得出的ws10趋势增强掩盖了明显的空间异质性。尽管大多数站点显示出向更正值趋势的转变，但约20%的站点表现出相反的趋势，即上升趋势减弱或转为下降。这种空间差异挑战了统一的恢复论调，并突出了进行近地面风速变化站点尺度评估的必要性。 图2显示了a型站点ws10趋势逆转的空间和季节特征。在转折点之前，ws10在所有四个季节中持续下降。这种下降在mam期间最为明显，许多站点的趋势低于?0.25 m s?1>在确定转折点后，分别应用普通最小二乘回归来估计转折点前后的长期ws10趋势。趋势以m s?1 decade?1的单位报告。使用学生t检验来评估统计显著性，显著性阈值为p < 0.05。进一步使用核密度估计来推导ws10趋势的概率密度函数，以便比较趋势分布的中心趋势和离散度的变化（parzen，1962）。
在近90%的站点中检测到了显著的转折点，这些转折点大致可以分为两类。a型转折点表示趋势向正值转变，包括减弱后的上升、下降后的上升以及加速上升；b型转折点表示趋势向负值转变，包括减弱后的上升、上升后的下降以及加速下降。
为了量化转折点前后趋势逆转幅度的差异，我们定义了以下转折强度指数：intensity=slopeatp?slopebtp，其中slopeatp和slopebtp分别表示转折点前后的ws10线性趋势。转折强度量化了转折点后ws10的变化程度。
此外，根据转折点前后ws10趋势的相对变化，将站点分为不同类型。进行了回归和相关性分析，以定量评估转折点发生的时间特征及其相关的强度响应。为了分析转折点前后环境变量的协同演变，将时间轴标准化为相对年份。我们将转折点年份定义为年份0，转折点前的10年为年份?10至?1，转折点后的10年为年份+1至+10。对于转折点前或后时间少于10年的站点，使用所有可用年份进行复合异常值计算。然后计算每个相对年份的所有站点的复合异常值，以揭示转折点前后环境变量的系统变化。

3. 中国两种类型的ws10趋势逆转
图1显示了本研究分析的站点空间分布及其ws10趋势逆转的统计特征。这303个气象站点分布在中国东部季风区、中部过渡区以及西部和西北部（图1a）。在超过90%的站点中检测到了显著的趋势转折点。这些站点根据转折点前后趋势斜率的变化进一步分为两类。
下载：下载高分辨率图像（242kb）
下载：下载全尺寸图像
图1. (a) 本研究中分析的303个站点的高度。(b) 分类为tpa的站点，左侧显示了各季节的计数和相应的百分比。(c) 与(b)类似，但针对tpb站点。蓝色和红色线条分别表示转折点前（btp）和转折点后（atp）的ws10趋势。黑色点表示识别的转折点。（关于图中颜色参考的解释，请参阅本文的网页版本。）
a型站点在转折点后的斜率大于转折点前的斜率，表明转折点后ws10趋势转向更强或减弱后的下降（图1b）。相比之下，b型站点在转折点后的斜率小于转折点前的斜率，表明转折点后ws10趋势转向减弱或增强后的下降（图1c）。统计上，a型站点在所有季节中都占主导地位，比例明显高于b型站点。春季（3月至4月至5月，mam）、夏季（6月至7月至8月，jja）、秋季（9月至10月至11月，son）和冬季（12月至1月至2月，djf）的a型站点数量分别为188、197、204和210个，分别占所有站点的62.0%、65.0%、67.3%和69.3%。相应的b型站点数量分别为72、74、73和71个，占23.8%、24.4%、24.1%和23.4%。这些结果表明，从全国平均水平分析得出的ws10趋势增强掩盖了明显的空间异质性。尽管大多数站点显示出向更正值趋势的转变，但约20%的站点表现出相反的趋势，即上升趋势减弱或转为下降。这种空间差异挑战了统一的恢复论调，并突出了进行近地面风速变化站点尺度评估的必要性。
图2显示了a型站点ws10趋势逆转的空间和季节特征。在转折点之前，ws10在所有四个季节中持续下降。这种下降在mam期间最为明显，许多站点的趋势低于?0.25 m s?1 decade?1，主要位于中国东北部、西南部和南部沿海地区（左侧面板）。转折点之后，ws10趋势显著转向正值。>这种转折后的增强效应在SON和DJF期间尤为明显，增幅达到了0.4米/秒/十年。最强烈的正向趋势集中在华北平原、长江中下游以及南部沿海地区（中间面板）。站点平均时间序列显示，A型站点的平均转折年份发生在2000年至2003年之间（右侧面板）。灰色曲线显示了使用60%站点进行的300次随机重采样实验所得到的PWLF拟合结果。WS10恢复信号在秋季和冬季更为明显，这与这些季节A型站点比例较高一致。

下载：下载高分辨率图片（1MB）
下载：下载全尺寸图片

图2. BTP（a, d, g, j）和ATP（b, e, h, k）时期A型站点WS10变化的空间分布。填充三角形表示在95%置信水平下统计上显著的趋势。从上到下的面板分别对应MAM、JJA、SON和DJF。四个季节的站点平均WS10时间序列分别显示在（c）、（f）、（i）和（l）中。灰色曲线表示从300个随机子样本中得出的分段线性拟合结果，每个子样本包含60%的站点。蓝色和红色线段分别表示转折点前的拟合趋势和转折点后的拟合趋势。插图显示了BTP（蓝色）和ATP（红色）时期站点级别的WS10变化分布。（关于图中颜色参考的解释，请参阅本文的网页版本。）

与A型站点相比，B型站点的数量较少，其WS10趋势反转的时空模式具有明显差异（图3）。在转折年份之前，B型站点的WS10通常呈增加趋势，尤其在JJA和SON季节，增幅约为0.2米/秒/十年。这些正向趋势主要集中在中国的中部和东南部（左侧面板）。转折年份之后，B型站点的WS10趋势主要转向减少趋势（中间面板），在中国东部和西南部减少幅度约为-0.25米/秒/十年。站点平均结果显示，B型站点的转折年份主要出现在21世纪初，JJA和SON季节的转变相对较早，而MAM和DJF季节的转变相对较晚。

下载：下载高分辨率图片（1MB）
下载：下载全尺寸图片

图3. 与图2类似，但针对B型站点。

图4进一步研究了A型站点的转折年份和转折强度以及它们之间的关系。A型站点的转折年份表现出明显的区域差异：中国东部和东南沿海地区的站点倾向于较晚转折，而中国中西部和北部部分地区则通常较早转折。从季节上看，MAM和JJA的转折年份略早于SON和DJF（左侧面板）。转折强度定义为转折年份前后WS10变化幅度，也显示出明显的空间异质性（中间面板）。较大的转折强度（>2.0米/秒/十年）主要集中在东南沿海地区，而较弱的转折强度（<1.0米/秒/十年）主要出现在西部和一些内陆站点。转折年份与转折强度之间的关系是非线性的，呈U形。当转折发生在20世纪90年代末到21世纪初时，转折强度通常较弱，约为0–1米/秒/十年。随着转折年份向较早或较晚的时期移动，转折强度显著增加。

下载：下载高分辨率图片（1MB）
下载：下载全尺寸图片

图4. A型站点转折年份（a, d, g, j）和强度（b, e, h, k；米/秒/十年）的空间分布。从上到下的面板分别对应MAM、JJA、SON和DJF。四个季节的转折年份与强度之间的关系分别显示在（c）、（f）、（i）和（l）中。图（c）、（f）、（i）和（l）中的蓝色点表示单个站点，黑色曲线表示拟合关系。R2显示了拟合关系解释的方差比例。（关于图中颜色参考的解释，请参阅本文的网页版本。）

与A型站点相比，B型站点在转折年份和转折强度上的季节一致性较弱（图5）。B型站点的WS10趋势转折年份主要集中在两个时期：大约在2000年左右和2010–2020年期间。它们的转折强度大多低于1.0米/秒/十年，明显低于A型站点。右侧面板显示了转折年份与强度之间的关系。总体而言，这两个变量表现出弱线性关联，MAM和SON的确定系数分别为0.043和0.053，JJA和DJF分别为0.164和0.229。这些值远低于A型站点的相应值。尽管B型站点的转折强度随着转折年份的推迟而增加，但这种关系主要在2010年之后才明显，并且始终显著弱于A型站点。

下载：下载高分辨率图片（945KB）
下载：下载全尺寸图片

图5. 与图4类似，但针对B型站点。

图6显示了A型（左）和B型（右）站点WS10转折年份与海拔高度之间的关系。从上到下的面板分别对应MAM（a, b）、JJA（c, d）、SON（e, f）和DJF（g, h）。灰色点代表单个站点。有色点表示平均值，点的大小与每个海拔区间的站点数量成正比，误差条显示四分位数范围（第25–75百分位）。海拔区间内的站点少于4个时，省略误差条。

对于A型站点，WS10转折年份与海拔高度之间的关系在各个季节中大致一致，总体上呈负相关（左侧面板）。在0–2000米的海拔范围内，MAM、SON和DJF中WS10转折年份与海拔高度之间存在显著的负相关。在这些季节中，随着海拔升高，转折年份趋于提前。平均而言，海拔升高1000米相当于转折年份提前大约五年。相比之下，JJA没有显著的相关性。重要的是，即使在控制了纬度混淆效应后，这些相关性仍然显著，表明海拔依赖性并非由地理聚集引起。在2000米以上，转折年份系统性地延迟。尽管如此，在2000–4000米的海拔范围内，随着海拔升高，转折年份提前的趋势仍然存在，但由于高海拔站点数量有限，这种关系不如2000米以下明确。

相比之下，B型站点表现出更复杂的海拔依赖行为（右侧面板）。在0–1000米的海拔范围内，JJA、SON和DJF中海拔与WS10转折年份之间存在微弱的正相关，而MAM中未检测到这种关联。然而，考虑到B型站点样本量较小以及控制纬度后这些正相关性的稳健性较弱，这种模式需要谨慎解释，并需要通过更大的观测数据集进行验证。在2000米以上，由于B型站点数量较少，这种关系的高度不确定性很大。

为了更好地理解两种类型站点WS10趋势反转的驱动因素和物理过程，我们进一步研究了转折点前后相关变量的变化。我们关注了三个关键变量：925百帕风速，它代表上层环流的动力作用；边界层高度，它反映了边界层内的湍流混合强度和垂直动量传递潜力；以及地表感热通量，它代表陆气热力强迫。为了比较不同站点间这些变量的变化，我们使用相对年份框架标准化时间轴。转折年份定义为年份0；转折年份前的十年定义为年份-10至-1；转折年份后的十年定义为年份+1至+10。然后计算所有站点在每个相对年份的复合异常值，以表征转折点前后的变化。

图7显示了A型站点这些变量的变化。925百帕风速在所有四个季节都表现出与WS10相似的转变特征（左侧面板）。在转折点之前，它减弱；之后，它迅速反转并增强，尤其是在MAM和SON中增幅最大。这表明A型站点的WS10恢复与上层大气环流的增强密切相关，表明大规模动力作用可能是关键驱动因素。与背景风的增强一致，边界层高度在转折点后也显著增加（中间面板）。更深的边界层增强了湍流混合，促进了来自上层的强风的向下输送，从而增加了地表风速。相比之下，转折点后地表感热通量的变化与WS10相反（右侧面板）。在大多数季节，它在转折点后下降得更快。减少的感热通量抑制了地表热湍流，可能因此减弱了WS10，部分抵消了其转折后的增加。总体而言，这些结果表明，A型站点WS10的趋势反转可能与上层风的增强、边界层高度的增加以及向下动量传递和湍流混合的增强有关。

下载：下载高分辨率图片（734KB）
下载：下载全尺寸图片

图7. A型站点转折点前后925百帕风速（左；米/秒）、边界层高度（中；米）和地表感热通量（SSHF；千焦/平方米）的复合异常值。从上到下的面板分别对应MAM（a-c）、JJA（d-f）、SON（g-i）和DJF（j-l）。阴影表示±1个标准误差，虚线表示线性趋势。图例中列出了十年趋势值。

此外，图8显示了B型站点这些变量的变化。925百帕风速在转折点前的变化与WS10的趋势一致，转折点后减弱。这种模式在MAM和JJA中最明显，而在SON和DJF中不那么明显（图8的左侧面板）。与上层风速相比，边界层高度在转折点前也增加，但这种上升趋势在转折点后减缓甚至逆转（中间面板）。然而，相对于WS10，925百帕风速和边界层高度在转折点后的变化相对较小，尤其是在SON和DJF中。在所有四个季节中，转折点后地表感热通量都减少（右侧面板），这一模式也在A型站点中观察到。总体而言，与边界层混合相关的向下动量输送过程在B型站点转折点后WS10的下降中作用有限。

这些结果表明，B型站点WS10的转折后减弱与上层风的减弱和边界层内向下动量传递的减少有关。925百帕风速从增强趋势转为减弱趋势减少了自由大气的动量供应，这超过了边界层混合效应，导致地表风速下降。两种类型的站点中都观察到了地表感热通量的减少，这反映了区域背景趋势而非特定机制。

进行了多元回归分析，以量化925百帕风速和边界层高度对WS10变异性的相对贡献（图9）。由于与边界层高度的多共线性，地表感热通量被排除在外。

下载：下载高分辨率图片（469KB）

图9. 通过多元回归分析得出的925百帕风速和边界层高度对WS10变异性的相对贡献（β）。左侧面板为A型站点，右侧面板为B型站点，分别对应（a, b）MAM、（c, d）JJA、（e, f）SON和（g, h）DJF。蓝色条形表示925赫兹（925-hPa）风速系数，红色条形表示边界层高度系数。误差条表示四分位数范围（第25百分位到第75百分位）。（关于该图例中颜色含义的解释，请参阅本文的网页版本。）对于A型站点，在转向前期，925赫兹风速在春季和冬季占主导地位，而在夏季和秋季边界层高度已经占主导地位。在转向后期，边界层高度成为所有季节中的普遍主导因素，其贡献量从春季的0.10增加到0.17，夏季为0.33到0.37，秋季为0.21到0.32，冬季为0.05到0.14。对于B型站点，边界层高度在整个季节和时期中始终是主要驱动因素。总之，边界层混合过程是两种类型站点十年间近地面风速变化的主要驱动因素，而低层大气环流则起着次要但关键的作用，尤其是在A型站点中。A型站点在转折点之后表现出从混合控制向边界层高度主导的明显转变，而B型站点则在整个过程中始终保持边界层控制。这种差异突显了边界层动力学和低层环流在调节两种类型站点风速变化中的不同作用。

5. 总结与讨论
本研究基于站点观测数据，分析了1980年至2024年间中国WS10趋势逆转的统计特征。采用分段线性拟合方法识别出显著的转折年份，并根据转折点前后的趋势变化对站点进行分类。A型站点表示WS10趋势向更正值转变，而B型站点表示WS10趋势向更负值转变。在近90%的站点中检测到显著的转折点，表明趋势逆转是中国WS10变化的一个普遍特征。A型站点在所有季节中占主导地位，分别占MAM（3月至5月）、JJA（6月至8月）、SON（9月至11月）和DHF（12月至2月）期间站点的62.0%、65.0%、67.3%和69.3%，而B型站点约占23-24%。这些结果支持了之前关于中国WS10趋势广泛恢复的报告，但也揭示了被区域或全国平均值掩盖的显著站点尺度异质性。两种类型的站点表现出不同的时间、空间和季节性特征。在A型站点，WS10在转折点之前通常下降，之后转向减弱下降或上升趋势。它们的转折年份主要集中在20世纪90年代末到21世纪初，MAM和JJA的转变相对较早，而SON和DHF的转变较晚。MAM中的转折前下降幅度最大，而SON和DHF中的转折后上升最为显著。相比之下，B型站点较少，表现出相反的演变趋势，WS10在转折点之前普遍上升，尤其是在JJA和SON中，但之后减弱，特别是在MAM和DHF中。它们的转折年份更为分散，集中在2000年及2010-2020年间，且转折强度通常低于A型站点。

WS10转折点的时间和强度也显示出明显的地理依赖性。对于A型站点，转折年份在中国中西部和北部较早发生，而在东部和中国东南沿海地区较晚。海拔进一步调节了这一模式。在0-2000米的海拔范围内，A型站点在MAM、SON和DHF中的转折年份每升高1000米大约提前五年，而JJA没有显著关系。这些相关性在控制纬度后仍然存在，证实了真实的海拔依赖性而非空间聚集现象。超过2000米的海拔后，转折年份普遍延迟。B型站点显示出更复杂的情况，在1000米以下有轻微显著的正面相关性，但在经度校正后这种相关性不显著，因此需要谨慎解释，因为样本量有限。

环境变量的协同演变表明，两种类型的WS10转折点背后有不同的物理过程。在A型站点，转折点后WS10的恢复伴随着925赫兹风速的增强和边界层高度的增加。这些变化表明，增强的下层大气环流和更深的边界层促进了来自高空的向下动量传输，从而有利于近地面风速的恢复。尽管转折点后地表感热通量通常减小，这可能抑制了热湍流并部分抵消了WS10的增强作用，但上层风加强和边界层混合增强的综合效应似乎更为显著。在B型站点，转折点后WS10的减弱与边界层混合过程的减弱相关，同时伴有低层环流的减弱。核心驱动因素是925赫兹风速从增加趋势转变为减少趋势，这大大减少了来自自由大气的动量供应，并抵消了边界层湍流混合带来的增益，最终导致近地面风速持续下降。

总体而言，这项研究挑战了中国WS10经历了空间上均匀下降-恢复转变的简化观点。A型站点的主导地位与之前关于中国风速恢复的研究结果一致，例如Zeng等人（2019年）和Shen等人（2023年）的报告。然而，转折年份的广泛分布、B型站点的不同行为以及海拔的非线性影响表明，WS10的变化并不仅仅是大规模信号的局部表现。相反，它们受到区域环流变化、地形效应、气候带、陆气相互作用以及可能的人为影响的调节。通过在站点尺度上解析这些变化，提出的A型/B型框架为描述WS10的长期演变提供了结构化的方法。它揭示了风速变化的空间异质性，并为风能开发和资源评估提供了比全国平均趋势分析更精细和准确的科学指导。同时，识别出具有不同风速轨迹的区域为制定特定地点的气候适应策略和评估风资源提供了更详细的研究依据。

仍存在一些局限性。首先，尽管站点观测提供了WS10的直接测量数据，但仍可能受到仪器变化、站点搬迁、观测实践和周围土地利用条件的影响。我们实施了严格的质量控制程序，并使用中国气象局（CMA）的高质量风速数据集进行了交叉验证，以确保结果的可靠性，但可能存在未被发现的数据不均匀性。未来的研究可以结合完整的站点元数据进行正式的数据同质化，以进一步减少这些非气候偏差。其次，PWLFG方法可能对初始条件敏感，B型站点的较小样本量可能影响某些统计关系的稳健性。第三，环境变量的分析主要基于观测关联，ERA5可能无法完全解析个别站点的局部地形、城市化和土地覆盖效应。未来的研究应结合高分辨率的区域气候模拟、敏感性实验和观测约束的归因分析，以分离大尺度动力强迫、边界层过程和局部土地变化的相对贡献，并利用更高密度的站点网络和站点级别的土地利用/土地覆盖数据来阐明A型站点和B型站点空间共存的机制基础。这些努力将有助于更好地理解中国WS10的非线性演变，并为风资源规划和气候风险管理提供更可靠的信息。

作者贡献声明：
陈曦：写作 - 审稿与编辑、原始稿写作、可视化、验证、软件开发、方法论、调查、正式分析、数据管理、概念化。
聂佳怡：写作 - 审稿与编辑、方法论、正式分析、数据管理。
邱文天：写作 - 审稿与编辑、正式分析、数据管理。
赵庆红：写作 - 审稿与编辑、正式分析、数据管理。
李海荣：写作 - 审稿与编辑、正式分析、数据管理。
周秀华：写作 - 审稿与编辑、正式分析。
张成阳：写作 - 审稿与编辑、监督、项目管理。
邓凯强：写作 - 审稿与编辑、原始稿写作、监督、资源管理、项目管理、方法论、调查、资金获取、正式分析、数据管理、概念化。