泛南海地區(qū)極端降水的歷史分布和未來演變特征

楊崧 徐連連 2

1 中山大學大氣科學學院/南方海洋科學與工程廣東省實驗室(珠海)，珠海 519082

2 廣東省氣候變化與自然災害研究重點實驗室，珠海 519082

1 引言

在全球變暖背景下，極端降水強度和頻率的變化越來越顯著，由此引發(fā)了洪澇、干旱和泥石流等自然災害，嚴重威脅著人類的生命財產安全（嚴中偉和楊赤, 2000; 江志紅等, 2007; 楊金虎等, 2008;Sillmann et al., 2013; 任福民等, 2014; 孫穎等, 2015;徐影等, 2017; Song et al., 2020; Zhou et al., 2021; 江潔等, 2022; Sun et al., 2022; Xu et al., 2023）。眾多國內外研究指出，不同區(qū)域的極端降水對氣候變暖的響應不同，其中泛南海地區(qū)是北半球極端降水變化最顯著的區(qū)域之一，該區(qū)域每年由極端降水造成的經濟損失超過總經濟損失的40%，嚴重影響 了 當 地 居 民 的 生 產 和 生 活（Ding et al., 2004;Scoccimarro et al., 2013; Dong et al., 2021; Ge et al.,2021; Xu et al., 2021; Zhang et al., 2021）。

泛南海地區(qū)屬于亞洲季風系統(tǒng)的關鍵區(qū)域，是亞洲季風與厄爾尼諾—南方濤動（ENSO）相互作用、太平洋與印度洋相互作用以及南北半球相互作用的交匯中心，該區(qū)域降水釋放的潛熱加熱可以調節(jié)局地哈德萊環(huán)流直接影響周邊地區(qū)的降水，也能夠調節(jié)南亞高壓的位置觸發(fā)孟加拉灣夏季風的爆發(fā)，還可以激發(fā)羅斯貝波列影響北美和歐亞大陸東北部的冬季氣溫（何金海等, 2006; Liu et al., 2013; Li et al., 2016; Chen and Zhai, 2017; Jiang et al., 2017; He and Yang, 2018; 舒 建 川 等, 2019; 楊 崧 等, 2019;Dong and Wang, 2022）。與平均降水相比，泛南海地區(qū)的極端降水能夠給局地帶來更加嚴重的氣象災害，對周邊地區(qū)甚至全球的天氣氣候造成嚴重影響（Scoccimarro et al., 2013; Xu et al., 2021, 2022）。因此，泛南海地區(qū)極端降水的時空變化特征及變異機理，一直是國內外學者關注的焦點。

由于技術條件有限等多種原因，針對泛南海的長期連續(xù)觀測資料極為匱乏，難以滿足南海環(huán)境安全保障、生態(tài)環(huán)境保護以及氣候變化研究等需求。近年來在國家863 計劃、國家海洋局專項以及國家自然基金等項目支持下，各類氣象觀測站點逐漸加密，使得泛南海地區(qū)的觀測數據日益準確，極大地促進了該區(qū)域極端氣候的研究。例如1994 年開展的“南海季風試驗”，中國科學家聯合印度尼西亞、馬來西亞、菲律賓等多個國家的科學家在泛南海區(qū)域開展了大型的地面、探空等加密觀測以及海洋浮標、科學考察船等特殊觀測項目，所獲得的數據在國內外相關研究中得到了廣泛的應用。利用兩套觀測數據（APHRODITE 和CPC-UNI），兩套衛(wèi)星數據（TRMM 和GPCP1DD）以及三套再分析數據（ERA-Interim、ERA5 和JRA55），Kim et al.（2019）分析了1998～2007 年泛南海地區(qū)極端降水的空間分布特征，指出APHRODITE 和CPC-UNI 具有較好的一致性。APHRODITE 是基于亞洲地區(qū)12000多個觀測站點插值成的格點數據，水平分辨率為0.25°×0.25°，時間長度為1951～2015 年（Yatagai et al., 2012）。CPC-UNI 是基于全球30000 多個站點插值成的格點數據，水平分辨率為0.5°×0.5°，時間長度為1979 年至今（Xie et al., 2007）。APHRODITE和CPC-UNI 經常作為參照數據評估模式數據在泛南 海 地 區(qū) 的 適 用 性（Ge et al., 2021; Utsumi and Kim, 2022）。

為了方便個人、地區(qū)和國家能夠以完全相同的方式研究極端氣候，氣候變化與監(jiān)測指標專家組（ETCCDI）定義了一系列極端降水指數（Karl et al., 1999）?；诓煌瑫r段和不同分辨率的日降水數據，研究者對泛南海區(qū)域極端降水的時空變化特征展開了大量的研究，結果表明泛南海區(qū)域極端降水的變化具有較大的區(qū)域性差異（Endo et al., 2009;Villafuerte and Matsumoto, 2015; 江潔等, 2022; Xu et al., 2022; 楊雯婷等, 2022）。例如，基于APHRODITE的日降水數據，Villafuerte and Matsumoto（2015）發(fā)現1951～2007 年東南亞地區(qū)年和季節(jié)最大降水量在中南半島和菲律賓中東部地區(qū)呈現顯著增加的趨勢，在海洋性大陸大部分區(qū)域呈現減小的趨勢。為了更好地刻畫極端氣候在區(qū)域尺度上的變化特征，Iturbide et al.（2020）將全球陸地區(qū)域分為49 個子區(qū)域，其中泛南海區(qū)域包含東南亞、南亞、青藏高原和東亞四個子區(qū)域（圖1a）。截至目前，少有研究基于不同極端降水指數，全面分析泛南海不同區(qū)域極端降水的時空變化特征。

圖1 1951～2014 年泛南海地區(qū)年平均（a、e）R95p（單位：mm）、（b、f）R20（單位：d）、（c、g）RX1day（單位：mm）和（d、h）RX5day（單位：mm）的空間分布型（左列）以及在四個子區(qū)域的平均值（右列）。（a）中的SEA、SAS、TIB 和EAS 分別表示東南亞、南亞、青藏高原以及東亞區(qū)域；（e-h）中淺藍、深藍、粉色和黃色直條分別表示春季、夏季、秋季和冬季平均值。Fig.1 Spatial patterns of annual mean (ANN) (a) R95p (units: mm), (b) R20 (units: d), (c) RX1day (units: mm), and (d) RX5day (units: mm) during 1951-2014 over the South China Sea and surrounding areas (SCSSA); SEA, SAS, TIB, and EAS in Fig.1a represent Southeast Asia, South Asia, the Tibet Plateau, and East Asia, respectively.Seasonal mean (e) R95p, (f) R20, (g) RX1day, and (h) RX5day averaged over four sub-regions of the SCSSA during 1951-2014; light blue, dark blue, pink, and yellow bars depict spring (MAM), summer (JJA), autumn (SON), and winter (DJF),respectively.

耦合模式比較計劃第五和第六階段（CMIP5和CMIP6）的多模式產品被廣泛地應用于預估未來氣候的變化。與CMIP5 相比，CMIP6 氣候模式對中國區(qū)域極端事件的模擬能力有了整體的提升，但與觀測仍然存在一定的偏差（Chen et al., 2017;Zhu et al., 2020; Yang et al., 2021）。美國國家航空航天局對CMIP6 氣候模式的日產品進行誤差訂正并降尺度到0.25°×0.25°的水平分辨率，生成了高精度NEX-GDDP-CMIP6 氣候數據集（Wood et al.,2002, 2004; Maurer and Hidalgo, 2008; Thrasher et al., 2012）?；诟呔萅EX-GDDP-CMIP6 數據得到的泛南海地區(qū)極端降水在未來會呈現何種時空分布特征？該問題的認識尚不清晰。

東南亞是泛南海地區(qū)對流最活躍的區(qū)域，該地區(qū)對流活動能夠顯著影響我國南部的天氣氣候（何金海等, 2006; Liu et al., 2013; 楊崧等, 2019）。以往研究主要分析熱帶海溫異常對東南亞平均降水年際變率的影響，對極端降水形成機制的研究較少。研究表明，ENSO 期間東南亞更容易發(fā)生極端降水，且當ENSO 和印度洋偶極子（IOD）同時發(fā)生時，東南亞極端降水強度更大（Villafuerte and Matsumoto,2015; Setiawan et al., 2017; Da Silva and Matthews,2021）。但熱帶海溫異常如何影響東南亞極端降水，這個問題尚未被清晰地揭示。

綜上所述，本文將主要解決以下兩個科學問題：（1）歷史和未來時期，泛南海地區(qū)不同極端降水指數會呈現何種時空分布特征？依據CMIP6 時段的劃分，本文的歷史時段為1951～2014 年，未來時段為2015～2100 年。（2）熱帶海溫異常通過何種途徑影響東南亞極端降水？這些問題的研究是深入認識泛南海地區(qū)極端降水變異機理的關鍵所在，對該區(qū)域極端降水的預測預警具有十分重要的指示意義。

2 泛南海地區(qū)極端降水歷史時期的時空變化特征

本研究挑選ETCCDI 的四個極端降水指數（表1），分別是日降水的最大值（RX1day）、連續(xù)5 日降水的最大值（RX5day）、極端強降水天數（R20）和非常濕潤天（R95p）。RX1day 常用于表征極端強降水的強度。RX5day 一般用于持續(xù)性強降水的特征研究。R20 是基于絕對閾值定義的指數，一般用于研究極端強降水的發(fā)生頻率。R95p 是基于相對閾值定義的指數，表示極端強降水的累計降雨量。本研究利用APHRODITE 的日降水數據，分析1951～2014 年泛南海地區(qū)四個極端降水指數的時空變化特征。

表1 ETCCDI 中四個極端降水指數的名稱、簡寫、定義以及單位Table 1 Names, abbreviations, definitions, and units of four extreme precipitation indices obtained from ETCCDI (Expert Team on Climate Change Detection and Indices)

圖1 給出了1951～2014 年泛南海地區(qū)年平均R95p、R20、RX1day 和RX5day 的空間分布特征以及四個指數在各個子區(qū)域的季節(jié)平均值。對整個區(qū)域而言，年平均R95p、R20、RX1day 和RX5day的區(qū)域平均值分別為226.2 mm、7.7 d、37.0 mm和80.5 mm。年平均R95p 和R20、RX1day 以及RX5day 的空間分布相似，相關系數分別是0.94、0.93 和0.93，均通過99%信度水平的顯著性檢驗，較大值分布在東南亞、中國東南部以及青藏高原南坡地區(qū)（圖1a-d）。由此可見，泛南海地區(qū)極端強降水發(fā)生的區(qū)域，持續(xù)性降水的強度也高，極端降水的發(fā)生頻次也大。

東南亞地區(qū)R95p 的季節(jié)性差異較小，其他區(qū)域R95p 在夏季最大，秋季和春季次之，冬季最?。▓D1e）。值得注意的是，夏季平均的R95p 在南亞和東亞的值大于東南亞，另外三個季節(jié)東南亞的R95p 最大。這是由于亞洲季風和澳大利亞季風系統(tǒng)的影響，泛南海地區(qū)的對流活動和降水在春季迅速發(fā)展，降水的大值中心從赤道向北移動，在夏季到達南亞和中國南部地區(qū)，秋季雨帶逐漸向南移動，在冬季回到赤道附近（Zhang et al., 2016; Yang et al., 2019）。東南亞地區(qū)四個季節(jié)降水超過20 mm的天數大約為4 d。南亞、青藏高原和東亞地區(qū)夏季降水超過20 mm 的天數大約7 d、3 d 和5 d，這三個區(qū)域冬季降水超過20 mm 的天數幾乎為零（圖1f）。由此可見，東南亞一年四季都極易發(fā)生強降水，南亞和東亞是泛南海夏季高頻強降水的發(fā)生地區(qū)。RX1day 和RX5day 的季節(jié)平均特征與R95p 相似（圖1g-h），即東南亞強降水和持續(xù)性強降水事件的季節(jié)性差異較小，其他區(qū)域這兩種極端事件在夏季最大，冬季最小。

1951～2014 年泛南海地區(qū)年平均R95p、R20、RX1day 以及RX5day 趨勢的空間分布不均一，且大部分區(qū)域的趨勢并不顯著（圖2a-d）。對整個區(qū)域而言，年平均R95p 在1951～2014 年呈顯著增加的趨勢（0.75 mm a-1，p<0.01）。春季、夏季和冬季平均的R95p 均呈顯著增加的趨勢，而秋季的增加趨勢不顯著（圖2e）。與R95p 相似，除秋季平均以外，年平均和其他季節(jié)平均的RX1day在1951～2014 年呈顯著增加的趨勢（圖2f）。年、春季和冬季平均的R20 和RX5day 在1951～2014年呈顯著增加的趨勢，這兩個指數在夏季和秋季的趨勢變化不顯著（圖2g 和h）。

綜上所述，1951～2014 年泛南海地區(qū)年平均和季節(jié)平均的四個極端降水指數的空間分布相似，較大值分布在東南亞、中國東南部以及青藏高原南坡地區(qū)。東南亞四個極端降水指數的季節(jié)性差異較小，其他區(qū)域極端降水指數在夏季最大，秋季和春季次之，冬季最小。泛南海地區(qū)1951～2014 年四個極端降水指數趨勢的空間分布不均一，且大部分區(qū)域趨勢的變化不顯著。對整個區(qū)域而言，年、春季和冬季平均的四個極端降水指數均呈顯著增加的趨勢，秋季的增加趨勢不顯著。不同指數在夏季的趨勢變化存在差異，R95p 和RX1day 呈顯著增加的趨勢，而R20 和RX5day 趨勢變化不顯著。

3 泛南海地區(qū)極端降水未來時期的時空變化特征

CMIP5 和CMIP6 氣候模式產品是預估未來氣候變化的重要手段，但其對區(qū)域尺度極端降水的模擬與觀測存在偏差（Chen et al., 2017; Zhu et al.,2020; Yang et al., 2021）。為了減小模式的偏差、提供更高水平分辨率的氣候數據集，研究者們研發(fā)了多種統(tǒng)計和動力降尺度方法。與動力降尺度方法相比，統(tǒng)計降尺度方法需要的計算資源較少，已被廣泛地應用于多個研究領域（Wood et al., 2002,2004; Maurer and Hidalgo, 2008; Thrasher et al.,2012; 魏培培等, 2019; Xu and Wang, 2019; Xu et al.,2023）。美國國家航空航天局利用誤差訂正—空間降尺度（BCSD）方法，將CMIP5 氣候模式歷史時期和未來情景下的日數據進行誤差訂正并降尺度到0.25°×0.25°的水平分辨率，生成了高精度NEXGDDP-CMIP5 數據集。與CMIP5 原始值相比，NEXGDDP-CMIP5 對區(qū)域尺度極端溫度和極端降水的模擬與觀測更加接近（Bao and Wen, 2017; Chen et al., 2017; Xu and Wang, 2019）。

BCSD 是基于分位數映射原理發(fā)展的統(tǒng)計降尺度方法，它的優(yōu)勢是能夠將模式數據的平均值和標準差調整到和觀測數據十分接近。例如Xu and Wang（2019）指出，NEX-GDDP-CMIP5 對中國區(qū)域日最高溫度的平均值和標準差的模擬與觀測基本一致（圖3）。NEX-GDDP-CMIP6 和NEX-GDDPCMIP5 的生成原理相似，我們進一步基于NEXGDDP-CMIP6 數據集對東南亞的極端降水進行了預估研究。

基于20 個NEX-GDDP-CMIP6 氣候模式在SSP1-2.6 和SSP5-8.5 情景下的日降水數據，我們分析了2015～2100 年泛南海地區(qū)R95p、R20、RX1day和RX5day 的時空分布特征（圖4）。與歷史時期相似，SSP1-2.6 情景下年平均的四個極端降水指數較大值分布在東南亞、中國東南部以及青藏高原南坡地區(qū)（圖3a-d）。SSP5-8.5 情景下極端降水的空間分布也與歷史時期相似（圖略），且SSP5-8.5 情景下極端降水的值大于SSP1-2.6 情景。全面探索歷史時期泛南海地區(qū)極端強降水和持續(xù)性強降水的時空變化特征并揭示其中的物理機制，對于該區(qū)域未來的防災減災和氣候預警工作至關重要。除了R20 以外，R95p、RX1day 和RX5day 的信噪比在泛南海區(qū)域大于1。信噪比定于為多模式的集合平均值與多模式標準差的比，比值大于1 表明模式對泛南海地區(qū)極端降水的模擬具有較好的一致性。對整個區(qū)域而言，2015～2100 年年平均的四個極端降水指數均呈顯著增加的趨勢，且SSP5-8.5 情景下的增加趨勢大于SSP1-2.6 情景（圖4e-h）。因此，泛南海地區(qū)極端強降水、持續(xù)性強降水以及強降水的發(fā)生頻次在未來均增加，且溫室氣體濃度越高，增加趨勢越顯著。

圖4 SSP1-2.6 情景下2015～2100 年泛南海地區(qū)年平均（a、e）R95p（單位：mm）、（b、f）R20（單位：d）、（c、g）RX1day（單位：mm）和（d、h）RX5day（單位：mm）的空間分布（左列）以及隨時間的變化（右列）。（a-d）中打點區(qū)域表示信噪比大于1，信噪比定義為多模式集合平均與多模式標準差的比值；（e-h）藍線（紅線）和藍色（紅色）陰影分別表示SSP1-2.6（SSP5-8.5）情景下20 個模式的平均值和標準差。Fig.4 Spatial patterns of (a) R95p, (b) R20, (c) RX1day, and (d) RX5day during 2015-2100 under the SSP1-2.6 scenario over the SCSSA.The stippling in (a-d) denotes that the signal-to-noise ratio is above 1, the signal-to-noise ratio is defined as the ratio of the NEX-GDDP-CMIP6 multimodel ensemble mean to the corresponding inter-model standard deviation.Time series of (e) R95p, (f) R20, (g) RX1day, and (h) RX5day averaged over the SCSSA during 2015-2100 under the SSP1-2.6 (blue lines) and SSP5-8.5 scenarios (red lines) and their uncertainties (shadings).

圖5 給出了2016～2035 年、2046～2065 年和2080～2099 年泛南海四個子區(qū)域年平均極端降水指數的百分比變化，參考時段為1995～2014 年。百分比變化定義為研究時段與參考時段的均值之差除以參考時段的均值。在SSP1-2.6 情景下的未來三個時段R95p 在四個子區(qū)域變化不大，SSP5-8.5情景下南亞和青藏高原的R95p 增加，且隨著時間的推移，增加幅度越大。南亞和青藏高原的R20在未來兩種情景的三個時段增加，且SSP5-8.5 情景下的增加幅度大于SSP1-2.6 情景。東南亞的R20 在未來三個時段呈現微弱的增加，而東亞的R20 則輕微減小。在SSP1-2.6 和SSP5-8.5 情景下，RX1day 和RX5day 在東南亞和東亞減小，南亞和青藏高原增加。由此可見，泛南海地區(qū)各個指數的變化具有顯著的區(qū)域性差異，但這四個指數均在南亞和青藏高原增加，在東南亞和東亞減小。大量研究表明，ENSO、局地海溫異常、南亞高壓的建立時間以及青藏高原熱源均能顯著影響南亞地區(qū)的環(huán)流和降水異常（Mao and Wu, 2007; Jiang and Li,2011; Wang et al.2019; Yu et al., 2021）。北極海冰、北大西洋海溫異常、ENSO 以及海洋性大陸的對流活動等是影響青藏高原降水異常的重要因子（Yu et al., 2021, 2023）。但南亞和青藏高原的極端降水變化幅度大于東南亞和東亞地區(qū)的物理機制仍有待進一步研究。

圖5 SSP1-2.6 和SSP5-8.5 情景下泛南海四個子區(qū)域年平均（a）R95p、（b）R20、（c）RX1day 和（d）RX5day 的百分比變化。黑色、藍色和紅色盒須圖分別表示2016～2035 年、2046～2065 年和2080～2099 年相比于1995～2014 年的變化。百分比變化定義為研究時段與參考時段的均值之差除以參考時段的均值。盒須圖展示的是20 個模式變化的10th 分位數、25th 分位數、平均值、75th 分位數和90th 分位數。Fig.5 Box-and-whisker plots of percentage changes in (a) R95p, (b) R20, (c) RX1day, and (d) RX5day during 2016-2035 (black boxes), 2046-2065(blue boxes), and during 2080-2099 (red boxes) with respective to 1995-2014 under the SSP1-2.6 and SSP5-8.5 scenarios averaged over the four subregions.The box-and-whisker plot shows the 10th, 25th, 50th, 75th, and 90th percentiles of the 20 models from the NEX-GDDP-CMIP6 dataset.

綜上所述，雖然東南亞是1951～2014 年年平均的各個極端降水指數的大值區(qū)，但該區(qū)域四個極端降水指數在未來的變化沒有其他區(qū)域明顯。南亞和青藏高原是未來四個極端降水指數變化的大值區(qū)，且SSP5-8.5 情景下的變化幅度大于SSP1-2.6 情景。

4 泛南海地區(qū)極端降水形成與變化的機理研究

泛南海地區(qū)極端降水的變化具有較大的區(qū)域性差異，尤其在東南亞區(qū)域，該區(qū)域降水釋放的潛熱加熱可以調節(jié)局地哈德萊環(huán)流直接影響我國華南和西南等地區(qū)的降水（何金海等, 2006; Li et al., 2016;Jiang et al., 2017; 舒建川等, 2019）。由于復雜的地形分布、顯著的海陸熱力差異以及降水的多時空尺度變化特征，模式通常對東南亞地區(qū)降水的模擬性能較差（Yang et al., 2019）。深入理解該區(qū)域極端降水的變化特征及機理，可為改善模式對該區(qū)域降水的模擬能力提供理論支撐，也可為提高我國的短期氣候預測水平提供有利的參考依據。

不同區(qū)域降水的變化不同，它們的氣候效應也存在差別（Chang et al., 2005; Jin et al., 2017; Jiang and Li, 2018）。但以往研究大多將東南亞視為整體，研究區(qū)域平均降水的氣候效應。簡單的區(qū)域平均可能低估東南亞降水的年際變率信號，進而低估ENSO 對東亞夏季風的作用（McGregor, 1992;Aldrian and Susanto, 2003）。主模態(tài)的提取不僅可以涵蓋東南亞所有區(qū)域，還能夠彌補以往研究多側重于區(qū)域平均而很少涉及降水空間差異性的不足。東南亞降水的空間分布十分復雜，常用的主分量分析方法（EOF/REOF）提取的主模態(tài)解釋方差偏低（Aldrian and Susanto, 2003; Xu et al., 2019）。最近幾十年，K-means、Ward’s method 和自組織映射（SOM）等聚類分析方法被廣泛地應用于極端天氣氣候事件的研究領域。SOM 的優(yōu)勢是：當氣候系統(tǒng)存在噪音或者分布十分復雜時，該方法仍能夠精確客觀地提取氣候變量的主模態(tài)（Bao and Wallace, 2015; Li et al., 2015; Guo et al., 2019）。

與所有動態(tài)聚類方法類似，SOM 方法需要事先指定分類數目。太多的分類數會導致類別之間的物理差異不夠顯著，分類數太少又不能夠完全體現變量的分布特征。偽發(fā)現率（FDR）是常用的確定SOM 最優(yōu)分類數的場顯著性檢驗方法（Johnson et al., 2008; Guo et al., 2019）。顯著性水平p選取為0.05。當極端降水被分為K類時，利用FDR 方法分別對組極端降水合成場做顯著性檢驗，其中K的取值從2 開始增加，當K=L時，如果出現場顯著性檢驗的p值大于0.05，即表明有1 對極端降水合成場的差異不顯著，由此將SOM 的最優(yōu)分類數確定為L-1。

APHRODITE 數據的時間長度是1951～2015 年，為了分析最近幾十年東南亞極端降水的形成機理，本文利用CPC-UNI 日降水數據。依據相對閾值方法分別挑選東南亞1979～2019 年春季、夏季、秋季和冬季的極端降水日。采用SOM 和FDR 方法對四個季節(jié)極端降水日的降水量進行聚類分析（表2）。結果表明，東南亞春季極端降水主要分為北濕南干和全區(qū)一致偏濕兩種空間分布型，這兩種空間分布型出現的頻率為38.3%和61.7%。東南亞夏季極端降水主要呈現北濕南干（C1）、全區(qū)一致偏濕（C2）和北干南濕（C3）的空間分布特征（圖6），且三種主模態(tài)的發(fā)生頻次呈上升的趨勢，其中C2 和C3 呈顯著增加的趨勢，但C1 的上升趨勢不顯著。值得注意的是，C1 和C3 型極端降水的空間分布及其對應的大尺度環(huán)流特征相反，但兩種類型極端降水對應的時間序列相關系數不顯著，說明C1 和C3 是兩種不同類型的極端降水。與夏季極端降水類似，東南亞秋季極端降水主要分為北濕南干、全區(qū)一致偏濕和北干南濕三種空間分布型。東南亞冬季一致偏濕和北干南濕分布型發(fā)生的頻率為75.1%和24.9%。

表2 1979～2019 年春季、夏季、秋季和冬季極端降水的SOM 分型及其頻率Table 2 Spatial patterns of SOM modes for spring, summer, autumn, and winter extreme precipitaion over Southeast Asia during 1979-2019 and their frequencies.

圖6 1979～2019 年東南亞夏季（a、d）北濕南干（C1）、（b、e）全區(qū)一致偏濕（C2）和（c、f）北干南濕（C3）型極端降水的空間分布（第一行）及三種分型對應的主模態(tài)發(fā)生頻次時間序列（第二行）。第一行圖右上角的百分數表示每種分型的發(fā)生頻率，打點區(qū)域表示通過了95%信度水平的顯著性檢驗。引自Xu et al.（2022）。Fig.6 Spatial patterns of 1×3 SOM nodes (C1, C2, and C3) for summertime extreme precipitation (units: mm d-1) over Southeast Asia (top panels)and their corresponding time series (bottom panels) during 1979-2019.The percentages in the parentheses of top panels represent the frequency of each pattern.Stippling indicates the anomalies that are statistically significant at the 95% confidence level based on the Student’s t-test.From Xu et al.(2022).

利用回歸分析、合成分析、偏相關和偏回歸等多種統(tǒng)計分析方法，結合多種診斷分析方法，我們進一步分析了1979～2019 年東南亞夏季不同類型極端降水的大尺度環(huán)流特征及機理（圖略，詳見Xu et al., 2022）。結果表明，C1 型極端降水主要與印度洋的冷海溫異常高度相關。印度洋的冷海溫異常能造成東南亞南部低層風場輻散和下沉運動以及北部低層風場輻合和上升運動，進一步導致東南亞極端降水呈現北濕南干的空間分布。C2 型極端降水主要與熱帶北大西洋暖海溫異常緊密相關。春季熱帶北大西洋的暖海溫異常能夠持續(xù)到夏季，通過Matsuno-Gill 響應引起熱帶東北太平洋和中太平洋的北風異常和冷海溫異常。冷海溫異常進一步通過Matsuno-Gill 響應造成熱帶西北太平洋的東風異常和上升運動，導致東南亞極端降水呈現一致偏濕的空間分布型。C3 型極端降水主要由熱帶太平洋和大西洋的海溫異常引起。熱帶西太平洋、東太平洋和大西洋海溫異常的暖—冷—暖空間分布，能夠造成東南亞南部低層風場輻合和上升運動，北部低層風場輻散和下沉運動，使得東南亞極端降水呈現北干南濕的空間分布。

此外，我們利用SOM 方法提取了1979～2019年東南亞夏季總降水的主模態(tài)（圖略），并分析了三種類型極端降水和非極端降水對總降水的貢獻（圖7）。結果表明，1979～2019 年東南亞夏季總降水可以分為全區(qū)一致偏干、海洋性大陸主體偏干、北濕南干、全區(qū)一致偏濕和北干南濕五種空間分布型。第1、2 類總降水主要由非極端降水決定，第3～5 類總降水分別由C1、C2 和C3 極端降水和非極端降水共同影響。

5 總結與展望

本文利用觀測數據分析了1951～2014 年泛南海地區(qū)年平均和季節(jié)平均的四個極端降水指數（R95p、R20、RX1day 和RX5day）的時空變化特征?；诟呔冉y(tǒng)計降尺度數據（NEX-GDDPCMIP6），預估了該區(qū)域各個極端降水指數在SSP1-2.6 和SSP5-8.5 情景下2015-2100 年的變化特征。為了探討不同區(qū)域極端降水對氣候變化的響應程度，我們將泛南海地區(qū)分為四個子區(qū)域，分析了各個子區(qū)域年平均極端降水在2016～2035 年、2046～2065 年以及2080～2099 年相比于1995～2014 年的百分比變化。此外，東南亞位于熱帶西太平洋暖池區(qū)，是北半球天氣氣候變化最敏感的地區(qū)之一，同時也是亞洲季風區(qū)對流最活躍的地區(qū)之一。由于受多種海洋和大氣系統(tǒng)的影響，東南亞天氣氣候復雜多變，極端降水頻發(fā)。以該區(qū)域為例，分析了極端降水的大尺度環(huán)流特征及變化機理。本文的主要結論如下：（1）1951～2014 年泛南海地區(qū)年平均和季節(jié)平均的四個極端降水指數的時空變化特征相似。極端強降水和持續(xù)性強降水均分布在東南亞、中國東南部以及青藏高原南坡地區(qū)，這些區(qū)域同時也是高頻強降水發(fā)生的地區(qū)。東南亞各個極端降水指數的季節(jié)性差異較小，其他區(qū)域四個極端指數在夏季最大，秋季和春季次之，冬季最小。1951～2014 年泛南海地區(qū)各個極端降水指數的趨勢空間分布不均一，且大部分區(qū)域趨勢不顯著。（2）和歷史時期類似，SSP1-2.6 和SSP5-8.5情景下2015～2100 年泛南海地區(qū)極端降水大值區(qū)主要分布在東南亞、中國東南部以及青藏高原南坡地區(qū)，且SSP5-8.5 情景下極端降水的值大于SSP1-2.6 情景。對整個區(qū)域而言，2015～2100 年該區(qū)域四個極端降水指數均呈顯著增加的趨勢，且SSP5-8.5 情景下的趨勢比SSP1-2.6 情景顯著。雖然東南亞是1951～2014 年極端降水的大值區(qū)，但該區(qū)域極端降水在未來三個時段（2016～2035 年、2046～2065 年和2080～2099 年）的變化沒有其他區(qū)域明顯，南亞和青藏高原是泛南海地區(qū)未來極端降水變化的大值區(qū)。（3）1979～2019 年東南亞夏季極端降水主要分為北濕南干、全區(qū)一致偏濕和北干南濕的空間分布型。北濕南干型主要受印度洋冷海溫異?？刂疲珔^(qū)一致偏濕型與熱帶北大西洋暖海溫異常密切相關，熱帶太平洋和大西洋海溫異常是北干南濕型極端降水的主要影響因子。

利用SOM 和FDR 方法，本研究提取了東南亞四個季節(jié)極端降水空間分布的主模態(tài)，但目前僅分析了該區(qū)域夏季極端降水主模態(tài)的大尺度環(huán)流特征及機理，未來需加強其他三個季節(jié)極端降水變異機理的研究。例如，春季是季節(jié)轉換中一個非常重要的季節(jié)，春季氣候變異過程對夏季氣候有著明顯的影響（Li et al., 2016; Yang et al., 2019）。在全球變暖背景下，泛南海地區(qū)春季氣候狀況可能呈現新的變化規(guī)律，這些變化會加劇我國南方旱澇預測的難度和不確定性，在今后的工作中需要多關注泛南海地區(qū)春季極端降水的變化特征及機理研究。

泛南海不同區(qū)域極端降水對氣候變暖的響應不同，但本研究僅僅關注了東南亞極端降水的變化機理。未來工作需要加強其他區(qū)域極端降水的大尺度環(huán)流特征及機理的研究。此外，泛南海地區(qū)次季節(jié)—季節(jié)氣候預測不僅對當地人民生活至關重要，也對其周邊地區(qū)的氣候預測有重要影響。研究指出，氣候模式對泛南海地區(qū)環(huán)流和平均降水的次季節(jié)—季節(jié)變化有一定的預報能力（Zhang et al., 2016），但對該區(qū)域極端降水可預測性研究存在不足，亟需開展相關研究。