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)也在增加GydF4y2Ba^1.GydF4y2Ba．几个作者审查了印度的温度和降雨量GydF4y2Ba^{2,3,4GydF4y2Ba}．这种极端天气事件具有不利影响GydF4y2Ba^{5,6,7GydF4y2Ba}论农业，人体健康，电力，水资源，以及关于社会的其他几个方面。环境热应力是对人类健康的直接影响，这是由于大气中的局部变化和“城市热岛”效应引起的。通常，人体保持其核心温度GydF4y2Ba^8.GydF4y2Ba在37℃左右，而皮肤温度保持在较低的32℃的较低温度下。当周围的天气条件下发生变化导致温度温暖时，我们的身体试图利用它来获得均衡。这通过辐射的物理过程发生，通过血流进行对流，通过冷却器物体传导以及通过蒸发汗水。当我们的身体无法保持所需的温度时，我们感到舒适。更高的外部温度提醒热调节机制GydF4y2Ba^9GydF4y2Ba我们的身体和当这种机制开始失败时，一个面部标志着不适。根据事件的严重程度，可能存在热痉挛，疲劳和最终中风。即使在正常温度下，人们也经历了类似的情况。即使温度不那么高，湿度较高，瑕疵衣服也没有风可能会限制汗液的蒸发GydF4y2Ba^10.GydF4y2Ba因此可以产生极端的不适。GydF4y2Ba

人体与周围空气的相互作用是一种环境复杂的过程，根据他的活动，代谢率和衣服，它因人的人而异。因此，难以在不涉及近似的情况下获得热应力的确定性值。热索引GydF4y2Ba^9GydF4y2Ba可以作为直接，实证和能量平衡指标进行分类。基于重要的气象参数，如空气温度，风速，湿度和热辐射，估计直接指数。经验指数使用心率和直肠温度。能量平衡指数，模型人类互动GydF4y2Ba^11.GydF4y2Ba随着环境，更难以估计。可以注意到，热应变指数的研究更涉及许多生理解释。GydF4y2Ba

今天，健康预警系统在几个国家得到了广泛应用。2003年欧洲的热浪引发了健康预警系统的发展GydF4y2Ba^12.GydF4y2Ba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，不适被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相关的预警计划。作为一个幅员辽阔的国家，印度有四种气候GydF4y2Ba^13.GydF4y2Ba可以进一步细分为六个气候区的群体。在一年中的任何时候，该国长度和广度的气候变化都很广泛。一些城市面临极端温度条件，其他城市都非常潮湿，没有太多风。除了极端气象条件外，城市的污染空气还增加了人类的不适，日复一日。因此，将印度映射不同的热索引非常重要，并检查是否可行以识别其用于估算人类不适和随后的早期警告的任何特定热指数。GydF4y2Ba

图1：南亚Cordex域具有整体regcm4.3的地形（m）GydF4y2Ba 点击此处查看数字GydF4y2Ba

图2：基于1975 - 2005年期间的IMD站数据的月平均值，表面空气温度（TA），相对湿度（RH）和风速（仲轴）的年循环。GydF4y2Ba 点击此处查看数字GydF4y2Ba

图3：基于1975 - 2005年期间的REGCM-4.3模拟的月平均值，表面空气温度（TA），相对湿度（RH）和风速（仲轴）的年循环。GydF4y2Ba 点击此处查看数字GydF4y2Ba

已经检查了印度四个城市的年度热量指数的年间变异GydF4y2Ba^14.GydF4y2Ba．这些指数在自然界中混合，因为热应激和应变涉及。基于在其工作中获得的初步结果，在本研究中，我们已经重新检查了一些使用的热应激指数的特点，例如热指数（HI），蜂窝，湿灯泡全球温度（WBGT）和通用热气候指数（UTCI）在印度的同一个四个城市。考虑到印度的热应力研究的重要性，本研究专注于单独的热应激指数。早些时候，印度德里的工作地点热压力估计GydF4y2Ba^15.GydF4y2Ba．GydF4y2Ba

在1975年至2005年期间，印度四个选定城市的每日平均表面温度，来自印度的四个所选城市的相对湿度和风速，如在1975年至2005年期间，在此处用于计算各个城市的四个热指数的价值。这些气象场是从IMD获得的。类似地，还使用REGCM模拟日常字段。在此计算并分析三个气候参数的月平均值和四个热指数的视图，以便将REGCM缩小产品与相应的观察值进行比较。GydF4y2Ba

第2节简要介绍了不同国家在不同国家使用的四个重要热指数以及其数学表达式。第3节给出了REGCM4.3的显着特征，以及本研究中进行的数值实验的细节。在第4节中讨论了以下重要结果，例如相关气象参数的年度周期（如表面温度，相对湿度和风）和四个热指数的年周循环和年间变化。在最后给出了重要的讨论第5部分。GydF4y2Ba

图4：基于IMD站数据的月平均值的四个热指数的年度周期GydF4y2Ba1975-2005年期间。GydF4y2Ba 点击此处查看数字GydF4y2Ba

图5：基于1975 - 2005年期间regcm4.3模拟的月平均值的四个热指数的年度周期。GydF4y2Ba 点击此处查看数字GydF4y2Ba

图6：基于IMD数据集和RegCM4.3模拟的热量指数（HI）的年际变化。GydF4y2Ba 点击此处查看数字GydF4y2Ba

热索引GydF4y2Ba

如前所述，在本研究中，我们在全遮荫条件下讨论了印度四个选定的印度城市的四个广泛使用的热量指数Hi，Humidex，WBGT和UTCI（没有热/直接辐射来自太阳）。通过使用IMD记录的观察结果的每日空气温度，相对湿度和风强度和通过使用REGCM制备的模拟来直接计算这些索引。没有尝试计算更复杂的热索引，涉及人类与环境之间复杂的相互作用。下面简要说明这四个指数。GydF4y2Ba

热指数（嗨）GydF4y2Ba

高温指数(HI)最早由Rothfusz提出GydF4y2Ba^16.GydF4y2Ba．它使用了一个人在室内（室内）与环境（室外）条件下的概念，并且温度变化。它通常在美国使用来描述热量压力，并且它不包括与工作或体育活动的任何链接。HI是使用回归表达式计算各种因素，这些因子影响人生物气象，如蒸汽压力和在温度和相对湿度方面都在一个方程中表达的有效辐射。选择露点14°C的绝对湿度作为环境条件的参考。以下公式用于计算HI：GydF4y2Ba

在这里GydF4y2BaT.GydF4y2Ba_{一种GydF4y2Ba}空气温度是°C和GydF4y2BaRH.GydF4y2Ba相对湿度是否圆满达到其整数值％。GydF4y2Ba

humGydF4y2Ba

Humidex用于加拿大以进行一般公共热应力评估。确定Humidex的当前公式由Masterson和Richardson开发GydF4y2Ba^17.GydF4y2Ba．它将温度和水蒸气压力结合成一个参数以反映感知温度。Humidex使用7°C的露点作为底座。用于计算Humidex的公式是，GydF4y2Ba

H = T.GydF4y2Ba_αGydF4y2Ba+ 0.5555 x（E- 10）GydF4y2Ba

在这里GydF4y2BaHGydF4y2Ba是蜂窝索引，GydF4y2BaT.GydF4y2Ba_{一种GydF4y2Ba}空气温度是°C和GydF4y2BaE.GydF4y2Ba水蒸气压力是以毫巴(mb)为单位的吗GydF4y2BaRH.GydF4y2Ba使用关系：GydF4y2Ba

湿灯泡全球温度（WBGT）GydF4y2Ba

评估工作场所热应力最常用的方法是WBGT。它还用于向体育组织建议在热天举行活动或练习的适宜性。WBGT由Yaglou和Minard开发GydF4y2Ba^18.GydF4y2Ba控制美国陆军和海军陆战队训练营的热疾病爆发。最初，WBGT是校正有效温度的近似。1972年美国国家职业安全和健康研究所（Niosh）接受了WBGT作为工业用途的热应激指数GydF4y2Ba^19.GydF4y2Ba．国际ISO标准7243是在WBGT的基础上制定的GydF4y2Ba^20.GydF4y2Ba．它被美国政府和工业卫生学家会议推荐用于工业用途GydF4y2Ba^21.GydF4y2Ba．WBGT是一项长期被广泛接受的受欢迎的指标，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GydF4y2Ba^8.GydF4y2Ba．Acgih建议阈值限制值（TLV）进行曝光，警报和天花板限制。在给定的代谢速率下这些定义了工作时间的比例应该是什么GydF4y2Ba^21.GydF4y2Ba休息时间，他们已经被考虑过了GydF4y2Ba^22.GydF4y2Ba在气候变化的背景下。对于热辐射测量(如户外阳光下)，WBGT引入了全球温度GydF4y2BaT.GydF4y2Ba_GGydF4y2Ba辐射和风速对人的影响。它使用由带有内部温度传感器的黑球组成的仪器。这GydF4y2BaT.GydF4y2Ba_GGydF4y2Ba传感器认为人体就像黑球一样吸收所有辐射。GydF4y2Ba

随着时间的推移，WBGT通过许多公式进行计算。早期研究中比较了利用气象数据计算WBGT的各种方法GydF4y2Ba^23.GydF4y2Ba．Liljegren的公式GydF4y2Ba^24.GydF4y2Ba是最适合计算户外阳光下WBGT的。在本研究中，我们使用了Lemke开发的一个宏来进行室内或室内阴影估计，该宏基于Bernard和Pourmoghani的WBGT计算GydF4y2Ba^25.GydF4y2Ba．WBGT表示为，GydF4y2Ba

W.GydF4y2Ba_BGTGydF4y2Ba= 0.7 x tGydF4y2Ba_NWBGydF4y2Ba+ 0.2 x tGydF4y2Ba_GGydF4y2Ba+0.1 x TGydF4y2Ba_αGydF4y2Ba

这里，GydF4y2BaT.GydF4y2Ba_{一种GydF4y2Ba}为°C的空气温度。GydF4y2BaT.GydF4y2Ba_GGydF4y2Ba假设等于GydF4y2BaT.GydF4y2Ba_{一种GydF4y2Ba}在没有太阳辐射的情况下。自然湿球温度(GydF4y2BaT.GydF4y2Ba_nwbGydF4y2Ba）非常复杂，因为它取决于灯泡的平均辐射温度，灯泡的视图和发射率因子，饱和蒸气压，灯泡上的风速等。它是通过使用lemke和Kjellstrom开发的宏的迭代来计算GydF4y2Ba^23.GydF4y2Ba．我们在户外阴影条件下计算了WBGT，其中使用了实际的风值。GydF4y2Ba

通用热气候指数（UTCI）GydF4y2Ba

UTCI是由欧洲科学技术研究合作(COST)行动730工作组开发的，旨在为公众在同一指数下就热应激和冷应激提供指导(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(表示为°C)是当某人以每小时4公里的速度行走时空气的“感觉”。UTCI的计算方法可以在UTCI网站(http://www.utci.org)上找到。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^26.GydF4y2Ba将露点和相对湿度转化为蒸汽压是本研究的主要目的。我们注意到，这些结果代表了室内条件下或在完全遮荫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大量因素。UTCI- Fiala模型已在几乎所有极端地形中得到验证GydF4y2Ba^27.GydF4y2Ba温度和湿度。此外，它在印度通常经历的高湿度和高温条件下没有得到验证。UTCI使用的是固定价值的服装和工作，这些不适用于印度的劳动人民。GydF4y2Ba

RegCM模拟GydF4y2Ba

区域气候模型版本4（REGCM4）开发GydF4y2Ba^28.GydF4y2Ba在Abdus Salam国际理论物理中心（ICTP）进行了这项研究。简言之，RegCM4是一个在荒川B网格上运行的静水压模型，采用了显式时间分割方案。该模型包括多个物理选项，对于这里介绍的实验，它使用垂直方向上18个水平的sigma-p坐标。对于辐射传输的计算，它使用NCAR CCM3辐射包。通过生物圈-大气转移方案（BATS）模拟地表过程GydF4y2Ba^29.GydF4y2Ba，而边界层过程则使用非局部公式进行参数化GydF4y2Ba^30.GydF4y2Ba．对于对流，举行的艾美燃计划GydF4y2Ba^31.GydF4y2Ba和格雷尔方案GydF4y2Ba^32.GydF4y2Ba分别用于陆地和海洋。大规模降水由子网格明确湿度方案Subex表示GydF4y2Ba^33.GydF4y2Ba．从美国地质调查全球陆地覆盖表征（GLCC）获得的表面高度和陆地覆盖数据。GydF4y2Ba

这里可以指出，协调区域缩小实验（Cordex）（Cordex）是由世界气候研究计划（WCRP）发起的国际计划，用于产生（HTTPS：// WWW.Cordex.org/Domains）区域规模气候预测这应该用于全球影响评估和适应性研究。Cordex的一个重要组成部分是对多个区域模型的评估及其用于根据许多一般循环模型（GCMS）和来自耦合模型相互比较项目阶段5（CMIP5）档案的排放场景提供动态较低的气候产品。覆盖世界上大部分土地区域的多个区域域已被确定为Cordex计划。Cordex - 由印度组成的南亚是一个这样的领域，其中多个区域气候模型是整合的。在这种协调的实验计划之一中，REGCM已从1中集成GydF4y2Ba^{英石GydF4y2Ba}1970年1月至31日GydF4y2Ba^{英石GydF4y2Ba}2005年12月（称为历史运行），在南亚区域以50 km的水平分辨率运行，该区域覆盖广阔的南亚区域和相邻的海洋区域10GydF4y2Ba^O.GydF4y2BaE - 130GydF4y2Ba^O.GydF4y2BaE和22.GydF4y2Ba^O.GydF4y2Ba年代49GydF4y2Ba^O.GydF4y2Ban（图1）。GydF4y2Ba

采用CMIP5 GFDL-ESM2M模拟(来自IPCC AR5)来生成初始边界条件和侧向边界条件。RegCM4配置和驱动全球环流模式(GCM)是根据大量的初步试验而选择的，这些试验提供了南亚当前气候条件下的现实表现GydF4y2Ba^34.GydF4y2Ba．在早期的出版物中讨论了对Crema I阶段实验不同Cordex域的模拟平均气候和极端模型性能的详细分析。GydF4y2Ba^{34、35GydF4y2Ba}．印度夏季季风循环和相关降雨已成功验证GydF4y2Ba^36.GydF4y2Ba根据在0.5×0.5栅格(IMD0.5)和NCEP/NCAR再分析的IMD观测和准备的降雨值。本文采用该模式模拟了1975 - 2005年(31年)的地面温度、相对湿度和地面风。GydF4y2Ba

图7：基于IMD数据集的Hemidex的年间变化和REGCM4.3模拟GydF4y2Ba 点击此处查看数字GydF4y2Ba

图8：基于IMD数据集的WBGT年间变化和REGCM4.3模拟。GydF4y2Ba 点击此处查看数字GydF4y2Ba

图9：基于IMD数据集和RegCM4.3模拟的UTCI年际变化GydF4y2Ba 点击此处查看数字GydF4y2Ba

结果GydF4y2Ba

年际变化用百分数箱形图和须形图来表示，因为这是表明三个气候参数和所产生的四个热指数在四个选定城市的分布的最合适方法。每个箱形图是31年降雨量的非参数统计总结。每幅图都显示了中位数(方框中的线)、上、下四分位数(方框的上、下边缘)和最小值和最大值(须的末端)所代表的分布，不包括异常值和极端值。在箱形图中，每个箱的底部和顶部分别表示第25百分位和第75百分位(上四分位和下四分位)，靠近箱形图中间的区域总是第50百分位(中位数)。图中每个方框的高度称为四分位间距(IQR)。胡须的下端和上端分别代表第5百分位和第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记号表示。GydF4y2Ba

年度气候参数周期GydF4y2Ba

根据IMD观测值和RegCM模拟，影响四个城市热应力的三个最重要气候参数的年周期分别如图2和3所示。由IMD站数据集获得的月平均地面温度、相对湿度和风力的气候学值箱形图如图2所示。同样，RegCM模拟得到的月平均地表温度、相对湿度和风力强度的气候值箱线图如图3所示。在分析这三个天气参数时，我们应该记住，温度并不是识别人类在任何地方不适的唯一参数。至于热应激和不适因素的不利影响，还需要分析高湿和低风强度的发生。此外，图2和图3所示的气候值是在计算空间和时间上的平均值后得出的，而实际的日最大值往往高于月平均值。GydF4y2Ba

如图2所示，31年的研究中所有四个城市的观察温度分布在非常小的范围内，尽管它们的最大值发生的强度和月份从城市变为城市而变化。在5月份，大多数最大的温度是在可能的。德里的月度温度的最大值可以达到40GydF4y2Ba^0GydF4y2BaC或更多虽然在其他三个沿海城市中，相应的值在30-40的范围内较低GydF4y2Ba^0GydF4y2BaC.在德里，观察到相对湿度在8月份最高，风速在10月份接近最低。在孟买，相对湿度的最大值出现在7月，而风速全年变化不大。在金奈，最大的相对湿度是在10月，风速在10月接近最低值。加尔各答最大相对湿度出现在8月，平均风速为2.5m/s。比较四个城市的相对湿度分布可以发现，就其最大值的分布范围而言，孟买的分布范围最小，其次是加尔各答、金奈和德里。四个城市的最大风速范围大致相同，在1-2m/s之间。GydF4y2Ba

图3显示了RegCM模拟的三个重要天气参数的年周期，以方框图表示。众所周知，每个气候模型在地表温度、相对湿度和风速方面都有其与实际观测值的偏差。基本上，实际测量的天气变量与其各自的模型模拟值之间的差异是由于以下几个原因造成的，例如提供给模型的初始值中的误差，通过数值技术和采用的物理参数化方案求解非线性偏差分方程所涉及的近似。不同的气候模型基于不同的物理参数化方案，因此，尽管所有模型中的基本控制方程相同，但它们的输出不同。每个模型都有自己的偏见。因此，在科学理解的这一阶段，为了将RegCM模拟场与各自的IMD观测变量进行比较，应将重点放在年周期的重要特征上，而不是确切数字上。GydF4y2Ba

类似于图2，在图3中，在31年的研究中，所有四个城市的观察温度分布在一个非常小的范围内（IQR的少量），尽管其最大值的强度和月份的最大值从城市变为城市。在所有四个城市，在五月或6月份都观察到最大温度。模型模拟5月和6月的月平均表面温度彼此非常靠近。到目前为止，由于最大温度的大小，REGCM低估了Delhi和Chennai的这些价值。在德里，观察到相对湿度在9月份具有最高值，并且风速同时平均值约为5.5m / s。在孟买，7月份观察到相对湿度的最大值，而风强度高约6.5m / s。在钦奈，11月份的最大相对湿度，随时最低的风速是最低的。在加尔各答，9月份最大的相对湿度发生，在该期间，风的媒体值约为7m / s。比较四个城市的相对湿度分布可以发现，就其最大值的分布范围而言，孟买的分布范围最小，其次是加尔各答、金奈和德里。更正确，加尔各答和钦奈几乎具有相似的范围。 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4个城市气温的年循环及其最大值的变化与IMD数据集观测值非常接近。在相对湿度的情况下，模拟的年周期与IMD数据观测到的接近，但加尔各答除外。另一方面，模型模拟的四个城市的年风周期及其最大值与IMD记录的不同。由于所有这三个天气参数在估计炎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模拟场的炎热指数的年度循环将是很有趣的。GydF4y2Ba

热量指数的年度循环GydF4y2Ba

利用IMD站数据和RegCM模拟计算的四个重要热量指数的年循环分别如图4和5所示。图4是基于IMD观测到的地表温度、相对湿度和风速。这四个城市表现出几乎相似的年循环类型，尽管在最大值和范围上存在差异。详细的比较揭示了一些相似之处。除了冬季钦奈的HI和Humidex以及5月和6月加尔各答的HI外，四个选定城市的四个指数的iq值都很小或很小。从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。另一个有趣的发现是，四个城市的Humidex、HI和UTCI三个指数的年周期都比较接近，而WBGT的年周期较低。这四种高温指数最早出现在4月份的金奈，随后是5月份的孟买和加尔各答，最后是6月份的德里。GydF4y2Ba

图5显示了根据RegCM模拟的地表温度、相对湿度和风速计算出的四种热量指数的年循环。德里、孟买和金奈这三个城市的图4和图5在几个方面都很接近。除了金奈1月至4月的HI和加尔各答几乎全年的Humidex之外，四个选定城市的四个指数的iq都很小或很小。与瑞士洛桑国际管理发展学院(IMD)一样，从四个城市的差距来看，WBGT似乎是最佳指数，其次是UTCI。HI在金奈表现不佳，Humidex在加尔各答表现似乎很差。另一个有趣的观察是，HI的年周期在德里、孟买和金奈等三个城市接近UTCI，而在加尔各答接近WBGT。然而，在加尔各答的WBGT(和HI)， UTCI和Humidex值相差很大，大约10个单位。在孟买、金奈和加尔各答这四个城市，四种高温指数在4 - 5月达到峰值，但变化不大，而德里则在6月下旬达到峰值。这几乎与IMD数据的情况相似。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.

表1中给出了热量指数的月平均值及其标准偏差。它表明所有热索引在德里6月份的最大值达到了德里，于4月或5月在其他三个印度大都市的5月份。这些结果确认了从图4和5获得的早期结果相同。值得注意的是，由于使用不同的公式计算这些指数的绝对值之间，不能在这些指标的绝对值之间进行直接比较。在德里，印度的首都，UTCI和Hubidex与其他两个指数相比，卓越的变化。HI在1月份最低增加25.0±0.4，以6月达到40.7±1.7的最大值。同样，Humidex在6月份的19.9±1.1之间变化到44.5±1.4。德里的WBGT是1月最低限度为14.8±0.7，欧盟的峰值为28.5±0.7。UTCI在1月份的至少15.7±1.5增加到6月达到最大值38.0±1.6。因此，在一年内的范围的检测顺序中，一个可以放置霍韦克斯（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是最低的，1月份为33.3±1.3,5月份为43.6±0.9。同样，WBGT在1月份为22.8±0.7,5月份为28.1±0.4。UTCI从1月的27.2±1.3到5月的32.6±0.8。因此，孟买的Humidex、UTCI、HI和WBGT的范围分别为10.3、9.0、5.4和5.3。GydF4y2Ba

在加尔各答的情况下，也所有热量指数都在1月份最低限度，并在5月最高。嗨范围在29.3和42.9之间。Humidex位于27到46.5之间。WBGT在19.5和29.5的范围内，因此UTCI从26.6和35.9之间变化。因此，Kolkata的Humidex，HI，WBGT和UTCI的范围分别为19.5,13.6,9.3和10。与德里和孟买不同，这里的UTCI具有最小范围而不是WBGT。GydF4y2Ba

最后在钦奈，所有热量指数也在1月份最低限度，5月最高。这里嗨范围在29.3和42.3之间。Humidex位于34.5和46.1之间。WBGT在23.5和29.3的范围内，而UTCI从26.6和36.4之间变化。因此，在加尔各答的蜂窝，HI，WBGT和UTCI的范围分别为13.0,11.6,9.8和5.8。就像在德里和孟买一样，与加尔各答不同，在钦奈WBGT的所有四个指数中都有最小范围。到目前为止，除了范围的比较而言，德里的所有指数都有最大范围，然后是加尔各答和钦奈。孟买拥有所有四个热量指数的最小范围。GydF4y2Ba

表2给出了每十年热索引的平均月变化。95％置信水平的统计学显着变化以粗体字母显示。结果，所有四个热量指数都在8月份显着增加，尽管不同的指数和城市的变化率不同。在加尔各答的HI中发生的最高速率（1.15），最低（0.22）在孟买在WBGT。比较表明，在WBGT的情况下，所有四个城市的增加率相对较少。在HI，Humidex和UTCI的情况下分别在3,2和2个城市中增加超过0.50的额外增加。在WBGT的情况下，所有四个城市的增加率小于0.34。在所有的几个月中，HI的最大数量增加率在8月在加尔各答，价值为1.15。11月份Chennai的相应最大值为0.69。在WBGT的情况下，1月份孟买的相应值为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.

热量指数的年际变化GydF4y2Ba

有必要检查四个选定城市的四个指数在不同年份的变化情况。图6至图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。与所有四个城市基于IMD的值相比，模型模拟的HI值被高估。在德里，高估是最大的。事实上，没有观察到任何显著的趋势。与德里相比，该模型模拟的孟买、钦奈和加尔各答的HI变化更接近基于观测值的变化。在孟买，观测和模型模拟都有类似的增长趋势。在钦奈和加尔各答，模拟HI变化显示出下降趋势，与观察到的上升趋势相反。GydF4y2Ba

Humidex的年际变化(图7)表明，与基于IMD观测的相比，模式模拟的Humidex值被高估了。4个城市Humidex的变化特征或多或少与HI相似，但也有一些例外。在孟买，RegCM的结果与观测结果非常接近。加尔各答的值也非常接近，除了基于Humidex指数的模型有更多的波动，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。与所有四个城市基于IMD数据的WBGT相比，模型模拟的WBGT值被低估。德里的低估率最高，孟买最低。在所有四个城市，WBGT的增长趋势大致相似。模型模拟UTCI（图9）值被高估，与HI和Humidex的情况类似，孟买除外。在孟买，与基于IMD观测的模型值相比，模型值被严重低估。就趋势而言，UTCI表现出与HI和Humidex相似的特征。GydF4y2Ba

讨论和结论GydF4y2Ba

各种研究推断，在印度发生的极端高温事件有所增加。观察结果也证实了这些研究的发现。由于温度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。这些极端情况对疾病和人类健康的间接影响也是需要监测和采取适当预防措施的重要事实。也有迹象表明，未来热浪状况将会增强，对社会产生明显的不利影响。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影响。然而，在一些发达国家，已经进行了相关的科学研究，以期利用这些重要的发现在其执行方面向人民发出警告，并在这一过程中拯救宝贵的生命。根据生理测量制定适当的热量指数，在国家一级绘制这些指数，并将其应用于适当的人性化预警系统，是科学调查为社会造福的实际应用的关键。在印度，一些地区进行了一些工业比热指数，特别是WBGT的测量。 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量指数。本研究计算HI、Humidex、WBGT和UTCI，因为这些主要是在其他国家使用。如今，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。在未来的预估中使用模式输出之前，所有的气候模式都应该对当前的气候进行验证。为此，本研究采用50km水平分辨率的RegCM4.3模式，并利用相应的IMD观测数据对模拟的地表温度、相对湿度和风速进行了验证。因此，在四个选定的城市动态地缩小字段，即。德里、孟买、金奈和加尔各答被用来计算四个高温指数。类似地，IMD观测数据被用来计算同样的四个热指数。研究期间为1975年至2005年，可视为目前的气候。 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.

从这里获得的结果来看，它不能推断出四个最常用的指数中的哪一个比其他索引用于印度地区的索引更有利于。然而，结果表明，WBGT是全球流行的热量指数之一，表现出其年度周期的相似特征，以及这里考虑的所有四个城市的年度际变化。该热指数由REGCM最合适。因此，以WBGT开始，可以用于在不同的月份和年内映射整个印度，以便详细研究其特征。来自CMIP5的气候预测可用于不仅映射WBGT，还可以在验证模型后将其他有用的热索引映射到未来。使用适合印度气候的模型输出计算的热索引的集合可能是印度不同地区舒适分类的首选。GydF4y2Ba

表1：印度四大大都市城市的热指数的月度平均值及其标准偏差。第一个到最后一行中的值分别代表德里，孟买，加尔各答和钦奈。GydF4y2Ba

	你好GydF4y2Ba	humGydF4y2Ba	WBGTGydF4y2Ba	UTCI.GydF4y2Ba
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±.1GydF4y2Ba
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
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
七月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
八月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
九月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
十月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测量印度不同地区的WBGT，并在当地居民的参与下对这些地区的人类舒适度进行分类。值得注意的是，今天印度并不经常进行WBGT测量。因此，从今年开始，我们正在以项目模式(由印度政府科学技术部赞助)，在印度5个城市根据WBGT的阈值来测量WBGT和人类舒适度。这种活动可以通过将协调措施扩大到印度其他几个城市来加强。这一步骤将产生数年的地面数据，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热门指数（每十年）的平均月度率的平均月度统计数据。第一个到最后一行中的值分别代表德里，孟买，加尔各答和钦奈。统计上显着的（95％置信水平）值是“粗体”字体。GydF4y2Ba

	你好GydF4y2Ba	humGydF4y2Ba	WBGTGydF4y2Ba	UTCI.GydF4y2Ba
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
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
七月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
八月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
九月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
十月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

人类舒适度的分类是基于高温指数的阈值。印度的重要地表参数，如温度、相对湿度、风和太阳辐射，有必要根据印度的情况适当调整现有的热指数。对于未来，可以为印度的不同气候区域设置适当的阈值，方法是对现有的舒适度分类进行修正，使其适合印度的气候条件。由于空气污染也影响大气参数，这方面可以进一步引入热指数估计。也可以进行研究，以找出死亡率与循环问题或呼吸问题时，温度热不适增加。GydF4y2Ba

致谢GydF4y2Ba

我们感谢印度政府科学技术部提供的财政支持，包括在印度理工学院德里分校成功完成的气候变化和人类健康网络项目下的DST/CCP/(NET-2)/PR-36/2012(G)研究赠款(RP2726)。部分工作也在印度理工学院德里分校的“DST气候模拟中心”的支持下进行。在这项工作的最初阶段，与博士进行了实质性的讨论。Tord Kjelstrom和Bruno Lemke。作者承认他们的帮助。GydF4y2Ba

参考文献GydF4y2Ba

1. IPCC，政策制定者摘要，气候变化：影响，适应和脆弱性。第二次工作组委员会对政府间气候变化小组第四次评估报告，剑桥大学出版社，剑桥，英国，P。17（2007）。GydF4y2Ba
2. Dash，S.K.，Kulkarni，M. A.，Mohanty，U. C.和Prasad，K.印度雨事件特征的变化，地球症。Res，114，D10109，DOI：10.1029 / 2008JD010572（2009）。GydF4y2Ba
3. 中国科学院地理科学与资源研究所，北京100193。流星。Climatol。,50, 1842–1858. DOI: http://dx.doi.org/10.1175/2011JAMC2687.1 (2011).
   十字架GydF4y2Ba
4. Dash, S.K., Nair, A. A, Kulkarni, M. A. and Mohanty, U. C., Changes in the long and short spells of different rain intensities in India, Theoretical and Applied Climatology, DOI: 10.1007/s00704-011-0416-x(2011).
5. Patz，J.A.，Engelberg，D.，最后，J.，改变天气对公共卫生的影响。公共卫生年度审查。21（1），271-307（2000）。GydF4y2Ba
   十字架GydF4y2Ba
6. USGCRP，美国的全球气候变化影响。卡尔，T.R.，梅利洛，J.M.，彼得森，T.C.（编辑）。美国全球变化研究计划。剑桥大学出版社。美国纽约（2009年）。GydF4y2Ba
7. 米尔斯，D。M气候变化、极端天气事件和美国健康影响：我们能说什么？职业与环境医学杂志。51(1), 26-32(2009).GydF4y2Ba
   十字架GydF4y2Ba
8. Hoppe，P.热平衡造型经验49.Birkhfiuser Verlag.ch-4010巴塞尔/瑞士（1993）。GydF4y2Ba
9. Parsons，K.，人类热环境：热，中等和冷环境对人类健康，舒适性和性能的影响。第3版。CRC按（2014）。GydF4y2Ba
   克罗斯冻剂GydF4y2Ba
10. 谁，欧洲区域办事处，热卫生行动计划，指导报告，（2008）http://www.euro.who.int/__data/assets/pdf_file/0006/959/e91347.pdf。GydF4y2Ba
11. 陈志强，陈志强，陈志强，等。热舒适与热压力的关系研究。环境科学，vol.44, pp . 388-398(2006)。GydF4y2Ba
    十字架GydF4y2Ba
12. 世卫组织，改善公共卫生反应极端天气/热浪 - 欧元热，会议报告，德国波恩，2007年3月22日至23日.Who.int/__data/assets/pdf_file/0018/112473/e91350.pdfGydF4y2Ba
13. 奥利弗，J。E.，威尔逊，L。日本的气候分类。E奥利弗和R。W费尔布里奇（eds）。气候学百科全书GydF4y2Ba,GydF4y2Bavan Nostrand Reinhold公司。新工作。第221-236（1987）。GydF4y2Ba
14. 印度大城市的高温压力，Vayu Mandal杂志。pp94 - 102(2014)。GydF4y2Ba
15. Dash，S.K.和Kjellstrom T。《印度气温上升背景下的工作场所热应激》，《当代科学》，第101卷，第4期，第496-503页（2011年）。GydF4y2Ba
16. 罗斯福兹，L。P热指数方程（或者，比你想知道的更多）。GydF4y2BaNWS南区技术附件。SR / SSD 90 - 23日GydF4y2Ba沃思堡，TX（1990）。GydF4y2Ba
17. 陈志强，陈志强，陈志强。一种测量人体不适的方法。《安大略省唐斯景观:加拿大环境部》，45页(1979年)。GydF4y2Ba
18. Yaglou，C.P.，Minard，D.控制军事训练中心的热伤亡。AM Med Assoc Arch Ind Health .16：302-316（1957）。GydF4y2Ba
19. 王志强，王志强，王志强，等。干热气候和湿热气候下环境压力指数(ESI)的评价。环境科学与技术。vol.44, 399 - 403页(2006)。GydF4y2Ba
    十字架GydF4y2Ba
20. ISO 7243热应力标准及其全球应用，工业卫生。vol44 pp368 - 379(2006)。GydF4y2Ba
    十字架GydF4y2Ba
21. ACGIH tlv和BELs:化学物质和物理药剂的阈限值和生物暴露指数。ACGIH，辛辛那提，168-176页(2004)。GydF4y2Ba
22. 工作场所热压力与健康——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. 根据气象数据计算工作场所WBGT:气候变化评估工具，《工业健康》。60岁,267 - 278页(2012)。GydF4y2Ba
    十字架GydF4y2Ba
24. Liljegren，J.，Carhart，R.，Lawday，P.，Tschopp，S.，Sharp，R。使用标准气象测量建模湿灯泡温度。职业与环境卫生杂志3：645-655（2008）。GydF4y2Ba
    十字架GydF4y2Ba
25. Bernard，T.E。，Pourmoghani，M。工作场所湿灯泡全球温度的预测。应用职业和环境卫生14：126-134（1999）。GydF4y2Ba
    十字架GydF4y2Ba
26. Brice，T。，Hall，T.，Wet-Bulb计算器http://www.srh.noaa.gov/epz/?n=wxcalc（2009）。GydF4y2Ba
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，国际生物气象学杂志。第56卷，第443-460页。内政部：101007/s00484-011-0450-5（2011）。GydF4y2Ba
28. 乔治，F.，科波拉，E.，索尔蒙，F.，马里奥蒂，L.，塞拉，M.B.，比，X.，埃尔金迪，N.，迪罗，G.T.，奈尔，V.，朱利安尼，G.，图伦科卢，U.U.，科奇尼，S.，古特勒，I.，奥布莱恩，T.A.，陶菲克，A.B.，沙拉比，A.，扎基，A.S.，斯坦纳，A.L.，RegCM4：模型描述和多个CORDEX域的初步测试。气候研究。第52卷：2012年7月至29日。内政部：10.3354/cr01018（2012）。GydF4y2Ba
29. Dickinson，R.E.，Henderson-Sellers，A.，Kennedy，P.J.生物圈 - 大气转移计划（蝙蝠）版本1E耦合到NCAR社区气候模型，Tech。代表，国家大气研究中心（1993年）。GydF4y2Ba
30. 一种用于短期天气预报的高分辨率气团转换模式。星期一天气Rev 118:1561-1575(1990)。GydF4y2Ba
    十字架GydF4y2Ba
31. 伊曼纽尔·卡，Zivkovic Rothman M（1999）气候模型中对流方案的开发和评估，大气科学杂志56:1766–1782（1999）。GydF4y2Ba
    十字架GydF4y2Ba
32. GRELL GA，预后评估积云参数化使用的假设。Mon Weather Rev 121：754-787（1993）。GydF4y2Ba
    十字架GydF4y2Ba
33. PAL，J.，Small，E，E.和Eltahir，E.，2000年，“区域规模水和能源预算的模拟：Regcm内的亚底云和降水过程的代表性”，J.Leophys。Res，105，D24：29579-29594（2000）。GydF4y2Ba
    十字架GydF4y2Ba
34. Giorgi, F., Coppola, E., Raffaele, F., Diro, G.T., Fuentes-Franco, R., Giuliani, G., Mamgain, A., Llopart M.P., Mariotti L., Torma C. Change in extremes and hydroclimatic regimes in the CREMA ensemble projections. Climatic Change, 125, 39-51 DOI: 10.1007/s10584-014-1117-0 (2014).
    十字架GydF4y2Ba
35. Coppola, E., Giorgi, F., Raffaele, F., Fuentes-Franco, R., Giuliani, G., LLopart-Pereira, M., Mamgain, A., Mariotti, L., Diro, G.T., Torma, C. Present and future climatologies in the Phase I CREMA experiment. Climatic Change, 125, 23-38, DOI: 10.1007/s10584-014-1137-9 (2014).
    十字架GydF4y2Ba
36. 达什，S。K.，米什拉，S。K.，帕特纳亚克，K。C.，Mamgain，A.，Mariotti，L.，Coppola，E.，Giorgi，F。朱利安尼，G。预计21世纪印度及邻近地区的季节平均夏季风GydF4y2Ba^{英石GydF4y2Ba}世纪，理论和应用气候学GydF4y2Ba,GydF4y2Ba第122卷，第3-4号，第581-593 DOI：10.1007 / S00704-014-1310-0（2015）。GydF4y2Ba