北半球人体不舒适天数归因分析及其未来预估

李万玲 郝鑫

摘要 基于NCEP／NCAR再分析资料及6个CMIP6全球气候模式模拟资料，对1961—2014年北半球湿热指数表征的热不舒适天数与风寒指数表征的冷不舒适天数历史变化进行归因分析，并预估未来（2015—2100年）4种不同情景下不舒适天数的变化趋势。结果表明：历史时期北半球中低（中高）纬度地区热（冷）不舒适天数偏多且不舒适天数显著增加（减少）。其中，高纬度（中纬度）地区能够检测到历史全强迫，人为强迫和温室气体强迫的影响，且温室气体强迫主导了冷（热）不舒适天数变化。低纬度地区，热不舒适天数显著增加可归因于人为温室气体强迫作用，气溶胶强迫能够产生相反的作用降低热不舒适的发生率，冷不舒适天数则受气候系统内部的调控作用。未来热（冷）不舒适天数将持续增加（减少），其中ssp585与ssp370情景下舒适度变化显著，ssp126与ssp245情景下，2080年后北半球人类遭受的冷热不舒适感将维持在稳定的水平。

关键词人体舒适度;湿热指数;风寒指数;温室气体;气溶胶;人为强迫

人体舒适度是一项根据人体与周围环境之间热量交换原理，评价人体在各种气候环境下舒适程度的气象指标（刘梅等，2002）。由于室内环境条件具有相对稳定性和可控性，因此室内人体舒适度影响研究受到了广泛关注（Fransson et al.，2007;段培永等，2011;胡晓倩等，2014）。近年来户外舒适度的研究不断增加（Dunjic＇，2019）。室外微气候环境温度、湿度和风速等参数对舒适度有重要影响，其中温度是最重要的参数（Liu et al.，2016）。低湿度条件下，由于人体蒸发较多，低湿度对主观愉悦感受产生积极影响，而当湿度变为70％以上时人体会感到疲劳不适（Tsutsumi et al.，2007）。高温、高湿、干冷等气象条件也会引起人体调节功能发生异常，导致内分泌系统发生紊乱，使得呼吸道疾病、过敏等发病率显著提高（Sloan et al.，2011;Bergmann，2016）。

为了定量评价人体在日常生活中对舒适程度的主观感受，近年来许多研究相继提出了多种表征人体舒适度的指数，这些指数广泛应用于气象相关业务中，能够对生产生活、交通旅游、城市规划、医疗卫生等公共生活领域起到一定的指示作用（Dunjic＇，2019）。例如，表征人体在典型的无风和太阳辐射的环境中的生理平衡温度（Hppe，1999;郑有飞等，2007），通过考虑人体自身和环境的多重复杂生理物理过程评价人类机体在周围温度完全不同时也能在特定极限内保持体温能力的通用热气候指数（Fiala et al.，2012）。已有许多研究基于这些人体舒适度指数探讨各种气候条件下人体舒适度的变化特征。Mekis et al.（2015）利用湿热指数（Humidex）和风寒指数（Wind Chill Index，WCI）研究极端高温事件在北美地区的时空分布特征，发现热高温事件显著增加的站点大多数位于55°N以南的中纬度地区，而近60 a间极端冷事件在北美加拿大地区均显著减少。基于通用热气候指数欧洲和亚洲等地同样表现出相似的舒适度地理分布特征，即热气候指数值随纬度增加而减小，说明冷事件多发生在高纬度地区，热事件多发生在低纬度地区（Blazejczyk et al.，2012;乐满等，2019;Wu et al.，2019）。另有学者利用预测平均评价指数和热感觉评价指数对南欧、北美和亚洲中纬度温带气候区的热环境进行比较分析，发现南欧和北美城市热指数较高，而亚洲相对较低，南欧大部分地区的非舒适环境都是因为温度过高，而亚洲则多因冷不舒适环境（Zhang et al.，2017）。Wu et al.（2017）基于有效温度同时研究发现对于冷日数偏多的东亚地区，过去几十年冷日数显著减少，热日数显著增加。

考虑到降雨、雾霾会伴随相对湿度的强烈变化（张小曳等，2013;尹志聪等，2019），大气温度对人类机体对流散热的影响（乔平等，2018），已有的研究结果表明人体舒适度相对于工业化前时期已产生较明显的差别（Moore et al.，2019），未来几十年受气候条件和人口暴露度影响热舒适条件可能也会发生改变（Roshan et al.，2010;Gao et al.，2018;于恩涛和孙建奇，2019;周波涛等，2020）。但气候变化背景下，人体舒适度的研究多针对舒适度方法的开发与改进、城市建设对舒适度的影响与舒适度对旅游卫生部门的支持上（Dunjic＇，2019;Song et al.，2019;Di et al.，2021），尚未发现文献定量分析引起冷热舒适度变化的主要外强迫信号。因此，本研究将探讨北半球陆地地区冷、热人体舒适度在1961—2014年间的时空变化特征;历史时期不同纬度区域的人体舒适度变化分别进行定量检测归因，探讨影响人体舒适变化的主要因素;此外，还将进一步定量预估北半球人體舒适度在不同共享社会经济途径情景下的变化情况，以期对恶劣气候的提前防备以及打造更利于人类生活的舒适环境提供理论参考。

1 数据与方法

1.1 数据

本文选取NCEP／NCAR再分析资料集逐日平均10 m高度风场、2 m高度气温以及近地面相对湿度数据（Kalnay et al.，1996），水平分辨率为2.5°×2.5°，研究时段为1961—2014年。为进行人体舒适度检测归因与未来预估，本文还使用CMIP6（https：／／esgf-node.llnl.gov／projects／cmip6／）6个全球气候模式（表1）不同试验数据。历史试验类包括：1）历史全强迫模拟（historical），即涵盖研究时段内所有外部强迫的历史变化;2）历史自然强迫模拟（hist-nat），例如火山爆发、太阳活动的强迫;3）历史温室气体浓度的外强迫模拟（hist-GHG），例如考虑CO2，CH4以及N2O等温室气体的强迫;4）历史气溶胶浓度模拟（hist-aer）;5）工业化前非强迫控制模拟的参照试验piControl（CTL）。未来预估试验为四种共享社会经济途径情景（ssp126、ssp245、ssp370、ssp585）下的未来预估试验。历史试验类数据涵盖时间段为1961—2014年，未来预估试验涵盖的时间段为2015—2100年。在计算过程中，为了赋予每个模式以相同的权重，本文在计算中均以所选模式的集合平均值，代表模式的模拟结果。

1.2 方法

1.2.1 Humidex

选取Humidex定量表征热不舒适天数。Humidex通过温度和湿度量化人体的热舒适程度，能够反映过热过湿情况下人体的不适感，被认为是最稳健和最有效的舒适指数之一（Sirangelo et al.，2020）。Humidex计算公式如下（Mekis et al.，2015）：

H=T+59×6.11×e5 417.753×1273.16-1273.16+Tdew-10。（1）

其中：5 417.753是根据水分子量、蒸发潜热、气体常数所确定的常量;273.16为开尔文冰熔点;变量T为地面2 m处温度（℃），Tdew为近地面露点温度（℃）。本研究中将该指数H≥40的天数认定为热不舒适天，此时人类会感到极不舒适，应当完全杜绝不必要的户外活动（Mekis et al.，2015）。由于无法从再分析数据中直接得到露点温度Tdew，本文采用迭代法计算露点温度，即在水汽含量不变的前提下，通过不断降温使得气团达到饱和，则此时得到的温度即为露点温度Tdew。

1.2.2 WCI

选取了WCI定量表征冷不舒适天数。WCI表征了由于低温空气流过而导致体温下降，人体表面通过传导、蒸发、对流和辐射而失去热量，人类对低温和风的一种感受程度，其多应用于研究低温和高风速对人体舒适度的影响，受各国学者广泛使用和推荐（Osczevski and Bluestein，2005;Lin et al.，2019;Kargapolova，2020）。WCI有两种不同的计算公式（Mekis et al.，2015）。对于低风速情况（V10 m<5 km·h-1），计算公式为：

WCI=T+-1.59+0.134 5T5V10 m。 （2）

对于高风速（V10 m<5 km·h-1），计算公式为：

WCI=13.12+0.621 5T-11.37×V0.1610 m+0.396 5TV0.1610 m。  （3）

其中：V10 m为距离地面10 m高度处的风速（km·h-1），T为距离地面2 m高度处温度（℃）。本文研究中将WCI≤-30作为冷不舒适的阈值（Mekis et al.，2015）。

1.2.3 最优指纹法

本研究基于再分析资料和CMIP6多模式模拟资料对1961—2014年历史时期热不舒适天数和冷不舒适天数变化情况分别使用最优指纹法进行检测归因。该方法的计算模型为下式（4）和（5）所示的回归方程（Ribes et al.，2013）：

y=∑ni=1βixi+ε。（4）

i=xi+εxi。（5）

式（4）中：y表示观测值，本文中为再分析资料计算所得的不舒适天数;xi是通过再分析所得的不舒适天数对所研究的不同外部强迫（历史全强迫ALL、历史温室气体强迫GHG、历史气溶胶强迫AER、NAT、历史人为强迫ANT）的气候响应（Zhang et al.，2013）;βi是通过调整指纹值产生的使模拟结果与再分析结果之间达到最佳匹配效果的标度因子。n为所考虑的外强迫因子的数量，本研究定量分析个体外强迫单独贡献和综合（NAT+GHG+AER）外强迫效应;ε是由工业化前非强迫控制模拟试验CTL估计出的高斯分布随机残差项所表示的内部气候变异因子，包含3 078年样本数据，其中一部分数据（29个不重叠的54 a样本）用于计算尺度因子βi的5％～95％（即90％）不確定性区间，另一部分（28个不重叠的54 a样本）用于数据预白化。最优指纹因子βi的5％～95％不确定性区间可以直观的体现人体舒适度变化的检测归因结果。判断最优指纹因子βi的不确定性区间与关键量0和1的关系，便可得到模式模拟的不同外强迫气候响应和再分析变化的方向和强度的一致性，进而分析内部变率和外部强迫的影响程度（Allen and Stott，2003）。当尺度因子βi大于0则表示两信号的方向一致，即该外强迫信号对研究对象的影响可以被探测到;当尺度因子βi包含1则表示两信号变化具有一致的方向和强度;当尺度因子βi大于0且包含1则表示该强迫因子通过一致性检验，若其在多信号检测与归因过程中同时被探测到，则表示所研究区域的不舒适天数变化可归因为此因子的影响，该外强迫可被分离占据主导地位（Allen and Stott，2003）。式（5）中：假设xi是未知量，εxi是根据具有与内部可变性相关的随机项的集合平均值。此外，本文还进行了残差一致性检验（Allen and Stott，2003），以确定残差项的可靠性。同时，本文将1961—2014年期间不同外强迫下不舒适天数的多模式集合平均趋势值与54（共有54 a样本）之积乘以尺度因子（5％～95％的边界），并将再分析结果中不舒适天数的趋势值（90％不确定性范围）乘以54 a周期，用以定量研究人体不舒适天数的可归因变化。

2 北半球人体舒适度历史时空变化特征

图1为北半球1961—2014年期间全年热不舒适天数和冷不舒适天数气候态分布和线性变化倾向。历史时期北半球热不舒适天数气候态呈现低纬度偏多，高纬度偏少的空间分布型（图1a）。中低纬度地区热不舒适天数显著增加，如低纬度撒哈拉沙漠地区年热不舒适天数增加量可达1.2～2.4 d，非洲北部、阿拉伯半岛、印度半岛、中南半岛和亚洲西部部分地区年热不舒适天数有0.6～1.2 d的显著增加趋势，高纬度地区热不舒适天数无明显变化趋势（图1c）。相反，冷不舒适天数气候态则呈现中高纬度地区偏多，低纬度地区偏少的空间分布型（图1b）。北半球中高纬度地区冷不舒适天数显著减少，亚洲北部、欧洲北部、北美、格陵兰岛及青藏高原地区年冷不舒适天数减少0.6～1.2 d，亚洲中部冷不舒适天数则有弱的增加趋势（图1d）。可见，北半球热／冷不舒适天数气候态分布和线性趋势变化具有明显的地域性差异。

基于上述结果，本文将分别针对高纬度地区（60°～90°N）、中纬度地区（30°～60°N）、低纬度地区（0°～30°N）3个不同纬度区域的人体舒适度变化进行分析（图2）。高、中、低纬度平均热不舒适天数均呈现出显著增加趋势。其中，中纬度地区（图2c）和低纬度地区（图2e）热不舒适天数有明显的年际变化和年代际增加趋势，其增长趋势分别为0.770 d／（10 a）和3.458 d／（10 a），高纬度地区（图2a）热不舒适天数增长趋势较小，为0.017 d／（10 a）。中高纬度冷不舒适天数则总体呈现出与之相反的年代际减少趋势，下降趋势分别为2.830 d／（10 a）（图2b）和0.812 d／（10 a）（图2d），低纬度（图2f）地区冷不舒适天数极少，无显著增减趋势。

3 冷暖不舒适天数变化检测与归因

3.1 模式模拟能力评估

为了对历史时期北半球高、中、低纬度地区热不舒适天数和冷不舒适天数变化进行最优指纹法分析，本文首先对CMIP6模式的历史气候态及线性变化趋势再现能力进行评估，确定不同模式历史模拟结果的可靠性。

不同模式及多模式集合平均与再分析结果的气候态差值场显示，IPSL-CM6A-LR（图3f）模式对低纬度地区热不舒适天数气候态略有低估，其他模式（图3b—g）则对低纬地区热不舒适天数气候态有所高估。对于冷不舒适天数，模式在青藏高原和格陵兰岛地区的再现能力存在一定的不足，如CanESM5（图4b）和IPSL-CM6A-LR（图4f）模式均高估了两地的冷不舒适天数。总体来看，CMIP6模式基本能再现历史不舒适天数的气候态分布，模式之间存在一定差异，多模式集合平均（图3a、4a）模拟能力明显强于6种模式分别的模拟结果，其能在一定程度上减小模式之间的不确定性。

模式是否能再现研究对象的多年变化趋势是评估模式模拟能力的重要指标（Notz，2014）。进一步通过分析6种不同模式对北半球热不舒适天数（图5）和冷不舒适天数（图6）线性趋势的模拟结果，发现模式能在一定程度上再现北半球中低纬度地区（中高纬度地区）热不舒适天（冷不舒适天）多发区发生频次不断增多（减少）的特征。模式对北半球冷不舒适天数减少趋势有所高估（图1d、6）。从空间相关系数结果来看，其中CanESM5（图5b、6b）、IPSL-CM6A-LR（图5f、6f）、MIROC6（图5g、6g）多模式集合平均（图5a、6a）对热不舒适天数趋势变化的模拟结果与再分析结果最为接近。值得注意的是，对于高纬度地区模式结果表明热不舒适天数显著增加，再分析结果则未呈现出这一特征，GFDL-ESM4模式（图6d）模拟结果在北欧表现出与再分析结果相反的变化趋势。

各模式对于舒适度的模拟总体与再分析结果基本一致，但受不同模式自身缺陷和模式成员所使用的初始场和边界条件的影响（郑益群等，2002;葛全胜等，2010），模式结果存在一定的偏差。模式集合平均结果则能很好地再现冷热不舒适天数气候态分布特征与多年线性倾向结果，具有较高的可靠性，因此，下文针对多模式集合平均结果进行深入分析。

3.2 北半球人体舒适度检测归因

通过不同历史外强迫试验对人体舒适度变化进行检测归因，探究影响不同纬度地区冷热不舒适天数变化的主导因素和影响信号。图7为不同外强迫影响下年平均不舒适天数的异常时间序列。结果表明全强迫和温室气体强迫呈现出一致的变化情况，即20世纪90年代以前，北半球中低纬度地区热不舒适天数较历史平均偏少，中高纬地区冷不舒适天数偏多，90年代以后对应地区热不舒适天数不断增加，冷不舒适天数则减少。气溶胶强迫仅对热带热不舒适天数的影响与高纬度冷不舒适天数的影响呈现出相反的变化趋势，但其影响程度极弱，自然强迫则无明显影响。高纬度热不适天数年代际变化不显著，不同外强迫也无显著影响（图7a），但低纬度受全强迫和温室气体强迫影响，冷不适天数存在微弱的下降趋势（图7f）。结果表明温室气体强迫可能影响不舒适天数的变化，但气溶胶强迫和自然因素影响不显著。

图8最优指纹法定量检测归因结果表明，单信号ALL、GHG、ANT对北半球高纬度热不舒适天数的变化具有正效应（图8a），同时GHG的正效应也能在三信号AER、GHG和NAT协同作用中检测到（图8d），说明人为温室气体强迫是影响高纬热不舒适天数变化的重要因素。中纬度地区，单信号ALL、GHG、NAT和ANT在历史热不舒适天数变化中均能够被探测到（图8b）;三信号共同强迫下，GHG信号被检测到且能从不同外强迫信号中分离出来（图8e），表明温室气体强迫在中纬度人体舒适度变化起主导作用。在低纬度地区（图8c），单信号ALL、GHG和ANT信号对低纬度热不舒适天数的影响能够被探测到，且三种信号尺度因子的最佳估计值均接近单位1，表明这些强迫的影响与实际的热不舒适天数变化具有较高的一致性，能够显著影响热舒适度变化;AER对其产生负效应，不利于热带热不适天数的发生，这进一步验证了上文分析中AER强迫下低纬度热不适天数呈弱下降趋势的结论;三信号组合强迫中温室气体的正效应和气溶胶的负效应都能被探测到（图8f），因此，对于北半球低纬度热不舒适的显著增加可以归因为人为因素的影响，其中人为温室气体排放能够起到主导作用，气溶胶强迫则能抑制热不舒适天数的发生。

对于冷不舒适天数变化，高纬度地区（图8g），单信号ALL、GHG和ANT对高纬冷不舒适天数的影响均能被检测到;GHG能进一步从三信号的综合影响中分离（图8j），主导高纬地区冷不舒适天数的变化;此外前文分析发现AER强迫下高纬度冷不舒适天数异常时间序列增加趋势极弱，最优指纹结果定量得出AER不能被检测的结论，进一步论证了上文分析的不确定性。中纬度地区，单信号ALL、GHG和ANT对冷不舒适天数的影响都能被检测到（图8h），GHG信号同时能在多信号协同影响中检测到（图8k），表明温室气体对北半球中纬度冷不舒适天数减少具有正的貢献，这与历史外强迫异常时间序列分析结论一致。由于低纬度冷不舒适天数发生频率极低，其年代际变率不显著，单信号（图8i）和多信号（图8l）均不能检测到任何外强迫作用的影响，因此内部变率可能维持了低纬度冷不舒适天数发生的稳定性。

為了定量分析不同外强迫导致的不舒适天数变化，图9进一步分析了热不舒适天数和冷不舒适天数变化的归因结果。热不舒适天数在高纬度（图9a）、中纬度（图9b）和低纬度（图9c）地区分别增加了0.09（0.01～0.17） d、4.16（2.59～5.58） d和19.09（12.40～25.08） d，其中高纬度地区和中纬度地区ALL、GHG和NAT信号可以发现与再分析结果类似的变化，同时低纬度地区AER强迫下热不舒适天数变化了6.40（4.11～8.70） d，而NAT强迫下热不舒适天数的可归因变化很小。对于冷不舒适天数高纬度地区（图9d）和中纬度地区（图9e）冷不舒适天数减少了-15.28（-20.42～-9.57） d和-4.38（-6.84～-1.76） d，ALL、GHG和ANT变化与再分析结果一致，表明三者降低了中高纬度冷不舒适天数。低纬度地区冷不舒适天数变化不明显，且各类外强迫的可归因变化很小。

4 北半球人体舒适度未来预估

人体舒适度检测归因结果表明，历史时期北半球不同纬度区域受到人为强迫和自然强迫不同程度的影响。进一步预估未来不同共享社会经济途径情景下北半球高、中、低纬度地区年平均人体舒适度的变化情况。如图10a所示，未来预估结果显示高纬度地区自2060年以后热不舒适天数在4种共享社会经济途径情景中表现出明显的差异，可持续发展与低辐射强迫情景ssp126下，热不舒适天数几乎不变;中度发展与中等辐射强迫情景ssp245下，热不舒适天数略有增加;局部发展与中等辐射强迫情景ssp370下，热不舒适天数增幅显著，增量可达1 d／（10 a）;高速发展与高辐射强迫情景ssp585下，热不舒适天数增幅较ssp370情景增加一倍，且不同模式结果差异较大，结果存在较大的不确定性。中纬度地区（图10c），热不舒适天数在ssp126情景下长期稳定在20～25 d，到2060年后甚至有弱的减少趋势;ssp245情景下，热不舒适天数逐年增加，到2080年以后维持在30 d左右;ssp370与ssp585情景下，热不舒适天数增幅分别为0.3 d／a和0.5 d／a左右，表明人体舒适度显著降低。低纬度地区（图10e）与中纬度地区较为一致，ssp126与ssp245情景下，热不舒适天数在2080年以前有弱的增加趋势，2080年以后则维持稳定，ssp370与ssp585情景下，两者热不舒适天数均显著增加，到2100年北半球低纬度地区年平均热不舒适天数占全年总天数的70％～75％。对于冷不舒适天数，模式结果表明未来高纬度地区人类将经历更少的冷不舒适天数（图10b），其中ssp126与ssp245情景下，冷不舒适天数持续减少，到2080年以后分别维持在110～120 d和90～100 d，ssp370情景下年平均冷不舒适天数在未来将减少60 d左右，ssp585情景下则减少80 d左右。中纬度地区冷不舒适天数变化与高纬度地区基本一致（图10d），即ssp126与ssp245情景下冷不舒适天数先减少后趋于稳定，ssp370和ssp585情景下冷不舒适天数逐年下降，其中ssp585情景下下降趋势明显强于ssp370情景。对于热带地区（图10f），ssp126、ssp245与ssp370情景下冷不舒适天数常年维持在1 d左右，ssp585情景下人体冷不舒适天数持续减少，至世纪末将趋于消失。

5 结论和讨论

本文重点研究了北半球高纬度地区，中纬度地区和低纬度地区全年热不舒适天数和冷不舒适天数历史时空变化特征并对其进行检测归因，并进一步预估了不同情景下未来冷热不舒适天数的变化情况。主要结论如下：

1）1961—2014年北半球中低纬度地区热不舒适发生天数偏多，中高纬度地区冷不舒适发生天数偏多，北半球中低纬度地区热不舒适天数与中高纬度地区冷不舒适天数具有明显的年代际变化特征，其中中低纬度地区热不舒适天数显著增加，中高纬度地区冷不舒适天数显著减少。

2）CMIP6的6个气候模式的多模式集合平均结果能很好重现北半球热、冷不舒适天数的气候态分布及线性变化趋势。基于此的检测归因结果表明，ALL，ANT和GHG信号能在北半球高纬度较弱的热不舒适天数增加趋势和较强的冷不舒适天数减少趋势中检测到，其中GHG主导高纬度地区冷不舒适天数的变化;ALL、GHG和ANT三种外强迫对中纬度冷热不舒适天数的影响均能被检测到，其中GHG主导中纬度热不舒适天数显著的年代际增加趋势;低纬度地区，强烈的热不舒适天数增加现象可归因为人为温室气体强迫作用，此外气溶胶能够产生相反的作用减少热不舒适的发生，但冷不舒适的产生则可能受气候系统内部的调控作用。

3）未来ssp585与ssp370情景下北半球人类将经历更多的热不舒适天数，到2100年北半球热带年平均热不舒适天数占全年总天数的70％～75％，同时中高纬度人类经受的冷不舒适感将大幅减少。此外，在ssp245和ssp126情景下，北半球冷热不舒适天数将在21世纪中后期维持在稳定的水平。在全球变暖背景下，温室气体排放与人体舒适度密切相关，未来坚持可持续发展不断减少温室气体排放对生存环境的影响是构建人类舒适环境，提高居民幸福感的重要保障。

以上结论主要基于NCEP／NCAR再分析资料和CMIP6模式模拟资料，由于所需气象变量的限制，本文仅使用了6种模式模拟资料，所用模式数量较少，若能增加所使用的模式数量，结果可能会更为准确，该工作有待今后进一步分析验证。

致谢：感谢NCEP／NCAR提供的近地面气温、相对湿度和风速再分析资料，CMIP6提供的多种模式资料。

参考文献（References）

Allen M R，Stott P A，2003.Estimating signal amplitudes in optimal fingerprinting，part I：theory［J］.Climate Dyn，21（5／6）：477-491.doi：10.1007／s00382-003-0313-9.

Bergmann K C，2016.Weather conditions and climate change have an effect on allergies［J］.Allergo J Int，25（5）：131-137.doi：10.1007／s40629-016-0119-z.

Blazejczyk K，Epstein Y，Jendritzky G，et al.，2012.Comparison of UTCI to selected thermal indices［J］.Int J Biometeorol，56（3）：515-535.doi：10.1007／s00484-011-0453-2.

Di Napoli C，Barnard C，Prudhomme C，et al.，2021.ERA5-HEAT：a global gridded historical dataset of human thermal comfort indices from climate reanalysis［J］.Geosci Data J，8（1）：2-10.doi：10.1002／gdj3.102.

段培永，郭东东，李慧，等，2011.一种基于数据的夏季居住环境热舒适度控制方法［J］.山东建筑大学学报，26（1）：1-7. Duan P Y，Guo D D，Li H，et al.，2011.A novel data-based thermal comfort control method for living environments in summer［J］.J Shandong Jianzhu Univ，26（1）：1-7.（in Chinese）.

Dunjic＇ J，2019.Outdoor thermal comfort research in urban areas of Central and Southeast Europe：a review［J］.Geogr Pannonica，23（4）：359-373.doi：10.5937／gp23-24458.

Fiala D，Havenith G，Brde P，et al.，2012.UTCI-Fiala multi-node model of human heat transfer and temperature regulation［J］.Int J Biometeorol，56（3）：429-441.doi：10.1007／s00484-011-0424-7.

Fransson N，Vstfjll D，Skoog J，2007.In search of the comfortable indoor environment：a comparison of the utility of objective and subjective indicators of indoor comfort［J］.Build Environ，42（5）：1886-1890.doi：10.1016／j.buildenv.2006.02.021.

Gao X J，Wu J，Shi Y，et al.，2018.Future changes in thermal comfort conditions over China based on multi-RegCM4 simulations［J］.Atmos Ocean Sci Lett，11（4）：291-299.doi：10.1080／16742834.2018.1471578.

葛全勝，王绍武，方修琦，2010.气候变化研究中若干不确定性的认识问题［J］.地理研究，29（2）：191-203. Ge Q S，Wang S W，Fang X Q，2010.An uncertainty analysis of understanding on climate change［J］.Geogr Res，29（2）：191-203.doi：10.1038／ngeo208.（in Chinese）.

Hppe P，1999.The physiological equivalent temperature-a universal index for the biometeorological assessment of the thermal environment［J］.Int J Biometeorol，43（2）：71-75.doi：10.1007／s004840050118.

胡晓倩，张莲，蒋东荣，2014.遗传神经网络在室内环境热舒适度融合评价中的应用研究［J］.重庆理工大学学报（社会科学）（9）：102-107. Hu X Q，Zhang L，Jiang D R，2014.Research on genetic neural network fusion for evaluation of indoor thermal comfort degree［J］.J Chongqing Univ Technol Soc Sci（9）：102-107.（in Chinese）.

Kalnay E，Kanamitsu M，Kistler R，et al.，1996.The NCEP／NCAR 40-year reanalysis project［J］.Bull Amer Meteor Soc，77（3）：437-471.doi：10.1175／1520-0477（1996）077<0437：tnyrp>2.0.co;2.

Kargapolova N，2021.Numerical stochastic model of non-stationary time series of the wind chill index［J］.Methodol Comput Appl Probab，23（1）：257-271.doi：10.1007／s11009-020-09778-x.

乐满，王式功，张志薇，等，2019.1961—2014年中国大陆舒适度时空变化［J］.兰州大学学报，55（4），455-462. Le M，Wang S G，Zhang Z W，et al.，2019.Analysis of spatio-temporal changes in human comfort levels from 1961—2014 in China Mainland［J］.J Lanzhou U，55（4）：455-462.（in Chinese）.

Lin L J，Luo M，Chan T O，et al.，2019.Effects of urbanization on winter wind chill conditions over China［J］.Sci Total Environ，688：389-397.doi：10.1016／j.scitotenv.2019.06.145.

刘梅，于波，姚克敏，2002.人体舒适度研究现状及其开发应用前景［J］.气象科技，30（1）：11-14，18. Liu M，Yu B，Yao K M，2002.Research status and development application prospects of human comfort［J］.Meteorol Sci Technol，30（1）：11-14，18.（in Chinese）.

Liu W W，Zhang Y X，Deng Q H，2016.The effects of urban microclimate on outdoor thermal sensation and neutral temperature in hot-summer and cold-winter climate［J］.Energy Build，128：190-197.doi：10.1016／j.enbuild.2016.06.086.

Mekis ，Vincent L A，Shephard M W，et al.，2015.Observed trends in severe weather conditions based on humidex，wind chill，and heavy rainfall events in Canada for 1953—2012［J］.Atmosphere-Ocean，53（4）：383-397.doi：10.1080／07055900.2015.1086970.

Moore F C，Obradovich N，Lehner F，et al.，2019.Rapidly declining remarkability of temperature anomalies may obscure public perception of climate change［J］.Proc Natl Acad Sci U S A，116（11）：4905-4910.doi：10.1073／pnas.1816541116.

Notz D，2014.Sea-ice extent and its trend provide limited metrics of model performance［J］.Cryosphere，8（1）：229-243.doi：10.5194／tc-8-229-2014.

Osczevski R，Bluestein M，2005.The new wind chill equivalent temperature chart［J］.Bull Amer Meteor Soc，86（10）：1453-1458.doi：10.1175／bams-86-10-1453.

喬平，张珺，谢祥永，等，2018.气象因子变化对人体舒适度影响相关性分析［J］.信息系统工程（8）：149-150. Qiao P，Zhang J，Xie X Y，et al.，2018.Correlation analysis of influence of meteorological factor changes on human comfort［J］.Inf Syst Eng（8）：149-150.（in Chinese）.

Ribes A，Planton S，Terray L，2013.Application of regularised optimal fingerprinting to attribution.Part I：method，properties and idealised analysis［J］.Climate Dyn，41（11／12）：2817-2836.doi：10.1007／s00382-013-1735-7.

Roshan G R，Ranjbar F，Orosa J A，2010.Simulation of global warming effect on outdoor thermal comfort conditions［J］.Int J Environ Sci Technol，7（3）：571-580.doi：10.1007／BF03326166.

Sirangelo B，Caloiero T，Coscarelli R，et al.，2020.Combining stochastic models of air temperature and vapour pressure for the analysis of the bioclimatic comfort through the Humidex［J］.Sci Rep，10：11395.doi：10.1038／s41598-020-68297-4.

Sloan C，Moore M L，Hartert T，2011.Impact of pollution，climate，and sociodemographic factors on spatiotemporal dynamics of seasonal respiratory viruses［J］.Clin Transl Sci，4（1）：48-54.doi：10.1111／j.1752-8062.2010.00257.x.

Song Y，Mao F B，Liu Q，2019.Human comfort in indoor environment：a review on assessment criteria，data collection and data analysis methods［J］.IEEE Access，7：119774-119786.doi：10.1109／ACCESS.2019.2937320.

Tsutsumi H，Tanabe S I，Harigaya J，et al.，2007.Effect of humidity on human comfort and productivity after step changes from warm and humid environment［J］.Build Environ，42（12）：4034-4042.doi：10.1016／j.buildenv.2006.06.037.

Wu F F，Yang X H，Shen Z Y，2019.Regional and seasonal variations of outdoor thermal comfort in China from 1966 to 2016［J］.Sci Total Environ，665：1003-1016.doi：10.1016／j.scitotenv.2019.02.190.

Wu J，Gao X J，Giorgi F，et al.，2017.Changes of effective temperature and cold／hot days in late decades over China based on a high resolution gridded observation dataset［J］.Int J Climatol，37：788-800.doi：10.1002／joc.5038.

尹志聰，王会军，段明铿，2019.近几年我国霾污染实时季节预测概要［J］.大气科学学报，42（1）：2-13. Yin Z C，Wang H J，Duan M K，2019.Outline of the real-time seasonal haze pollution prediction in China in recent years［J］.Trans Atmos Sci，42（1）：2-13.（in Chinese）.

于恩涛，孙建奇，2019.基于多区域模式集合的中国西部干旱区极端温度未来预估［J］.大气科学学报，42（1）：46-57. Yu E T，Sun J Q，2019.Extreme temperature projection over northwestern China based on multiple regional climate models［J］.Trans Atmos Sci，42（1）：46-57.（in Chinese）.

Zhang N，Cao B，Wang Z，et al.，2017.A comparison of winter indoor thermal environment and thermal comfort between regions in Europe，North America，and Asia［J］.Build Environ，100（117）：208-217.

Zhang X B，Wan H，Zwiers F W，et al.，2013.Attributing intensification of precipitation extremes to human influence［J］.Geophys Res Lett，40（19）：5252-5257.doi：10.1002／grl.51010.

张小曳，孙俊英，王亚强，等，2013.我国雾-霾成因及其治理的思考［J］.科学通报，58（13）：1178-1187. Zhang X Y，Sun J Y，Wang Y Q，et al.，2013.Factors contributing to haze and fog in China［J］.Chin Sci Bull，2013，58（13）：1178-1187.（in Chinese）.

郑益群，钱永甫，桂祈军，等，2002.初、边值条件对区域气候模拟的影响［J］.大气科学，26（6）：794-806. Zheng Y Q，Qian Y F，Gui Q J，et al.，2002.Effects of initial／lateral boundary conditions on regional climate simulations［J］.Chin J Atmos Sci，26（6）：794-806.（in Chinese）.

郑有飞，余永江，谈建国，等，2007.气象参数对人体舒适度的影响研究［J］.气象科技，35（6）：827-831. Zheng Y F，Yu Y J，Tan J G，et al.，2007.Influence of meteorological parameters on human comfort index［J］.Meteorol Sci Technol，35（6）：827-831.（in Chinese）.

周波涛，徐影，韩振宇，等，2020.“一带一路”区域未来气候变化预估［J］.大气科学学报，43（1）：255-264. Zhou B T，Xu Y，Han Z Y，et al.，2020.CMIP5 projected changes in mean and extreme climate in the Belt and Road region［J］.Trans Atmos Sci，43（1）：255-264.（in Chinese）.

·ARTICLE·

Attribution analysis of human discomfort days in the Northern Hemisphere and their prediction in the future

LI Wanling1，HAO Xin1，2，3

1School of Atmospheric Sciences，Nanjing University of Information Science and Technology，Nanjing 210044，China;

2Collaborative Innovation Center on Forecast and Evaluation of Meteorological Disasters／Key Laboratory of Meteorological Disaster，Ministry of Education，Nanjing University of Information Science and Technology，Nanjing 210044，China;

3Nansen-Zhu International Research Center，Institute of Atmospheric Physics，Chinese Academy of Sciences，Beijing 100029，China

Abstract This study analyzes the spatiotemporal variation of heat discomfort days characterized by Humidex and cold discomfort days represented by Wind Chill Index in different latitudes （high latitudes，middle latitudes，and low latitudes） of the northern hemisphere during 1961—2014，using NCEP／NCAR reanalysis data and simulations from six CMIP6 models.The investigation focuses on the attribution of these discomfort days.The results show a significant increase in the frequency of heat discomfort in the middle and low latitudes，and a significant decrease in the frequency of cold discomfort in the middle and high latitudes of the northern hemisphere.Furthermore，using the optimal fingerprint method，we find that the increased frequency of heat discomfort in middle latitude and the decreased frequency of cold discomfort in high latitude can be attributed to ALL，ANT，and GHG forcings，with GHG forcing dominating changes in the frequency of heat discomfort in mid-latitude areas and the frequency of cold discomfort in high-latitude areas.In the low latitudes，the significant increase in the frequency of heat discomfort can be attributed to anthropogenic greenhouse gas forcing，while AER has the opposite effect.The frequency of cold discomfort may be attributed to the internal variability of the climate system.In the future，the frequency of heat （cold） discomfort in the middle and low latitudes （middle and high latitudes） is expected to increase （decrease） under the uncoordinated and rapid development with higher radiative forcing.However，low radiative forcing and sustainable development can ensure a stable level of human comfort.

Keywords thermal comfort;humidex;wind chill index;greenhouse gases;aerosol;anthropogenic forcing

doi：10.13878／j.cnki.dqkxxb.20210519001

（責任编辑：袁东敏）