当前世界环境gydF4y2Ba

介绍gydF4y2Ba

随着全球平均气温的升高，极端天气事件(如强降雨、冷暖事件的发生频率)呈上升趋势gydF4y2Ba^1gydF4y2Ba．几位作者对印度的极端温度和极端降雨进行了研究gydF4y2Ba^{2、3、4gydF4y2Ba}．这种极端天气事件具有不利影响gydF4y2Ba^{5、6、7gydF4y2Ba}关于农业、人类健康、发电、供水和其他几个与社会有关的方面。环境热应激是大气局地变化和“城市热岛”效应对人类健康造成的直接影响之一。通常情况下，人体保持其核心温度gydF4y2Ba^8gydF4y2Ba在37ËšC左右，而皮肤温度维持在稍微低一点的32ËšC左右。当周围的天气条件发生变化导致温度升高时，我们的身体会试图与之保持平衡。这是通过身体的辐射、血液流动的对流、较冷物体的传导以及汗水的蒸发等物理过程发生的。当我们的身体不能维持所需的温度时，我们会感到不舒服。较高的外部温度会提醒体温调节机制gydF4y2Ba^9gydF4y2Ba当这个机制开始失效时，我们的身体就会面临明显的不适。根据事件的严重程度，可能会出现热痉挛，疲惫，最后中暑。即使在正常温度下，一个人也会经历类似的情况。即使在温度不那么高的时候，更多的湿度、不透水的衣服和没有风也会限制汗水的蒸发gydF4y2Ba^10gydF4y2Ba因此会造成极度的不适。gydF4y2Ba

人体与周围空气的相互作用是一个复杂的环境过程，它因人而异，取决于他的活动，代谢率和衣服。因此，不涉及近似，很难得到热应力的确定性值。热指数gydF4y2Ba^9gydF4y2Ba可分为直接指标、经验指标和能量平衡指标。直接指数是根据气温、风速、湿度和热辐射等重要气象参数估算的。经验指标采用心率和直肠温度。能量平衡指数，模拟人类互动gydF4y2Ba^11gydF4y2Ba与环境的关系更难以估计。值得注意的是，热应变指数的研究更多地涉及许多生理解释。gydF4y2Ba

今天，健康预警系统在一些国家得到广泛应用。2003年欧洲的热浪引发了健康预警系统的发展gydF4y2Ba^12gydF4y2Ba在城市里没有。法国和希腊的一些城市使用带有一两个气象参数的指数。在美国，空间天气分类(SSC)的方法也很普遍，不适归因于一系列的气象条件。印度还没有在国家层面制定与高温有关的预警计划。作为一个幅员辽阔的国家，印度有四种气候gydF4y2Ba^13gydF4y2Ba这些群体可以进一步细分为六个气候带。在一年中的任何时候，全国各地的气候变化都很大。一些城市面临极端的温度条件，另一些城市非常潮湿，没有太多风。除了极端的气象条件外，城市中被污染的空气也给人类带来了日益严重的不适。因此，根据不同的热指数绘制印度地图，并检查确定任何特定的热指数用于估计人类不适和随后的早期预警是否可行，这一点非常重要。gydF4y2Ba

图1:RegCM4.3集成的南亚CORDEX区域及其地形(m)gydF4y2Ba 点击此处查看图gydF4y2Ba

图2:1975-2005年基于IMD站月平均值的地表气温(Ta)、相对湿度(RH)和风速(次轴)的年循环。gydF4y2Ba 点击此处查看图gydF4y2Ba

图3:1975-2005年基于RegCM-4.3模拟的月平均值的地表气温(Ta)、相对湿度(RH)和风速(次轴)的年循环。gydF4y2Ba 点击此处查看图gydF4y2Ba

研究了印度四个城市热指数的年际变化gydF4y2Ba^14gydF4y2Ba．就热应力和应变而言，这些指标在性质上是混合的。基于他们在工作中获得的初步结果，在本研究中，我们重新检查了印度相同四个城市的一些常用热应力指数的特征，如热指数(HI)， Humidex，湿球温度(WBGT)和通用热气候指数(UTCI)。考虑到热应激研究在印度的重要性，目前的研究只关注热应激指数。早些时候，印度德里的工作场所热应力已经估计过了gydF4y2Ba^15gydF4y2Ba．gydF4y2Ba

本文利用1975至2005年印度四个城市(德里、孟买、金奈和加尔各答)的日平均地表温度、相对湿度和风速，计算这些城市的四个热指数。这些气象场是从IMD获得的。同样，RegCM模拟的日常字段也被使用。计算和分析三个气候参数和四个热指数的月平均值，以便将RegCM的缩尺产品与相应的观测值进行比较。gydF4y2Ba

第二节简要介绍了在不同国家使用的四种重要的热指数及其数学表达式。第3节给出了RegCM4.3的显著特征以及本研究中进行的数值实验的细节。第4节讨论了相关气象参数(如地表温度、相对湿度和风)的年周期以及四种热指数的年周期和年际变化等重要结果。重要的讨论在第五节最后给出。gydF4y2Ba

图4:基于IMD站资料月平均值的四种热指数的年周期gydF4y2Ba从1975年到2005年。gydF4y2Ba 点击此处查看图gydF4y2Ba

图5:根据RegCM4.3模拟的月平均值计算的四个热指数1975-2005年的年循环。gydF4y2Ba 点击此处查看图gydF4y2Ba

图6:基于IMD数据集和RegCM4.3模拟的热指数年际变化。gydF4y2Ba 点击此处查看图gydF4y2Ba

热指数gydF4y2Ba

如前所述，在本研究中，我们讨论了四个广泛使用的热指数HI, Humidex, WBGT和UTCI在全遮阳条件下(没有来自太阳的热量/直接辐射)选定的四个印度大城市。这些指数是根据每日气温、相对湿度和风力的数值直接计算出来的，这些数值是根据IMD的观测资料和RegCM的模拟结果得来的。没有人试图计算涉及人类和环境之间复杂相互作用的更复杂的热指数。这四个指数简述如下。gydF4y2Ba

热指数(HI)gydF4y2Ba

热指数(HI)是由Rothfusz首先提出的gydF4y2Ba^16gydF4y2Ba．它使用的概念是，当一个人被关在一个有环境(室外)条件的房间(室内)时，温度会发生变化。在美国，它经常被用来形容热应激，它不包括与工作或体育活动的任何联系。HI是用回归表达式计算的，其中影响人类生物气象的各种因素，如蒸汽压和有效辐射，都以温度和相对湿度表示在一个方程中。环境条件以绝对湿度为基准，露点为14℃。HI的计算公式如下:gydF4y2Ba

在这里gydF4y2BaTgydF4y2Ba_{一个gydF4y2Ba}空气温度是摄氏多少度gydF4y2BaRHgydF4y2Ba将相对湿度四舍五入到其整数%。gydF4y2Ba

湿润指数gydF4y2Ba

Humidex在加拿大用于一般公众热应力评估。目前确定Humidex的公式是由马斯特森和理查森开发的gydF4y2Ba^17gydF4y2Ba．它将温度和水蒸气压合并为一个参数来反映感知温度。Humidex使用7°C的露点作为基准。计算Humidex的公式是，gydF4y2Ba

H = tgydF4y2Ba_αgydF4y2Ba+ 0.5555 x (e- 10)gydF4y2Ba

在这里gydF4y2BaHgydF4y2Ba为Humidex指数;gydF4y2BaTgydF4y2Ba_{一个gydF4y2Ba}空气温度是摄氏多少度gydF4y2BaegydF4y2Ba水蒸气压的单位是毫巴(mb)，它是由温度和gydF4y2BaRHgydF4y2Ba使用关系:gydF4y2Ba

全球湿球温度(WBGT)gydF4y2Ba

评估工作场所热应激最常用的方法是WBGT。它也被用来建议体育组织在炎热的天气举行活动或练习。WBGT是由Yaglou和Minard开发的gydF4y2Ba^18gydF4y2Ba以控制美国陆军和海军陆战队训练营中高温疾病的爆发。最初，WBGT是修正后的有效温度的近似值。美国国家职业安全与健康研究所(NIOSH)于1972年接受WBGT作为工业用热应力指数gydF4y2Ba^19gydF4y2Ba．国际ISO标准7243是在WBGT的基础上制定的gydF4y2Ba^20.gydF4y2Ba．美国政府和工业卫生学家会议建议将其用于工业用途gydF4y2Ba^21gydF4y2Ba．WBGT是一项长期以来被广泛认可的指标，被广泛用于评估不同代谢率水平下的职业健康风险、对工作能力的生理影响和不适感gydF4y2Ba^8gydF4y2Ba．ACGIH建议对暴露、警戒和上限设定阈值。在给定的代谢率下，这些决定了工作时间的比例gydF4y2Ba^21gydF4y2Ba和休息时间，他们已经考虑过了gydF4y2Ba^22gydF4y2Ba在气候变化的背景下。对于热辐射测量(例如在户外的太阳下)，WBGT引入了全球温度gydF4y2BaTgydF4y2Ba_ggydF4y2Ba测量辐射和风速对人体的影响。它使用一种仪器，由一个装有内部温度传感器的黑色球体组成。的gydF4y2BaTgydF4y2Ba_ggydF4y2Ba传感器认为人体就像一个黑色的球体，吸收所有的辐射。gydF4y2Ba

随着时间的推移，WBGT已经通过许多公式计算出来。以前的研究比较了利用气象资料计算WBGT的各种方法gydF4y2Ba^23gydF4y2Ba．利杰格伦公式gydF4y2Ba^24gydF4y2Ba是计算室外日光下WBGT最合适的方法。在这项研究中，我们使用了Lemke开发的一个宏观模型来进行室内或阴暗处的估计，该模型基于Bernard和Pourmoghani的WBGT计算gydF4y2Ba^25gydF4y2Ba．WBGT表示为:gydF4y2Ba

WgydF4y2Ba_{英国达人gydF4y2Ba}= 0.7 x tgydF4y2Ba_NWBgydF4y2Ba+ 0.2 x tgydF4y2Ba_ggydF4y2Ba+ 0.1 x TgydF4y2Ba_αgydF4y2Ba

在这里,gydF4y2BaTgydF4y2Ba_{一个gydF4y2Ba}为气温，单位为°C。gydF4y2BaTgydF4y2Ba_ggydF4y2Ba假设等于gydF4y2BaTgydF4y2Ba_{一个gydF4y2Ba}在没有太阳辐射的情况下。自然湿球温度(gydF4y2BaTgydF4y2Ba_nwbgydF4y2Ba)是非常复杂的，因为它取决于平均辐射温度、灯泡的视野和发射系数、饱和蒸气压、灯泡上方的风速等。它是用Lemke和Kjellstrom开发的宏迭代计算的gydF4y2Ba^23gydF4y2Ba．我们已经计算了室外阴凉条件下的WBGT，其中使用了实际的风值。gydF4y2Ba

通用热气候指数(UTCI)gydF4y2Ba

UTCI是由欧洲科学和技术研究合作(COST)行动730计划工作组制定的，该计划旨在就同一指数内的热应力和冷应力为公众提供指导(http://www.utci.org)。UTCI是根据等效温度的概念发展起来的。它基于能量平衡方程。其概念是，指数(以°C表示)是当某人以每小时4公里的速度行走时空气的“感觉”。UTCI是通过UTCI网站(http://www.utci.org)上的电子方法计算的。UTCI宏从UTCI网站www.utci.org/utci_doku.php提供的FORTRAN源代码转换为Visual Basic for Applications (VBA)。这个公式gydF4y2Ba^26gydF4y2Ba本文采用了将露点和相对湿度转化为蒸汽压的方法。我们注意到，结果代表了室内条件或在完全遮阳的室外条件下的热应力。UTCI的优势在于它基于物理、生物气象和生理科学领域的最新知识。然而，实际的公式是相当复杂的，有大量的因素。UTCI- Fiala模型已在几乎所有极端地形中得到验证gydF4y2Ba^27gydF4y2Ba温度和湿度。此外，它没有在印度通常经历的高湿度和高温条件下进行验证。在UTCI中使用的是固定价值的衣服和工作，这些不适用于印度的劳动人民。gydF4y2Ba

RegCM模拟gydF4y2Ba

区域气候模式第4版(RegCM4)完成gydF4y2Ba^28gydF4y2Ba在这项研究中使用了Abdus Salam国际理论物理中心(ICTP)的数据。简而言之，RegCM4是一个运行在Arakawa b网格上的流体静力学模型，并采用了显式的时间分裂方案。该模型包括多个物理选项，对于这里展示的实验，它使用垂直方向上有18个级别的sigma-p坐标。辐射传输计算采用NCAR CCM3辐射包。通过生物圈-大气转移方案(BATS)模拟地表过程。gydF4y2Ba^29gydF4y2Ba，而边界层过程则采用非局部公式进行参数化gydF4y2Ba^30.gydF4y2Ba．对流用Emanuel格式gydF4y2Ba^31gydF4y2Ba和Grell方案gydF4y2Ba^32gydF4y2Ba分别用于陆地和海洋。大尺度降水用subbex亚网格显湿度格式表示gydF4y2Ba^33gydF4y2Ba．地表高程和土地覆盖数据来自美国地质调查局全球土地覆盖特征(GLCC)。gydF4y2Ba

值得注意的是，协调区域降尺度实验(CORDEX) (CORDEX)是由世界气候研究计划(WCRP)发起的一项国际计划，旨在产生(https://www)。Cordex.org/domains)区域尺度的气候预测，这些预测应该用于全球的影响评估和适应研究。CORDEX的一个重要组成部分是评估多个区域模式，并利用它们提供基于若干环流模式(GCMs)和耦合模式比对项目第5阶段(CMIP5)档案的排放情景的动态缩小尺度的气候产品。已经为CORDEX方案确定了涵盖世界上大部分陆地地区的多个区域领域。包括印度在内的南亚地区就是这样一个综合了多种区域气候模式的地区。在这样一个协调的实验方案中，RegCM已从1gydF4y2Ba^圣gydF4y2Ba1970年1月至31日gydF4y2Ba^圣gydF4y2Ba2005年12月(称为历史运行)，水平分辨率为50公里，覆盖了广阔的南亚地区和邻近的海洋区域gydF4y2Ba^ogydF4y2BaE至130gydF4y2Ba^ogydF4y2BaE和22gydF4y2Ba^ogydF4y2BaS至49gydF4y2Ba^ogydF4y2BaN(图1)。gydF4y2Ba

CMIP5 GFDL-ESM2M模拟(来自IPCC AR5)用于产生初始和侧向边界条件。RegCM4配置和驱动全球环流模式(GCM)的选择是基于大量的初步实验，这些实验提供了当前条件下南亚气候的真实代表gydF4y2Ba^34gydF4y2Ba．在早期的出版物中已经讨论了为CREMA第一阶段试验进行的不同CORDEX域的平均气候和极端气候模拟模式性能的详细分析gydF4y2Ba^{34、35gydF4y2Ba}．印度夏季风环流和相关降雨已被成功验证gydF4y2Ba^36gydF4y2Ba与0.5×0.5网格(IMD0.5)和NCEP/NCAR再分析的IMD观测和准备的降雨量值相比较。本文用该模式模拟了1975 ~ 2005年(31 a)的地面温度、相对湿度和地面风。gydF4y2Ba

图7:基于IMD数据集和RegCM4.3模拟的Humidex年际变化gydF4y2Ba 点击此处查看图gydF4y2Ba

图8:基于IMD数据集和RegCM4.3模拟的WBGT年际变化。gydF4y2Ba 点击此处查看图gydF4y2Ba

图9:基于IMD数据集和RegCM4.3模拟的UTCI年际变化gydF4y2Ba 点击此处查看图gydF4y2Ba

结果gydF4y2Ba

年际变化用箱形图和须状图表示，因为这是最合适的方式来表示三个气候参数和由此产生的四个热指数在四个选定城市的分布。每个箱形图是31年降雨量的非参数统计汇总。每个图都显示了中位数(方框中的线)、下四分位数和上四分位数(方框的上下边缘)以及由最小值和最大值表示的分布(胡须的末端)，不包括异常值和极值。在箱形图中，每个盒子的底部和顶部分别表示第25和75百分位数(下四分位数和上四分位数)，靠近盒子中间的波段总是第50百分位数(中位数)。图中每个方框的高度称为四分位间距(IQR)。须(栅栏)的下端和上端分别代表第5和第95百分位。第1百分位和第99百分位分别在最低和最高位置用十字标记表示。gydF4y2Ba

气候参数的年周期gydF4y2Ba

图2和图3分别描述了基于IMD观测值和RegCM模拟的影响四个城市热应力的三个最重要气候参数的年周期。图2给出了从IMD台站数据集获得的月平均地表温度、相对湿度和风力的气候学值的箱形图。同样，RegCM模拟得到的月平均地表温度、相对湿度和风力的气候学值的箱形图如图3所示。在分析这三个天气参数时，我们应该记住，温度并不是在任何地方识别人类不适的唯一参数。至于热应力和不适因素的不利影响，我们也需要分析高湿度和低风力的出现情况。值得注意的是，图2及3所示的气候值是计算时间和空间平均值后得出的，而实际的日最大值往往高于月平均值。gydF4y2Ba

从图2中可以看出，这四个城市在31年的观测温度分布都在一个非常小的范围内，尽管它们的最大值的强度和出现月份因城市而异。最高气温大多出现在五月。德里月最高气温可达40度gydF4y2Ba^0gydF4y2BaC或更高，而其他三个沿海城市各自的数值在30-40的范围内较低gydF4y2Ba^0gydF4y2BaC.在德里，观测到的相对湿度在8月份达到最高值，而风速则接近10月份的最低值。在孟买，相对湿度的最大值出现在7月，而全年的风力变化不大。在金奈，10月的相对湿度最大，风速接近10月的最低值。在加尔各答，最大的相对湿度出现在8月，该时期的平均风速为2.5m/s。四个城市相对湿度分布的比较表明，就其最大值的分布范围而言，孟买的范围最小，其次是加尔各答、金奈和德里。4个城市的最大值范围大致相同，均在1 ~ 2m/s之间。gydF4y2Ba

图3以箱形图显示RegCM模拟的三个重要天气参数的年周期。众所周知，每一种气候模式在地表温度、相对湿度和风速方面都与实际观测值存在偏差。实际测量的天气变量与各自的模式模拟值之间的差异，主要是由以下几个原因造成的:提供给模式的初始值有误差、用数值方法求解非线性偏差分方程时所涉及的近似值，以及所采用的物理参数化方案。不同的气候模式基于不同的物理参数化方案，因此，尽管所有模式的基本控制方程都是相同的，但它们的输出却不同。每个模型都有自己的偏见。因此，在科学理解的这个阶段，为了将RegCM模拟场与各自的IMD观测变量进行比较，人们应该关注年周期的重要特征，而不是确切的数字。gydF4y2Ba

与图2相似的是，在图3中，四个城市在31年的观测温度分布都在一个非常小的范围内(IQR值很小)，尽管它们的最大值的强度和出现月份因城市而异。这四个城市的最高气温不是在五月就是在六月。模型模拟的5月和6月的月平均地表温度非常接近。就最高气温而言，RegCM低估了德里和金奈的这些数值。德里的相对湿度在9月达到最高值，同期的平均风速约为5.5m/s。在孟买，相对湿度的最大值出现在7月，而那时的风力最高，约为6.5米/秒。在金奈，11月的相对湿度最大，风速最低。在加尔各答，最大的相对湿度出现在9月，在此期间，风的中等值约为7米/秒。四个城市相对湿度分布的比较表明，就其最大值的分布范围而言，孟买的范围最小，其次是加尔各答、金奈和德里。更准确地说，加尔各答和金奈的范围几乎相似。 This distribution of relative humidity is similar to that in Figure2. However, during that period, the ranges of maximum values of wind are much higher than in Figure2 at all the four cities.

因此，RegCM4.3模拟的四个城市的年温度周期及其最大值的分布与IMD数据集的观测结果非常接近。在相对湿度的情况下，除了加尔各答，模拟的年周期与从IMD数据观测到的周期接近。另一方面，该模式模拟的四个城市的年风周期及其最大值与IMD记录的不同。由于这三个天气参数在估计热指数和人类舒适度时都很重要，因此比较基于IMD数据和RegCM模拟场的热指数的年周期将会很有趣。gydF4y2Ba

热指数的年循环gydF4y2Ba

利用IMD台站数据和RegCM模拟计算的四个重要热指数的年周期分别如图4和图5所示。图4基于IMD观测到的地表温度、相对湿度和风速。4个城市的年周期类型基本相似，但最大值和范围存在差异。详细的比较揭示了几个相似之处。除了金奈冬季的HI和Humidex指数以及加尔各答5月和6月的HI指数外，4个城市的所有4个指数的iqr都很小或很小。从这四个城市的价差来看，WBGT似乎是最好的指数，其次是UTCI、Humidex和HI。另一个有趣的观察结果是，在所有四个城市，Humidex、HI和UTCI三个指数的年周期都更接近，而WBGT的年周期则更低。4个高温指数的峰值最早出现在4月的金奈，其次是5月的孟买和加尔各答，最后是6月的德里。gydF4y2Ba

图5显示由RegCM模拟的地表温度、相对湿度和风速计算出的四个热指数的年循环。德里、孟买和金奈三个城市的图4和图5在几个方面彼此接近。除了金奈的HI指数在1 - 4月和加尔各答的Humidex指数几乎全年外，四个城市的所有四个指数的iqr都很小或很小。与IMD的情况一样，基于它们在所有四个城市的小价差，WBGT似乎是最好的指数，其次是UTCI。HI在金奈的表现不佳，Humidex在加尔各答的表现也很糟糕。另一个有趣的观察是，在德里、孟买和金奈等三个城市，HI的年周期接近UTCI，而在加尔各答，它接近WBGT的年周期。然而，在加尔各答WBGT(和HI)， UTCI和Humidex值下降幅度很大，相差约10个单位。四种高温指数在孟买、金奈和加尔各答四个城市的峰值出现在4月至5月，而德里的峰值出现在6月晚些时候。这几乎与在IMD数据中获得的结果相似。与图3最重要的偏差是加尔各答的特征。 This could have happened due to the errors involved while downscaling GCM output by the RegCM. In general, the characteristics of annual cycles of the four heat indices at all the cities obtained from IMD observed data and RegCM simulations agree with each other to a large extent.

热指数的月平均值及其标准差见表1。结果表明，德里的所有热指数在6月份达到最大值，而其他三个印度大都市的热指数在4月或5月达到最大值。这些结果证实了从图4和图5中获得的相同的早期结果。重要的是要注意，不能直接比较这些指数的绝对值，因为它们是使用不同的公式计算的。在印度首都德里，UTCI和Humidex指数的变化幅度比其他两个指数更大。HI从1月份的最小值25.0±0.4上升到6月份的最大值40.7±1.7。同样，Humidex在1月份为19.9±1.1,6月份为44.5±1.4。德里的WBGT在1月份最低，为14.8±0.7,6月份最高，为28.5±0.7。UTCI从1月份的最小值15.7±1.5上升到6月份的最大值38.0±1.6。因此，按其在一年内的范围递减顺序，可以放置Humidex (24.6)， UTCI (22.3)， HI(15.7)和WBGT(13.7)。gydF4y2Ba

在孟买(表1)，HI值在1月的29.9±0.9到5月的38.9±1.2之间。在这里，Humidex的最低值为1月份的33.3±1.3到5月份的43.6±0.9。同样，WBGT最小值为1月的22.8±0.7 ~ 5月的28.1±0.4。UTCI从1月的27.2±1.3到5月的32.6±0.8不等。因此，孟买的Humidex、UTCI、HI和WBGT分别为10.3、9.0、5.4和5.3。gydF4y2Ba

在加尔各答，所有的热指数都在1月最低，5月最高。HI在29.3到42.9之间。Humidex介于27和46.5之间。WBGT介于19.5和29.5之间，而UTCI介于26.6和35.9之间。因此，加尔各答的Humidex、HI、WBGT和UTCI分别为19.5、13.6、9.3和10。与德里和孟买不同，这里的UTCI有最小范围，而不是WBGT。gydF4y2Ba

最后，在金奈，所有的热指数都在1月最低，5月最高。这里的HI介于29.3和42.3之间。Humidex介于34.5和46.1之间。WBGT介于23.5和29.3之间，而UTCI介于26.6和36.4之间。因此，加尔各答的Humidex、HI、WBGT和UTCI分别为13.0、11.6、9.8和5.8。与德里和孟买一样，与加尔各答不同，金奈的WBGT在所有四个指数中范围最小。就范围比较而言，德里在所有指数中范围最大，其次是加尔各答和金奈。孟买是四个高温指数中范围最小的。gydF4y2Ba

表2列出每十年热指数的月平均变化率。在95%置信水平上的统计学显著变化用粗体字表示。结果表明，8月份4项高温指数均呈显著上升趋势，但不同城市和不同指数的变化幅度有所不同。年代际增长率最高的是加尔各答的HI(1.15)，最低的是孟买的WBGT(0.22)。比较表明，在WBGT情况下，四个城市的增长率相对较小。HI、Humidex和UTCI的年代际增长率分别大于0.50的城市有3个、2个和2个。在WBGT的情况下，四个城市的增长率都小于0.34。在所有月份中，8月份加尔各答的HI年代际增长率最大，为1.15。11月在金奈，Humidex的最大值为0.69。1月份孟买的WBGT对应值为0.39。 The maximum decadal increase rate in UTCI is 0.91 in the month of August at Mumbai. These numbers do not lead to any conclusive inference on the decadal rates of increase in heat indices at the four cities, except that August is the most vulnerable month so far as the rate of increase in heat indices is concerned at all the four cities.

热指数的年际变化gydF4y2Ba

有必要研究这四个指数在四个选定城市每年的变化情况。图6 ~ 9分别描述了HI、Humidex、WBGT和UTCI的年际变化。本文将RegCM模拟的热指数与基于IMD观测的热指数进行了比较。图6显示了IMD数据集和RegCM模拟中HI的年际变化。与所有四个城市的基于IMD的数值相比，模型模拟的HI值都被高估了。在德里，高估是最大的。实际上，没有观察到任何显著的趋势。该模型模拟的孟买、金奈和加尔各答的HI变化与德里的观测值相比更接近于观测值。在孟买，在观测和模式模拟中都有类似的增加趋势。在金奈和加尔各答，模拟的HI变化表明，与观测到的上升趋势相反，HI变化呈下降趋势。gydF4y2Ba

Humidex的年际变化(图7)表明，与基于IMD观测的值相比，模式模拟中对Humidex值的高估。这四个城市的Humidex变化特征或多或少与HI相似，但有一些例外。在孟买，RegCM的结果与观测结果非常接近。在加尔各答，数值也非常接近，除了基于Humidex指数的模型波动更大，而基于IMD的曲线几乎没有变化。gydF4y2Ba

图8显示了IMD数据集和RegCM模拟中WBGT的年际变化。与基于IMD数据的WBGT相比，所有四个城市的模型模拟WBGT值都被低估了。低估程度在德里最高，在孟买最低。在这四个城市中，WBGT的增长趋势或多或少相似。模型模拟的UTCI(图9)值与HI和Humidex的情况一样被高估，但孟买除外。在孟买，与基于IMD观测的模型值相比，模型值被大大低估了。就趋势而言，UTCI表现出与HI和Humidex相似的特征。gydF4y2Ba

讨论与结论gydF4y2Ba

各种研究推断，印度极端高温的发生正在增加。观察结果也证实了这些研究的发现。由于气温上升而造成的生命损失是巨大的，是一个令人严重关切的问题。这些极端天气对疾病和人类健康的间接影响也是监测和采取适当预防措施的重要事实。也有迹象表明，未来热浪条件会增强，对社会造成明显的不利影响。这些问题并非印度独有。其他几个国家也受到这种全球变化问题的困扰。然而，在一些发达国家，已经进行了相关的科学研究，以期利用这些重要发现在实施方面向人民发出警告，并在此过程中挽救宝贵的生命。在生理测量的基础上制定适当的热指数，在国家一级绘制指数图，并在适当的人民友好的早期预警系统中使用这些指数，是为社会利益实际使用科学调查的关键。在印度，一些地区已经进行了一些行业特定的热指数，特别是WBGT测量。 Heat warning systems are also in place in couple of cities. Several scientific studies have also been conducted on the temperature extremes. However, no comprehensive study has been conducted so far to identify suitable heat index (indices) for the entire country with a view to use those in early warning system with the purpose of saving life.

上述过程的第一步是详细检查印度不同地区现有的一些重要热指数。在本研究中计算了HI, Humidex, WBGT和UTCI，因为这些在其他国家大多使用。今天，数值模型是气候研究中最好的工具，因为它们的结果可以方便地用于预测未来。在使用气候模型时，还应记住其输出的不确定性。所有气候模式在将其模式输出用于未来预估之前，都应针对当前气候进行验证。考虑到这一点，本研究使用了50km水平分辨率的RegCM4.3模式，并根据相应的IMD观测数据对模拟的地表温度、相对湿度和风进行了验证。因此，在四个选定的城市动态缩小了领域，即…德里、孟买、金奈和加尔各答被用来计算四种热指数。同样，IMD观测数据用于计算相同的四种热指数。研究时间为1975年至2005年，可以认为是现在的气候。 Keeping the model biases in mind, in this study emphasis has been given on the comparison of annual cycles and inter-annual variations rather than on the actual magnitudes of the fields.

从这里获得的结果，它不能推断哪个最常用的指数比其他更有利于用于印度地区。结果表明，作为全球热指数之一的WBGT在4个城市的年周期和年际变化特征相似。该热指数最好用RegCM表示。因此，从WBGT开始，可以用它来绘制整个印度不同月份和年份的地图，以便详细研究其特征。CMIP5的气候预估不仅可以用于绘制WBGT，还可以在模式验证后用于绘制其他有用的热指数。利用模式输出计算出的热指数集合可以作为印度不同地区舒适度分类的首选。gydF4y2Ba

表1:印度四个主要城市的热指数月平均值及其标准差。第一行到最后一行的值分别代表德里、孟买、加尔各答和金奈。gydF4y2Ba

	嗨gydF4y2Ba	湿润指数gydF4y2Ba	WBGTgydF4y2Ba	UTCIgydF4y2Ba
1月gydF4y2Ba	25.0±0.4gydF4y2Ba 29.5±0.9gydF4y2Ba 26.0±0.6gydF4y2Ba 29.3±1.0gydF4y2Ba	19.9±1.1gydF4y2Ba 33.3±1.3gydF4y2Ba 27.4±1.2gydF4y2Ba 34.5±1.4gydF4y2Ba	14.8±0.7gydF4y2Ba 22.8±0.7gydF4y2Ba 19.5±0.7gydF4y2Ba 23.5±0.7gydF4y2Ba	15.7±1.5gydF4y2Ba 27.2±1.3gydF4y2Ba 23.5±1.0gydF4y2Ba 26.6±1。gydF4y2Ba
2月gydF4y2Ba	25.1±0.4gydF4y2Ba 29.9±0.9gydF4y2Ba 28.3±1.0gydF4y2Ba 31.9±1.3gydF4y2Ba	22.7±1.6gydF4y2Ba 33.9±1.2gydF4y2Ba 31.4±1.5gydF4y2Ba 37.1±1.5gydF4y2Ba	16.5±1.0gydF4y2Ba 23.1±0.7gydF4y2Ba 21.8±0.9gydF4y2Ba 24.9±0.8gydF4y2Ba	18.2±1.8gydF4y2Ba 27.3±1.3gydF4y2Ba 26.7±1.4gydF4y2Ba 28.7±1.0gydF4y2Ba
3月gydF4y2Ba	25.2±2.1gydF4y2Ba 33.1±1.4gydF4y2Ba 33.9±1.7gydF4y2Ba 35.7±1.2gydF4y2Ba	30.0±5.8gydF4y2Ba 37.9±1.5gydF4y2Ba 38.1±7gydF4y2Ba 40.7±1.2gydF4y2Ba	28.6±1.8gydF4y2Ba 25.2±0.8gydF4y2Ba 25.3±0.9gydF4y2Ba 26.7±0.6gydF4y2Ba	23.9±0.9gydF4y2Ba 29.8±1.4gydF4y2Ba 32.1±1.3gydF4y2Ba 31.5±0.9gydF4y2Ba
4月gydF4y2Ba	34.0±1.6gydF4y2Ba 36.5±1.2gydF4y2Ba 40.1±3.2gydF4y2Ba 40.4±1.6gydF4y2Ba	36.6±1.7gydF4y2Ba 41.5±1.1gydF4y2Ba 44.2±2.3gydF4y2Ba 44.7±1.2gydF4y2Ba	24.3±1.0gydF4y2Ba 27.1±0.5gydF4y2Ba 28.4±1.1gydF4y2Ba 28.6±0.6gydF4y2Ba	33.7±1.9gydF4y2Ba 31.4±0.9gydF4y2Ba 35.1±2.0gydF4y2Ba 34.1±0.9gydF4y2Ba
五月gydF4y2Ba	38.1±2.0gydF4y2Ba 38.9±1.2gydF4y2Ba 42.9±2.4gydF4y2Ba 42.3±1.6gydF4y2Ba	41.2±1.9gydF4y2Ba 43.6±0.9gydF4y2Ba 46.5±1.7gydF4y2Ba 46.1±1.2gydF4y2Ba	26.8±1.0gydF4y2Ba 28.1±0.4gydF4y2Ba 29.5±0.8gydF4y2Ba 29.3±0.6gydF4y2Ba	38.0±2.2gydF4y2Ba 32.6±0.8gydF4y2Ba 35.9±1.5gydF4y2Ba 36.4±1.1gydF4y2Ba
小君gydF4y2Ba	40.7±1.7gydF4y2Ba 37.8±1.4gydF4y2Ba 41.0±2.1gydF4y2Ba 40.0±1.3gydF4y2Ba	44.5±1.4gydF4y2Ba 43.2±0.9gydF4y2Ba 45.5±1.3gydF4y2Ba 44.2±1.2gydF4y2Ba	28.5±0.7gydF4y2Ba 28.0±0.4gydF4y2Ba 29.0±0.6gydF4y2Ba 28.4±0.6gydF4y2Ba	38.0±1.6gydF4y2Ba 31.6±1.0gydF4y2Ba 34.4±1.4gydF4y2Ba 35.8±0.8gydF4y2Ba
7月gydF4y2Ba	39.7±1.5gydF4y2Ba 34.7±1.0gydF4y2Ba 38.9±1.8gydF4y2Ba 38.2±1.2gydF4y2Ba	44.5±1.0gydF4y2Ba 41.3±0.6gydF4y2Ba 44.1±1.1gydF4y2Ba 42.9±0.9gydF4y2Ba	28.6±0.5gydF4y2Ba 27.1±0.3gydF4y2Ba 28.4±0.5gydF4y2Ba 27.8±0.4gydF4y2Ba	34.7±1.3gydF4y2Ba 29.4±0.9gydF4y2Ba 33.1±1.3gydF4y2Ba 34.1±0.9gydF4y2Ba
8月gydF4y2Ba	38.4±1.4gydF4y2Ba 33.6±1.3gydF4y2Ba 38.3±1.9gydF4y2Ba 37.7±0.8gydF4y2Ba	43.6±1.1gydF4y2Ba 40.5±0.8gydF4y2Ba 43.8±1.2gydF4y2Ba 42.5±0.7gydF4y2Ba	28.2±0.5gydF4y2Ba 26.7±0.4gydF4y2Ba 28.2±0.5gydF4y2Ba 27.6±0.3gydF4y2Ba	33.6±1.3gydF4y2Ba 29.0±1.2gydF4y2Ba 32.8±1.4gydF4y2Ba 33.5±0.7gydF4y2Ba
9月gydF4y2Ba	36.8±1.7gydF4y2Ba 34.8±1.3gydF4y2Ba 37.4±1.5gydF4y2Ba 37.6±1.1gydF4y2Ba	41.8±1.5gydF4y2Ba 41.0±0.9gydF4y2Ba 43.1±1.0gydF4y2Ba 42.6±0.9gydF4y2Ba	27.3±0.8gydF4y2Ba 26.9±0.4gydF4y2Ba 27.9±0.5gydF4y2Ba 26.7±0.4gydF4y2Ba	33.3±1.3gydF4y2Ba 30.2±1.1gydF4y2Ba 32.6±1.1gydF4y2Ba 33.1±0.8gydF4y2Ba
10月gydF4y2Ba	31.8±1.1gydF4y2Ba 36.9±1.4gydF4y2Ba 34.8±1.4gydF4y2Ba 34.7±1.1gydF4y2Ba	35.5±1.5gydF4y2Ba 41.8±1.2gydF4y2Ba 40.4±1.2gydF4y2Ba 40.6±0.8gydF4y2Ba	24.0±0.9gydF4y2Ba 27.3±0.6gydF4y2Ba 26.6±0.6gydF4y2Ba 26.7±0.4gydF4y2Ba	33.3±1.3gydF4y2Ba 30.2±1.1gydF4y2Ba 31.9±0gydF4y2Ba 31.1±0.8gydF4y2Ba
11月gydF4y2Ba	27.0±0.6gydF4y2Ba 33.5±1.5gydF4y2Ba 29.8±1.3gydF4y2Ba 30.9±1.2gydF4y2Ba	28.2±1.2gydF4y2Ba 38.0±1.9gydF4y2Ba 34.3±1.8gydF4y2Ba 37.3±1.3gydF4y2Ba	19.8±0.7gydF4y2Ba 25.3±1.0gydF4y2Ba 23.5±1.0gydF4y2Ba 25.0±0.7gydF4y2Ba	24.8±1.1gydF4y2Ba 31.4±0.9gydF4y2Ba 28.5±1.4gydF4y2Ba 27.9±1.2gydF4y2Ba
12月gydF4y2Ba	25.0±0.5gydF4y2Ba 30.9±0.8gydF4y2Ba 26.3±0.5gydF4y2Ba 29.0±1.0gydF4y2Ba	22.0±1.4gydF4y2Ba 34.9±1.2gydF4y2Ba 28.4±1.0gydF4y2Ba 34.8±1.3gydF4y2Ba	16.1±0.9gydF4y2Ba 23.7±0.7gydF4y2Ba 20.1±0.6gydF4y2Ba 23.8±0.7gydF4y2Ba	18.5±1.8gydF4y2Ba 29.5±0.9gydF4y2Ba 24.3±1.1gydF4y2Ba 26.0±1.2gydF4y2Ba

今天最重要的问题是衡量印度不同地区的WBGT，并在当地居民的参与下对这些地区的人类舒适程度进行分类。值得注意的是，今天，印度并没有常规地进行WBGT测量。因此，从今年开始，印度正在以项目模式(由印度政府科技部赞助)，根据印度五个城市的WBGT阈值，测量WBGT和人类舒适度。可以通过将协调测量扩大到印度的其他几个城市来加强这些活动。这一步骤将产生多年的地面数据，这些数据最终将成为印度未来人类健康研究的基础数据。gydF4y2Ba

表2:印度四个主要城市的平均月热指数变化率(每十年)统计。第一行到最后一行的值分别代表德里、孟买、加尔各答和金奈。统计上显著(95%置信水平)的值用“粗体”表示。gydF4y2Ba

	嗨gydF4y2Ba	湿润指数gydF4y2Ba	WBGTgydF4y2Ba	UTCIgydF4y2Ba
1月gydF4y2Ba	0.07gydF4y2Ba 0.45gydF4y2Ba -0.14gydF4y2Ba 0.52gydF4y2Ba	0.10gydF4y2Ba 0.66gydF4y2Ba -0.19gydF4y2Ba 0.67gydF4y2Ba	0.11gydF4y2Ba 0.39gydF4y2Ba -0.06gydF4y2Ba 0.36gydF4y2Ba	0.65gydF4y2Ba 0.83gydF4y2Ba 0.19gydF4y2Ba 0.68gydF4y2Ba
2月gydF4y2Ba	-0.05gydF4y2Ba 0.37gydF4y2Ba -0.03gydF4y2Ba 0.54gydF4y2Ba	0.25gydF4y2Ba 0.46gydF4y2Ba 0.18gydF4y2Ba 0.60gydF4y2Ba	0.18gydF4y2Ba 0.27gydF4y2Ba 0.16gydF4y2Ba 0.31gydF4y2Ba	0.77gydF4y2Ba 0.77gydF4y2Ba 0.44gydF4y2Ba 0.50gydF4y2Ba
3月gydF4y2Ba	-0.38gydF4y2Ba 0.28gydF4y2Ba -0.31gydF4y2Ba 0.72gydF4y2Ba	-0.31gydF4y2Ba 0.32gydF4y2Ba -0.21gydF4y2Ba 0.59gydF4y2Ba	-0.14gydF4y2Ba 0.18gydF4y2Ba -0.06gydF4y2Ba 0.29gydF4y2Ba	0.05gydF4y2Ba 0.52gydF4y2Ba 0.14gydF4y2Ba 0.56gydF4y2Ba
4月gydF4y2Ba	-0.08gydF4y2Ba -0.12gydF4y2Ba -0.52gydF4y2Ba 0.61gydF4y2Ba	-0.16gydF4y2Ba -0.10gydF4y2Ba -0.37gydF4y2Ba 0.46gydF4y2Ba	-0.07gydF4y2Ba -0.04gydF4y2Ba -0.14gydF4y2Ba 0.22gydF4y2Ba	0.02gydF4y2Ba 0.20gydF4y2Ba 0.01gydF4y2Ba 0.34gydF4y2Ba
五月gydF4y2Ba	0.62gydF4y2Ba 0.23gydF4y2Ba 0.36gydF4y2Ba 0.61gydF4y2Ba	0.58gydF4y2Ba 0.19gydF4y2Ba 0.29gydF4y2Ba 0.52gydF4y2Ba	0.30gydF4y2Ba 0.10gydF4y2Ba 0.16gydF4y2Ba 0.25gydF4y2Ba	0.51gydF4y2Ba 0.39gydF4y2Ba 0.50gydF4y2Ba 0.19gydF4y2Ba
小君gydF4y2Ba	0.51gydF4y2Ba 0.61gydF4y2Ba 0.79gydF4y2Ba 0.43gydF4y2Ba	0.47gydF4y2Ba 0.37gydF4y2Ba 0.52gydF4y2Ba 0.43gydF4y2Ba	0.22gydF4y2Ba 0.18gydF4y2Ba 0.25gydF4y2Ba 0.23gydF4y2Ba	0.25gydF4y2Ba 0.69gydF4y2Ba 0.79gydF4y2Ba 0.14gydF4y2Ba
7月gydF4y2Ba	0.82gydF4y2Ba 0.39gydF4y2Ba 1.06gydF4y2Ba 0.25gydF4y2Ba	0.57gydF4y2Ba 0.26gydF4y2Ba 0.65gydF4y2Ba 0.23gydF4y2Ba	0.27gydF4y2Ba 0.12gydF4y2Ba 0.31gydF4y2Ba 0.12gydF4y2Ba	0.57gydF4y2Ba 0.69gydF4y2Ba 1.05gydF4y2Ba 0.23gydF4y2Ba
8月gydF4y2Ba	0.86gydF4y2Ba 0.72gydF4y2Ba 1．15gydF4y2Ba 0.33gydF4y2Ba	0.62gydF4y2Ba 0.46gydF4y2Ba 0.70gydF4y2Ba 0.31gydF4y2Ba	0.30gydF4y2Ba 0.22gydF4y2Ba 0.33gydF4y2Ba 0.16gydF4y2Ba	0.70gydF4y2Ba 0.91gydF4y2Ba 0.15gydF4y2Ba 0.33gydF4y2Ba
9月gydF4y2Ba	0.72gydF4y2Ba 0.48gydF4y2Ba 0.39gydF4y2Ba 0.53gydF4y2Ba	0.67gydF4y2Ba 0.32gydF4y2Ba 0.26gydF4y2Ba 0.46gydF4y2Ba	0.33gydF4y2Ba 0.16gydF4y2Ba 0.13gydF4y2Ba 0.23gydF4y2Ba	0.57gydF4y2Ba 0.73gydF4y2Ba 0.71gydF4y2Ba 0.42gydF4y2Ba
10月gydF4y2Ba	0.03gydF4y2Ba 0.37gydF4y2Ba 0.39gydF4y2Ba 0.65gydF4y2Ba	0.12gydF4y2Ba 0.29gydF4y2Ba 0.33gydF4y2Ba 0.52gydF4y2Ba	0.11gydF4y2Ba 0.16gydF4y2Ba 0.18gydF4y2Ba 0.27gydF4y2Ba	0.15gydF4y2Ba 0.49gydF4y2Ba 0.57gydF4y2Ba 0.59gydF4y2Ba
11月gydF4y2Ba	0.07gydF4y2Ba 0.51gydF4y2Ba 0.34gydF4y2Ba 0.60gydF4y2Ba	0.41gydF4y2Ba 0.66gydF4y2Ba 0.48gydF4y2Ba 0.69gydF4y2Ba	0.30gydF4y2Ba 0.37gydF4y2Ba 0.32gydF4y2Ba 0.36gydF4y2Ba	0.57gydF4y2Ba 0.55gydF4y2Ba 0.73gydF4y2Ba 0.74gydF4y2Ba
12月gydF4y2Ba	0.08gydF4y2Ba 0.18gydF4y2Ba 0.15gydF4y2Ba 0.66gydF4y2Ba	0.33gydF4y2Ba 0.28gydF4y2Ba 0.40gydF4y2Ba 0.67gydF4y2Ba	0.27gydF4y2Ba 0.17gydF4y2Ba 0.28gydF4y2Ba 0.35gydF4y2Ba	1.05gydF4y2Ba 0.40gydF4y2Ba 0.72gydF4y2Ba 0.89gydF4y2Ba

人体舒适度的分类是基于热指数的阈值。有必要对现有的热指数进行适当的调整，以适应印度的条件，那里的重要地表参数，如温度、相对湿度、风和太阳辐射有很大的变化。在未来，通过对现有的舒适分类进行修正，使其适合印度的气候条件，可以为印度的各种气候区域设置适当的阈值。由于空气污染也会影响大气参数，这方面可以在热指数估算中进一步引入。还可以进行研究，以找出当温度和热不适增加时，与循环问题或呼吸问题有关的死亡率。gydF4y2Ba

致谢gydF4y2Ba

我们感谢印度政府科技部对气候变化与人类健康网络项目(RP2726)下的研究经费DST/CCP/(NET-2)/PR-36/2012(G)的资助，该项目已在印度理工学院德里分校成功完成。这项工作的一部分也在印度理工学院德里分校的“DST气候建模中心”的支持下进行。在这项工作的初始阶段，与dr。Tord Kjelstrom和Bruno Lemke。作者感谢他们的帮助。gydF4y2Ba

参考文献gydF4y2Ba

1. 政府间气候变化专门委员会，决策者摘要，气候变化:影响、适应和脆弱性。《第二工作组对政府间气候变化专门委员会第四次评估报告的贡献》，剑桥大学出版社，英国剑桥，第17页(2007)。gydF4y2Ba
2. Dash, s.k.， Kulkarni, m.a.， Mohanty, u.c.和Prasad, K.印度降雨事件特征的变化，地球物理学报。Res.， 114, D10109, DOI:10.1029/2008JD010572(2009)。gydF4y2Ba
3. Dash, S.K.和Mamgain, A.印度不同类型极端温度频率的变化。流星。Climatol。，50, 1842–1858. DOI: http://dx.doi.org/10.1175/2011JAMC2687.1 (2011).
   CrossRefgydF4y2Ba
4. Dash, S.K, Nair, A. A.， Kulkarni, M. A.和Mohanty, U. C.，印度不同降雨强度的长、短周期变化，理论与应用气气学，DOI: 10.1007/s00704-011-0416-x(2011)。gydF4y2Ba
5. 帕兹，J. A.，恩格尔伯格，D.，拉斯特，J.，天气变化对公众健康的影响。公共卫生年度审查。21(1), 271 - 307(2000)。gydF4y2Ba
   CrossRefgydF4y2Ba
6. USGCRP，全球气候变化对美国的影响。卡尔。西奥多。罗斯福,所以赵硕,,彼得森,t.c., (eds)。美国全球变化研究项目。剑桥大学出版社。纽约，美国(2009)。gydF4y2Ba
7. 气候变化、极端天气事件和美国健康影响:我们能说些什么?职业与环境医学杂志，51(1)，26-32(2009)。gydF4y2Ba
   CrossRefgydF4y2Ba
8. 热平衡模型实验49。Birkhfiuser -。CH-4010巴塞尔/瑞士(1993年)。gydF4y2Ba
9. 人体热环境:热、中、冷环境对人体健康、舒适和表现的影响。第3版。CRC出版社(2014)。gydF4y2Ba
   CroosRefgydF4y2Ba
10. 卫生组织，欧洲区域办事处，《健康行动计划，指导报告》(2008年)http://www.euro.who.int/__data/assets/pdf_file/0006/95919/E91347.pdf。gydF4y2Ba
11. Epstein, Y.， Moran, D.S.热舒适和热应力指数，工业健康，vol.44, pp 388-398(2006)。gydF4y2Ba
    CrossRefgydF4y2Ba
12. 世卫组织，改进对极端天气/热浪的公共卫生反应——欧洲HEAT，会议报告，2007年3月22日至23日，德国波恩。euro.who.int / __data /资产/ pdf_file / 0018/112473 / E91350.pdfgydF4y2Ba
13. 奥利弗，威尔逊，L.《J. E.奥利弗和R. W .费尔布里奇的气候分类》(编)。气候学百科全书gydF4y2Ba，gydF4y2Ba范诺斯特兰德莱因霍尔德公司。新工作。第236 - 221页(1987)。gydF4y2Ba
14. Sharma, P.， Dash, S.K.和Singh, S.，印度大城市的热应激，《Vayu Mandal杂志》。pp94 - 102(2014)。gydF4y2Ba
15. Dash, S.K.和Kjellstrom T.工作场所热应激在印度气温上升的背景下，当代科学，Vol. 101, No. 4,496 -503(2011)。gydF4y2Ba
16. 热指数方程(或者，比你想知道的更多)。gydF4y2Ba国家气象局南区技术附件。SR / SSD 90 - 23日gydF4y2Ba沃斯堡，得克萨斯州(1990年)。gydF4y2Ba
17. 马斯特森，J，理查德森，F. A. Humidex，一种量化人体因过热和潮湿而不适的方法。唐斯镇，安大略省:加拿大环境部，45页(1979)。gydF4y2Ba
18. Yaglou, c.p.， Minard, D.军事训练中心高温伤亡控制。医学与健康协会，16:302 - 316(1957)。gydF4y2Ba
19. 张晓明，张晓明，张晓明。干热和湿热气候环境压力指数(ESI)的研究进展。工业卫生。第44卷，第399-403页(2006)。gydF4y2Ba
    CrossRefgydF4y2Ba
20. 热应力标准ISO 7243及其全球应用，工业卫生。vol44 pp368 - 379(2006)。gydF4y2Ba
    CrossRefgydF4y2Ba
21. ACGIH tlv和bel:化学物质和物理试剂的阈值限值和生物暴露指数。ACGIH，辛辛那提，第168-176页(2004)。gydF4y2Ba
22. Kjellstrom, T.， Holmer, I.， Lemke, B.工作场所热应激与健康——气候变化期间中低收入国家面临的日益严峻的挑战。全球卫生行动。http://www.globalhealthaction.net/index.php/gha/article/viewFile/2047/2539(2009)。gydF4y2Ba
23. 从气象数据计算工作场所的WBGT:气候变化评估的工具，工业健康，卷。60, pp 267-278(2012)。gydF4y2Ba
    CrossRefgydF4y2Ba
24. Liljegren, J, Carhart, R.， Lawday, P.， Tschopp, S.， Sharp, R.使用标准气象测量模拟湿球温度。职业环境卫生杂志(2008):645-655。gydF4y2Ba
    CrossRefgydF4y2Ba
25. 伯纳德,式样，Pourmoghani, M. Prediction of Workplace Wet Bulb Global Temperature. Applied Occupational and Environmental Hygiene 14: 126-134 (1999).
    CrossRefgydF4y2Ba
26. 布赖斯,T。，H一个ll, T., Wet -Bulb Calculator http://www.srh.noaa.gov/epz/?n=wxcalc(2009).
27. Psikuta, A.， Fiala, D.， Laschweski, G.， Jendritzky, G.， Richards, M.， Blazejczyk, K.， Mekjavic, I.， Rintamäki, H.， Dear, R.d.， Havenith, G. Fiala多节点热生理模型在UTCI应用中的验证，国际生物气象杂志。第56卷，443-460页。DOI: 10, 1007 / s00484 - 011 - 0450 - 5(2011)。gydF4y2Ba
28. Giorgi, F, Coppola, E, solomon, F, Mariotti, L, Sylla, m.b.， Bi, X, Elguindi, N, Diro, g.t.， Nair, V, Giuliani, G, Turuncoglu, U.U, Cozzini, S, Guttler, I, O'Brien, t.a.， Tawfik, a.b.， Shalaby, A, Zakey, a.s.， Steiner, a.l.， RegCM4:多个CORDEX域的模型描述和初步测试。气候研究。Vol. 52(2): 7-29, 2012。DOI: 10.3354 / cr01018(2012)。gydF4y2Ba
29. Dickinson, r.e.， Henderson-Sellers, A.， Kennedy, P.J.与NCAR社区气候模式相结合的生物圈-大气转移方案(bats)版本1e，技术代表，国家大气研究中心(1993)。gydF4y2Ba
30. 霍斯拉格，a.a.m.， De Bruijn, e.i.f.，潘，H.L.短期天气预报的高分辨率气团转变模型。星期一天气启示录118:1561-1575(1990)。gydF4y2Ba
    CrossRefgydF4y2Ba
31. 王晓明，王晓明(1999)气候模式中对流模式的发展与评价，大气科学，56(1):992 - 998(1999)。gydF4y2Ba
    CrossRefgydF4y2Ba
32. 用积云参数化方法对假设的预测评价。星期一天气，启示录121:754-787(1993)。gydF4y2Ba
    CrossRefgydF4y2Ba
33. Pal, J.， Small, E.和Eltahir, E.， 2000，“区域尺度水和能量收支的模拟:RegCM中亚网格云和降水过程的表示”，地球物理学报。科学通报，2009,29(4):579- 594(2000)。gydF4y2Ba
    CrossRefgydF4y2Ba
34. Giorgi, F, Coppola, E, Raffaele, F, Diro, g.t.， Fuentes-Franco, R.， Giuliani, G.， Mamgain, A.， Llopart M.P, Mariotti L.， Torma C. CREMA集合预估中的极端气候变化和水文气候机制。气候变化，125,39-51 DOI: 10.1007/s10584-014-1117-0(2014)。gydF4y2Ba
    CrossRefgydF4y2Ba
35. 科波拉，E.，乔治，F.，拉斐尔，F.，富恩特斯-弗兰科，R.，朱利安尼，G.， llo部分-佩雷拉，M.，马姆甘，A.，马里奥蒂，L.，迪罗，G.T，托尔玛，C.，第一阶段CREMA实验中的现在和未来气候学。气候变化，125,23-38,DOI: 10.1007/s10584-014-1137-9(2014)。gydF4y2Ba
    CrossRefgydF4y2Ba
36. Dash, s.k.， Mishra, s.k.， Pattnayak, k.c.， Mamgain, A, Mariotti, L.， Coppola, E.， Giorgi, F.和Giuliani, G.预测21年印度及其邻近地区的季节平均夏季风gydF4y2Ba^圣gydF4y2Ba世纪，理论与应用气候学gydF4y2Ba，gydF4y2BaVol 122, Issue 3-4, pp.581-593 DOI:10.1007/s00704-014-1310-0(2015)。gydF4y2Ba