《Temperature》：Physical performance in elite male soccer under extreme heat: A case study of the 2025 FIFA Club World Cup
引言
气候变化及其引发的全球变暖在过去几十年因人类活动而加速，影响着我们生活的方方面面，包括工作生产力和户外体育活动的参与。气候变化导致热浪更频繁、更持久、更强烈，这增加了运动员在训练和比赛中暴露于不利环境条件的机会。环境热应激已成为大型体育赛事组织者、教练团队和运动员关注的问题，包括最近两届夏季奥运会的参与者。
精英男子足球比赛以高强度进行，估计代谢率约为11 W/kg或70公斤运动员的770 W。在一场完整的官方足球比赛中，世界级的防守型和中场球员可以跑动约11.5公里，有些球员甚至超过13.0公里。根据其位置角色，球员总距离的9.7%至10.1%是以≥20.0公里/小时的速度完成的，这被归类为高强度活动。由于其剧烈的体能需求，足球运动员会产生大量的代谢热，这些热量必须散发到环境中，以防止过热及其对表现的不良影响。核心体温升高会改变脑电图活动，导致自觉疲劳感增加和骨骼肌随意激活减少。皮肤温度升高则会增加热感，并缩小核心到皮肤的温差梯度，从而需要更大的皮肤血流量以实现有效的热损失。此外，身体热损失涉及出汗，这可能导致脱水、每搏输出量减少和心率增加。因此，体温调节、心血管和感知应变共同作用来调节运动表现，尤其是在环境热应激限制身体热损失时。
正如先前综述所述，环境条件影响足球运动员的体能表现。Mohr等人进行的一项开创性研究表明，在43°C气温（Ta）下的实验性比赛中，来自两个斯堪的纳维亚国家的精英男子足球运动员在较高速度下的跑动距离减少了26%，总距离缩短了7%，肌肉和核心温度比在21°C时高出约1°C。这一发现在后续研究中得到重现。例如，Nassis等人观察到，在2014年国际足联世界杯比赛中，较高的湿球黑球温度（WBGT）值与高强度跑动距离较短相关。最近，Schwartz等人分析了四个职业足球联赛（即德国足球甲级联赛和乙级联赛、日本J联赛和土耳其超级联赛）的1610场官方比赛数据，表明当WBGT或Ta较高时，总距离、高速跑和冲刺距离以及冲刺次数都较低。这些发现共同强调了环境条件对于高强度跑动（足球比赛的决定性特征）的重要性。
迄今为止的大多数研究调查了Ta或WBGT对足球运动员表现的影响。虽然Ta是大众最熟知的环境条件，但WBGT是一个考虑了自然湿球温度和黑球温度以及Ta的指数，从而考虑了相对湿度、太阳辐射和风速对环境热应激的贡献。然而，这些研究并未探讨后三个环境因素在决定运动表现中的独立作用。事实上，先前的实验室研究表明，高相对湿度或人工辐射，当与升高的Ta结合时，会降低室内长时间运动的表现。与较快的空气流速相比，静止空气和高Ta的组合也报告了类似的表现损害。
除了环境条件，一天中的时间也影响运动表现，包括初步证据表明足球运动员在夜间以中等速度跑动的距离比下午更长。值得注意的是，足球和其他体育赛事被安排在全天的不同时间，以满足电视和流媒体广播公司的利益。例如，为了增加2025年国际足联俱乐部世界杯比赛的全球观众，有几场比赛被安排在美国的下午早些时候，这对应于其他关键全球市场（如欧洲、非洲和亚洲）的傍晚/夜间时间。一天中的时间是否影响足球比赛中的体能表现仍有待确定。此外，环境条件在一天中波动，Ta通常在下午达到峰值，而太阳辐射在夜间消失。因此，有必要研究一天中时间对表现的影响（如果确实存在）是独立于还是依赖于环境条件。缺乏对环境条件的监测是dos Santos研究的一个重要局限性，该研究报告了夜间比下午跑动距离更长。
文献中另一个被忽视的问题是俱乐部的地理起源是否影响其在炎热条件下的表现。先前一项关于精英足球的研究发现，当比赛日温度较高时，来自温暖气候的国家队在与来自较冷气候的国家队比赛时获胜的几率会增加。在美国国家橄榄球联盟（NFL）的背景下也报告了类似的发现：在北方（纬度>39°N）和南方（<39°N）球队之间的比赛中，随着比赛日温度的升高，北方球队获胜的可能性降低，得分差更差。有趣的是，作者提出，与其说是生理优势，不如说来自温暖气候地区球队的球员可能发展了行为和心理适应（例如，应用降温策略和对高温的感知反应减弱），从而可以在环境热应激下优化表现。由于这些研究侧重于比赛结果，地理起源对足球俱乐部表现的影响仍有待研究。
美国主办了2025年国际足联俱乐部世界杯，共有来自世界各地的32支足球队参加。比赛在各种环境条件下进行，例如热浪期间；因此，本次赛事的数据可能为热应激如何影响精英男子足球的体能表现提供独特的见解。因此，本研究调查了环境条件是否影响足球运动员在正式比赛中的表现。我们评估了除Ta以外的构成环境条件的其他因素的影响，以及一天中的时间和俱乐部地理起源的影响。我们的假设有三点。首先，高相对湿度和太阳辐射，结合高Ta，会损害高速跑动。其次，球员在傍晚比在下午以更高速度跑动更长的距离。第三，尽管存在环境热应激，来自温暖气候的俱乐部的表现将优于来自寒冷气候的俱乐部。
方法
研究设计
这项探索性研究调查了2025年国际足联俱乐部世界杯期间环境条件与球员体能表现之间的关系。球员表现数据从国际足联技术报告中提取，而环境数据则通过再分析v5（ERA5）项目获得。
该赛事于六月和七月举行，处于春末向夏初的过渡期，这是一年中最暖和的时期。值得注意的是，一场广泛的六月下旬热浪影响了美国中部和东部大部分地区，从6月22日至25日，有726个县记录了创纪录的日最高气温。
尽管赛事共包括63场比赛，但我们分析了57场比赛的数据。在亚特兰大举行的六场比赛未被考虑，因为体育场有可伸缩顶棚且全程关闭。因此，运动员暴露在受控的环境条件下，包括大约22°C（72°F）的Ta。
环境变量和表现变量之间的关系使用混合效应线性模型进行评估。由于所有球员的技术报告都是公开的，因此不需要伦理批准。
球员和球队特征及其体能表现数据
该研究包括442名职业男子外场足球运动员，平均年龄为27.4±4.6岁（范围：18.0–42.5岁）。球员年龄信息从互联网上提取，使用Google Gemini深度研究工具。Google Gemini被提示对每个球员的姓名进行搜索，并以CSV文件格式返回其出生日期。
所有比赛均使用多摄像头、基于计算机的追踪系统（Hawk-Eye Innovations Ltd, Basingstoke, United Kingdom）进行分析，该系统声称能提供客观、高精度的比赛动作数据。它由国际足联和Hawk-Eye Innovations的合资企业足球技术中心AG开发，并首次在国际赛事中使用。该系统通过追踪球员和球，以100 Hz的帧率实时自动收集大部分事件数据，从而持续监控球员的空间位置和球轨迹。
分析包括每场比赛每名球员的个体数据。从技术报告中提取了以下数据：总跑动距离和不同速度下的跑动距离：0–7公里/小时（区域1）、7–15公里/小时（区域2）、15–20公里/小时（区域3）、20–25公里/小时（区域4）和≥25公里/小时（区域5）。这些速度区域在精英足球中已使用超过十年。由于峰值速度值不可靠，我们未分析峰值速度。区域1和区域2的跑动距离之和代表低速跑动，而区域4和区域5的跑动距离之和代表高速跑动。然后，将距离（米）按每名运动员每场比赛的出场时间（分钟）进行标准化（米/分钟）。为了文本流畅，经时间标准化的距离在文中简称为距离。
使用出场时间至少60分钟的球员数据进行线性混合效应模型分析；这个时间阈值与先前研究采用的一致。守门员因其与外场球员截然不同的体能需求而被排除在分析之外。最终，有1070条记录符合纳入标准并用于我们的统计分析。
球员根据其在国际足联技术报告中描述的位置角色分为三类：后卫（DF; n=175）、中场（MF; n=159）和前锋（FW; n=108）。
确定了32支参赛球队的所在城市，并使用柯本-盖格气候分类系统将这些城市的气候分类为温暖（即，炎热沙漠和热带气候；n=9）或寒冷（其他气候；n=23）。2010年至2024年间记录的年平均Ta（平均值±标准差）在温暖和寒冷气候城市分别为23.9±3.0°C和14.9±3.3°C（p<0.001；非配对学生t检验）。
环境条件数据
环境条件数据通过再分析v5（ERA5）获得，这是全球气候的第五代大气再分析，覆盖时间从1940年1月至今。ERA5由欧洲中期天气预报中心（ECMWF）的哥白尼气候变化服务产生。该再分析提供了大量大气、陆地和海洋气候变量的每小时估计值。数据覆盖全球31公里网格，并将大气从地表到80公里高度分解为137层。更具体地说，ERA5提供了Ta、露点温度（Td）、地表短波辐射通量（简称辐射；R）和风速（W）的数据。本文中使用的其他气象变量通过既定方程计算。
给定时间的变量测量值被认为代表前60分钟。例如，如果一场比赛在13:00 UTC开始，则在14:00和15:00 UTC收集环境变量。然后，将收集到的值（即在14:00和15:00 UTC）取平均值以代表该特定比赛的环境条件，从而确保足够的时间分辨率。在有加时赛或因恶劣天气长时间中断的情况下，会收集额外一或两个小时的数据。关于空间分辨率，我们使用最接近体育场坐标的网格点，因为每个点代表其各自网格单元内的空间平均值。总的来说，这些具有足够时间和空间分辨率的数据使我们能够估算运动员在比赛期间经历的热应激。
获得的环境参数包括：Ta（°C）、Td（°C）、R（W·m?2）和W（m·s?1）。W使用以下方程（Steadman）从10米高度的测量值调整到2米高度：W = W10m× (2/10)0.21。
相对湿度（RH, %）和绝对湿度（AH, g·m?3）通过以下方程序列计算：
es(Ta) = 6.112 × exp(17.67 × Ta/ (Ta+ 243.5))
es(Td) = 6.112 × exp(17.67 × Td/ (Td+ 243.5))
RH = 100 × (es(Td) / es(Ta))
AH = 216.7 × es(Td) / (Ta+ 273.15)
自然湿球温度（Tn, °C）和黑球温度（Tg, °C）根据Bitencourt等人研究中应用的方程估算：
Tn= 0.57175 × Td+ 0.19447 × Ta? 0.26523 × W ? 0.05134 × RH + 10.44966
Tg= 1.374385 × Ta+ 0.083627 × RH ? 1.021632 × W
WBGT指数（°C）使用Yaglou和Minard的方程计算：
WBGT = 0.7 × Tn+ 0.1 × Ta+ 0.2 × Tg
接下来，我们计算了在WBGT值≤26°C、26–28°C、≥28°C、≥30°C和≥32°C下进行的比赛百分比。这些阈值基于先前概述足球热射病风险的WBGT阈值的文献。澳大利亚足球协会和全球职业足球运动员代表组织（FIFPRO）采用的指南表明：（I）当WBGT≤26°C时，比赛可按计划进行；（II）当WBGT在26°C至28°C之间时，应在每半场实施降温暂停；（III）当WBGT≥28°C时，应延迟或推迟比赛。28°C的WBGT阈值也对应于当前马拉松的“允许”上限热阈值。相比之下，国际足联指南指出，WBGT值在30°C至32°C之间与高热病高风险相关，而值≥32°C与极端风险相关。事实上，国际足联发布的一份医疗报告指出，如果WBGT读数≥32°C，必须进行降温暂停，或者比赛可能被推迟或取消。由于国际足联的指南似乎不如其他运动或传统上暴露于极端高温条件的国家的指南具有保护性，我们采用了更保守的指南，并将WBGT≥28°C归类为极端高温。
统计分析
通过图形化和Kolmogorov-Smirnov检验评估所有线性模型的残差和随机效应的正态性，同时通过图形化评估同方差性（数据见补充材料）。除非另有说明，所有结果均报告为平均值±标准差（SDs）。使用非配对学生t检验比较下午和晚上比赛的环境条件（Ta、Td、Tg、Tn、WBGT、RH、AH、R和W）。
拟合了四个不同的线性混合效应模型，以评估环境条件对每分钟冲刺跑（区域5）、高速跑（区域4和5）、中速跑（区域3）和低速跑（区域1和2）以及比赛期间每分钟总跑动距离的影响。关于冲刺跑（区域5）的数据明显偏离正态分布并违反同方差性假设，因此未在本文中呈现。
球员被建模为随机效应。固定效应包括已知会影响体能表现的情境和个体因素，例如对手质量、球员位置和球员年龄。对手质量通过两个不同的因素来解决：赛事阶段（小组赛 vs. 淘汰赛）和最终排名的差异。这些固定效应作为我们分析中的阳性对照被纳入。其他感兴趣的固定效应也被纳入，例如一天中的时间（下午或晚上）和俱乐部的地理起源（温暖 vs. 寒冷气候），正如引言部分所论证的。此外，每个模型都输入了不同的环境变量。
值得注意的是，模型3考虑了AH，因为这个气象变量（而非RH）主导蒸发速率。模型4包括计算WGBT所需的三个温度（模型1），但去除了计算过程中分配给这些温度的权重。
数值变量——球员年龄、Ta、Tg、Tn、AH、RH、WBGT和R——通过从每个观测值中减去变量的平均值进行中心化。这个过程使模型的截距更有意义并提高了可解释性。使用方差膨胀因子（即，VIF>10表示共线性）分析自变量之间的共线性。进行Tukey事后检验以确定球员位置之间是否存在显著差异。计算条件R2来描述固定效应和随机效应共同解释的方差，计算边际R2来描述仅由固定效应解释的方差。使用Akaike信息准则（AIC）比较模型；AIC值最低的模型被认为是最简约的。使用p值评估个体固定效应的统计显著性。
使用RStudio软件版本2025.05.0 Build 496? 2009–2025 Posit Software, PBC，配合R版本4.5.0进行统计分析。混合效应线性分析使用lme4和lmerTest包进行。统计显著性水平设定为p<0.05。
结果
数据集特征
分析的数据集包括1070条观测值，其中436条、391条和243条分别来自后卫、中场和前锋球员。此外，数据集包括不同数量的观测值用于赛事阶段（小组赛：833 vs. 淘汰赛：237）、地理起源（温暖气候：316 vs. 寒冷气候：754）和一天中的时间（下午：618 vs. 晚上：452）。
球员的平均总跑动距离为104.0±10.8米/分钟。在这个距离中，球员平均以高速跑动7.3±2.7米/分钟，以中速跑动13.7±4.15米/分钟，以低速跑动83.0±6.92米/分钟。
57场比赛期间的环境条件数据总结在表2中。所有变量的变异系数（CV）都很高（≥15.2%），表明比赛在各种不同的环境条件下进行。值得注意的是，太阳辐射是异质性最强的变量（CV=85.1%）。本菲卡对阵拜仁慕尼黑（下午3点，夏洛特）的比赛发生在最高的Ta（37.4°C）和较高的WBGT（32.9°C）下，而国际米兰对阵浦和红钻（中午12点，西雅图）的比赛发生在最低的Ta（12.7°C）和较低的WBGT（15.8°C）下。
在分析的57场比赛中，平均WBGT值≤26°C的有17场（29.8%）。此外，平均WBGT高于26°C但低于28°C的有9场（15.8%），但≥28°C的有31场（54.4%）。重要的是，有13场和2场比赛是在平均WBGT≥30°C和32°C的条件下进行的。如果仅考虑第一小时，当环境变量值相对于第二小时及后续小时升高时，WBGT≥30°C和32°C的比赛分别有16场和4场。
33场（57.9%）比赛在下午进行（即，在下午5点或更早开始）。其余24场比赛（42.1%）在晚上进行（下午6点或更晚开始）。晚上比赛的Ta、Tg、WBGT、AH和R均低于下午比赛。RH是唯一在晚上较高的变量。Td、Tn和W在不同时间点之间未观察到显著差异。
体能表现的统计建模
在测试的四个线性混合效应模型中，模型3和模型4的结果因自变量之间不可接受的共线性而被人为放大：模型3中的Ta和AH；模型4中的Ta、Tn和Tg（VIF远高于10，如补充表格S41至S48所示）。由于这两个模型在不同速度跑动距离的分析中也存在共线性，因此未在本文中进一步考虑。为每个表现变量测试的剩余两个模型具有相似的AIC值，阻碍了最佳模型的识别。条件R2值范围从0.668（高速跑动距离，模型1）到0.801（总距离，模型1），而边际R2值范围从0.166（高速跑动距离，模型1）到0.383（总距离，模型1）。这些差异的条件和边际R2值表明，很大比例的方差是由我们模型中未评估的因素解释的，例如个体差异。
球员年龄对总跑动距离和不同
