李馥孜 , 郑小童

1. 物理海洋教育部重点实验室, 山东 青岛 266100;

2. 中国海洋大学海洋与大气学院, 山东 青岛 266100;

3. 青岛海洋科学与技术试点国家实验室, 山东 青岛 266003

热带辐合带(Intertropical Convergence Zone, ITCZ)是南北半球副热带高压间气压最低、气流辐合的带区, 是热带海区在经向上集中的强降雨带和大型气候系统, 同时也是全球主要热源区, 其变化对热带和全球气候有重要的影响。通常而言, ITCZ 位置和强度会随季节变化而变化, 且年平均下存在显著的南北不对称性特征。热带中东太平洋ITCZ 较为独特, 其位置在一年中的大部分时间都位于赤道以北, 只有在2—4 月(February-March-April, FMA)时, 南半球的季节性变暖和北半球的降温减弱了赤道两侧气候的不对称性, 赤道以南也短暂出现了对流辐合的降雨带, 形成了所谓的“双ITCZ”现象(Wang et al, 2004)。

热带东太平洋在2—4 月出现短暂的“双ITCZ”现象时, 由于东南太平洋气候态海温达到一年中的最大值(海温最接近对流阈值), 热带东太平洋区域的大气对海温的变化也因此处于一年中最敏感的时候: 相对较小的海温扰动也能引起强的大气对流异常, 这使得2—4 月热带东太平洋区域降水异常也呈现出独特的年际变化。Xie 等(2018)对1979—2017年的热带东太平洋2—4 月降水异常进行了经验正交函数(Empirical Orthogonal Function, EOF)分解。第一主模态表现为以赤道为中心的降水增多(图1a), 第一模态主成分(1stprincipal component, PC1)序列与同期Niño3 区SST 明显相关(图1c)。这一模态与极端厄尔尼诺- 南方涛动(El Niño-Southern Oscillation, ENSO)现象有关(Takahashi et al., 2011; Chiodi et al, 2013; Johnson et al, 2016; Xie et al, 2018): 只有在极端的强厄尔尼诺发生时, 2—4 月的赤道东太平洋海表温度(sea surface temperature, SST)才会高于深对流阈值, 进而导致沿赤道纬向极端降水的出现。赤道东太平洋区域深对流的发展会诱导西风异常的入侵, 减弱该区域的上升流, 最终在Bjerknes 正反馈作用下维持东太平洋2—4 月的暖海温异常和降水增加现象(Lengaigne et al, 2010)。

东太平洋降水异常的第二主模态主要表现为跨赤道的经向偶极子分布(图1b), 即所谓的东太平洋ITCZ 偶极子(Eastern Pacific ITCZ dipole, EPID)模态。EPID 正位相被定义为5°N(6°S)附近降水正(负)异常, 该异常雨带与2—4 月气候态雨带的位置大致相同, 表征了降雨的经向年际变化特征。EPID 时间序列(PC2)与同期太平洋中部Niño4 区的SST 异常有良好的相关性(图1d), 因此前人的研究认为热带东太平洋2—4 月出现ITCZ 在赤道南北移动的特殊现象是由中等强度厄尔尼诺造成的(Xie et al, 2018)。在中等强度厄尔尼诺的成熟期, 虽然赤道东太平洋的SST 异常几乎关于赤道对称, 但由于东太平洋赤道以北的气候态SST 比赤道以南的气候态SST 要高, 这会使得对称的SST 异常引起不对称的大气响应, 即赤道北部大气响应比南部强——深对流只在赤道以北增强, 从而驱动并形成强劲的跨赤道南风。跨赤道南风在科氏力的作用下会通过风-蒸发-SST (Wind-Evaporation-SST, WES)正反馈机制使得赤道以南(北)区域海温降温(增温)。这种海温在经向上的反相变化会进一步增强(减弱)赤道以北(南)的深对流强度, 最终形成了关于赤道反对称的EPID 降水模态。这一模态通常出现在中等强度厄尔尼诺的衰退期, 产生的海洋-大气异常动力信号对ENSO 的类型和衰退有重要影响(Peng et al, 2020), 对南美沿岸的局地气候也有重要影响(Peng et al, 2019)。

由于观测中ENSO 事件和EPID 模态出现的次数有限的缘故, 人们对于EPID 模态的理解还很不足。此外, 要对EPID 模态及其对ENSO 的影响进行预测, 就要评估气候模式中EPID 模态的模拟能力, 明确模式偏差及其产生的原因。基于以上问题, 本文利用第五次耦合模式比较计划(Coupled Model Intercomparison Project phase 5, CMIP5)中24 个模式的工业革命前控制试验(Pre-industrial Control, picontrol)结果(Taylor et al, 2012), 评估长期稳定的气候状态下模式对EPID 模态的模拟能力, 并进一步探究该模态发展的物理机制和动力学过程。

前人的多项研究表明(Bellucci et al, 2010; Oueslati et al, 2015; Zhang et al, 2015), 大部分CMIP5 模式仍然存在热带降水和海温偏差, 例如部分模式中太平洋赤道以南降水偏多, 导致南太平洋辐合带(South Pacific convergence zone, SPCZ)过长, 在东太平洋出现假的“双ITCZ”现象; 同时也有相当多的模式在太平洋赤道上降水不足, 与之对应的是赤道冷舌过强和过度向西延伸。由于EPID 模态的发展以及EPID 模态和ENSO 的联系都与气候背景态的特征密切相关, 本文通过对比观测和模式中的EPID 模态特征以及模式间EPID 模态的模拟差异来探究EPID 模态的发生及发展的物理过程, 特别是模式中气候态的模拟偏差(例如“双ITCZ”现象)对EPID 模态模拟的影响。

1 数据与方法

本文使用了 CMIP5 中的 24 个耦合模式picontrol 试验的月平均模拟结果(表1)。使用控制试验的原因是外强迫保持稳定, 同时有足够的模拟长度来评估模式对EPID 模态的模拟能力。各模式均选取r1i1p1 集合成员进行研究, 并在计算之前将各模式所有数据插值到1°×1°的网格点上, 以保证各模式权重和分辨率一致。各模式均取300a长度(由于 CMIP5 数据长度原因, 其中 MIROC- ESM-CHEM 模式长度为255a, NorESM1-ME 模式长度为252a), 对数据进行3 个月至9 年的滑动平均滤波处理, 得到292a 的扣除了季节变化和年代际变化的年际异常变化结果。研究中将标准化的多模式异常数据按顺序连接后进行EOF 处理, 并计算多模式集合(Multi-model ensemble, MME)的模拟结果。

表1 选取的CMIP5 模式 Tab. 1 CMIP5 models used in this study

为了与模式数据进行比较, 本文同时分析了相应的观测资料。观测的降水数据为 CPC Merged Analysis of Precipitation(CMAP)中1979 年1 月至2018 年12 月的月平均资料, 分辨率为2.5°×2.5°(Xie et al, 1997); 同时段海表温度月平均数据来源于Centennial Observation-Based Estimates of SST version 2 (COBE-SST2) (Hirahara et al, 2014); 月平均风场来源于 ECMWF 第三代再分析资料的ERA-Interim 同化分析数据(Dee et al, 2011), 分辨率为1°×1°。

2 CMIP5 模式对EPID 模态的模拟评估及与气候态模拟偏差的联系

2.1 CMIP5 模式对EPID 模态的模拟评估

图1 2—4 月热带东太平洋降水异常EOF 结果及与ENSO 的关系 a. 第一主模态空间场(解释方差为54%); b. EPID 模态空间场(解释方差为20%); c. PC1 与同期标准化ENSO 序列; d. PC2 与同期标准化ENSO 序列; e. PC1、PC2 与同期ENSO 序列相关系数。图a、b 中的等值线表示同期海温异常回归至标准化PC, 间隔为0.2 , ℃ 加粗实线为0 , ℃ 正负异常值分别用实线和虚线表示; 填色和矢量分别为同期降水量(单位: mm·d–1)和海表面风场(单位: m·s–1)异常回归至标准化PC, 蓝色箭头表示异常西风, 红色箭头表示异常东风 Fig.1 EOF modes of FMA precipitation anomaly over the eastern tropical Pacific and the relationships between PCs and concurrent ENSO. Regressions of precipitation (mm·d–1; shading), SST (contour at interval of 0.2 , zero contour℃ thickened and negative dashed), and surface wind velocity (m·s–1; vector) against (a) the standardized PC1 (54% variance) and (b) the standardized PC2 (20% variance), blue (red) arrows indicate westerly (easterly) wind anomalies. Standardized PCs and concurrent ENSO indices are plotted in (c) and (d), and correlations between standardized PCs and concurrent ENSO indices are plotted in (e)

在观测中, 2—4 月的EPID 模态(图1b)较为明显的空间特征表现为以赤道为对称轴的正、负降水异常, 且强度较为一致, 其异常中心分别在5°N 和6°S附近。本文根据Xie 等(2018)对观测的分析方法, 对24 个CMIP5 模式集合结果和各模式2—4 月的热带东太平洋降水异常分别进行EOF 分析(图2、3)。结果显示, 大多数模式的第一模态表现出降水赤道纬 向异常, 第二模态为 EPID 模态; 少数模式(如MIROC5、MPI-ESM-LR 等)的EPID 模态过强, 为第一模态, 反之第二模态为纬向模态。此外, 仅有少数模式能够模拟出与观测中EPID 模态相似的空间特征和解释方差(如ACCESS1-0 和CMCC-CM), 有部分模式的EPID 模态空间特征与观测差异较大, 且(或)解释方差过小(如 IPSL-CM5A-MR、MRI- CGCM3 和NorESM1-M 等), 模拟差异主要表现为降水正、负异常的对称轴在赤道以南或赤道以北, 降水异常强度南北不一致, 最强异常雨带偏南或过窄。

为了进一步定量评估模式对EPID 模态的模拟, 使用泰勒图分析各模式的模拟效果(图4), 并根据以下公式计算技巧评分(Taylor, 2001):

图2 CMIP5 模式2—4 月降水异常EOF 第一模态空间分布图 等值线表示同期海温异常回归至标准化PC1, 间隔为0.2 , ℃ 加粗实线为0 , ℃ 正负异常值分别用实线和虚线表示; 填色和矢量分别为同期降水量(单位: mm·d–1)和海表面风场(单位: m·s–1)异常回归至标准化PC1, 蓝色和红色箭头分别表示异常西风和东风。各子图下方的数值、字符串和百分数分别表示EPID 模态的技巧评分(无此项的为非EPID 模态)、模式名称和解释方差, 其中MME 为多模式集合 Fig.2 First EOF mode of FMA precipitation anomaly over the eastern tropical Pacific in CMIP5 models. Regressions of precipitation (mm·d–1; shading), SST (contour at interval of 0.2℃, zero contour thickened and negative dashed), and surface wind velocity (m·s–1; vector) against the concurrent standardized PC1, blue (red) arrows indicate westerly (easterly) wind anomalies. The skillscore of EPID mode, model name and variance are marked at the bottom left, bottom and bottom right of each subgraph, respectively

式中: R 为各模式与观测的空间相关系数, SDR 为各模式与观测的空间标准差之比。通常技巧评分越高的模式, 其与观测结果越为接近, 模拟效果也就越好。

从技巧评分(图2、图3 各模式EPID 模态左下角所标注的数值)上看, 24 个模式总体上对EPID 模态的模拟效果不理想。14 个模式的技巧评分小于0.7(其中10 个小于0.6), 4 个模式在第一模态可以较好地模拟出EPID 模态(技巧评分均为0.79), 只有6 个模式能在第二模态模拟出EPID 的空间分布特征(技巧评分在0.7 以上), 仅有ACCESS1-0 的技巧评分高于0.9。从泰勒图中可看到(图4), 大部分模式(18 个)的标准差在0.3～0.5 之间, 其中有8 个模式的标准差大于或等于0.4, 与观测场(标准差为0.45)较为接近; 绝大部分模式(21 个)与观测场的空间相关系数大于0.5, 但仅有8 个模式的相关系数大于0.7。对于多模式集合结果, 相关系数(0.88)和技巧评分(0.84)均高于绝大多数模式, 但标准差(0.37)较低。

根据EOF 和技巧评分结果, 将24 个模式分为3组, 探究EPID 模态模拟差异的原因。将技巧评分大于0.7 的10 个模式分为两组, 其中EPID 模态出现在第二主模态的6 个模式为第一组, EPID 模态出现在第一主模态的4 个模式为第二组, 剩余的对EPID模态模拟效果较差的14 个模式为第三组, 在泰勒图中分别用蓝点、粉点和红点表示(图4)。由于EPID模态的发展机理与热带SST 和降水气候平均态显著相关, 本文着重考察3 组模式中平均态的差异对EPID 模态模拟的影响。

图3 CMIP5 模式2—4 月降水异常EOF 第二模态空间分布图 等值线表示同期海温异常回归至标准化PC2, 间隔为0.2 , ℃ 加粗实线为0 , ℃ 正负异常值分别用实线和虚线表示; 填色和矢量分别为同期降水量(单位: mm·d–1)和海表面风场(单位: m·s–1)异常回归至标准化PC2, 蓝色和红色箭头分别表示异常西风和东风。各子图下方的数值、字符串和百分数分别表示EPID 模态的技巧评分(无此项的为非EPID 模态)、模式名称和解释方差, 其中MME 为多模式集合 Fig.3 Same as Fig.2, except for the second EOF mode of FMA precipitation anomaly over the eastern tropical Pacific in CMIP5 models.

2.2 热带太平洋气候态模拟偏差对EPID 模态模拟的影响

Xie 等(2018)指出观测中东太平洋平均气候态的ITCZ 位于赤道以北, 在年际变化上ITCZ 围绕10°N 和赤道附近移动。在北半球冬春季最接近赤道, 由于赤道上存在上升流和冷舌, 无法产生对流降水, 因此出现关于赤道对称的“双ITCZ”现象。这种状态最有利于EPID 模态的出现。

本文将3 组模式2—4 月的气候平均态与实际观测场进行比较(图5), 可以发现一些共同的偏差, 例如赤道上冷舌模拟过强, 且赤道以南的海温普遍高于赤道以北。相应地, 降水场和风场也有差异: 观测中虽然出现“双 ITCZ”现象, 但赤道以北的降水依然较多; 反之, 模式中对赤道以南的降水模拟普遍偏大, 并大于赤道以北的降水, 体现了辐合带的中心已经达到赤道以南。这些气候平均态的模拟偏差, 可能是模式对EPID 模态模拟不佳的主要原因。

此外, 3 组模式的气候态也有所不同。能够模拟出EPID 模态的第一组(图5b)和第二组(图5c)模式的气候态能够较好地表现出与观测相似的“双ITCZ”特征, 而这一特征对EPID 的发展和维持是至关重要的。但第二组的赤道冷舌较第一组和观测场过强, 导致在赤道上无法产生较强的对流, 这可能是第二组模式中降水纬向模态较弱而EPID 成为第一模态的主要原因。相较而言, 模拟效果较差的第三组模式在2—4 月的降水气候态明显偏南, 处于5°—10°S之间, 且冷舌模拟过强(图5d)。这一气候态分布不利于EPID 模态的发展, 因此这些模式中EPID 模态与观测场相差较大, 同时解释方差较小。

图4 CMIP5 模式对2—4 月EPID 模态模拟的空间场分布相对于观测场的泰勒图 OBS 为观测结果, MME 为多模式集合 Fig.4 Taylor diagram of EPID mode in CMIP5 models and observations in FMA OBS: Observation; MME: multi-model ensemble

图5 2—4 月的气候态空间分布图 a. 观测场; b. 第一组模式; c. 第二组模式; d. 第三组模式。图中等值线及标值为海温(单位: ℃), 填色为降水量(单位: mm·d–1), 箭头为海表面风场(单位: m·s–1) Fig.5 Climatology of SST (℃; contour), precipitation (mm·d–1; shading) and surface wind velocity (m·s–1; vector) in FMA: (a) Observations; (b) in group 1; (c) in group 2; and (d) in group 3

根据以上结果, 模式中热带海温及降水平均态的模拟偏差是造成EPID 模态模拟差异的主要原因。多数模式在2—4 月时ITCZ 已经移动到赤道以南, 没有出现对于EPID 发展至关重要的“双ITCZ”结构。考虑到赤道东太平洋降雨带会随太阳辐射而南北移动, 因此推测模式对EPID 模态的模拟效果应该在ITCZ 关于赤道对称时较好, 故需要对每个模式的EPID 模态信号提取的季节进行调整。

3 EPID 模态信号对季节和气候态特征的依赖性

3.1 随季节调整的EPID 模态模拟评估

根据上述分析发现, 由于ITCZ 模拟的偏差, 在2—4 月大部分模式无法较好地模拟EPID 模态。为了进一步验证气候平均态模拟差异对模式中EPID 模态表现的影响, 本研究对各模式热带东太平洋3 个月滑动平均降水异常分别逐月进行EOF 分析处理, 找到各模式对EPID 模态模拟最佳的季节, 评估各模式在不同时间下EPID 模态 的模拟效果。本文采用的模拟效果判断标准是EPID 模态出现在EOF 结果的第二主模态, 且技巧评分最高。

图6 和图7 分别为经过筛选和调整后不同季节热带东太平洋降水的第一和第二主模态。从图中可以发现, 仅有4 个模式对EPID 模态模拟最佳的季节出现在 2—4 月(图7), 说明多数模式EPID 模态出现的时间与实际观测不同。其他模式在季节调整后的模拟结果与 FMA 结果相比, 技巧评分都有明显提升。19 个模式对EPID 模态的技巧评分大于0.6(其中13 个大于0.7), 但不同模式在EPID 模态的解释方差和空间特征等方面仍然存在明显差异。

图6 季节调整后CMIP5 模式降水异常的EOF 第一模态空间分布图 等值线表示同期海温异常回归至标准化PC1, 间隔为0.2 , ℃ 加粗实线为0 , ℃ 正负异常值分别用实线和虚线表示; 填色和矢量分别为同期降水量(单位: mm·d–1)和海表面风场(单位: m·s–1)异常回归至标准化PC1, 蓝色和红色箭头分别表示异常西风和东风。各子图下方的大写字母、字符串和百分数分别表示季节、模式名称和解释方差, 其中 DJF 表示 December-January- February, JFM 表示January-February-March, FMA 表示February-March-April, MAM 表示March-April-May, AMJ 表示April-May-June, MME 为多模式集合 Fig.6 First EOF mode of precipitation anomaly over the eastern tropical Pacific after seasonal adjustment in CMIP5 models. Regressions of precipitation (mm·d–1; shading), SST (contour at interval of 0.2℃, zero contour thickened and negative dashed), and surface wind velocity (m·s–1; vector) against the concurrent standardized PC1, blue (red) arrows indicate westerly (easterly) wind anomalies. The season, model name and variance are marked at the bottom left, bottom and bottom right of each subgraph, respectively DJF: December-January-February; JFM: January-February-March; FMA: February-March-April; MAM: March-April-May; AMJ: April-May-June; MME: multi-model ensemble

图7 季节调整后CMIP5 模式降水异常的EOF 第二模态空间分布图 等值线表示同期海温异常回归至标准化PC1, 间隔为0.2 , ℃ 加粗实线为0 , ℃ 正负异常值分别用实线和虚线表示; 填色和矢量分别为同期降水量(单位: mm·d–1)和海表面风场(单位: m·s–1)异常回归至标准化PC2, 蓝色箭头表示异常西风, 红色箭头表示异常东风。各子图下方的数值、字符串和百分数分别表示技巧评分、模式名称和解释方差, 其中MME 为多模式集合 Fig.7 Same as Fig.6, except for the second EOF mode of precipitation anomaly over the eastern tropical Pacific after seasonal adjustment in CMIP5 models.

进一步从各模式最优的EPID 模态与观测场比较的泰勒图(图8)上发现, 各模式模拟的分布较2—4 月时更为接近。除了BCC-CSM1-1 以外, 其余23个模式与观测场的空间相关系数均大于0.6, 且大部分模式(14 个)的相关系数在0.75 以上; 所有模式的标准差依旧均小于观测的标准差(0.45)。根据以上EPID 模态的模拟技巧评分, 将24 个模式分为两组, 其中技巧评分大于0.7 的模式定为第四组, 技巧评分小于0.7 的模式定为第五组, 在泰勒图上分别用蓝点和红点表示。

3.2 季节调整前后的气候态差异及其对EPID 模态模拟效果的影响

为了分析季节调整前后的气候态差异, 首先将24个模式在2—4 月和季节调整后的气候态平均场进行对比。对比结果显示, 2—4 月赤道以南雨带明显偏强(图9a), 赤道以北、120°W 以东的平均降水量小于1mm·d–1; 而在季节调整后, 赤道以南降水明显减少, 赤道以北则明显增强(图9b), 与之相对应的, 季节调整后的EPID 模态模拟效果明显变好。以上两组结果与观测场(图5a)相比, 较为一致的特征在于赤道以北降水多于赤道以南, 赤道上冷舌较强, 降水较少。

为进一步考察不同月份的EPID 模态在多模式中的模拟差异及其原因, 将第四组和第五组模式的气候态分别进行了合成处理。结果发现技巧评分较高的第四组模式(图9c)在气候态上出现了“双ITCZ”现象, 赤道以北的降水量高于赤道以南, 且赤道上冷舌较弱, 与观测场较为接近; 而技巧评分较低的第五组模式(图9d), 相较于2—4 月评分较低的第三组模式而言(图5d), 赤道以南的降水强度有所减弱, 赤道以北则有所增强, 但依旧表现为赤道以南降水明显偏多, 赤道以北的降水主要分布在120°W 以西, 并未贯穿整个东太平洋, 同时赤道冷舌较强。

图8 季节调整后CMIP5 模式模拟的EPID 模态空间场分布相对于观测场的泰勒图 OBS 为观测结果, MME 为多模式集合 Fig.8 Taylor diagram of EPID mode in CMIP5 models and observations after seasonal adjustment OBS: Observation; MME: multi-model ensemble

图9 CMIP5 模式的气候态空间分布图 a. 2—4 月的多模式平均场; b. 季节调整后的多模式平均场; c. 第四组模式; d. 第五组模式。图中等值线及标值为海温(单位: ℃ ), 填色为降水量(单位: mm·d–1), 箭头为海表面风场(单位: m·s–1) Fig.9 Multi-model ensemble mean climatology of SST (℃; contour), precipitation (mm·d–1; shading) and surface wind velocity (m·s–1; vector): (a) during FMA; (b) for seasonal adjustment; (c) in group 4; and (d) in group 5

为了进一步探究气候背景态对EPID 模态的重要性, 本文计算了季节调整后各模式的EPID 模态在降水、SST 和风场异常上的纬度-时间演化(图10), 将EPID 模态的时间序列PC2 与降水、SST 和风场异常的纬向(140°—80°W)平均值逐月作回归处理。同时, 通过定义东太平洋热带降水重心纬度(nentφ, 图10 中棕色虚线)来定量地确定各模式中“双ITCZ”现象出现的时间及位置:

式中:1φ =20°S,2φ =20°N, P 为纬度带降水量。

由于大多数模式在春季(2—4月)模拟的ITCZ会出 现在赤道以南, 因此热带降水会两次跨越赤道, 即“双ITCZ”现象。大多数模式的EPID 模态出现在其中一次“双ITCZ”现象的月份附近, 这说明气候背景态(特别是热带降水)关于赤道的对称结构对于EPID 模态的发生是十分重要的。 部分模式(IPSL-CM5A-LR 、MRI-CGCM3 、 IPSL-CM5A-MR 、 GISS-E2-H 和BCC-CSM1-1)中EPID 模态出现的月份与“双ITCZ”现象出现的月份相差较大, 其原因还需要进一步研究。

图10 季节调整后EPID 模态在热带东太平洋(140°—80°W)的演变图 图中填色为降水量(单位: mm·d–1); 等值线为SST(单位: ℃), 其间隔为0.2 , ℃ 加粗实线为零值线, 正、负异常值分别用实线和虚线表示; 箭头为风场(单位: m·s–1), 其中蓝色箭头表示异常西风, 红色箭头表示异常东风; 棕色虚线为热带东太平洋纬向平均气候态降水的重心纬度, 黑色竖线为季节调整后的EPID 模态出现的月份, 横轴数字为月份, 括号内1 表示季节调整后月份当年, 0 表示前一年。 Fig.10 Evolution of second EOF mode of precipitation anomaly over the eastern tropical Pacific after seasonal adjustment in CMIP5 models. Regressions of precipitation (mm·d–1; shading), SST (contour at interval of 0.2℃, zero contour thickened and negative dashed), and surface wind velocity (m·s–1; vector) with increased (decreased) speed in blue (red). All zonally averaged in 140°-80°W upon the standardized PC2 of precipitation EOF are shown as a function of calendar month and latitude. The brown dashed line is the centroid of tropical climatological precipitation. The black vertical line is the central month of EPID after seasonal adjustment. The number on the horizontal axis is month, 1 in bracket indicates the current year of the month after seasonal adjustment, and 0 represents the previous year.

综合上述分析, 根据EPID 模态模拟效果调整后, 出现EPID 模态的季节的气候态特征更为明显地表现出“双ITCZ”现象。以上结果也再次验证了平均气候态对于 EPID 模态的重要影响, 即“双ITCZ”的气候态结构是模式对EPID 模拟的关键因素。

4 结论与讨论

4.1 结论

本文使用 24 个CMIP5 耦合模式的picontrol 试验结果, 结合观测资料对EPID 模态模拟能力进行了评估, 并在此基础上研究了气候态和EPID 模态模拟能力的相互关系, 得到以下主要结论:

1) 在2—4 月, 大部分模式(18 个)无法较好地在EOF 第二模态模拟出EPID 模态, 这些模式在气候态上表现为雨带普遍出现在赤道以南, 且雨带几乎贯穿140°—80°W, 但赤道以北的雨带在100°—80°W 明显偏弱。同时, 赤道上冷舌较强, 赤道以南的海温普遍高于赤道以北, 与观测结果相反。因此, 2—4 月大部分模式对EPID 模态模拟效果较差的原因在于这些模式在该季节没有“双ITCZ”现象, 降雨带常年出现在赤道以南。

2) 模式对于EPID 模态的模拟能力会随季节而变化, 在EPID 模态最显著的季节, 大部分模式(19个)能够模拟出降水异常的经向不对称特征(技巧评分大于0.6), 但各模式的模拟效果依旧存在差异。大多数模式的EPID 模态出现在有“双ITCZ”现象的月份附近, 这说明了气候背景态, 特别是热带降水关于赤道的对称结构, 对于EPID 模态的发生十分重要。部分模式由于气候态降水依旧表现为赤道以南降水更为明显, 使得EPID 模态的模拟效果仍不理想。另外需要指出的是, 在我们的评估中, 多模式集合结果对EPID 模态的模拟误差普遍小于绝大多数模式, 主要原因在于多模式的平均会抵消部分模式间的误差, 使模拟结果更接近于观测结果。

4.2 讨论

与ENSO 的关系是EPID 模态的另一重要属性。前人研究认为, 热带东太平洋2—4 月降水异常的年际变化由两种一致的模态组成, 一种是以赤道为中心强化的降水增多, 另一种是EPID 模态(Xie et al, 2018)。这两种模态的产生和发展分别与EP 型厄尔尼诺和CP 型厄尔尼诺有明显的相关性。为了探究模式对以上关系的模拟, 本文选择了季节调整后对EPID 模态模拟的技巧评分达到0.7 以上的13 个模式(即图9 中第四组模式)结果, 分别求各模式EOF分解结果PC1 和PC2 与同期E-index 和C-index 的相关系数。

从结果(图11a)可以看出, 第四组模式均能模拟出PC1 与E-index 较强的正相关关系, 但PC2 与C-index 的相关系数在不同模式间存在很大的差异, 且有4 个模式未能通过0.05 的显著性检验, 其他模式中有6 个模式的相关系数为负数, 这与观测结果正好相反。对于这种偏差, 可能是由于不同模式对ENSO 的模拟能力不同, 造成不同模式中厄尔尼诺在热带东太平洋激发的降水异常场空间分布不同, 进而导致PC2 与C-index 的相关系数在不同模式间以及不同模式与观测结果间出现较大差异。为了进一步了解模式中东太平洋降水模态和ENSO 指数之间的关系, 将E-index 和C-index 分别回归到同期热带东太平洋降水异常场(即E-index 和C-index 分别激发的降水异常场), 并将E-index 和C-index 的降水异常回归场与降水异常的EOF 第一、第二模态(即图6 和图7)分别求空间相关系数, 发现两个模态的模式间时间序列相关系数(即图11a 中的数值)和空间相关系数之间存在显著的正相关关系(图11b、11c)。即如果一个模式中赤道降水模态时间序列(即PC1)与E-index 的相关性偏高, 该模式中赤道降水模态的空间分布(即EOF1)就与和E-index 有关的降水异常空间分布的空间相关性越高, 反之就越低; 同样地, 若一个模式中 EPID 模态的时间序列(即PC2)与C-index 的相关性偏高, 该模式中EPID 模态的空间分布就与和C-index 相关的降水异常空间分布的空间相关性越高, 反之则越低。这说明由于模式对ENSO 的模拟存在误差, 虽然模式可以通过WES 机制模拟出EPID 模态, 但与CP 型厄尔尼诺的关系并不显著, 所以模式中影响EPID 模态演化的物理过程仍需深入研究。

此外, 本研究第五组模式中的部分模式在“双ITCZ”现象出现的季节以及其他季节均无法较好地模拟出EPID 模态, 说明出现“双ITCZ”现象时, 影响EPID 模态模拟效果的其他因素依旧存在, 这同样需要进一步探究。

图11 第四组模式对热带东太平洋降水异常模拟的EOF 结果与ENSO 的关系 a. 降水异常EOF 时间序列PC 与同期ENSO 的相关系数直方图, 虚线为95%置信度的临界值; b. PC1 与E-index 时间序列相关系数(纵轴)和EOF1 与E-index 对热带东太平洋降水异常回归场空间相关系数(横轴)的模式间散点图; c. PC2 与C-index 时间序列相关系数和EPID 模态与C-index 对热带东太平洋降水异常回归场空间相关系数的模式间散点图。OBS 为实际观测; 各大写字母代表不同的模式: A 为IPSL-CM5B-LR, B 为MIROC-ESM, C 为MIROC-ESM-CHEM, D 为INMCM4, E 为ACCESS1-3, F 为ACCESS1-0, G 为GFDL-CM3, H 为GFDL-ESM2G, I 为CanESM2, J 为MPI-ESM-P, K 为MIROC5, L 为MPI-ESM-LR, M 为CMCC-CM。图b 中, b(PC1, Pre)表示降水异常EOF 第一模态空间场, b(E-index, Pre)表示E-index 与同期热带东太平洋降水异常的回归场; 图c 中, b(PC2, Pre)表示EPID 模态空间场, b(C-index, Pre)表示C-index 与同期热带东太平洋降水异常的回归场 Fig.11 The relationships between EOF modes of precipitation anomaly over the eastern tropical Pacific and concurrent ENSO in group 4 (a) Correlation coefficient histogram of PC in EOF results and concurrent ENSO, dashed lines mean the 95% confidence level. (b)Scatterplots with correlation coefficients of PC1 and E-index and spatial correlation coefficients of EOF1 and precipitation anomaly regression field of E-index. (c)Scatterplots with correlation coefficients of PC2 and C-index and spatial correlation coefficients of EPID mode and precipitation anomaly regression field of C-index b(PC1, Pre): EOF first mode; b(E-index, Pre): regression field of E-index and concurrent precipitation anomaly over the eastern tropical Pacific; b(PC2, Pre)EPID mode; b(C-index, Pre): regression field of C-index and concurrent precipitation anomaly over the eastern tropical Pacific OBS: observation; A: IPSL-CM5B-LR; B: MIROC-ESM; C: MIROC-ESM-CHEM; D: INMCM4; E: ACCESS1-3; F: ACCESS1-0; G: GFDL-CM3; H: GFDL-ESM2G; I: CanESM2; J: MPI-ESM-P; K: MIROC5; L: MPI-ESM-LR; M: CMCC-CM