Page 69 - 《高原气象》2025年第5期

5 期 张 雪等：基于EOF-EEMD结合的青藏高原未来气温非平稳时空变化特征分析 1187
change in Southwest China using CMIP6 models［J］. Plateau Me‐ zang （Tibet） Plateau's Hinterland［J］. Plateau Meteorology， 42
teorology， 41（6）： 1557-1571. DOI： 10. 7522/j. issn. 1000- （5）： 1144-1159. DOI： 10. 7522/j. issn. 1000-0534. 2022. 00104.
0534. 2021. 00119. 张佳怡， 伦玉蕊， 刘浏， 等， 2022. CMIP6多模式在青藏高原的适应
杨小玲， 2022. CMIP6 优选模式集合对中国温度和降水的模拟评估 性评估及未来气候变化预估［J］. 北京师范大学学报（自然科学
与预估［D］. 南京： 南京信息工程大学 . DOI： 10. 27248/d. cnki. 版）， 58（1）： 77-89. DOI： 10. 12202/j. 0476-0301. 2021114.
gnjqc. 2022. 000766. Yang X L， 2022. The CMIP6 Preferred Zhang J Y， Lun Y R， Liu L， et al， 2022. CMIP6 evaluation and
Model is a collection of simulated assessments and projections of projection of climate change in Tibetan Plateau［J］. Journal of Bei‐
temperature and precipitation in China［D］. Nanjing： Nanjing jing Normal University （Natural Science）， 58（1）： 77-89. DOI：
University of Information Science & Technology. DOI： 10. 12202/j. 0476-0301. 2021114.
10. 27248/d. cnki. gnjqc. 2022. 000766. 周凯， 王义民， 2020. 基于 EOF 的渭河流域干旱时空分布特征研究
张蓓， 戴新刚， 2017. 基于 CMIP5 的 2006-2015 年中国气温预估偏 ［J］. 西北农林科技大学学报（自然科学版）， 48（1）： 146-154.
差分析及订正［J］. 高原气象， 36（6）： 1619-1629. DOI： 10. DOI： 10. 13207/j. cnki. jnwafu. 2020. 01. 018. Zhou K， Wang Y
7522/j. issn. 1000-0534. 2016. 00136. Zhang B， Dai X G， 2017. M， 2020. Temporal and spatial distribution of drought in the Wei‐
Evaluation and correction for the deviation of the surface air tem‐ he River Basin based on EOF［J］. Journal of Northwest A&F Uni‐
perature based on 24 CMIP5 models over China for 2006-2015 versity （Natural Science Edition）， 48（1）： 146-154. DOI： 10.
［J］. Plateau M eteorology， 36（6）： 1619-1629. DOI： 10. 7522/j. 13207/j. cnki. jnwafu. 2020. 01. 018.
issn. 1000-0534. 2016. 00136. 周天军， 陈晓龙， 2015. 气候敏感度、 气候反馈过程与2 ℃升温阈值
张春雨， 刘爱利， 吕嫣冉， 等， 2023. 基于 CMIP6 青藏高原腹地气 的不确定性问题［J］. 气象学报， 73（4）： 624-634. DOI： 10.
候模拟评估及时空分析［J］. 高原气象， 42（5）： 1144-1159. 11676/ qxxb2015. 057. Zhou T J， Chen X L， 2015. The uncer‐
DOI： 10. 7522/j. issn. 1000-0534. 2022. 00104. Zhang C Y， Liu tainty in the 2 ℃ warming threshold issue as related to climate
A L， LÜ Y R， et al， 2023. Spatial-temporal analysis and assess‐ sensitivity and climate feedback［J］. Acta Meteorologica Sinica，
ment of CMIP6 based climate simulation over the Qinghai-Xi‐ 73（4）： 624-634. DOI： 10. 11676/ qxxb2015. 057.

Analysis of the Characteristics of Non-stationary Spatio-temporal
Variations of Future Temperature in the Qinghai-Xizang

Plateau Based on EOF-EEMD Combination

1， 2
1， 2
ZHANG Xue ， DONG Xiaohua 1， 2* ， MA Yaoming 3， 4， 5， 6， 7， 8* ， GONG Chengqi ，
HU Xueer ， CHEN Ling ， SU Zhongbo 9
1， 2
1， 2
（1. College of Hydraulic and Environmental Engineering， China Three Gorges University， Yichang 443002， Hubei， China；
2. Engineering Research Center of Eco-environment in Three Gorges Reservoir Region，
China Three Gorges University， Yichang 443002， Hubei， China；
3. Land-Atmosphere Interaction and its Climatic Effects Group， State Key Laboratory of Tibetan Plateau Earth System， Environment
and Resources（TPESER）， Institute of Tibetan Plateau Research， Chinese Academy of Sciences， Beijing 100101， China；
4. College of Earth and Planetary Sciences， University of Chinese Academy of Sciences， Beijing 100049， China；
5. College of Atmospheric Science， Lanzhou University， Lanzhou 730000， Gansu， China；
6. National Observation and Research Station for Qomolongma Special Atmospheric Processes and
Environmental Changes， Dingri 858200， Xizang， China；
7. Kathmandu Center of Research and Education， Chinese Academy of Sciences， Beijing 100101， China；
8. China-Pakistan Joint Research Center on Earth Sciences， Chinese Academy of Sciences， Islamabad 45320， Pakistan；
9. Faculty of Geo-Information Science and Earth Observation （ITC）， University of Twente， The Netherlands， 7500 AE）

Abstract： Using effective bias correction methods and transforming non-stationary data to stationary can en‐
hance the scientific accuracy of temperature analysis， allowing for a deeper understanding of its temporal and
spatial distribution characteristics and evolution patterns. This study utilizes the ERA5_Land near-surface （2 m）
monthly mean temperature observation dataset covering the period from 1970 to 2014. Initially， it employs the
Taylor diagram， Taylor index， interannual variability skill score， and rank scoring method to evaluate and select