极端气候中主导周期的转移在全球变暖下的影响

Shifting dominant periods in extreme climate impacts under global warming

Authors

周仕格

陈霜

欧方芳

卢佳怡

朱欣雨

Published

June 23, 2026

项目概述

0.1 论文信息

0.2 研究背景

本文为Nature Communications 2025年发表的研究论文，聚焦全球变暖背景下极端气候事件发生规律的周期性变化，填补了极端事件”周期性特征”及”变暖对周期规律影响”的研究空白，为气候适应规划提供全新分析视角。

0.2.1 研究核心问题

  1. 粮食歉收、热浪、野火三类极端气候事件是否存在稳定主导周期？
  2. 从工业革命前到人类世，全球变暖如何改变这些周期性规律？
  3. 极端事件的周期变化对气候适应、灾害防控有何关键启示？

0.3 复现目标

  1. 量化工业革命前极端事件的主导周期分布，明确周期与厄尔尼诺-南方涛动（ENSO）等气候振荡的关联。
  2. 揭示全球变暖驱动下，极端事件主导周期的数量、时长、空间格局的演变规律。
  3. 验证”线性去趋势”方法对分离变暖趋势与自然周期信号的有效性，复现周期向更短尺度转移的核心结论。

方法概述

0.4 数据来源

本研究使用ISIMIP（Inter-Sectoral Impact Model Intercomparison Project）数据集，涵盖多种气候影响模型的输出结果。

0.5 分析方法

  1. 时间序列分析: 对极端气候事件的时间序列进行频谱分析
  2. 主导周期识别: 识别时间序列中的主导周期成分
  3. 去趋势处理: 使用线性去趋势方法分离变暖趋势与自然周期信号
  4. 空间分析: 分析不同地区主导周期的空间分布特征

1 结果展示

1.1 Figure 1: 主导周期分布

Figure 1展示了工业革命前（pre-industrial）极端气候事件的主导周期分布情况。

显示代码 
from IPython.display import Image
Image(filename='Result/Fig1-a.png', width=800)

Figure 1a: 主导周期分布 - 粮食歉收
显示代码 
Image(filename='Result/Fig1-b.png', width=800)

Figure 1b: 主导周期分布 - 热浪
显示代码 
Image(filename='Result/Fig-1c.png', width=800)

Figure 1c: 主导周期分布 - 野火

结果解读: 三类极端气候事件在工业革命前均表现出稳定的主导周期特征，这些周期与ENSO等气候振荡密切相关。

1.2 Figure 2: 全球变暖对主导周期的影响

显示代码 
Image(filename='Result/Fig2.png', width=800)

Figure 2: 全球变暖情景下主导周期的变化

结果解读: 随着全球变暖程度的增加，极端气候事件的主导周期呈现出向更短周期转移的趋势。

1.3 Figure 3: 空间分布特征

显示代码 
Image(filename='Result/Fig3-a.png', width=800)

Figure 3a: 主导周期空间分布 - 粮食歉收
显示代码 
Image(filename='Result/Fig3-b.png', width=800)

Figure 3b: 主导周期空间分布 - 热浪
显示代码 
Image(filename='Result/Fig3-c.png', width=800)

Figure 3c: 主导周期空间分布 - 野火

结果解读: 不同地区对全球变暖的响应存在显著差异，热带地区和高纬度地区的周期变化更为明显。

1.4 Figure 4: 周期转移趋势

显示代码 
Image(filename='Result/Fig4-a.png', width=800)

Figure 4a: 周期转移趋势 - 粮食歉收
显示代码 
Image(filename='Result/Fig4-b.png', width=800)

Figure 4b: 周期转移趋势 - 热浪
显示代码 
Image(filename='Result/Fig4-c.png', width=800)

Figure 4c: 周期转移趋势 - 野火

结果解读: 三种极端气候事件均表现出从长周期向短周期转移的一致趋势，表明全球变暖正在加速极端事件的发生频率。

1.5 Figure 5: 去趋势效果验证

显示代码 
Image(filename='Result/Fig5-a.png', width=800)

Figure 5a: 去趋势前后对比 - 粮食歉收
显示代码 
Image(filename='Result/Fig5-b.png', width=800)

Figure 5b: 去趋势前后对比 - 热浪
显示代码 
Image(filename='Result/Fig5-c.png', width=800)

Figure 5c: 去趋势前后对比 - 野火

结果解读: 线性去趋势方法有效分离了全球变暖趋势与自然周期信号，验证了方法的可靠性。

1.6 Figure 6: 综合分析

显示代码 
Image(filename='Result/Fig6.png', width=800)

Figure 6: 主导周期转移的综合分析

结果解读: 综合分析表明，全球变暖正在系统性地改变极端气候事件的周期特征。

1.7 Figure 7: 未来预测

显示代码 
Image(filename='Result/Fig7.png', width=800)

Figure 7: 未来情景下的周期变化预测

结果解读: 在高排放情景下，极端气候事件的周期将进一步缩短，对气候适应规划提出更高要求。

2 结论

2.1 主要发现

  1. 稳定周期存在: 工业革命前，粮食歉收、热浪、野火三类极端气候事件均存在稳定的主导周期，与ENSO等气候振荡密切相关。

  2. 周期转移趋势: 全球变暖导致极端气候事件的主导周期从长周期向短周期转移，意味着极端事件发生频率增加。

  3. 空间异质性: 不同地区对全球变暖的响应存在显著差异，热带和高纬度地区变化更为敏感。

  4. 方法验证: 线性去趋势方法能够有效分离变暖趋势与自然周期信号，为研究提供可靠工具。

2.2 研究意义

本研究首次系统性地揭示了全球变暖对极端气候事件周期特征的影响，为：

  • 气候适应规划: 提供了基于周期分析的灾害预警框架
  • 风险管理: 有助于识别高风险地区和时段
  • 政策制定: 为碳减排和气候适应政策提供科学依据

3 代码说明

本项目使用Python进行数据分析和可视化，主要依赖以下库：

  • numpy: 数值计算
  • xarray: 多维数组处理
  • pandas: 数据分析
  • matplotlib: 数据可视化

详细的代码实现请参考 Code/ 目录下的脚本文件：

  • main.py: 核心分析代码
  • result.py: 结果计算和统计
  • settings.py: 参数配置
  • util.py: 工具函数

4 小组成员

姓名 学号 GitHub
周仕格 2025303120165 @zhoushige666-crypto
陈霜 2025303120181 @winn-coder
欧方芳 2025303110138 @oufangfang1209
卢佳怡 2025303110135 @LLLJY-ljy
朱欣雨 2025303110137 @xinyuzhu-lang

5 参考文献

Zantout, K., et al. (2025). Shifting dominant periods in extreme climate impacts under global warming. Nature Communications. https://doi.org/10.1038/s41467-025-65600-7