IPCC第六次评估报告AR6（Sixth Assessment Report）指出，目前全球地表平均温度较工业化前高出约1.0 ℃，预计到2042年，全球升温将达到或超过1.5 ℃。其中，人为因素特别是温室气体排放，是全球尺度陆地强降水增强的主要驱动力（IPCC，2022）。中国1960—2018年地表年平均气温呈显著上升趋势，平均增温速率为0.278 ℃·（10 a）^-1，北方升温幅度大于南方（赵东升等，2020）。四川省作为长江上游地区，近年来极端温度事件的发生频率也呈增加和增强趋势（Niu et al.，2020；孙昭萱等，2022；蔡怡亨等，2023）。

城镇化是人口持续向城镇集聚的过程，是当前人类社会发生的最为显著变化之一（罗鑫玥和陈明星，2019）。联合国2018年《世界城镇化展望》报告显示，当前全球55%的人口居住在城市地区，预计到2050年这一比例将达到68%，增加的城镇人口主要集中在亚洲和非洲（United Nations，2018）。城镇化不仅促进城市发展和人口集聚，还导致区域下垫面变化、温室气体和污染物排放快速增加，从而影响极端气温事件。研究（Roy and Yuan，2009，Basara et al.，2010）表明，处于快速城镇化阶段的地区极端气温上升趋势更为明显；城市化进程还会导致明显的城市热岛效应。近年来，中国学者对极端气温事件与城镇化发展的关联影响进行了深入研究。例如，吴蓉等（2016）通过分析安徽省1961—2010年的观测资料，发现城镇化效应增加了暖日和暖夜天数，同时减少了冷夜天数；贾艳青等（2017）研究发现，1960—2014年长三角地区的暖指数和冷指数在城市站点的变化趋势比乡村站点更明显；Lin等（2020）研究表明，城镇化对城市群中的极端温度事件有强烈影响，城镇化倾向于在干旱（湿润）地区产生降温（变暖）效应。

尽管对四川省极端温度事件的历史和未来时期的时空变化特征已有研究（Li et al.， 2020；高丹阳等，2021；孙文慧等，2023），但缺乏对全球变暖背景下四川极端气温事件与城镇化发展的关联影响分析。本文基于四川省1980—2020年相关气象站逐日气温数据，采用16个极端气温指数、Sen’s斜率估计和Mann-Kendall非参数检验法，分析极端气温指数的变化趋势。结合人口、经济、土地利用/覆盖和DMSP（Defense Meteorological Satellite Program）夜间灯光遥感数据等，使用K-means聚类方法和Google Earth将气象站点划分为乡村、城郊和城市3类，研究这3类气象站点的城镇化影响指数和贡献率。通过Sen’s斜率估计和对比综合分析城镇化对四川省极端气温事件的影响，并通过鲁棒局部权重回归方法分析1980—2010年、1980—2015年、1980—2020年3个时段的年平均极端气温指数的变化趋势及3类站点的变化率差值。这些研究结果对于四川省在快速城镇化进程中充分认识极端气温事件的发展趋势及其与城镇化的关联影响，从而为规避极端气温事件的灾害风险、布局未来城市规划和城市可持续发展提供重要参考。

四川省（97.35°E—108.2°E、26.05°N—34.32°N）地形地貌复杂，海拔高差大。辖区面积49.2万km²，是连接华南、华中与西南、西北的重要交汇点，也是沟通中亚、南亚及东南亚的重要交通走廊。气候类型多样，其中川东部属于中亚热带湿润气候，川西南属于亚热带半湿润气候，川西北属于高原高寒气候。近年来，随着城镇化进程的加速，四川省的建成区面积不断扩大，城镇人口从1978年的784.2万人增长到2021年的4 840.7万人，城镇化率从11.1%提高到57.8%，城镇化增长速度超过全国水平。图1为研究区地理位置、气象站点及海拔空间分布。

1980—2020年四川省36个气象站点（图1）的逐日气温数据来自于中国气象数据网（http://data.cma.cn/）；人口、经济、社会活动和土地利用数据则分别来自于中国科学院资源环境科学数据中心（https://www.resdc.cn/Default.aspx）提供的相关数据集：人口数据为2015年的中国公里网格人口分布数据集；经济数据来源于同年的中国公里网格GDP（Gross Domestic Product）分布数据集；社会活动数据采用2013年的美国DMSP夜间灯光遥感数据来反映；土地利用数据为2015年的遥感数据分类产品，这些数据的空间分辨率均为1 km×1 km。

本文采用由世界气象组织和相关文献推荐的16个极端气温指数（吴利华等，2022）（表1），将这些指数分为极值指数、绝对指数、相对指数和其他指数4类。使用RClimDex软件对选定的36个气象站点1980—2020年气温日值数据进行处理，计算得到各站点的16个极端气温指数值，然后通过Sen’s斜率估计方法（魏凤英，2007）计算每个指数的年际变化趋势，并使用Mann-Kendall方法（魏凤英，2007）对这些斜率值进行0.01、0.05和0.1的显著性检验，以评估趋势的统计显著性。

城镇化（城市化）过程主要体现在人口向城镇地区集中、乡村土地转变为城镇土地、农业活动转变为非农业活动。本文基于2013年的DMSP夜间灯光遥感数据和2015年的土地利用、GDP及人口空间分布网格数据，首先使用ArcGIS软件对站点周围7 km范围内的数据进行掩膜提取和分析。随后，将标准化后的数据利用K-means聚类法和层次聚类法进行分类（魏凤英，2007；焦毅蒙等，2020）。借助Google Earth的卫星遥感图像和实际情况，最终将36个气象站点划分为城市、城郊和乡村3类（表2），其中，乡村站点7个（Class 1），城郊站点10个（Class 2），城市站点19个（Class 3）。乡村站点的人口密度、经济发展、建筑面积范围、人类活动程度均较低，城市站点在这些指标上均较高，城郊站点介于二者之间。

用δ_n（n=1，2，3分别代表乡村、城郊、城市站点类别）表示通过Sen’s斜率估计得到的各类站点极端气温指数的变化率；用Ω_n1表示城市化的影响，表达式（焦毅蒙等，2020）为：

式中：δ₁表示乡村站点（Class 1）的极端气温指数变化率，δ₂、δ₃分别表示城郊、城市站点的极端气温指数变化率；当Ω_n1<0时，表示城市化导致相关极端气温指数呈下降趋势，当Ω_n1>0时，表示城市化导致相关极端气温指数呈上升趋势，当Ω_n1=0时，表示城市化对该指数无影响。

城市化影响贡献率（Contribution Rate of Urbanization Impact，CRUI）是指城市化对城市或城郊站点极端气温指数变化趋势的影响百分比，表达式（焦毅蒙等，2020）为：

当CRUIΩ_n1=100%时，表示城市或城郊站点极端气温指数的变化完全由城市化影响。实际计算中，如果因局地因子的影响导致CRUIΩ_n1超过100%时，均视为100%；当CRUIΩ_n1=0时，表示城市化对城市或城郊站点极端气温指数的贡献值为零。

为分析历史不同时段极端气温指数的变化趋势，且并考虑到气候变化的时间尺度至少为30 a，本文将研究的时间尺度划分为1980—2010年、1980—2015年和1980—2020年3个时段。利用Sen’s斜率估计法，计算这些时期内16个极端气温指数的变化率，并通过计算差值，基于鲁棒局部权重回归法和NCL软件，生成能直观反映变化趋势的平滑曲线，从而评估城市、城郊、乡村3类站点在不同时期的极端气温指数变化趋势。鲁棒局部权重回归法是一种灵活的非参数回归方法，不依赖于预设的数学函数形式，适用于处理等间距或非等间距分布的时间序列或散点数据。该方法在拟合过程中能有效避免异常值对平滑曲线的影响，从而准确描述变量之间关系的细微变化（Cleveland，1979；司鹏等，2021）。

将1980—2020年四川省各气象站点每年16个极端气温指数的中位数作为该站点的年度极端气温指数值，使用Sen’s斜率估计法分析近41 a来每个极端气温指数的变化趋势（图2），并得到极端气温指数的年代际变化率（表3）。

从图2和表3可看出，极值指数均呈上升趋势，且均通过0.01的显著性检验。其中，TXx上升趋势最明显，为0.46 ℃·（10 a）^-1，TNn上升趋势较平缓，仅为0.14 ℃·（10 a）^-1。绝对指数中，FD0显著减少，变化率为-5.32 d·（10 a）^-1，而SU25呈显著增加趋势，变化率为10.56 d·（10 a）^-1，ID0和TR20变化率为0（图略）。相对指数中，TN10P和TX10P呈减少趋势，变化率分别为-2.40、-1.81 d·（10 a）^-1，TN90P和TX90P呈增加趋势，变化率分别为2.52、2.64 d·（10 a）^-1，且4个指数均通过了0.01的显著性检验，变化趋势明显。其他指数中，WSDI和CSDI变化率均为0，而DTR和GSL呈上升趋势，变化率分别为0.24 ℃·（10 a）^-1和6.10 d·（10 a）^-1。综上可看出，与极端高温事件相关的TXx、SU25、TN90P、TX90P呈增加趋势，与极端低温事件相关的FD0、TN10P、TX10P呈减少趋势，而最高和最低气温日较差指数（DTR）和作物生长期指数（GSL）呈增加趋势，这些趋势综合显示了四川省温度极端性的增加和全球暖化程度的提升。

图3为1980—2020年四川省3类站点极端气温指数的时间变化趋势，表4为Sen’s斜率估计的年代际变化率对比以及城市化影响和贡献率。4个极值指数中，3类站点的TXx、TNx、TXn均呈上升趋势，TNn在乡村和城市站点呈上升趋势，而在城郊站点呈下降趋势；乡村站点的4个极值指数均通过0.01的显著性检验，城郊和城市站点的TNx也通过了该水平检验，TXx在城郊站点通过0.05的显著性检验，在城市站点通过0.01的显著性检验。城市化导致TXx呈上升趋势、TNx呈下降趋势；城市化对城郊和城市站点影响的贡献率分别为42.86%、74.44%；城市化对TXn和TNn也有影响，使其呈下降趋势，其中城郊和城市站点的TXn城市化影响贡献率达100%，但只有城郊站点的数据通过了0.1的显著性检验。

4个绝对指数中，3类站点的FD0均呈明显减少趋势。乡村站点的SU25无变化，但城郊和城市站点均有明显增加趋势；乡村站点的ID0呈减少趋势，而TR20呈增加趋势；乡村和城市站点的FD0都通过0.01的显著性检验，城郊站点则通过0.05的显著性检验；城市化影响导致FD0、SU25和ID0的增加，而TR20呈减少趋势。城郊、城市站点FD0的城市化影响贡献率分别为81.82%和36.36%；SU25在3类站点中均通过0.01的显著性检验，城市化影响贡献率为100%；城郊、城市站点ID0和TR20的城市化影响贡献率同样为100%，但仅乡村站点的ID0通过0.01的显著性检验。

4个相对指数中，TN10P和TX10P在3类站点中呈显著减少，而TN90P和TX90P呈显著增加趋势；4个指数在3类站点中的变化率均通过0.01的显著性检验，城市化导致TN10P和TX10P呈增加趋势，TN90P在城郊站点增加、城市站点减少，而TX90P在城郊站点减少、城市站点增加。城市站点的TN10P和TN90P的城市化影响贡献率分别为44.59%和50.79%，其余贡献率均较小。

4个其他指数中，WSDI和CSDI在所有站点中的变化率均为0（图略）；乡村站点的DTR呈下降趋势，而城郊和城市站点的DTR呈上升趋势，所有站点的GSL均呈上升趋势；WSDI在所有站点均通过0.01的显著性检验，乡村站点的CSDI通过0.05的显著性检验；DTR在乡村站点通过0.05的显著性检验，在城郊和城市站点通过0.01的显著性检验，城市化影响使DTR呈上升趋势，城市化影响贡献率在城市和城郊站点都为100%；GSL在乡村站点通过0.01的显著性检验，在城郊站点通过0.1的显著性检验，城市化影响使GSL呈减少趋势，城郊和城市站点的城市化影响贡献率都达100%。

综上，在乡村、城郊、城市3类站点中代表极端高温事件指数的TXx、SU25、TN90P、TX90P基本都呈增加趋势，而代表极端低温事件指数的FD0、TN10P、TX10P在3类站点中均呈减少趋势。TXx、TX90P、DTR在城市站点的增加趋势最明显，TNx、TXn、TNn、GSL在乡村站点的增加趋势最明显，FD0、TN10P、TX10P在乡村站点的减少趋势最明显，SU25和TN90P在城郊站点的增加趋势最明显。

表5是四川省1980—2010年、1980—2015年和1980—2020年3个时段极端气温指数的变化趋势，图4为四川省年平均极端气温指数的平滑曲线，其中4个指数（ID0、TR20、WSDI、CSDI）在多年中均为零，因此没有相关曲线。

3个时段内，极值指数的区域平均变化率和年际尺度变化趋势均呈增加趋势。城市站点的TXx在所有时段的增幅均大于乡村站点，而TNx、TXn、TNn则反之；城郊站点的TXn、TNn的变化幅度均小于乡村站点。绝对指数中FD0在所有时段的区域平均变化率和年际尺度变化趋势都呈显著下降趋势，且均通过0.01的显著性检验，1980—2010年的下降率最大，为-8.57 d·（10 a）^-1；SU25在所有时段的区域平均变化率和年际尺度变化趋势都呈显著上升趋势，且均通过0.01的显著性检验，1980—2010年上升率最高，为15.00 d·（10 a）^-1；ID0和TR20未显示明显变化。FD0和SU25在城市与乡村的对比中均显示城市站点的增幅大于乡村站点；而在城郊与乡村的对比中，城郊站点的SU25增幅远大于乡村站点。相对指数中，4个指数的区域平均变化率和3类站点的变化率差值均通过0.01的显著性检验，且从平滑曲线来看，TN10P、TX10P均呈显著减少趋势，其中1980—2010年的下降率最大，分别为-2.67和-1.97 d·（10 a）^-1；而TN90P、TX90P均呈显著增加趋势；3个时段内，城市和城郊站点的TN10P、TX10P的减少幅度都小于乡村站点。其他指数中，DTR和GSL在所有时段的区域平均变化率和年际尺度变化趋势均呈增加趋势，其中GSL在所有时段均通过0.01的显著性检验，区域平均的增加率分别为11.25、6.59、6.10 d·（10 a）^-1；WSDI和CSDI则无变化。城市和城郊站点的DTR变化率大于乡村站点，而GSL小于乡村站点。

综上，4个极值指数在所有时段均呈显著增加趋势，表明极端气温事件的增暖趋势在时间尺度上较为显著，且乡村站点相比城市和城郊站点的增暖趋势更为明显。绝对指数中夏季日数（SU25）呈增加趋势，霜冻日数（FD0）呈减少趋势，且城市和城郊站点的SU25均多于乡村站点，而乡村站点的FD0多于城市站点；相对指数中的冷昼夜日数（TN10P、TX10P）呈减少趋势，而暖昼夜日数（TN90P、TX90P）呈增加趋势，且3个时段中城市和城郊站点的冷事件减少幅度均小于乡村；其他指数中DTR和GSL的升高表明月平均日较差增大，作物生长期变长。

本文使用1980—2020年四川省36个气象站的气温日值数据、夜间灯光和土地利用遥感数据，以及GDP和人口空间分布网格数据，计算了16个极端气温指数，通过将气象站点划分为3类（乡村、城郊、城市），分析了四川省城市化进程中极端气温指数的时间变化趋势及其与城镇化的关联影响，并探讨了3个时段极端气温指数的区域变化率和3类气象站点的变化差值，得到以下主要结论。

1）代表极端高温事件的指数（TXx、SU25、TN90P、TX90P）均呈增加趋势，而代表极端低温事件的指数（FD0、TN10P、TX10P）均呈减少趋势，最高和最低气温日较差DTR和作物生长期GSL呈增加趋势。

2）近41 a来，城市站点的TXx、TX90P、DTR增加趋势最明显；乡村站点的TNx、TXn、TNn、GSL增加趋势最明显，而FD0、TN10P、TX10P的减少趋势最明显；城郊站点的SU25和TN90P增加趋势最明显。

3）1980—2010年、1980—2015年和1980—2020年3个时段极端气温事件的增暖趋势都较为显著，且乡村站点相比城市和城郊站点更为明显。此外，城市和城郊站点的夏季日数（SU25）均多于乡村站点，而乡村站点的霜冻日数（FD0）多于城市站点，城市和城郊站点的冷事件减少幅度均小于乡村。

四川省的城镇人口由1978年的784.2万人增长至2021年的4 840.7万人，城镇化率从11.1%提升至57.8%，显示出城镇化进程的迅速发展。城镇化进程中，城市下垫面的特性，如较高的粗糙度、较少的自然植被及较低的反射率，可通过增强地表对边界层大气的向上感热输送，阻碍局地地表蒸发及大气水分供应，增加边界层高度，对经过本地的天气系统强度及水汽输送产生明显影响（郑祚芳等，2013；温晓培等，2022）。城镇化引发的热岛、干岛、湿岛、雨岛和混浊岛效应中，热岛效应最显著（黄鹤楼等，2020）。快速城镇化进程加剧了热岛效应，导致变暖趋势增强，进而增加了极端气温事件的发生频率。本文中四川省1980—2020年代表极端高温事件的多个指数均呈显著增加趋势，而代表极端低温事件的多个指数均呈显著减少趋势，与四川省快速发展的城镇化水平相一致（于浩慧等，2023）。

在四川省城镇化背景下，城市化影响对城市站点月最低气温极大值TNx和月最高气温极大值TXx的贡献率分别为74.44%和33.55%，对冷夜TN10P和暖夜TN90P的贡献率分别为44.59%和50.79%，对冷昼TX10P和暖昼TX90P的贡献率分别为24.11%和13.61%，最低气温的极端指数受城市化影响更显著，尤其是夜间。这些特征可能与近地面的湍流交换过程和大气污染有关，夜间由于湍流交换作用减弱，城市热岛效应更易维持，而白天太阳辐射加热使得湍流交换作用增强，不利于热岛效应的维持（黄蓉等，2017；敖雪等，2020）。此外，城市大气污染比乡村严重，气溶胶含量高，且四川盆地的地形不利于污染物稀释扩散，而大气环境容量有限导致大气污染更为严重（郭蕾等，2023）。白天，气溶胶通过辐射作用减弱太阳直接辐射，部分削减城市热岛效应带来的增温效应，晚上则会减弱地面向外发射的长波辐射，从而起到保温作用（任国玉等，2015；沈志超，2023）。这种非对称特性导致城市最低气温的变暖速度较快，而最高气温的变暖相对较慢。

本文研究结果显示，城镇化加速了暖（冷）指数的增加（减少），这与前人对美国、中国及华北地区、成都地区、山东省等地的研究结论一致（赵宗慈等，1990；周雅清和任国玉，2014；于凤硕等，2019；张小玲等，2022）。不同区域的地理位置和环境影响使得城镇化对极端气温事件的影响既有共性，也有区域性差异。特别是四川地区的复杂地形和多样的气候类型，使得城镇化影响在不同站点类型的极端气温指数上表现出明显的差异（郭蕾等，2023）。由于城镇化对极端气温事件的影响机制错综复杂，未来可借助天气研究与预报模型/城市冠层模型（Weather Research and Forecasting/Urban Canopy Model，WRF/UCM）等方法进一步探究城镇化对四川地区极端气温事件的影响机理。