全球中低緯度降水量時空特征分析

摘要：基于1982年1月至2022年4月全球降水量的月平均數(shù)據(jù)資料，利用循環(huán)平穩(wěn)經(jīng)驗正交函數(shù)（CSEOF）方法，討論了第一、二模態(tài)的空間分布和時間序列，分析了全球中低緯度海洋降水量的空間分布、季節(jié)變化特征和年際變化特征，討論了可能引起該變化的原因。結(jié)果表明，降水量的年際變化呈現(xiàn)周期性變化特征，其主要變化區(qū)域分布在熱帶太平洋地區(qū)，第一模態(tài)空間場呈現(xiàn)東-西反相位振蕩特征，冬季強(qiáng)于夏季；第二模態(tài)空間場季節(jié)變化相對于第一模態(tài)空間場更為復(fù)雜，冬季正負(fù)變異高值區(qū)主要表現(xiàn)為東-西反相位振蕩特征，而夏季以負(fù)變異區(qū)為主，變異區(qū)強(qiáng)度較弱。第一模態(tài)時空變化特征主要受到厄爾尼諾-南方濤動（ENSO）現(xiàn)象影響，而第二模態(tài)主要受到中部型厄爾尼諾（El Ni?o Modoki）現(xiàn)象影響，降水量的主要變化特征受到兩種現(xiàn)象的疊加影響。

關(guān)鍵詞：循環(huán)平穩(wěn)經(jīng)驗正交函數(shù);全球降水;厄爾尼諾-南方濤動;CMAP數(shù)據(jù)集

中圖分類號：P426.61+1文獻(xiàn)標(biāo)志碼：A文章編號：1002-4026（2024）06-0125-10

全球氣候變化給自然生態(tài)系統(tǒng)和人類社會帶來了深刻影響[1-2]。隨著全球大氣環(huán)境、水汽循環(huán)、降水帶和海水溫度逐漸變化，全球天氣系統(tǒng)的穩(wěn)定性受到影響，導(dǎo)致近年來全球尺度上各種極端氣象災(zāi)害頻發(fā)[3-6]。氣候系統(tǒng)中的水循環(huán)一直處于不斷運轉(zhuǎn)演化和更新狀態(tài)，而降水量是水循環(huán)過程中最基本的環(huán)節(jié)，它受多種因素影響，包括大氣環(huán)流、緯度、海拔以及地形等，其變化規(guī)律十分復(fù)雜，對自然生態(tài)系統(tǒng)、水利農(nóng)業(yè)以及人類發(fā)展等都會產(chǎn)生巨大影響[7]，而在中低緯度地區(qū)，海洋面積占大部分，它覆蓋了“21世紀(jì)海上絲綢之路”大部分國家，因此，海洋與大氣的相互作用不但影響著全球氣候變化[8]，還關(guān)系到我國的參與和引領(lǐng)全球經(jīng)濟(jì)治理重大戰(zhàn)略部署以及海洋強(qiáng)國目標(biāo)[9-10]。降水量作為中低緯度氣候中的敏感因子，研究其時空變化特征，不但能進(jìn)一步了解全球氣候變化，加深對中低緯度氣候變化的理解，也會直接或間接的對工農(nóng)業(yè)生產(chǎn)的穩(wěn)定運行、糧食安全、水利發(fā)展、河流防洪等產(chǎn)生有利影響[11-13]。

近年來國內(nèi)外學(xué)者對全球降水量的變化特征有著大量研究，Chen等[14]利用兩種誤差分解方案，對在不同季節(jié)、不同降雨強(qiáng)度和不同地形類別下的誤差分量進(jìn)行分析，得到了改進(jìn)衛(wèi)星降水反演和誤差調(diào)整模型的方法；Xiang等[15]通過將8個全球常用降水?dāng)?shù)據(jù)集的數(shù)據(jù)與實地雨量觀測數(shù)據(jù)進(jìn)行比較，對在中國、歐洲和北美洲的1 382個流域內(nèi)，1998—2015年期間的水文模型性能進(jìn)行了系統(tǒng)性評估；Anh等[16]基于全球格點降水?dāng)?shù)據(jù)，利用Thiessen 多邊形方法和線性最小二乘回歸方程法來分析數(shù)據(jù)缺失區(qū)域的干旱變化特征。但這些研究更多傾向于對數(shù)據(jù)自身的處理分析。而對降水量變化特征研究，往往是針對局部地區(qū)進(jìn)行的，例如Li等[17]通過分析1960—2019年長江流域所有極端降水指數(shù)的趨勢，顯示厄爾尼諾-南方濤動（ENSO）和局部效應(yīng)都是控制該區(qū)域降水極端空間時間變異性的重要驅(qū)動因素。QI等[18]基于1961—2016年期間來自117個氣象站的日降水和溫度數(shù)據(jù)，分析了在ENSO背景下中國干旱區(qū)的降水、年均溫度以及干旱區(qū)面積等時空變化特征。

循環(huán)平穩(wěn)經(jīng)驗正交函數(shù)（CSEOF）是一種多用于分析海洋熱力學(xué)特征的時空變化的分析法[19]，考慮到降水量作為中低緯度海氣相互作用的重要一環(huán)，CSEOF方法也應(yīng)適用于探究降水量的年際變化，在以往對降水量的研究中鮮有利用該方法進(jìn)行分析的研究，相比于傳統(tǒng)經(jīng)驗正交函數(shù)分析法（EOF），CSEOF方法除了能體現(xiàn)降水量在長周期背景下的年際變化特征，還能反映其長周期背景下的短周期季節(jié)變化。

本文收集了全球1982年1月至2022年4月40年間全球大氣降水量的月平均數(shù)據(jù)資料，采用CSEOF方法對降水量進(jìn)行相關(guān)計算，相對于前人研究，本文研究的空間范圍更廣，時間跨度更大，且相比于傳統(tǒng)的EOF分析，進(jìn)一步反映降水量年際變化背景下的季節(jié)變化，分析了大氣降水量的氣候態(tài)特征和時空分布特征，并討論了影響全球中低緯度降水量時空變化特征的原因，以期為全球氣候變化的預(yù)報預(yù)測提供參考依據(jù)。

1資料來源和分析方法

1.1資料來源

本文選用的降水量數(shù)據(jù)來自于全球大氣降水量月平均網(wǎng)格化數(shù)據(jù)集CMAP（CPC merged analysis of precipitation， https：//www.cpc.ncep.noaa.gov/products/ global_precip/html/wpage.cmap.html），該數(shù)據(jù)集通過合并地面雨量計觀測資料、衛(wèi)星觀測降水?dāng)?shù)據(jù)、NCEP-NCAR再分析資料等多種不同來源的降水?dāng)?shù)據(jù)而成，多源數(shù)據(jù)的整合方法使得CMAP數(shù)據(jù)集在質(zhì)量和空間覆蓋上得到了顯著提升，數(shù)據(jù)覆蓋區(qū)域包括陸地與海洋，南極洲以及北冰洋在內(nèi)的部分地區(qū)，網(wǎng)格精度為2.5°×2.5°，時間跨度為1982年1月至2022年4月，本文空間范圍選取為50°S—50°N。

Nino3.4指數(shù)來源于美國國家海洋大氣局（NOAA）氣候預(yù)報中心（climate prediction center，http：//www.cpc.ncep.noaa.gov/products/analysis_monitoring/ensostuff/ ensoyears.shtml）提供。

1.2計算方法

循環(huán)平穩(wěn)經(jīng)驗正交函數(shù)（CSEOF）是以經(jīng)驗正交函數(shù)分解法（EOF）為基礎(chǔ)的一種周期性的平穩(wěn)特征值分析算法，EOF分析方法在氣象研究中經(jīng)常用于提煉氣象要素的矩陣信息，它能夠通過分析矩陣數(shù)據(jù)的結(jié)構(gòu)特征，將三維變量（經(jīng)度、維度、時間）分解為多個兩維的空間模態(tài)和對應(yīng)的一維時間序列的乘積，并按照方差貢獻(xiàn)率降序排列，表達(dá)為：

Tr，t=∑iPCitLir，t，（1）

式中PC為時間系數(shù)，L為空間模態(tài)，i為空間模態(tài)的數(shù)目，其中方差貢獻(xiàn)率越大的模態(tài)包含的矩陣信息越多，可以認(rèn)為第一模態(tài)包含了整個矩陣的最多信息，第二模態(tài)次之[19]。

但傳統(tǒng)EOF的協(xié)方差矩陣不會隨時間而發(fā)生變化，然而許多氣候?qū)W變量的統(tǒng)計數(shù)據(jù)在年變化的基礎(chǔ)上還表現(xiàn)出強(qiáng)烈的嵌套變化（月、日等），而CSEOF是將協(xié)方差矩陣設(shè)置成一個可以隨著時間發(fā)生變化的周期性函數(shù)，其最大的優(yōu)點是可以體現(xiàn)一個變量場疊加在長周期變化背景下的短周期變化，這是傳統(tǒng)的 EOF方法所無法實現(xiàn)的[20-23]，在CSEOF中，時空二維數(shù)據(jù)樣本的具體表達(dá)形式為：

Tr，t=∑iPCitLVir，t，（2）

其中空間模態(tài)記為LV，LVi不獨立于時間變量，而是限制在一個嵌套周期內(nèi)，即：

LVit=LVit+d，（3）

式中d為嵌套周期（本文的d取為12個月）。Kwang等[22]通過對8種特征值分析法進(jìn)行比較，得出了EOF、CSEOF、旋轉(zhuǎn)經(jīng)驗正交函數(shù)REOF等方法的優(yōu)缺點，表明對于具有周期穩(wěn)態(tài)的數(shù)據(jù)，CSEOF方法相比于其他方法能夠更好的識別每個獨立的模態(tài)，可以有效并準(zhǔn)確分析具有循環(huán)統(tǒng)計量的數(shù)據(jù)，且考慮到了降水量在長周期的年際變化下有短周期的季節(jié)變化，因此本文采用該方法探討降水量的時空變化特征。

2降水量氣候態(tài)特征

對40年間降水量在不同季節(jié)的氣候態(tài)分布情況進(jìn)行分析，圖1選取了中低緯度地區(qū)4個典型月份，2、5、8、11月降水量的氣候態(tài)分布特征。降水量高值區(qū)主要分布在熱帶地區(qū)，總體呈現(xiàn)緯向帶狀分布，且有明顯的季節(jié)變化。春季2月份西太平洋存在兩個高值區(qū)，第一高值區(qū)范圍較大，在太平洋西側(cè)與印度洋東側(cè)上空，主要分布在50°E—150°W，10°N—35°S的范圍內(nèi)，對比海表面溫度數(shù)據(jù)可見，該高值區(qū)的分布范圍和形狀與西太平洋暖池海域有較高的相似性，有著相同的雙舌狀結(jié)構(gòu)；第二高值區(qū)強(qiáng)度較小，位于北太平洋海域上空，分布在140°W—140°W，30°N —45°N的范圍內(nèi)，兩個高值區(qū)強(qiáng)度隨季節(jié)變化明顯。隨時間推移，3、4月份第一高值區(qū)高值中心相對于2月份向西北方向偏移，且強(qiáng)度逐漸減小，第二高值區(qū)向西南方向偏移，逐漸與第一高值區(qū)匯合，至5月份總體強(qiáng)度達(dá)到最?。?月份開始，高值區(qū)強(qiáng)度回升，7、8月份強(qiáng)度逐漸增大，且空間范圍更加集中，至8月份達(dá)到最大強(qiáng)度，兩個高值區(qū)融合在一起，范圍大致在50°E—170°W，18°S —40°N的范圍內(nèi)；9月份開始至次年2月，高值區(qū)強(qiáng)度開始減弱，且總體向東南、東北方向延伸，第一、第二高值區(qū)逐漸分離，回歸2月份的分布特征，總體而言，第一高值區(qū)隨季節(jié)在西北-東南方向來回移動，第二高值區(qū)則隨季節(jié)在西南-東北方向來回移動。

在東太平洋和大西洋中部的低緯度地區(qū)，還存在兩個范圍較小的第三、第四高值區(qū)。具體而言，東太平洋的第三高值區(qū)在8月份強(qiáng)度達(dá)到最大，分布在80°W—130°W，0°S—15°N的范圍內(nèi)，在8至11月份，此高值中心向西移動，且范圍逐漸縮小，12月份開始強(qiáng)度逐漸減弱，至次年2月份幾乎消失，3至5月份強(qiáng)度回升，且高值中心逐漸向東移動，6至8月份繼續(xù)東移且強(qiáng)度逐漸加強(qiáng)至最大。第四高值區(qū)的變化較為簡單，空間范圍全年變化不大，位于大西洋赤道地區(qū)，夏秋季強(qiáng)度較大，冬春季則較小。

3時空分布特征

對40年間降水量數(shù)據(jù)進(jìn)行CSEOF分析，得到前3個主要模態(tài)方差貢獻(xiàn)率分別為12.6%、5.8%和4.2%，這些已經(jīng)包含了降水量時空變化的主要信息，均可以較好的表征中低緯度降水量時空分布特征。本文主要分析前兩模態(tài)的時空分布特征，CSEOF展開后，第一模態(tài)的空間分布和時間序列分別如圖2和圖4所示，第二模態(tài)的空間分布和時間序列分別如圖3和圖5所示。結(jié)果顯示，降水量主要模態(tài)的空間場主要集中在熱帶地區(qū)，具體范圍為30°N—30°S，以及80°E—80°W。相比之下，其他區(qū)域的空間場強(qiáng)度不明顯。因此，本文僅繪制并關(guān)注這一特定范圍內(nèi)的空間場變化。

3.1降水量空間模態(tài)分布特征

降水量年際變化的第一模態(tài)占據(jù)降水量年際變化全部信息的12.6%，包含降水量變化的最主要特征，其時間序列反映了降水量的長周期年際變化（如圖4），同時12個空間場對應(yīng)了一年內(nèi)12個月，反映長周期變化下的短周期變化（如圖2），時間序列和空間場均為無量綱數(shù)。從圖2中可以看出，降水量存在明顯的東-西反相位的分布特征，整體呈現(xiàn)兩個正負(fù)值變異區(qū)，且這種特征具有明顯的季節(jié)變化：正變異高值區(qū)出現(xiàn)在太平洋中部海域上空，其中主要部分總體呈現(xiàn)橢圓形分布，分布在10°N—10°S，155°E—135°W的范圍內(nèi)，正值變異區(qū)冬季（11月—次年2月）分布范圍和強(qiáng)度達(dá)到最大，強(qiáng)度最大時東側(cè)向正東和東南方向延伸，夏季（5—8月）強(qiáng)度最弱，分布范圍明顯縮小，南北向變窄，逐漸形成東西方向的帶狀分布特征。同時在東南亞地區(qū)上空和澳大利亞東側(cè)上空分別存在兩個明顯的負(fù)變異高值區(qū)，東南亞上空高值區(qū)主要部分分布在20°N—20°S，100°E—150°W范圍內(nèi)，正負(fù)變異高值區(qū)強(qiáng)度大小相當(dāng)，且季節(jié)變化也和正變異高值區(qū)相同，而澳大利亞東側(cè)的負(fù)變異高值區(qū)存在于10°S—30°S，140°E—160°W的范圍內(nèi)，強(qiáng)度相對較弱，該變異區(qū)僅在冬季最強(qiáng)，在12月達(dá)到最強(qiáng)時兩個負(fù)變異區(qū)可連成一片，夏季則完全消失，可見降水量年際變化最明顯的區(qū)域集中在中低緯度地區(qū)上空。

全球降水量年際變化的第二模態(tài)占據(jù)降水量年際變化全部信息的5.8%，從圖3第二模擬空間場1—12月分布圖中可以看出，總體來講降水量仍然存在反相位的分布特征，但第二模態(tài)的變化特征隨季節(jié)變化更加復(fù)雜，在冬春季（1—3月）仍然呈現(xiàn)東西反相位特征，但正負(fù)高值區(qū)中心位置相對于第一模態(tài)高值區(qū)中心位置偏東，且南北向范圍更窄，負(fù)變異高值區(qū)出現(xiàn)在10°N—10°S，140°E—170°W的范圍內(nèi)，而正變異高值區(qū)出現(xiàn)在5°N—15°S，170°W—120°W的范圍內(nèi)，負(fù)變異區(qū)強(qiáng)度高于正變異區(qū)，隨著時間推移變異區(qū)強(qiáng)度逐漸減弱，負(fù)變異高值區(qū)逐漸變窄且向東、西方向延伸，正變異高值區(qū)同樣變窄且向東延伸，及至5月正負(fù)變異高值區(qū)完全呈現(xiàn)出南-北反相位的條帶狀分布，之后強(qiáng)度逐漸變?nèi)酰?fù)高值區(qū)相互交匯混合，邊界變得不明顯，及至8月正負(fù)變異區(qū)幾乎不可見，整個空間場分布較為均勻，8月之后正負(fù)變異區(qū)再次逐漸增強(qiáng)，9—12月負(fù)變異區(qū)先變強(qiáng)，及至次年1月才重新出現(xiàn)明顯的正變異區(qū)。

3.2降水量時間序列特征

CSEOF第一空間模態(tài)對應(yīng)的時間序列是一組逐月的無量綱數(shù)（如圖4所示），每個月的時間序列對應(yīng)當(dāng)月的空間場，結(jié)合空間場和時間序列，時間序列為正值時，當(dāng)月的空間模態(tài)正值變異區(qū)降水量相對于當(dāng)月的年平均值出現(xiàn)異常增高的現(xiàn)象，而負(fù)高值區(qū)則相對于當(dāng)月的年平均出現(xiàn)異常降低的現(xiàn)象，時間序列絕對值越高這種增高（降低）就越強(qiáng)，例如在1998年和2015年時間序列有較高的正值，因此當(dāng)年在太平洋中部高值區(qū)域降水量出現(xiàn)明顯的增加，而同年在東南亞地區(qū)降水量則明顯降低，且這種特點在冬季表現(xiàn)得更加明顯，而當(dāng)時間序列為0時，表明當(dāng)年正負(fù)值變異區(qū)降水量都接近于年平均值，從時間序列也可以看出，這種反相位變化特征大約有3～5年的振蕩周期。

如圖5所示，CSEOF第二模態(tài)時間序列同樣存在明顯的周期性，在時間序列為正值時，空間模態(tài)正變異區(qū)降水量相對年平均值增加，而負(fù)變異區(qū)降水量相對減少，第二模態(tài)時間序列振幅相較于第一模態(tài)時間序列波動幅度不大，僅在1984年和1998年有兩個相對較高的正值，其他年份振幅相對于第一模態(tài)時間序列明顯較小，且負(fù)值的年份明顯多于正值年份。

4時空變化的可能原因分析

在探討影響降水量的多重因素時，特別值得注意的是，大尺度降水量年際變化顯著受到海表面溫度、季風(fēng)等多種因素的影響[8]。熱帶地區(qū)作為受ENSO現(xiàn)象影響最為顯著的區(qū)域，其降水量作為熱帶氣候系統(tǒng)的關(guān)鍵組成部分，很可能深受ENSO所主導(dǎo)的溫度、季風(fēng)等要素年際變化的調(diào)控[24]。深入分析降水量的分布特征（圖1），可以發(fā)現(xiàn)降水量的空間分布模式與熱帶太平洋表層水溫的分布特征存在高度相似性，尤其是西太平洋降水量高值區(qū)域與西太平洋暖池的分布呈現(xiàn)出較高的重合度[25]。鑒于西太平洋暖池作為全球海域中溫度最高的區(qū)域，其對當(dāng)?shù)剌^高降水量的形成起到了至關(guān)重要的作用。

考慮到海表面溫度與大尺度降水均會受到ENSO現(xiàn)象的影響[26-27]，將降水量第一模態(tài)的空間分布圖與西太平洋暖池海域上層海洋熱含量的時空變化特征進(jìn)行對比[28]，揭示了降水量第一模態(tài)空間場與上層海洋熱含量第一模態(tài)空間場之間存在一致的東-西反相位變化特征，且兩者在正負(fù)值變化區(qū)的分布上展現(xiàn)出高度的相似性，同時也共享著冬季強(qiáng)、夏季弱的季節(jié)變化特征。這表明大尺度降水量的年際變化特征顯著受到海洋上層熱量時空變化的調(diào)控。此外，降水量還會受到季風(fēng)年際變化的影響，而ENSO作為全球尺度海氣相互作用的重要體現(xiàn)，通過影響Walker環(huán)流及相關(guān)的大氣遙相關(guān)響應(yīng)來影響季風(fēng)[29]，進(jìn)而間接地對降水產(chǎn)生深遠(yuǎn)影響。通過將降水量的第一模態(tài)時間序列與Nino3.4指數(shù)進(jìn)行相關(guān)分析，如圖6所示，結(jié)果顯示兩者之間的相關(guān)系數(shù)高達(dá)0.77，表明存在較強(qiáng)的相關(guān)性，且在時間上未觀察到明顯的滯后或提前現(xiàn)象，從而證實了降水量第一模態(tài)的變化與ENSO現(xiàn)象之間的緊密聯(lián)系。

相比之下，第二模態(tài)時間序列與ENSO現(xiàn)象的相關(guān)系數(shù)僅為0.43，暗示第二模態(tài)的變化可能并非主要由傳統(tǒng)ENSO現(xiàn)象所主導(dǎo)，而赤道太平洋區(qū)域除了傳統(tǒng)的ENSO現(xiàn)象外，還疊加著一種新型厄爾尼諾現(xiàn)象，即中部型厄爾尼諾（El Ni?o Modoki）[30]。該現(xiàn)象特征為中部太平洋海表面溫度異常偏高，而東、西太平洋海面溫度則相對偏低的三極型分布，與傳統(tǒng)厄爾尼諾型海溫分布存在顯著差異，且無明顯的傳播特性。為量化這一現(xiàn)象，定義了El Ni?o Modoki指數(shù)（EMI）[31]。在此基礎(chǔ)上，李根等[32]進(jìn)一步提出了改進(jìn)的El Ni?o Modoki指數(shù)（IEMI），其計算公式為：IEMI=3.0TA－2.0TB－1.0TC，其中TA、TB、TC分別表示A區(qū)（164°E—140°W，10°S—10°N），B區(qū)（110°W—70°W，16°S—6°N），C區(qū)（125°E—145°W，10°S—20°N）的海表面溫度異常（SSTA）均值，將El Ni?o Modoki指數(shù)進(jìn)行12個月平滑處理，濾除年周期變化后，與第二模態(tài)時間序列進(jìn)行相關(guān)性分析，結(jié)果顯示二者同期相關(guān)系數(shù)高達(dá)0.67，表明降水量第二模態(tài)的時間變化與El Ni?o Modoki現(xiàn)象緊密相關(guān)。

綜上所述，在ENSO現(xiàn)象的背景下，降水量呈現(xiàn)出一種東-西反相位的變化模式。具體而言，當(dāng)傳統(tǒng)厄爾尼諾事件發(fā)生時，太平洋中部地區(qū)的降水量相對于年平均值有所增加，而東南亞地區(qū)的降水量則減少，這種變化特征在秋冬季節(jié)尤為顯著。相比之下，El Ni?o Modoki現(xiàn)象同樣導(dǎo)致冬季降水量呈現(xiàn)東西反相位變化特征，但其影響區(qū)域相對于傳統(tǒng)厄爾尼諾明顯偏東；在夏季，降水量則呈現(xiàn)南-北反相位變化，即太平洋南部降水量增加而北部減少。值得注意的是，厄爾尼諾與El Ni?o Modoki現(xiàn)象的周期并不完全同步，它們對降水量的影響相互疊加，共同主導(dǎo)了降水量的主要變化特征。

5結(jié)論

本文基于CMAP數(shù)據(jù)集，利用CSEOF分析方法研究了中低緯度地區(qū)降水量的時空變化特征，并探討了其的可能變化機(jī)制。得到結(jié)果如下：

（1）降水量氣候態(tài)平均值主要分布在熱帶地區(qū)，總體呈現(xiàn)緯向帶狀分布，主要存在3個高值區(qū)，且高值區(qū)的強(qiáng)度和分布范圍有明顯的季節(jié)性變化。

（2）降水量第一模態(tài)空間場有著明顯的季節(jié)和年際變化，第一模態(tài)空間場的正負(fù)變異高值區(qū)主要呈現(xiàn)東-西反相位振蕩特征，這種特征存在冬季最為明顯，夏季相對較弱，結(jié)合時間序列可知其年際變化主要周期為3～5年。

（3）降水量第二模態(tài)空間場同樣有著明顯的季節(jié)和年際變化，其季節(jié)變化相對于第一模態(tài)空間場更為復(fù)雜，冬季正負(fù)變異高值區(qū)主要呈現(xiàn)東-西反相位振蕩特征，而夏季變異區(qū)強(qiáng)度較弱，整體以負(fù)變異區(qū)為主，時間序列振幅大多數(shù)年份相對于第一模態(tài)較小。

（4）降水量第一模態(tài)時間序列與Nino3.4指數(shù)有著較高的相關(guān)性，表示降水量主要的年際變化特征與ENSO現(xiàn)象有關(guān)，第二模態(tài)變化特征主要受到El Ni?o Modoki現(xiàn)象影響，其時間序列與IEMI指數(shù)相關(guān)性較高，中低緯度地區(qū)降水量的變化特征主要受到兩種現(xiàn)象的疊加影響。

參考文獻(xiàn)：

［1］ALLANR P， ARIAS P A，BERGER S，et al." IPCC， 2021： Summary for policymakers in： climate change 2021： the physical science basis. Contribution of working group i to the sixth assessment report of the intergovernmental panel on climate change［EB/OL］.［2024-01-05］.https：//archive.connect.h1.co/article/740620545/#eval793587812.

[2]劉希洋， 蔡勤禹. 近二十年中國海洋災(zāi)害史研究的進(jìn)展與問題[J]. 海洋湖沼通報， 2019（6）： 157-165.

[3]SILLMANN J， KHARIN VV， ZWIERS F W， et al. Climate extremes indices in the CMIP5 multimodel ensemble： Part 2. Future climate projections[J]. Journal of Geophysical Research： Atmospheres， 2013， 118（6）： 2473-2493. DOI： 10.1002/jgrd.50188.

[4]楊小欣， 吳曉芬， 許建平. 熱帶太平洋海域上層海洋熱鹽含量研究概述[J]. 海洋湖沼通報， 2017（5）： 18-30.

[5]CHEN H P， SUN J Q， LIN W Q， et al. Comparison of CMIP6 and CMIP5 models in simulating climate extremes[J]. Science Bulletin， 2020， 65（17）： 1415-1418. DOI： 10.1016/j.scib.2020.05.015.

[6]王丹陽， 蘇涵， 張春玲. Argo數(shù)據(jù)同化方法及其網(wǎng)格化產(chǎn)品研究進(jìn)展[J]. 海洋湖沼通報， 2022， 44（3）： 158-165. DOI： 10.13984/j.cnki.cn37-1141.2022.03.021.

[7]林益同， 趙春雨， 房一禾， 等. 東北初夏和盛夏降水時空變化及大氣環(huán)流因子新特征分析[J]. 氣象與環(huán)境學(xué)報， 2021， 37（5）： 63-71. DOI： 10.3969/j.issn.1673-503X.2021.05.010.

[8]趙京華. 熱帶降水年際變化時空分布特征研究[D]. 青島： 中國海洋大學(xué)， 2008.

[9]任湘湘， 夏冬冬. 印度海洋觀測預(yù)報發(fā)展現(xiàn)狀和思考[J]. 海洋預(yù)報， 2022， 39（3）： 107-116. DOI： 10.11737/j.issn.1003-0239.2022.03.011.

[10]鄒美常， 鄢波， 黃子建. 中國沿海11省驅(qū)動海洋經(jīng)濟(jì)發(fā)展的多元路徑分析[J]. 海洋湖沼通報， 2022， 44（6）： 157-163. DOI： 10.13984/j.cnki.cn37-1141.2022.06.020.

[11]KONAPALA G， MISHRA A K， WADA Y， et al. Climate change will affect global water availability through compounding changes in seasonal precipitation and evaporation[J]. Nature Communications， 2020， 11（1）： 3044. DOI： 10.1038/s41467-020-16757-w.

[12]CHANG X Y， WANG B B， YAN Y， et al. Characterizing effects of monsoons and climate teleconnections on precipitation in China using wavelet coherence and global coherence[J]. Climate Dynamics， 2019， 52（9）： 5213-5228. DOI： 10.1007/s00382-018-4439-1.

[13]AN Q， HE H X， GAO J J， et al. Analysis of temporal-spatial variation characteristics of drought： a case study from Xinjiang， China[J]. Water， 2020， 12（3）： 741. DOI： 10.3390/w12030741.

[14]CHEN H Q， YONG B， KIRSTETTER P E， et al. Global component analysis of errors in three satellite-only global precipitation estimates[J]. Hydrology and Earth System Sciences， 2021， 25（6）： 3087-3104. DOI： 10.5194/hess-25-3087-2021.

[15]XIANG Y H， CHEN J， LI L， et al. Evaluation of eight global precipitation datasets in hydrological modeling[J]. Remote Sensing， 2021， 13（14）： 2831. DOI： 10.3390/rs13142831.

[16]TRAN A P， TRAN B C， CAMPBELL S B， et al. Spatio-temporal characterization of drought variability in data-scarce regions using global precipitation data： a case study in Cauto River Basin， Cuba[J]. Scientific Reports， 2024， 14： 11659. DOI： 10.1038/s41598-024-61709-9.

[17]LI X， ZHANG K， GU P R， et al. Changes in precipitation extremes in the Yangtze River Basin during 1960—2019 and the association with global warming， ENSO， and local effects[J]. The Science of the Total Environment， 2021， 760： 144244. DOI： 10.1016/j.scitotenv.2020.144244.

[18]QI Z S， CUI C F， JIANG Y T， et al. Changes in the spatial and temporal characteristics of China’s arid region in the background of ENSO[J]. Scientific Reports， 2022， 12（1）： 17826. DOI： 10.1038/s41598-022-21712-4.

[19]王冠楠.鐘貽森.周朦，等.運用CSEOF方法分析南海表面溫度季節(jié)與年際變化[J]. 中國海洋大學(xué)學(xué)報：自然科學(xué)版， 2019（6）：007-019.DOI：10.16441/j.cnki.hdxb.20180065.

[20]魏鳳英. 現(xiàn)代氣候統(tǒng)計診斷與預(yù)測技術(shù)[M]. 2版. 北京： 氣象出版社， 2007.

[21]KIM K Y， NORTH G R. EOFs of harmonizable cyclostationary processes[J]. Journal of the Atmospheric Sciences， 1997， 54（19）： 2416-2427. DOI： 10.1175/1520-0469（1997）054lt;2416： eohcpgt;2.0.co;2.

[22]KIM K Y， WU Q G. A comparison study of EOF techniques： analysis of nonstationary data with periodic statistics[J]. Journal of Climate， 1999， 12（1）： 185-199. DOI： 10.1175/1520-0442-12.1.185.

[23]KIM K Y， CHUNG C. On the evolution of the annual cycle in the tropical Pacific[J]. Journal of Climate， 2001， 14（5）： 991-994. DOI： 10.1175/1520-0442（2001）014lt;0991：oteotagt;2.0.co;2.

[24]徐建軍， 朱乾根. ENSO及其年代際異常對全球及亞洲季風(fēng)降水影響的數(shù)值研究[J]. 氣象學(xué)報， 1999（3）： 46-60.

[25]張春玲，許建平.基于Argo觀測的太平洋溫、鹽度分布與變化（Ⅱ）：鹽度[J].海洋通報，2015，34（1）：21-31.

[26]袁媛，高輝，賈小龍等.2014—2016年超強(qiáng)厄爾尼諾事件的氣候影響[J].氣象， 2016， 42（5）： 532-539.

[27]高弋斌，路春燕，鐘連秀，等. 1951—2016年中國沿海地區(qū)氣溫與降水量的時空特征[J]. 森林與環(huán)境學(xué)報， 2019， 39（5）：530-539.

[28]楊小欣，吳曉芬，劉增宏.西太平洋暖池海域上層海洋熱鹽含量初步研究[J]. 中國海洋大學(xué)學(xué)報：自然科學(xué)版， 2016， 46（6）：1-12.

[29]郝鈺茜.北半球夏季風(fēng)降水年際協(xié)同變化的主要特征及與熱帶海溫變化的聯(lián)系[D]. 北京：中國氣象科學(xué)研究院， 2016.

[30]袁良，何金海.兩類ENSO對我國華南地區(qū)冬季降水的不同影響[J]. 干旱氣象， 2013， 31（1）：24-31.

[31]ASHOK K， BEHERAS，RAOS，et al. El Ni?o Modoki and its possible teleconnection [J]. Journal of Geophysical Research， 2007， 112：C11007. DOI：10.1029/2006JC003798.

[32]LI G， REN B H， YANG C Y， et al. Indices of El Ni?o and El Ni?o Modoki： an improved El Ni?o Modoki index［J］. Advances in Atmospheric Sciences， 2010， 27（5）：1210-1220.