四種全球大洋水汽數(shù)據(jù)產(chǎn)品的比較分析*

蔡逸男 , 杜巖 , , 陳澤生

1. 熱帶海洋環(huán)境國家重點實驗室(中國科學(xué)院南海海洋研究所), 廣東 廣州 510301;

2. 中國科學(xué)院大學(xué), 北京 100049;

3. 南方海洋科學(xué)與工程廣東省實驗室(廣州), 廣東 廣州 510301

水汽是描述大氣狀況的基本特征參數(shù)之一。大氣中的水汽含量(又稱可降水量)雖只占全球水總量的0.001% (Durack et al, 2016), 卻是全球水循環(huán)過程中最活躍的因子。水汽是形成降水的物質(zhì)基礎(chǔ), 通過平流和垂直輸運驅(qū)動大氣環(huán)流, 影響局地降水量(Zhou et al, 2005; Sherwood et al, 2010; Zhu et al, 2011)。水汽的相態(tài)變化影響著全球能量的再分配(Chahine, 1992; Oki et al, 2006)。水汽是大氣中重要的溫室氣體, 在當前全球氣溫升高的背景下, 根據(jù)克拉珀龍-克勞修斯方程, 溫度每升高1℃, 水汽增加約7% (Held et al, 2006)。外強迫引起的全球平均氣溫的增加使地表蒸發(fā)增強, 空氣中更多的水汽會減弱向外的長波輻射, 使氣溫增加, 這一過程為水汽反饋(Held et al, 2000)。假設(shè)大氣的相對濕度保持不變, 水汽可以使由二氧化碳強迫引起的全球地表平均增溫加倍(Manabe et al, 1964, 1967), 如果考慮水汽反饋和其他反饋的相互作用, 上述放大效應(yīng)可達3 倍或以上(Held et al, 2000)。水汽反饋是氣候系統(tǒng)中重要的反饋過程(Soden et al, 2006), 對理解全球氣候變化至關(guān)重要(Lacis et al, 2010)。氣候變化中的水汽變化具有相當大的不確定性(Zhang et al, 2020), 在密切監(jiān)測溫度變化的同時, 系統(tǒng)性地觀測大氣中水汽的長期變化, 對于氣候研究和預(yù)測具有重要意義。

前人有關(guān)水汽的研究主要基于衛(wèi)星遙感反演資料、無線電探空資料以及再分析資料等。Wentz 等(2000)使用衛(wèi)星專用傳感器微波成像儀(SSM/I)數(shù)據(jù)對比發(fā)現(xiàn), 在年際和年代際時間尺度上, 海面溫度、對流層低層空氣溫度和大氣柱水汽總量之間存在很強的正相關(guān)性, 且在1987—1998 年期間海洋大氣有持續(xù)變暖和變濕的趨勢。Trenberth 等(2005a)也認為SSM/I 數(shù)據(jù)集較為可信, 并指出1988 年以來可降水量大體呈增加趨勢。

再分析數(shù)據(jù)同化融合了多個來源的觀測資料, 空間分辨率高, 覆蓋時間長, 在水汽的研究中起到重要作用, 廣泛應(yīng)用于區(qū)域及全球氣候變化研究。但是, 預(yù)測模型中殘留的系統(tǒng)偏差也帶來了極大的不確定性(Kalnay et al, 1996; Kistler et al, 2001; Trenberth et al, 2011)。Schr?der 等(2016)評估了氣候預(yù)報系統(tǒng)再分析數(shù)據(jù)(CFSR), 現(xiàn)代回顧分析的研究與應(yīng)用數(shù)據(jù)(MERRA)和歐洲中期天氣預(yù)報中心中期再分析數(shù)據(jù)(ERA-Interim)的大氣柱水汽總量(Total Column Water Vapor, TCWV)數(shù)據(jù), 揭示出現(xiàn)不同趨勢的差別主要由不同數(shù)據(jù)記錄中的斷點(即時間序列中的不連續(xù), 出現(xiàn)斷點的原因包括傳感器的通道變化和校準、算法或其輔助數(shù)據(jù)的變化, 以及空間采樣覆蓋率的變化)所引起(Schr?der et al, 2016)。Bosilovich 等(2017)發(fā)現(xiàn), 相比于MERRA, MERRA-2 更接近于觀測結(jié)果, 其時間不連續(xù)性或虛假趨勢要小得多(Bosilovich et al, 2017)。新一代的再分析產(chǎn)品通過同化觀測和模擬, 以及不斷改進算法進行數(shù)據(jù)更新, 使得其輸出數(shù)據(jù)對水汽的描述變得更加準確, 更加接近觀測數(shù)據(jù), 在描述氣候狀態(tài)、研究氣候變化等方面起到了重要的作用。

隨著數(shù)據(jù)的更新?lián)Q代, 新的觀測和再分析數(shù)據(jù)在水汽氣候態(tài)分析中的適用性并不十分清楚。本文將重點比較分析常用的4 種水汽數(shù)據(jù), 探究不同尺度TCWV 的變化特征和長期趨勢, 以及TCWV 在全球氣候變化背景下的響應(yīng), 并分析數(shù)據(jù)適用性, 為下一步水汽研究的數(shù)據(jù)選擇提供參考。

1 數(shù)據(jù)與方法

本文用到的數(shù)據(jù)包括衛(wèi)星專用傳感器微波成像儀/探測儀(SSM/I&SSMIS)、遙感系統(tǒng)數(shù)據(jù)集(RSS V7R01)、歐洲中期天氣預(yù)報中心第5 代再分析數(shù)據(jù)(ERA5)和現(xiàn)代回顧分析的研究與應(yīng)用第2 版數(shù)據(jù)(MERRA-2)數(shù)據(jù), 具體介紹如表1 所示。

本文同時使用了來自美國國家海洋和大氣管理局(NOAA)的月平均最優(yōu)插值海表溫度(OISST)數(shù)據(jù)和 ERA5 的海陸掩膜(land-sea mask)數(shù)據(jù)。由于SSM/I&SSMIS 和RSS V7R01 數(shù)據(jù)只覆蓋60°N— 60°S 的海洋, 為了方便數(shù)據(jù)間的比較, 我們將所有數(shù)據(jù)的范圍選定為60°N—60°S 的全球大洋, 空間分辨率統(tǒng)一處理成1°×1°, 時間分辨率為月平均, 時間跨度為1988 年1 月—2018 年12 月。

表1 大氣柱水汽總量(TCWV)數(shù)據(jù)介紹 Tab. 1 Introduction of total column water vapor (TCWV) datasets

2 結(jié)果與討論

2.1 大氣柱水汽總量的空間分布特征

全球多年平均的TCWV 具有明顯的空間分布特征。大部分水汽主要集中于赤道輻合帶和暖池地區(qū), 且隨緯度升高大氣水汽含量降低(圖1a)。4 種數(shù)據(jù)的多年平均TCWV 的空間分布高度相似, 絕大部分海域的偏差不超過 0.3kg·m–2, SSM/I&SSMIS、ERA5、MERRA-2 和RSS V7R01 的空間相關(guān)系數(shù)分別是0.95、0.99、0.99 (圖1)。ERA5 數(shù)據(jù)和RSS V7R01數(shù)據(jù)存在一個系統(tǒng)性的負偏差, 在熱帶海洋以及阿拉伯海和孟加拉灣等沿岸海域, 差異較顯著(圖1c)。這可能是由于ERA5 采用了4 維變分同化方案, 這一方案同化出的大氣是偏干燥的(Bauer et al, 2006)。MERRA-2 的數(shù)據(jù)和觀測數(shù)據(jù)有一個結(jié)構(gòu)性偏差, 在印太暖池和赤道輻合帶, MERRA-2 高于 RSS V7R01, 而在東南太平洋和大西洋南部等海域MERRA-2 較低(圖1d)。MERRA-2 的質(zhì)量約束使得蒸發(fā)減去降水的整體平均值基本上為零, 但該數(shù)據(jù)在印太暖池區(qū)域產(chǎn)生過多的降水, 相比觀測數(shù)據(jù)大氣水汽增加; 相反的情況發(fā)生在東南熱帶太平洋和西印度洋, 那里的降水量接近觀測值, 并且大氣水汽較低(Takacs et al, 2015, 2016)。

圖1 全球多年平均大氣柱水汽總量(TCWV)的分布 a. RSS V7R01; b、c、d 分別為SSM/I&SSMIS、ERA5、MERRA-2 和RSS V7R01 的差值(單位:kg·m–2)。R 是對應(yīng)的數(shù)據(jù)和RSS V7R01的相關(guān)系數(shù), 打點處是經(jīng)過95% t-檢驗的差異顯著區(qū) Fig. 1 Distribution of global mean TCWV. (a) RSS V7R01; (b), (c), and (d) are differences between SSM/I&SSMIS and RSS V7R01, ERA5 and RSS V7R01, MERRA-2 and RSS V7R01, respectively (units: kg·m–2). R is the correlation coefficient between RSS V7R01 and other datasets Stippling indicates significant at the 95% confidence level using t-test

在熱帶輻合帶(ITCZ)、南大洋、東北太平洋和東南太平洋等海域, 月平均TCWV 的標準差較小, 說明在這些海域月平均TCWV 的變化較穩(wěn)定, 與之相反的是孟加拉灣和阿拉伯海等海域(圖2a)。這可能是因為這些地區(qū)受到強烈的季風影響, 季風轉(zhuǎn)向?qū)е碌乃斔彤惓Ｓ绊懥司值氐腡CWV。4 種數(shù)據(jù)的月平均 TCWV 標準差空間分布高度相似, SSM/I&SSMIS、ERA5、MERRA-2 和RSS V7R01的相關(guān)系數(shù)分別是 0.91、0.99、0.99 (圖 2)。SSM/I&SSMIS 和RSS V7R01 標準差的分布差別不大, 且差異性并不顯著(圖 2b)。ERA5 的月平均 TCWV 標準差在南半球的熱帶海洋略高于 RSS V7R01, 而在南北半球中高緯度海洋則略低(圖2c)。在熱帶海洋, MERRA-2 的月平均TCWV 標準差大于RSS V7R01, 這表明MERRA-2 數(shù)據(jù)表征的水汽隨時間波動程度大于觀測數(shù)據(jù), 并且在海洋大陸區(qū)域, 差異較為顯著。而在東南太平洋、東南大西洋以及南半球中高緯度大洋, MERRA-2 的標準差小于RSS V7R01 (圖2d)。

圖2 月平均大氣柱水汽總量(TCWV)數(shù)據(jù)的標準差分布 a. RSS V7R01; b、c、d 分別為SSM/I&SSMIS、ERA5、MERRA-2 和RSS V7R01 的差值(單位:kg·m–2)。R 是對應(yīng)的數(shù)據(jù)和RSS V7R01的相關(guān)系數(shù), 打點處是經(jīng)過95% t-檢驗的差異顯著區(qū) Fig. 2 Standard deviation (STD) of monthly mean TCWV. (a) RSS V7R01; (b), (c), and (d) are differences between SSM/I&SSMIS and RSS V7R01, ERA5 and RSS V7R01, MERRA-2 and RSS V7R01, respectively (units: kg·m–2). R is the correlation coefficient between RSS V7R01 and other datasets. Stippling indicates significant at the 95% confidence level using t-test

2.2 TCWV 的季節(jié)和年際變化

溫度是影響TCWV 的重要因素(Trenberth et al, 2005a, 2005b), 大氣溫度越高, 能包容的水汽量越高。海表溫度(Sea Surface Temperature, SST)和TCWV 之間存在很強的相關(guān)性, TCWV 的長期趨勢很大一部分可以用 SST 的變化來解釋。Wentz等(2000)發(fā)現(xiàn), 1987—1998 年熱帶地區(qū)(20°N—20°S) TCWV 的回歸系數(shù)是9.2%·K–1。在更長的時間尺度(1988—2003 年)和更廣泛的范圍(全球海洋), TCWV 的回歸系數(shù)是8.87%·K–1(Trenberth et al, 2005a)。在我們的研究中, TCWV 和SST 的回歸 系 數(shù) 分 別 是 11.77%·K–1(SSM/I&SSMIS)、10.71%·K–1(RSS V7R01)、10.55%·K–1(ERA5)和9.99%·K–1(MERRA-2) (圖3)。這一結(jié)果和前人的研究基本一致。

太陽直射點在南北回歸線之間的移動, 引起南北半球夏冬差異, 使得半球的TCWV 具有強的季節(jié)特征。北半球的TCWV 最高值位于8 月, 最低值位于2 月, 南半球則恰好相反(圖4a、4b)。相比于南半球, 北半球的 TCWV 波動范圍更大(可達14.02kg·m–2), 且夏季最大值也更高(40.60kg·m–2)。這可能是受海陸分布、季風效應(yīng)和地理地形等因素的影響(Trenberth et al, 2007)。

全球大洋平均的TCWV 高值位于7 月(ERA5、MERRA-2)和8 月(SSM/I&SSMIS、RSS V7R01), 低值則出現(xiàn)在11 月, 變化幅度較小(圖4c)。這一弱的季節(jié)特征可能是由于南北半球海陸分布的不對稱性和海陸熱力差異。北半球的陸地面積遠大于南半球, 南半球的海洋面積大, 陸地的熱容量小于海洋。因此在北半球夏季(6—8 月), 北半球升溫快, 南半球降溫則相對較緩, 全球平均的TCWV 值增強, 并在7、8 月份達到最大值。8 月之后, 北半球降溫快, 南半球升溫相對慢, 全球平均的TCWV 值緩慢下降, 且在11 月達到最小值。盡管具體數(shù)值存在差異, 但4 種數(shù)據(jù)在描述TCWV 的年循環(huán)方面比較一致。

4 個季節(jié)TCWV 的逐年時間序列如圖5 所示。TCWV 在每個季節(jié)都存在長期增加的趨勢, 且在強ENSO 盛行的冬季和次年春季出現(xiàn)異常高值, 如1997/1998、2009/2010 以及2015/2016 年(圖5a、5d)。ENSO 事件期間, 熱帶海洋變暖, 降水強度、水汽含量和熱帶大氣溫度增加, 水循環(huán)更加活躍(Soden, 2000), TCWV 和ENSO 密切相關(guān)(Bates et al, 2001; Trenberth et al, 2005a; Shi et al, 2011)。4 種數(shù)據(jù)都表現(xiàn)出水汽長期增加的趨勢, 并且在定性描述TCWV季節(jié)變化方面具有較高的一致性。

之前研究表明, 熱帶海洋上TCWV 的年際變化顯著且ENSO 的作用突出, ENSO 的主要作用體現(xiàn)在熱帶太平洋上。為此, 我們通過經(jīng)驗正交函數(shù)分析法(EOF)提取熱帶太平洋水汽場的主要模態(tài), 來了 解4 種數(shù)據(jù)在描述水汽場主要變化特征方面的異同。4 種數(shù)據(jù)在描述水汽場的變化特征方面較為一致, EOF 第一模態(tài)都呈現(xiàn)厄爾尼諾型的分布, 方差貢獻率在30%左右(圖6)。Ni?o-3.4 指數(shù)和TCWV 第一模態(tài)的時間系數(shù)基本一致, 相關(guān)系數(shù)分別是0.91 (RSS V7R01、SSM/I&SSMIS、ERA5)和 0.90 (MERRA-2), 且通過 95%的置信度檢驗(圖6e)。

圖3 大氣柱水汽總量(TCWV)變率和海表溫度(SST)變化的散點圖 a. SSM/I&SSMIS; b. RSS V7R01; c. ERA5; d. MERRA-2。紅線是最小二乘法擬合曲線; R-square 是判定系數(shù); 公式是回歸方程 Fig. 3 Scatter diagrams of TCWV anomalies and SST anomalies. (a), (b), (c), and (d) are SSM/I&SSMIS, RSS V7R01, ERA5, and MERRA-2, respectively. The red line represents the curve fitting. R-square and the regression equation are presented

圖4 全球平均大氣柱水汽總量(TCWV)的年循環(huán) a. 北半球; b. 南半球; c. 全球 Fig. 4 Annual cycle of global mean TCWV. (a), (b), and (c) are the Northern Hemisphere, the Southern Hemisphere, and global, respectively

2.3 TCWV 的長期變化趨勢

圖7 表示TCWV 月距平值的時間序列及相應(yīng)的線性趨勢擬合結(jié)果。從圖7 中可知, 全球大洋上空的TCWV 呈現(xiàn)出明顯的年際變化特征, TCWV 異常高的年份主要是1998 年、2010 年和2016 年, 也是強ENSO 事件的次年。同時, 全球大洋的TCWV 也存在明顯的年代際變化特征。在1988—1998 年期間, SSM/I&SSMIS (RSS V7R01)的TCWV 處于快速增加狀態(tài), 趨勢為每 10 年增加 0.58kg·m–2(0.63 kg·m–2); 在1999—2008 年期間, TCWV 基本不變, 增加趨勢僅為每10 年增加0.13kg·m–2(0.12kg·m–2); 2009 年之后, TCWV 快速增加, 為每10 年增加0.95kg·m–2(0.63kg·m–2)(圖7a、7b)。1999—2008 年這一時間段對應(yīng)了“全球變暖停滯”時期(Trenberth et al, 2013), 溫度增長較為緩慢, TCWV 也基本不變。在2000 年之前, 觀測數(shù)據(jù)的TCWV 值總體低于再分析數(shù)據(jù), 并且MERRA-2 和ERA5 的數(shù)據(jù)都出現(xiàn)了一個“虛假”的TCWV 高值年(1991 年)(圖7)。在1988— 1998 年期間, ERA5 和MERRA-2 的TCWV 呈下降趨勢, 分別為每10 年減少0.20kg·m–2和0.025kg·m–2, 與觀測數(shù)據(jù)的趨勢相反(圖7c、7d)。在利用再分析數(shù)據(jù)做短時間(如1991—1997 年)的TCWV 趨勢分析的時候, 要慎重使用ERA5 和MERRA-2 的數(shù)據(jù), 避免出現(xiàn)“虛假”趨勢。

圖5 4 種數(shù)據(jù)的大氣柱水汽總量(TCWV)的4 個季節(jié)的平均時間序列 a. 3—5 月; b. 6—8 月; c. 9—11 月; d. 12—次年2 月 Fig. 5 Time series of TCWV of the four datasets in four seasons. (a) March—May; (b) June—August; (c) September— November; (d) December—February

圖6 赤道太平洋大氣柱水汽總量(TCWV)的經(jīng)驗正交函數(shù)分析(EOF) a. SSM/I&SSMIS; b. RSS V7R01; c. ERA5; d. MERRA-2。填色是EOF 第一模態(tài)的空間分布, 右上角百分比代表第一主成分的方差貢獻率; e. 第一模態(tài)的時間系數(shù)和Ni?o-3.4 指數(shù)(ONI 指數(shù)) Fig. 6 EOF analysis of TCWV in the tropical Pacific. (a), (b), (c), and (d) are SSM/I&SSMIS, RSS V7R01, ERA5, and MERRA-2, respectively. Shading indicates the structure of the first mode, numbers at the upper right corner are the variance contributions of the first principal components. e shows the time coefficient of the first mode and Ni?o-3.4 index (ONI index)

圖7 1988—2018 年全球大洋大氣柱水汽總量(TCWV)月距平的時間序列(十一點滑動平均)及線性擬合趨勢圖 各圖中的棕色、黃色和黑色虛線分別代表1988—1998、1999—2008、2009—2018 的相應(yīng)趨勢 Fig. 7 Time series (11-month running smoother applied) and the linear fitting trend of global ocean TCWV anomalies from 1988 to 2018. Red, yellow, and black lines represent the linear trends of 1988—1998, 1999—2008, and 2009—2018, respectively

總體來說, 在1988—2018 年期間, 4 種數(shù)據(jù)的TCWV 均呈上升趨勢, SSM/I&SSMIS 的變化趨勢最大, 為每10 年增加0.43kg·m–2, RSS V7R01 的增長趨勢是每10 年增加0.38kg·m–2。兩種再分析數(shù)據(jù)的上升趨勢均低于觀測數(shù)據(jù), ERA5 和MERRA-2 的增長趨勢分別是每10 年增加0.35kg·m–2和0.26kg·m–2。

為了進一步探究全球TCWV 的年際變化和長期趨勢是否在全球各個區(qū)域普遍存在, 我們做了TCWV 的時間-緯度變化圖。結(jié)果表明, 4 種數(shù)據(jù)的水汽緯向平均基本一致(圖8)。總體來說, 北半球TCWV 值大于南半球, 且隨時間變化, TCWV 增長趨勢強于南半球。在1988—2018 年期間, TCWV 的增長趨勢表現(xiàn)在所有緯度帶上, 在中高緯度區(qū)域尤其明顯。熱帶海洋的TCWV 較大且年際變化顯著。ENSO 的影響較為突出, 在1997/1998 和2015/2016年這兩個強ENSO 年, 熱帶海洋的TCWV 異常高。值得注意的是, 在1992 年之前, 再分析數(shù)據(jù)與觀測數(shù)據(jù)的差異較大, 在熱帶尤其明顯?？赡苁且驗樵谶@一時間段, 用于同化的觀測資料較少。

圖9 給出了長期趨勢結(jié)果統(tǒng)計顯著性超過95%的全球分布圖。從圖9 中可知, 4 種數(shù)據(jù)集趨勢的空間分布有一定的相似性。熱帶太平洋、中高緯度大洋、南太平洋以及南印度洋等海域, 水汽呈上升趨勢, 其中印太暖池、熱帶西南印度洋和熱帶東太平洋的上升趨勢較強, 表明這些海域的水循環(huán)加快(圖9)。將圖9 和圖1 進行比較, 可以發(fā)現(xiàn)在長期趨勢上, 熱帶海洋的TCWV 符合“濕者更濕”, 并呈現(xiàn)出ENSO 型的分布。這是因為在平均態(tài)TCWV 較高的海域, 相對濕度也較高, 且隨溫度升高, 相對濕度的變化很小。當溫度升高, 對流增強, 年平均降水增加, 大氣更加濕潤(Chou et al, 2009; Johnson et al, 2010; Xie et al, 2010; Sobel et al, 2011; Huang et al, 2013)。在1988—2018 年期間, 發(fā)生多次強ENSO事件, 如1997/1998 和2015/2016 年的強ENSO 事件, 這一區(qū)域的水汽趨勢分布記錄了這一影響。

在當前全球氣候變暖的大背景下, 全球的水循環(huán)加快, 大氣水汽含量上升, 但是在部分海域, 大氣水汽含量仍呈下降趨勢, 如東南太平洋和南大西洋海域。由于該海域受東南信風控制, 大氣水汽含量的下降可能與氣候態(tài)的風場有關(guān)。我們將在下一 步的研究中探究局地的水循環(huán)狀況。

圖9 全球海洋大氣柱水汽總量(TCWV)的長期趨勢的空間分布(1988—2018 年) a. SSM/I&SSMIS; b. RSS V7R01; c. ERA5; d. MERRA-2。黑點代表置信度水平超過95% F 檢驗的區(qū)域 Fig. 9 Spatial distribution of long-term trend of global ocean TCWV (1988—2018). (a), (b), (c), and (d) are SSM/I&SSMIS, RSS V7R01, ERA5, and MERRA-2, respectively. Shading indicates long-term trend. Stippling indicates significant at the 95% confidence level using F-test

SSM/I&SSMIS、RSS V7R01 和ERA5 這3 個數(shù)據(jù)的變化趨勢分布較為相似, 而MERRA-2 數(shù)據(jù)與其他3 個數(shù)據(jù)差異較大, 在某些區(qū)域甚至出現(xiàn)相反的趨勢。在熱帶印度洋和熱帶大西洋, MERRA-2 的水汽呈下降趨勢, 而在印太暖池, 水汽呈弱的增強趨勢(圖9d)。在研究水汽的長期變化趨勢時, 在這些海域要謹慎使用MERRA-2 的數(shù)據(jù)。

3 結(jié)論

水汽是氣候系統(tǒng)的重要組成成分, 也是重要的溫室氣體。監(jiān)測全球大洋上空的水汽含量對海洋降水和水汽輸送研究起重要的作用。使用可靠的水汽 資料可以有效地減少氣候分析中的不確定性。本文比較了4 種新一代的觀測和再分析水汽數(shù)據(jù), 通過分析大氣柱水汽總量(TCWV)這一重要的氣候診斷量, 我們得出如下結(jié)論:

1) 空間分布特征: 多年平均TCWV 呈帶狀分布, 在熱帶海洋較高, 隨緯度升高, 水汽含量下降。與觀測數(shù)據(jù)相比, ERA5 存在系統(tǒng)性的負偏差, MERRA-2 存在結(jié)構(gòu)性偏差。熱帶輻合帶、南大洋、東北太平洋和東南太平洋等海域, TCWV 隨時間變化波動較大, 孟加拉灣和阿拉伯海等海域則相反。4種數(shù)據(jù)在刻畫水汽隨時間的波動方面比較一致。

2) 季節(jié)和年際變化: 北半球的TCWV 在8 月達到最高值, 2 月達到最低值, 南半球恰好相反。熱帶海洋上, TCWV 的年際變化顯著且ENSO 的作用突出。4 種數(shù)據(jù)在描述水汽的季節(jié)變化和年際變化方面較一致。

3) 長期變化趨勢: 從1988 至2018 年, 全球TCWV 的增長趨勢為迅速增加→緩慢增加→迅速增加, 總體呈增長趨勢。其中熱帶海洋TCWV 的年際變化顯著, 增加趨勢較強, 且和ENSO 高度相關(guān)。除MERRA-2 外, 其他3 種數(shù)據(jù)變化趨勢的空間分布較一致。在研究熱帶印度洋和熱帶大西洋, 熱帶西太平洋等區(qū)域長期水汽變化趨勢的問題時, 需要謹慎使用MERRA-2 的數(shù)據(jù)。

觀測資料和再分析資料在描述全球水汽的全球分布特征, 季節(jié)和年際變化方面有很高的相似性, 在時間序列及變化趨勢等方面仍存在一定的差異。ERA5 數(shù)據(jù)和觀測資料較為接近, 但是在研究短期(如1988—1992 年)的水汽變化趨勢時, 需要慎重使用。在研究熱帶印度洋和熱帶大西洋, 熱帶西太平洋等區(qū)域長期水汽變化趨勢的問題時, 需要謹慎使用MERRA-2 的數(shù)據(jù)。

熱帶海洋的TCWV 受ENSO 影響大, 在1988—2018 年期間, 全球TCWV 呈上升趨勢, 并且空間分布呈現(xiàn)出“濕者更濕”的形態(tài)。在當前氣候變化的背景下, 選取恰當?shù)臄?shù)據(jù), 研究熱帶海洋的TCWV的變化趨勢和機制是下一步工作的重點。

附錄

1. 標準差

本文中, 月平均TCWV 數(shù)據(jù)的標準差的公式如下:

式中: S 是標準差; N 是樣本數(shù), 即為月數(shù); A 是變量, 為對應(yīng)的每個月的TCWV; μ是A 的均值。

2. t-檢驗

3. F 檢驗

F 統(tǒng)計量構(gòu)造如下:

式中: SSR 是回歸平方和; SSE 是殘差平方和; P 是概率值; n 是樣本數(shù)。

4. 月距平值

月距平值(去除季節(jié)循環(huán))是求各月多年的平均值, 分別得到12 個月的平均值, 再用逐月的TCWV值減去每個月份的多年平均值。