華北—東北地區(qū)南部汛期降水影響因子分析及季節(jié)預(yù)報模型的建立*

唐 筱 陶 麗,2 鄧敏君

1.南京信息工程大學(xué)大氣科學(xué)學(xué)院，南京，210044

2.南京信息工程大學(xué)氣象災(zāi)害教育部重點實驗室，南京，210044

3.中國氣象局旱區(qū)特色農(nóng)業(yè)氣象災(zāi)害監(jiān)測預(yù)警與風(fēng)險管理重點實驗室，銀川，750002

4.寧夏氣象服務(wù)中心，銀川，750002

1 引言

華北—東北地區(qū)南部位于東亞季風(fēng)區(qū)北部，降水受東亞夏季風(fēng)影響較強，全年降水集中在夏半年，尤其是7—8 月盛夏時節(jié)，頻繁遭受干旱、洪澇等災(zāi)害，嚴(yán)重影響社會經(jīng)濟和人民生活（姚亞慶等，2017）。因此，關(guān)于華北—東北地區(qū)南部汛期降水的時空變化特征以及成因的研究十分重要。

已有研究表明，華北—東北地區(qū)南部受海表面溫度（Sea Surface Temperature，SST）異常（Huang，et al，1989；Chang，et al，2000a，2000b；Gong，et al，2002；Wu，et al，2009，2012）、季風(fēng)環(huán)流變化（郭其蘊，1992；張人禾，1999；黃櫻等，2003；王遵婭等，2004；Ding，et al，2009；Wei，et al，2014）、中高緯度系統(tǒng)（Lu，2004；Sampe，et al，2010）、青藏高原雪蓋（Zhang，et al，2004；朱玉祥等，2007）和遙相關(guān)型（Dai，et al，2020）等的綜合影響，夏季降水成因復(fù)雜。SST 異常對華北—東北地區(qū)南部汛期降水起著至關(guān)重要的作用，而太平洋SST 異常對華北—東北地區(qū)南部汛期降水影響最顯著，主要通過影響副熱帶高壓脊來影響東亞季風(fēng)降水（Chang，et al，2000a，2000b）。在厄爾尼諾-南方濤動（El Ni?o-Southern Oscillation，ENSO）的發(fā)展階段，夏季熱帶西太平洋SST 較低，中國南海和菲律賓海附近對流活動較弱，西太平洋副熱帶高壓（以下簡稱西太副高）南移，江淮流域夏季降水偏多，華北夏季降水偏少（Huang，et al，1989）。Wen 等（2020）區(qū)分了不同類型厄爾尼諾對東亞夏季降水的影響：夏季東太平洋（Eastern Pacific，EP）厄爾尼諾對應(yīng)中國東部南澇北旱的偶極型，混合型（Mixed-type Pacific，MP）厄爾尼諾的降水對應(yīng)江淮降水偏多，華南—東北地區(qū)降水偏少的三極型，中太平洋（Central Pacific，CP）厄爾尼諾對應(yīng)華南和華北偏濕潤、江淮和東北偏干的三角型。大西洋SST 異常也會對華北—東北地區(qū)南部汛期降水產(chǎn)生影響，Wu 等（2009，2012）研究發(fā)現(xiàn)春季北大西洋濤動（North Atlantic Oscillation，NAO）異常會引起北大西洋的SST 呈三極型并持續(xù)到夏季，通過副極地遙相關(guān)的下游發(fā)展影響東亞副熱帶鋒從而影響東亞夏季風(fēng)。另外，印度洋SST 變化也會通過西太副高來影響華北夏季降水（Gong，et al，2002）。Liu 等（2022）研究了2021 年9 月中國中北部異常洪澇現(xiàn)象，發(fā)現(xiàn)熱帶印度洋—太平洋—大西洋海溫異常對降水具有綜合效應(yīng)，西太平洋副高向西延伸與海洋性大陸和印度半島北部的對流呈顯著正相關(guān)。季風(fēng)環(huán)流與華北—東北地區(qū)南部汛期降水變化有密切的聯(lián)系，包括東亞夏季風(fēng)及其組成部分，如西太副高和東亞副熱帶西風(fēng)急流（East Asian Westerly Jet，EAWJ）等。20 世紀(jì)70 年代末以來東亞夏季風(fēng)減弱，導(dǎo)致華北夏季降水明顯減少（王遵婭等，2004）。東亞副熱帶西風(fēng)急流的南北移動（Sampe，et al，2010）和強度變化（Lu，2004）也會導(dǎo)致華北—東北地區(qū)南部汛期降水異常。除了東亞夏季風(fēng)之外，華北—東北地區(qū)南部降水還受到印度夏季風(fēng)的影響，兩者存在顯著的正相關(guān)（郭其蘊，1992；張人禾，1999），且其強弱變化會影響南亞高壓的東西移動進而影響華北夏季降水（黃櫻等，2003；Wei，et al，2014）。Zhao 等（2020）指出華北夏季降水還受到印度夏季風(fēng)和青藏高原加熱的協(xié)同調(diào)節(jié)作用。還有研究表明積雪、遙相關(guān)型等對華北—東北地區(qū)南部汛期降水也有重要影響。20 世紀(jì)70 年代中期以后高原積雪深度增加與印緬槽加深、副熱帶西風(fēng)急流加強同時發(fā)生，長江流域夏季降水偏多，華北夏季降水偏少（Zhang，et al，2004）。當(dāng)高原冬、春季積雪偏多，高原大氣春、夏季熱源偏弱，導(dǎo)致華北降水偏少（朱玉祥等，2007）。還有學(xué)者認(rèn)為華北地區(qū)夏季干旱是由歐亞遙相關(guān)（Eurasian，EU）（Wallace，et al，1981）和太平洋-日本遙相關(guān)（Pacific-Japan，PJ）（Nitta，1987）的正相共同導(dǎo)致，并受到北半球環(huán)全球遙相關(guān)（Circum-global Teleconnection，CGT）的調(diào)制（Dai，et al，2020）。張若楠等（2018）研究發(fā)現(xiàn)，當(dāng)前期春季至同期夏季巴倫支海北部和巴芬灣一帶海冰持續(xù)偏少，使得中高緯度存在歐亞遙相關(guān)型，中國東北地區(qū)北部、長江和黃河之間降水明顯偏少。

當(dāng)前華北—東北地區(qū)南部汛期降水季節(jié)預(yù)報的方法有統(tǒng)計方法、動力統(tǒng)計結(jié)合方法以及機器學(xué)習(xí)方法等。Fan 等（2009）考慮到華北降水年際和年代際信號不一致的問題，使用年際增量法預(yù)報華北汛期降水，擬合相關(guān)系數(shù)達(dá)到0.8，均方根誤差為19%，獨立預(yù)報期間的均方根誤差為21%，并再現(xiàn)了1965—2006 年華北汛期降水下降的趨勢。Guo等（2012）建立了時間尺度分離的統(tǒng)計降尺度模型來預(yù)報華北汛期降水，指出華北汛期降水年際尺度上和6 月的Nino3 指數(shù)密切相關(guān)，年代際尺度上和6 月西南印度洋海平面氣壓密切相關(guān)，并在獨立預(yù)報期間具有較好的預(yù)測能力，相關(guān)系數(shù)為0.82。阮成卿等（2016）對此模型進一步改進，找到新的預(yù)報因子，即6 月北大西洋-歐亞遙相關(guān)，該因子與北大西洋三極子有關(guān)。在獨立檢驗階段，預(yù)報降水與觀測降水的相關(guān)系數(shù)達(dá)到0.77，符號一致率為87%。Dai 等（2021）利用氣候預(yù)報系統(tǒng)（Climate Forecast System version 2，CFSv2）建立混合降尺度模型，采用了6 個預(yù)測因子—冬季東亞地區(qū)海平面氣壓（Sea Level Pressure，SLP）、春季熱帶大西洋SST、冬季熱帶印度洋SST、冬季巴芬灣和秋季喀拉海的海冰濃度以及冬季熱帶OLR，該模型的預(yù)測效果優(yōu)于CFSv2，時間相關(guān)系數(shù)（Temporal Correlation Coefficient，TCC）和平均距平相關(guān)系數(shù)（Anomaly Correlation Coefficient，ACC）達(dá)到0.45，同號率達(dá)到77.8%。考慮到多元線性回歸建立的預(yù)報方程可能會忽略氣候系統(tǒng)中的非線性關(guān)系的原因，Tong 等（2019）利用基于遞歸隨機森林方法，給出了一組對華北汛期降水影響最大的指數(shù)，包括極地-歐亞遙相關(guān)、北非副熱帶高壓脊位置、印度—緬甸槽、南極濤動、北半球極渦中心緯度、北大西洋濤動和西太副高北部邊界，并使用這些指數(shù)建立決策樹預(yù)報模型，但預(yù)報模型效果如何文中并未給出。而中國氣象局每年發(fā)布全國汛期預(yù)測，華北—東北地區(qū)南部預(yù)測和觀測降水的時間相關(guān)系數(shù)基本在0.2 以下，還有部分地區(qū)為負(fù)，區(qū)域平均距平相關(guān)系數(shù)基本接近于0，距平符號預(yù)測正確年數(shù)百分率基本低于50%（趙俊虎等，2020），這說明各預(yù)測模型在實際業(yè)務(wù)應(yīng)用中是不理想的，對華北—東北地區(qū)南部降水的季節(jié)預(yù)測還有待提高。近年來周潔安等（2022）采用信息流方法分析影響因子并利用多元逐步回歸建立預(yù)報模型，方法較為簡單且有效，并能清楚地表示出因果關(guān)系。因此，本研究利用信息流特有的因果關(guān)系來尋找華北—東北地區(qū)南部降水的預(yù)報因子并建立季節(jié)預(yù)報模型。

綜上所述，華北—東北地區(qū)南部汛期降水變化復(fù)雜，既有年際變化也有年代際變化，因其和ENSO發(fā)展密切相關(guān)，以前尋找到的預(yù)報因子大多是6 月或者7—8 月的大氣環(huán)流因子，只能提前1 個月進行預(yù)報。是否能找到至少提前2 個月的預(yù)報因子，且如何尋找，是文中重點關(guān)注的內(nèi)容。通過對由經(jīng)驗正交函數(shù)分解（Empirical Orthogonal Function，EOF）得到華北—東北地區(qū)南部汛期降水前兩個主導(dǎo)模態(tài)的研究，利用信息流特有的因果關(guān)系來尋找兩個主導(dǎo)模態(tài)的有效預(yù)報因子，并利用超前相關(guān)分析確定預(yù)報因子的提前月份，進而利用多元逐步回歸方法對華北—東北地區(qū)南部汛期降水預(yù)報因子進行篩選、建立預(yù)報模型以及對預(yù)報結(jié)果進行檢驗，最后分析其物理機制。

2 資料與方法

2.1 使用數(shù)據(jù)

采用中國氣象數(shù)據(jù)網(wǎng)提供的1981—2020 年中國地面降水逐月格點資料，空間分辨率為0.5°×0.5°，該數(shù)據(jù)集來源于國家氣象信息中心基礎(chǔ)資料專項最新整編的2472 個臺站降水資料。2021 和2022 年的降水?dāng)?shù)據(jù)采用中國氣象局國家氣候中心八千多站（包括自動站）逐月降水站點資料，將其處理成空間分辨率0.5°×0.5°的格點資料。文中還采用了美國國家海洋和大氣管理局（National Oceanic and Atmospheric Administration，NOAA）氣候預(yù)測中心（The Climate Prediction Center，CPC）水平分辨率為2.5°×2.5°的逐月降水（Merged Analysis of Precipitation，CMAP）資料（Xie，et al，1997）。華北—東北地區(qū)南部汛期降水主要集中在7—8 月，因此只關(guān)注7—8 月盛夏時節(jié)華北—東北地區(qū)南部降水影響因子分析及其季節(jié)預(yù)報模型的建立。選擇的華北—東北地區(qū)南部范圍為（33°—47°N，105°—128°E），選擇比較大的范圍是為了能得到更有物理意義的預(yù)報因子，這些預(yù)報因子可能與中國東部長江流域、華南地區(qū)夏季降水的影響因子不盡相同。

為了提取預(yù)報因子，采用了以下數(shù)據(jù)，包括英國氣象局哈得來中心（British Meteorological Office Hadley Center）提供的空間分辨率為1°×1°的逐月全球SST 資料（Rayner，et al，2003）；美國國家環(huán)境預(yù)報中心（National Center for Environmental Prediction，NCEP）和美國國家大氣研究中心（National Center for Atmosphere Research，NCAR）提供的空間分辨率為2.5°×2.5°的逐月再分析資料（Kalnay，et al，1996）；NOAA 提供的空間分辨率為2.5°×2.5°的逐月向外長波輻射（Outgoing Longwave Radiation，OLR）資料（Lee，et al，2007）；羅格斯大學(xué)全球積雪實驗室（Rutgers University Global Snow Lab，GSL）提供的空間分辨率為0.5°×0.5°的逐周北半球雪蓋資料（Estilow，et al，2015），將其處理成逐月資料。以上資料所選取時間范圍均為1981—2022 年。

采用的遙相關(guān)指數(shù)包括來自CPC 的北極濤動（Arctic Oscillation，AO）、北大西洋濤動（NAO）、太平洋-北美遙相關(guān)（Pacific North American，PNA）、海洋尼諾（Oceanic Nino Index，ONI）、東亞/俄羅斯西部遙相關(guān)（Eastern Asia/Western Russia，EA/WR）指數(shù)；來自NOAA 物理科學(xué)實驗室（Physical Sciences Laboratory，PSL）的Nino1+2、Nino3、Nino4、Nino3.4、大西洋多年代際振蕩（Atlantic Multidecadal Oscillation，AMO）、印度洋偶極子（Indian Ocean Dipole，IOD）、太平洋年代際振蕩（Pacific Decadal Oscillation，PDO）、太平洋經(jīng)向模（Pacific Meridional Mode，PMM）、準(zhǔn)兩年振蕩（Quasi-Biennial Oscillation，QBO）、太平洋多年代際振蕩（Interdecadal Pacific Oscillation，IPO）指數(shù)；來自中國國家氣候中心的暖池（Nino WP）、冷舌（Nino CT）、西太副高（包括面積和強度）、北大西洋SST三極子模態(tài)（North Atlantic Triple，NAT）指數(shù)。

對上述各類資料和指數(shù)均去掉了季節(jié)循環(huán)和線性趨勢，使用的顯著性檢驗方法除特殊說明外均為t檢驗。

華北—東北地區(qū)南部降水有明顯的年際和年代際變化，影響華北—東北地區(qū)南部降水異常的因子很多，包括各大洋SST 異常、青藏高原雪蓋、副熱帶西風(fēng)急流、NAO 等。眾所周知，兩個時間序列之間存在相關(guān)并不意味著兩者具有因果關(guān)系，Liang（2014）基于“信息流”物理概念，給出兩個物理量的時間序列在單位時間內(nèi)傳遞的信息流的嚴(yán)謹(jǐn)表達(dá)式，而不必如傳統(tǒng)方法那樣以半經(jīng)驗的形式出現(xiàn)。在線性假設(shè)下，時間序列X2到X1的單位時間的信息流公式可以簡化如下

2.2 研究方法

2.2.1 信息流方法

若T2→1=0，則X2不是X1的因，反之X2是X1的因，信息流結(jié)果清楚地表明因果關(guān)系意味著相關(guān)，但相關(guān)不一定存在因果。信息流使用的是顯著性t檢驗，詳見Liang（2014）。

2.2.2 預(yù)報模型的建立及檢驗

首先利用EOF 方法提取華北—東北地區(qū)南部汛期降水距平的主導(dǎo)模態(tài)EOF1、EOF2 及其對應(yīng)的時間序列（Principal Component，PC）。為了利用Liang（2014）提出的信息流方法挑選預(yù)報因子，將1981—2015 年（共420 個月）的華北—東北地區(qū)南部降水距平場分別投影至EOF1 場和EOF2 場，形成新的逐月時間序列并做標(biāo)準(zhǔn)化處理。進而利用信息流方法從SST、OLR、風(fēng)場、雪蓋、ENSO 指數(shù)及各種遙相關(guān)指數(shù)中來挑選PC1 和PC2 的預(yù)報因子，并根據(jù)超前相關(guān)系數(shù)確定合適的預(yù)報因子及其超前月份。進一步利用多元逐步回歸方法對華北—東北地區(qū)南部汛期降水預(yù)報因子進行篩選，并對2016—2022 年的華北—東北地區(qū)南部汛期降水進行回報。為防止過度擬合，基于留一法（Leaveone-out cross-validation method）（Michaelsen，1987）對預(yù)報模型進行交叉檢驗。留一法的內(nèi)容是將整個數(shù)據(jù)集里的每個數(shù)據(jù)劃分單獨的小數(shù)據(jù)集，每次只使用一個作為測試集，剩下的作為訓(xùn)練集，這種方法得出的結(jié)果與訓(xùn)練整個測試集的期望值最為接近。具體做法是將1981—2015 年某一年單獨剔除，利用剩下的34 a 進行逐步回歸建立預(yù)報模型，統(tǒng)計各因子的出現(xiàn)頻次，從而檢驗統(tǒng)計預(yù)報模型。文中最后初步探討了預(yù)報因子影響華北—東北地區(qū)南部汛期降水的物理機制。

3 華北—東北地區(qū)南部汛期降水主導(dǎo)模態(tài)及影響因子

3.1 華北—東北地區(qū)南部汛期降水主導(dǎo)模態(tài)

為了提取汛期華北—東北地區(qū)南部降水主導(dǎo)模態(tài)，對1981—2020 年華北—東北地區(qū)南部盛夏（7—8 月）降水進行EOF 分解。圖1 為EOF 分解所得的前兩個模態(tài)。華北—東北地區(qū)南部汛期降水第一模態(tài)呈現(xiàn)整體一致的空間結(jié)構(gòu)，降水異常負(fù)值中心在渤海灣一帶，包括山東、北京、天津、遼寧一帶，解釋方差為25.7%，第二模態(tài)呈現(xiàn)南北相反的偶極型結(jié)構(gòu)，南邊界33°N 處為降水異常負(fù)值中心，遼寧、吉林一帶為降水異常正值中心，解釋方差為13.7%。前兩個主導(dǎo)模態(tài)占到場的方差40%左右，較好地反映了華北—東北地區(qū)南部汛期降水異常的空間型態(tài)。兩主導(dǎo)模態(tài)主要以年際變化為主，但第二模態(tài)在2002 和2010年前后曾出現(xiàn)較明顯的年代際轉(zhuǎn)變，呈現(xiàn)1985—2002、2010—2019 年降水北多南少，2003—2009 年南多北少的特征。

圖1 1981—2020 年華北—東北南部汛期（7—8 月）平均降水EOF 分解第一（a）、第二（b）模態(tài)空間型（單位：mm）和對應(yīng)的標(biāo)準(zhǔn)化時間序列（c、d）Fig.1 Spatial patterns of the（a）first and（b）second EOF modes of summer（July—August）average precipitation in North China during 1981—2020（unit: mm）;（c）and（d）are normalized PC1 and PC2，respectively

為了分析影響華北—東北地區(qū)南部汛期降水異常的原因，首先將PC1 和PC2 與赤道印度洋—太平洋SST 異常進行超前滯后相關(guān)（圖2）。由圖2a可見，華北—東北地區(qū)南部汛期降水的第一主導(dǎo)模態(tài)與5—12 月的熱帶中太平洋、熱帶印度洋（主要是熱帶西印度洋）SST 有顯著的正相關(guān)關(guān)系，與熱帶西太平洋有顯著的負(fù)相關(guān)關(guān)系，前期冬季印度洋和中東太平洋SST 稍偏低、西太平洋SST 稍偏高，即華北—東北地區(qū)南部汛期降水整體偏少與厄爾尼諾發(fā)展有密切關(guān)系，這與張人禾（1999）的研究發(fā)現(xiàn)一致。由圖2b 可見，華北—東北地區(qū)南部汛期降水的第二主導(dǎo)模態(tài)與6—12 月的熱帶中太平洋SST 存在顯著的正相關(guān)，與7—10 月熱帶東印度洋存在顯著的負(fù)相關(guān)，6 月以前在熱帶印度洋至太平洋無明顯信號，即華北—東北地區(qū)南部汛期降水南旱北澇的偶極子模態(tài)與中部型厄爾尼諾發(fā)展有密切的關(guān)系。由以上分析可知，雖然華北—東北地區(qū)南部汛期降水與ENSO 聯(lián)系密切，但是兩者幾乎是同時發(fā)展的。

圖2 PC1（a）、PC2（b）與1—12 月赤道（10°S—10°N 平均）印度洋—太平洋（40°E—90°W）SST 異常相關(guān)（色階上的數(shù)值分別表示通過0.2、0.1、0.05、0.01 顯著水平檢驗）Fig.2 Correlation coefficients of PC1（a）and PC2（b）with the equatorial（10°S—10°N average）Indian-Pacific（40°E—90°W）SST anomalies during January to December（values on the color bar are the significance levels of 0.2，0.1，0.05 and 0.01，respectively）

進一步分析華北—東北地區(qū)南部汛期降水兩個主導(dǎo)模態(tài)對應(yīng)的200 和850 hPa 環(huán)流場（圖3）。由圖3a、c 可見，第一主導(dǎo)模態(tài)高層風(fēng)場在亞洲大陸部分表現(xiàn)出明顯的CGT 負(fù)位相特征，即在西亞和華北上空為氣旋異常，中間為弱的反氣旋異常，副熱帶西風(fēng)急流偏南，華北低層為異常東北風(fēng)，即東亞夏季風(fēng)減弱，水汽和動力條件都不利于降水發(fā)生。由圖3b、d 可見，對于第二主導(dǎo)模態(tài)對應(yīng)的高層風(fēng)場表現(xiàn)為西風(fēng)急流不明顯，高層主要受日本海上空的反氣旋和中國中南部的氣旋控制。華北位于氣旋的北部，上升運動不利，且低層為弱偏北風(fēng)，水汽輸送較弱，相反東北南部位于反氣旋西部，上升條件較好，低層為偏南風(fēng)，從渤海輸送水汽，導(dǎo)致華北—東北地區(qū)南部出現(xiàn)南旱北澇的偶極子降水結(jié)構(gòu)。同時也發(fā)現(xiàn)第一模態(tài)對應(yīng)中國東部降水的偶極子型，第二模態(tài)對應(yīng)中國東部降水的三極子型。

圖3 標(biāo)準(zhǔn)化的PC1（a、c）、PC2（b、d）與7—8 月降水場（色階）和風(fēng)場（箭矢；a、b.200 hPa，c、d.850 hPa）的回歸分布（風(fēng)場黑色箭矢表示通過0.1 顯著水平檢驗）Fig.3 Regressed precipitation（shaded）and wind（vectors；a，b.200 hPa，c，d.850 hPa）in July—August onto the normalized time series of PC1（a，c）and PC2（b，d）（wind values exceeding 0.1 significance level are denoted by black arrows）

3.2 預(yù)報因子

為便于運用信息流尋找華北—東北地區(qū)南部汛期降水兩個主導(dǎo)模態(tài)的預(yù)報因子，首先將1981—2015 年各月（共420 個月）華北—東北地區(qū)南部降水距平場分別投影至EOF1 場和EOF2 場，形成新的逐月時間序列并做標(biāo)準(zhǔn)化處理（圖4），投影指數(shù)越大表示該月的降水與主導(dǎo)模態(tài)的空間分布越相似。進而利用信息流方法計算了SST、OLR、200和850 hPa 風(fēng)場、青藏高原雪蓋、ENSO 指數(shù)及各種遙相關(guān)指數(shù)到降水投影時間序列（Proj1 和Proj2）的全年和夏半年（5—10 月）信息流。

圖4 1981—2015 年華北—東北地區(qū)南部汛期降水距平場與EOF 分解第一（a）、第二（b）模態(tài)空間型標(biāo)準(zhǔn)化投影時間序列Fig.4 Normalized time series of projection from summer precipitation anomalies over North China during 1981—2015 to the spatial patterns of the first（a）and second（b）EOF modes

圖5a、c 是SST 對全年和夏半年P(guān)roj1 信息流分布，圖5b、d 是SST 對全年和夏半年P(guān)roj2 信息流分布?？梢钥闯?，SST 對華北—東北地區(qū)南部汛期降水的信息流分布主要集中在夏半年，全年信息流不明顯。由圖5 可見，影響降水第一模態(tài)和第二模態(tài)的SST 完全不同：影響降水第一模態(tài)的SST 主要分布在熱帶中太平洋、熱帶西太平洋（區(qū)域6）、熱帶大西洋（區(qū)域1）、南大西洋（區(qū)域2、3）、熱帶西印度洋（區(qū)域4）、南印度洋（區(qū)域5）等，這些地區(qū)的SST 與降水第一模態(tài)存在顯著的因果關(guān)系；影響降水第二模態(tài)的SST 主要分布在南印度洋中部（區(qū)域7）、熱帶太平洋中部（區(qū)域9）、北太平洋中部（區(qū)域8）、南太平洋中部（區(qū)域10）、北大西洋北部（區(qū)域11）等地，這些區(qū)域的SST 與降水第二模態(tài)存在顯著的因果關(guān)系。

圖5 SST 對全年（a、b）和夏半年（c、d）降水投影時間序列Proj1（a、c）、Proj2（b、d）的信息流分布（打點區(qū)域表示通過0.1 顯著水平檢驗）Fig.5 Information flow from SST to monthly Proj1（a，c）and Proj2（b，d）of the whole year（a，b）and the summer half year（c，d;dotted areas are for values statistically significant at the level of 0.1）

結(jié)合全年及夏半年信息流分布，對各顯著區(qū)域進行劃分，進行區(qū)域平均得到海溫指數(shù)。由于熱帶中東太平洋地區(qū)海溫顯著區(qū)域與Nino 指數(shù)區(qū)域重合，故不對該區(qū)域進行計算。計算各海溫指數(shù)到全年及夏半年投影序列Proj1、Proj2 的信息流，得到的結(jié)果如表1 所示（表中“通過”表示通過0.1 顯著水平檢驗，下同）。根據(jù)以上信息流結(jié)果，初步挑選區(qū)域1—6 的SST 為PC1 的預(yù)報因子，區(qū)域4、7—11 的SST 為PC2 的預(yù)報因子。

表1 區(qū)域平均SST 對Proj1、Proj2 信息流結(jié)果Table 1 The results of information flow from area averaged SST to Proj1 and Proj2

OLR 對降水兩個主導(dǎo)模態(tài)的投影時間序列的全年及夏半年信息流見圖6。與SST 場類似，夏半年的因果關(guān)系較顯著。影響降水第一模態(tài)的OLR主要分布在地中海（區(qū)域1）、非洲東部（區(qū)域2）、印度洋北部（區(qū)域3）、華北至蒙古高原（區(qū)域4）、海洋性大陸（區(qū)域5）、熱帶中東太平洋（區(qū)域6）、南太平洋（區(qū)域7）、亞馬孫地區(qū)（區(qū)域8）。OLR 對降水第二模態(tài)降水信息流顯著區(qū)域較少且較為分散，南大西洋中部和南部（區(qū)域9、10）、印度洋北部和西部（區(qū)域11、12）、貝加爾湖以北地區(qū)（區(qū)域13）、鄂霍次克海地區(qū)（區(qū)域14）的OLR 與降水第二模態(tài)存在顯著的因果關(guān)系，其他區(qū)域平均的OLR 與Proj1、Proj2 的信息流未通過檢驗或與PC1、PC2 的超前相關(guān)不夠顯著且不持續(xù)，所以沒有選取。對信息流顯著區(qū)域進行區(qū)域平均形成新的OLR 指數(shù)，對各OLR 指數(shù)與全年及夏半年的投影序列Proj1、Proj2進行信息流計算，得到的結(jié)果如表2 所示。根據(jù)以上信息流結(jié)果，初步挑選區(qū)域1—9 的OLR 為PC1的預(yù)報因子，區(qū)域7、9—14 的OLR 為PC2 的預(yù)報因子。

表2 區(qū)域平均OLR 對Proj1、Proj2 信息流結(jié)果Table 2 The results of information flow from area averaged OLR to Proj1 and Proj2

圖6 OLR 對全年（a、b）和夏半年（c、d）降水投影時間序列Proj1（a、c）、Proj2（b、d）的信息流分布（打點區(qū)域表示通過0.1 顯著水平檢驗）Fig.6 Information flow from OLR to monthly Proj1（a，c）and Proj2（b，d）of the whole year（a，b）and the summer half year（c，d；dotted areas are for values statistically significant at the level of 0.1）

圖7 是850 hPa 經(jīng)向風(fēng)場（V850）對全年和夏半年P(guān)roj1、Proj2 的信息流分布。影響降水第一模態(tài)的V850 主要分布在西西伯利亞平原（區(qū)域1）、大興安嶺（區(qū)域2）、印度尼西亞西部（區(qū)域3）、熱帶太平洋（區(qū)域4—6）。影響降水第二模態(tài)的V850主要分布在熱帶西太平洋（區(qū)域7）、東太平洋（區(qū)域8），其他顯著區(qū)域的V850 與回歸分析對比出現(xiàn)了區(qū)域內(nèi)異號的情況，進行區(qū)域平均不合理，且與PC1、PC2 超前相關(guān)未通過顯著性檢驗，因此沒有選取。將以上顯著區(qū)域V850 進行區(qū)域平均作為指數(shù)，計算各V850 指數(shù)到全年及夏半年投影序列Proj1、Proj2 的信息流，得到的結(jié)果如表3 所示。根據(jù)以上信息流結(jié)果，初步挑選區(qū)域1—6 的850 hPa經(jīng)向風(fēng)場為PC1 的預(yù)報因子，挑選區(qū)域4—5、7—8 的850 hPa 經(jīng)向風(fēng)場為PC2 的預(yù)報因子。

表3 區(qū)域平均V850 對Proj1、Proj2 信息流結(jié)果Table 3 The results of information flow from area averaged V850 toProj1 and Proj2

圖7 V850 對全年（a、b）和夏半年（c、d）降水投影時間序列Proj1（a、c）、Proj2（b、d）的信息流分布（打點區(qū)域表示通過0.1 顯著水平檢驗）Fig.7 Information flow from V850 to monthly Proj1（a，c）and Proj2（b，d）of the whole year（a，b）and the summer half year（c，d；dotted areas are for values statistically significant at the level of 0.1）

本研究還計算了850 hPa 緯向風(fēng)（U850）、200 hPa緯向風(fēng)（U200）和經(jīng)向風(fēng)（V200）對全年和夏半年P(guān)roj1、Proj2 的信息流，根據(jù)附表1—3 的信息流檢驗結(jié)果，初步挑選區(qū)域1—4 的U850、區(qū)域1—5 的U200 和區(qū)域1—6 的V200 為PC1 的預(yù)報因子，挑選區(qū)域4—5 的U850，區(qū)域4—5 的U200和區(qū)域2、4—5 的V200 為PC2 的預(yù)報因子。

附表1 區(qū)域平均U850 對Proj1、Proj2 信息流結(jié)果Table A1 The results of information flow from area averaged U850 to Proj1 and Proj2

附表2 區(qū)域平均U200 對Proj1、Proj2 信息流結(jié)果Table A2 The results of information flow from area averaged U200 to Proj1 and Proj2

附表3 區(qū)域平均V200 對Proj1、Proj2 信息流結(jié)果Table A3 The results of information flow from area averaged V200 to Proj1 and Proj2

圖8 給出了青藏高原雪蓋（Tibetan Plateau Snow Cover，TPSC）對兩個主導(dǎo)模態(tài)降水投影時間序列的全年及夏半年信息流分布。降水第一主導(dǎo)模態(tài)與青藏高原雪蓋因果關(guān)系表現(xiàn)較弱，僅在高原邊緣有零散顯著區(qū)。而高原東部雪蓋對降水第二主導(dǎo)模態(tài)的變化存在較明顯的因果關(guān)系。將高原東部區(qū)域平均雪蓋作為指數(shù)，此指數(shù)與全年及夏半年的投影序列Proj2 的信息流均通過0.1 顯著水平檢驗，結(jié)果如表4 所示，因此挑選此區(qū)域的雪蓋作為PC2 的預(yù)報因子之一。

表4 區(qū)域平均TPSC 對Proj1、Proj2 信息流結(jié)果Table 4 The results of information flow from area averaged TPSC to Proj1 and Proj2

圖8 TPSC 對全年（a、b）和夏半年（c、d）降水投影時間序列Proj1（a、c）、Proj2（b、d）的信息流分布（打點區(qū)域表示通過0.1 顯著水平檢驗）Fig.8 Information flow from TPSC to monthly Proj1（a，c）and Proj2（b，d）of the whole year（a，b）and the summer half year（c，d;dotted areas are for values statistically significant at the level of 0.1）

許多研究表明，華北—東北地區(qū)南部降水與IOD（Kripalani，et al，2010）、NAO（Gu，et al，2009）、PDO（Qian，et al，2014）、ENSO（Yang，et al，2004；Xue，et al，2008）、西太副高（Zhu，et al，2011）等指數(shù)密切相關(guān)，因此計算各類海氣指數(shù)到降水投影時間序列Proj1、Proj2 的信息流，所得結(jié)果如表5 所示。由表可見，Nino1+2 只對降水的第一模態(tài)有明顯的因果關(guān)系，對降水的第二模態(tài)則沒有，Nino3、Nino3.4、Nino4 則對降水的第一、第二模態(tài)均有明顯的因果關(guān)系。NAO、NAT 只對降水的第二模態(tài)有明顯的因果關(guān)系，對降水的第一模態(tài)則沒有。IPO、ONI、QBO 對第一、第二模態(tài)均有明顯的因果關(guān)系。根據(jù)表中信息流結(jié)果，挑選AMO、EA/WR、副高強度、IPO、Nino1+2、Nino3、Nino3.4、Nino4、Nino CT、ONI、QBO 指數(shù)作為PC1 的預(yù)報因 子，挑 選IPO、NAO、NAT、Nino3、Nino3.4、Nino4、ONI、QBO 指數(shù)作為PC2 的預(yù)報因子。

表5 各類指數(shù)對Proj1、Proj2 信息流結(jié)果Table 5 The results of information flow from indices to Proj1 and Proj2

4 預(yù)報因子的篩選及預(yù)報模型的建立

4.1 PC1 的預(yù)報因子及預(yù)報模型

對以上初選的預(yù)報因子，進一步計算其與PC1 超前1—12 個月的相關(guān)，雖然赤道中東太平洋SST 對降水的第一模態(tài)有明顯的信息流，但是超前2 個月的相關(guān)并不顯著，若使用超前1 個月的因子建立預(yù)報方程，預(yù)報效果雖有所提升，但是在實際預(yù)測中受到較大的限制，因此僅選擇超前兩個月及以上且相關(guān)性顯著的因子。結(jié)果如圖9 所示，PC1的影響因子有：熱帶大西洋SST（SST1，-4）（SST1表示區(qū)域1 的SST，-4 代表預(yù)報因子超前4 個月，下同）、南大西洋中部SST（SST2，-9）、熱帶西印度洋SST（SST4，-5）、西西伯利亞平原V850（V850_1，-6）、熱帶中太平洋V850（V850_6，-2）、南大西洋U850（U850_4，-10）、西西伯利亞平原V200（V200_1，-6）、西太平洋V200（V200_4，-2）、EAWR（-8）、IPO（-12），共10 個。雖然赤道中東太平洋SST 對全區(qū)一致型降水有明顯的信息流，全區(qū)一致型降水與東部型厄爾尼諾有密切的關(guān)系，但是熱帶中東太平洋的SST 指數(shù)（即Nino 指數(shù)）和全區(qū)一致型降水的相關(guān)僅在同期最高，超前2 個月的相關(guān)性并不顯著，因此沒有選擇Nino 指數(shù)作為降水第一模態(tài)的預(yù)報因子。雖然篩選出來的預(yù)報因子沒有熱帶太平洋SST，但是預(yù)報因子中包括了超前2 個月的熱帶中太平洋850 hPa 經(jīng)向風(fēng)，這個因子有可能表征東部型厄爾尼諾的發(fā)展。

圖9 1981—2015 年各預(yù)報因子與PC1 之間超前0—12 個月的相關(guān)系數(shù)（虛線表示通過0.1 顯著水平檢驗，黑框表示超前相關(guān)最顯著的月份；a.SST1，b.SST2，c.SST4，d.V850_1，e.V850_6，f.U850_4，g.V200_1，h.V200_4，i.EA/WR，j.IPO）Fig.9 Correlation coefficients between each predictor with leading month from 0 to 12 months and PC1 during the period of 1981—2015（dashed lines represent correlation coefficients statistically significance at the level of 0.1；the black box represents the month with the largest correlation coefficient；a.SST1，b.SST2，c.SST4，d.V850_1，e.V850_6，f.U850_4，g.V200_1，h.V200_4，i.EA/WR，j.IPO）

進一步利用逐步回歸篩選PC1 的預(yù)報因子并建立預(yù)報模型，模型如下

式中，X1、X2和X3分別為SST4（-5）、V850_1（-6）、V850_6（-2），即篩選出超前5 個月的熱帶西印度洋（5°S—10°N，45°—55°E）SST、超前6 個月的西西伯利亞平原（50°—60°N，75°—90°E）的V850 以及超前2 個月的熱帶中太平洋（EQ—10°S，160°—120°W）的V850 這3 個預(yù)報因子。使用留一法統(tǒng)計各因子的出現(xiàn)頻次，發(fā)現(xiàn)SST4（-5）、V850_1（-6）、V850_6（-2）分別在1981—2015 年出現(xiàn)33、34、35 次，說明這些因子對華北—東北地區(qū)南部汛期降水的影響及預(yù)報能力較為穩(wěn)定，且這3 個預(yù)報因子之間的相關(guān)系數(shù)均未通過顯著性檢驗，說明預(yù)報因子之間相互獨立。僅用這3 個預(yù)報因子建立的預(yù)報模型對1981—2015 年P(guān)C1 進行擬合，與PC1 的相關(guān)系數(shù)可以達(dá)到0.816（圖10），方差貢獻(xiàn)為0.655。用此模型預(yù)報2016—2020 年的PC1，預(yù)報相關(guān)系數(shù)達(dá)到0.754，可以認(rèn)為該模型預(yù)報效果較好。

圖10 實際PC1（柱狀）和擬合/預(yù)報PC1（黑線）時間序列（r1 為實際PC1 和擬合PC1 的相關(guān)系數(shù)，r2 為實際PC1 和預(yù)報PC1 的相關(guān)系數(shù)）Fig.10 Time series of actual PC1（histogram）and hindcast/forecast PC1（black line）（r1 and r2 are the correlation coefficients between actual PC1，hindcast PC1 and forecast PC1，respectively）

4.2 PC2 的預(yù)報因子及預(yù)報模型

對以上初選預(yù)報因子進一步計算其與PC2 超前1—12 個月的相關(guān)，篩選預(yù)報因子。如圖11 所示，篩選出來的PC2 的預(yù)報因子包括：南印度洋中部SST（SST7，-2）、太平洋南部SST（SST10，-2）、大西洋北部SST（SST11，-5）、貝加爾湖以北地區(qū)OLR（OLR13，-6）、鄂霍次克海地區(qū)OLR（OLR14，-3）、熱帶西太平洋V850（V850_7，-2）、東太平洋V850（V850_8，-2）、高原東側(cè)雪蓋（SC，-2）、NAO（-9），共9 個。

圖11 1981—2015 年各預(yù)報因子與PC2 超前0—12 個月的相關(guān)系數(shù)（虛線表示通過0.1 顯著水平檢驗，黑框表示超前相關(guān)最顯著的月份；a.SST7，b.SST10，c.SST11，d.OLR13，e.OLR14，f.V850_7，g.V850_8，h.SC，i.NAO）Fig.11 Correlation coefficients between each predictor with leading month from 0 to 12 months and PC2 during the period of 1981—2015（dashed lines represent correlation coefficients statistically significance at the level of 0.1；the black box represents the month with the largest correlation coefficient；a.SST7，b.SST10，c.SST11，d.OLR13，e.OLR14，f.V850_7，g.V850_8，h.SC，i.NAO）

同樣，進一步利用逐步回歸篩選PC2 的預(yù)報因子并建立預(yù)報模型，模型如下

式中，X1、X2、X3和X4分別為SST7（-2）、OLR14（-3）、V850_7（-2）、NAO（-9），即篩選出超前2 個月的南印度洋中部（15°—35°S，75°—95°E）SST、超前3個月的鄂霍次克海地區(qū)（45°—55°N，145°—165°E）OLR、超前2 個月的熱帶西太平洋（EQ—10°S，145°—165°E）V850 以及超前9 個月的NAO 這4 個預(yù)報因子。超前9 個月的NAO 和超前2 個月的南印度洋中部SST 與Guo 等（2012）、阮成卿等（2016）找到的華北降水年代際變化的預(yù)報因子類似，建立年代際尺度的統(tǒng)計模型利用的因子包括6 月西南印度洋海平面氣壓和與NAO 有密切聯(lián)系的6 月北大西洋-歐亞遙相關(guān)。使用留一法統(tǒng)計各因子的出現(xiàn)頻次，發(fā)現(xiàn)這4 個因子中V850_7（-2）在35 a 內(nèi)出現(xiàn)33 次，其余3 個因子出現(xiàn)34 次。同時計算了各因子之間的相關(guān)系數(shù)，發(fā)現(xiàn)各因子均相互獨立。用這4 個預(yù)報因子建立的預(yù)報模型對1981—2015 年P(guān)C2 進行擬合，與PC2 相關(guān)系數(shù)達(dá)到0.779（圖12），方差貢獻(xiàn)為0.606。用此預(yù)報模型預(yù)報2016—2020年的PC2，預(yù)報相關(guān)系數(shù)達(dá)到0.741，可以認(rèn)為該模型具有一定預(yù)報能力。

圖12 實際PC2（柱狀）和擬合/預(yù)報PC2（黑線）時間序列（r1 為實際PC2 和擬合PC2 的相關(guān)系數(shù)，r2 為實際PC2 和預(yù)報PC2 的相關(guān)系數(shù)）Fig.12 Time series of actual PC2（histogram）and hindcast/forecast PC2（black line）（r1 and r2 are the correlation coefficients between actual PC2，hindcast PC2 and forecast PC2，respectively）

4.3 預(yù)報技巧分析

華北—東北地區(qū)南部汛期降水觀測距平場與其前兩個模態(tài)的重構(gòu)場的相關(guān)系數(shù)代表該方法可達(dá)到的預(yù)報上限（圖13a）。由圖13 可見，1981—2020 年兩者之間TCC 均通過0.1 顯著水平檢驗，全場平均相關(guān)系數(shù)為0.57，此為預(yù)報上限，回報和預(yù)報PC 的重構(gòu)場與觀測場之間的TCC（圖13b）大部分通過0.1 顯著水平檢驗，全場平均相關(guān)系數(shù)為0.46，整體預(yù)報效果較好，擬合效果基本能夠反映華北—東北地區(qū)南部汛期降水變化的實際情況，但相對于預(yù)報上限還有一定的提升空間。觀測場與實際重構(gòu)場的空間相關(guān)系數(shù)（Pattern Correlation Coefficient，PCC）年際變化較大，有些年份降水的空間分布與兩個主導(dǎo)模態(tài)較為相似，PCC 大于0.6 的年份有1982、1985、1986、1991、1994、2001、2002、2006、2008、2010、2014、2015 年，但有些年份空間分布不相似，PCC 小于0 的年份包括1981、1988、2001、2019 年?；貓?預(yù)報PC 的重構(gòu)場與觀測場的PCC 40 年平均值為0.35，實際重構(gòu)場與觀測場的PCC 年際變化與其類似，40 年P(guān)CC 平均值為0.41，實際重構(gòu)場和觀測場越相似，預(yù)報技巧也越高。此外，本研究還計算了距平符號預(yù)測正確年數(shù)百分率，計算方法為距平符號預(yù)測正確的年數(shù)與總年數(shù)的百分比。華北—東北南部地區(qū)實際重構(gòu)降水、回報/預(yù)報降水與觀測降水之間的距平符號預(yù)測正確年數(shù)百分率均超過60%，實際重構(gòu)降水的區(qū)域平均距平符號預(yù)測正確年數(shù)百分率為70.16%，回報/預(yù)報降水的區(qū)域平均距平符號預(yù)測正確年數(shù)百分率為68.01%，表明該模型對華北—東北地區(qū)南部地區(qū)汛期降水有一定的預(yù)報能力。

圖13 1981—2020 年7—8 月觀測降水距平場與EOF 前兩個模態(tài)重構(gòu)場的TCC 分布（a.實際PC 重構(gòu)場，b.預(yù)報PC 重構(gòu)場）；觀測降水距平場與實際重構(gòu)場（黑線）、回報重構(gòu)場（藍(lán)線）和預(yù)報重構(gòu)場（紅線）的PCC 年際變化（c；m1 為觀測場與實際重構(gòu)場40 a 平均PCC，m2 為觀測場與回報/預(yù)報重構(gòu)場40 a 平均PCC）Fig.13 Distribution of the time correlation coefficient（TCC）between observed precipitation anomalies and reconstructed precipitation with the first two EOF modes in July—August during 1981—2020 and their PCs（a），hindcast/forecast PCs（b）；inter-annual variation of the pattern correlation coefficient（PCC）between the observed precipitation anomaly field and the actual reconstructed field（black line），the hindcast reconstructed field（blue line）and the forecast reconstructed field（red line）（c；m1 and m2 are the 40-year averaged PCCs between the observed field，the actual reconstructed field and the hindcast/forecast reconstructed field，respectively）

4.4 相似年份預(yù)報

除了利用EOF 的空間型和預(yù)報PC 重構(gòu)場進行預(yù)報，也可以同時利用與預(yù)報PC 的相近或相反年份進行相似年份預(yù)報。將各年P(guān)C1 與PC2 的數(shù)值大小繪制散點圖，發(fā)現(xiàn)2019、2020、2021、2022年的預(yù)報PC 分別與2004、2002、2014、1991 年P(guān)C 相反（附圖1），降水觀測場、預(yù)報重構(gòu)場、相似性預(yù)報場的對比如圖14 所示。預(yù)報重構(gòu)場較好地表現(xiàn)了觀測降水異常，而相似性預(yù)報更準(zhǔn)確地預(yù)測了降水場的細(xì)節(jié)。2019 年華北偏旱，東北南部降水偏多，預(yù)報重構(gòu)場顯示大值中心在南邊界的整體偏旱，而相似預(yù)報則給出了東北部降水偏多的特征；2020 年華北偏澇，東北南部降水偏少，預(yù)報重構(gòu)場顯示出降水大值中心在東南部的整體偏多特征，相似預(yù)報與其類似，但東南部的正值中心稍集中且東北部的偏旱特征更為明顯；2021 年華北東部降水偏多，而山西附近和東北部降水偏少，預(yù)報重構(gòu)場顯示出降水大值中心在渤海灣附近的整體偏多特征，相似預(yù)報與其類似，但山西附近的降水偏少特征也預(yù)報出來了，盡管強度較弱。對2022 年7—8 月華北—東北地區(qū)南部降水進行了預(yù)報，預(yù)報重構(gòu)場顯示為南部降水偏多、北部降水偏少，相似預(yù)報則顯示太行山附近和山東南部為降水大值中心，東北部降水偏少，實際降水與其類似，表現(xiàn)為華北中部（山東、山西、河北等）降水偏多，而內(nèi)蒙古東部以及南邊界降水偏少的特征則沒有預(yù)報出來?？傊?，相似預(yù)報是對重構(gòu)場預(yù)報的一個很好的補充，可以體現(xiàn)出局部降水異常中心。

圖14 2019（a）、2020（b）、2021（c）、2022 年（d）華北—東北地區(qū)南部汛期平均降水觀測場（a1—d1）、預(yù)報重構(gòu)場（a2—d2）、相似性預(yù)報場（a3—d3）（單位：mm）Fig.14 Average observed precipitation（a1—d1），reconstructed precipitation（a2—d2）and similarity precipitation（a3—d3）of July—August in North China in 2019（a），2020（b），2021（c）and 2022（d），respectively（unit: mm）

5 可能的物理機制

本節(jié)就篩選出的PC 預(yù)報因子的物理機制進行了初步分析。PC1 的預(yù)報因子包括2 月的熱帶西印度洋（5°S—10°N，45°—55°E）SST、1 月的西西伯利亞平原的V850 以及5 月的熱帶中太平洋的V850。

由前文可知，華北—東北南部汛期降水的第一模態(tài)與經(jīng)典厄爾尼諾發(fā)展有關(guān)，兩者幾乎是同時發(fā)展。在熱帶中太平洋（EQ—10°S，160°—120°W）5 月的低層異常南風(fēng)（向赤道輻合）預(yù)示著經(jīng)典厄爾尼諾發(fā)展。由附圖2a 可見，5 月的熱帶中太平洋V850 與PC1 的相關(guān)系數(shù)達(dá)0.59，其與7—8 月熱帶東太平洋冷舌區(qū)SST 顯著正相關(guān)，對應(yīng)華北上空200 hPa 有一顯著氣旋（附圖2c），850 hPa 為顯著的東北風(fēng)，對應(yīng)華北—東北南部降水偏少（附圖2e）。此外2 月的熱帶西印度洋冷SST（圖2a）也有預(yù)報作用，到7—8 月轉(zhuǎn)為暖SST。Chen 等（2020）指出，同期夏季熱帶西印度洋升溫，首先通過局地大氣環(huán)流抑制了印度中北部的降雨，其潛熱進一步激發(fā)了CGT 的負(fù)位相，導(dǎo)致華北降水偏少。同時7—8 月西太平洋暖池SST 異常偏冷，對流活動減弱，哈得來環(huán)流偏弱，使夏季西太副高主體位置偏南，華北低層為偏北風(fēng)控制（附圖3e），導(dǎo)致中國汛期主雨帶不能北推至黃河流域。此外前期冬季西西伯利亞平原低層南風(fēng)異常（附圖3a），烏拉爾山500 hPa 上為低壓，東亞和西北太平洋位勢高度偏高，存在明顯EU 遙相關(guān)型。孫林海等（2004）研究表明前期環(huán)流通過冬、夏季的半年韻律關(guān)系及海-陸熱力狀況的改變，影響中國夏季降水異常。Zhao 等（2016）發(fā)現(xiàn)EU 指數(shù)與華北夏季降水存在很高的相關(guān)，主要通過影響夏季烏拉爾高壓和鄂霍次克高壓強度及西太平洋副熱帶高壓位置移動來影響華北夏季降水分布。這些因子使7—8 月華北高層有異常氣旋，西北太平洋低層存在一個范圍較廣的氣旋（附圖3e），氣旋西部延伸至華北，華北低層位于氣旋后部，偏北風(fēng)異常，輻散下沉，輸送水汽減少，最后造成華北—東北地區(qū)南部降水異常偏少。

PC2 的預(yù)報因子包括5 月的南印度洋中部（15°—35°S，75°—95°E）SST、4 月的鄂霍次克海地區(qū)OLR、5 月的熱帶西太平洋（EQ—10°S，145°—165°E）V850 以及10 月的NAO。

由前文分析可知，降水的第二模態(tài)與中部型厄爾尼諾發(fā)展有關(guān)，兩者幾乎是同時發(fā)展。5 月的熱帶西太平洋低層異常南風(fēng)（向赤道輻合）可以表征中部型厄爾尼諾發(fā)展。5 月的熱帶西太平洋V850 與PC2 的相關(guān)系數(shù)為0.32（附圖2b），其與7—8 月熱帶中東太平洋SST 顯著正相關(guān)，對應(yīng)華北上空200 hPa 有一不顯著的氣旋（附圖2d），850 hPa 海洋性大陸至熱帶中太平洋為顯著的西風(fēng)，東北為氣旋，對應(yīng)東北南部降水偏多（附圖2f）。此外5 月的南印度洋中部暖SST 異常從春季持續(xù)到夏季，產(chǎn)生高層輻散和上升運動，輻散風(fēng)從熱帶印度洋流向西北太平洋，對應(yīng)7—8 月200 hPa 東北南部有反氣旋，華北有氣旋（圖略），加上前期春季鄂霍次克海地區(qū)對流活動旺盛可能對夏季鄂霍次克海阻高的強度有影響進而影響西太副高的北抬，以及前期冬季NAO 異常對東亞夏季風(fēng)具有調(diào)控作用（Zuo，et al，2012）。Zhang 等（2021）指出冬季NAO 可能通過影響北極海冰濃度來影響烏拉爾山和鄂霍次克海上空的阻塞高壓，從而使東北亞夏季降水異常。Sung 等（2006）也指出前期冬季的NAO與夏季中國降水具有強相關(guān)性，且與由北大西洋傳播到東亞的波列有關(guān)。這些因子使高層?xùn)|北南部為反氣旋、低層輻合，而華北為氣旋、低層輻散，造成東北南部汛期降水偏多，華北降水偏少。

6 結(jié)論與討論

基于信息流特有的因果關(guān)系，從SST、OLR、雪蓋、850 hPa 水平風(fēng)場、200 hPa 水平風(fēng)場、各種海氣指數(shù)中挑選華北—東北地區(qū)南部汛期降水兩個主導(dǎo)模態(tài)的預(yù)報因子，并利用超前相關(guān)和多元逐步回歸進一步篩選預(yù)報因子和建立預(yù)報模型，進而對預(yù)報模型進行檢驗，對預(yù)報因子進行初步的物理解釋。主要結(jié)論如下：

（1）1981—2020 年華北—東北地區(qū)南部汛期降水EOF 分解得到的前兩個模態(tài)分別為整體一致和南北相反的空間結(jié)構(gòu)，分別對應(yīng)中國東部降水的偶極子型和三極子型。華北—東北地區(qū)南部整體一致偏旱與經(jīng)典厄爾尼諾發(fā)展有關(guān)，而華北—東北地區(qū)南部降水偏少北部降水偏多的偶極子型與中部型厄爾尼諾發(fā)展有關(guān)。整體一致的偏旱型的高層風(fēng)場在亞洲大陸部分表現(xiàn)出明顯的CGT 負(fù)相位特征，副熱帶西風(fēng)急流偏南，華北—東北地區(qū)南部上空為氣旋控制，低層為偏北風(fēng)，東亞夏季風(fēng)減弱，水汽和動力條件不充分，不利于降水的生成。而華北降水偏少東北南部降水偏多的偶極子型對應(yīng)西風(fēng)急流不明顯，高層主要受日本海上空的反氣旋和中國中南部的氣旋控制。

（2）PC1 的預(yù)報因子包括超前5 個月的熱帶西印度洋SST、超前6 個月的西西伯利亞平原的V850以及超前2 個月的熱帶中太平洋的V850 這3 個獨立的因子。伴隨東部型厄爾尼諾的發(fā)展，7—8 月西太平洋暖池SST 異常偏低，暖池對流活動減弱，使夏季西太副高主體位置偏南，同時前期2 月的熱帶西印度洋低SST，抑制印度中北部降水，配合前期冬季EU 遙相關(guān)型，華北—東北地區(qū)南部高層有異常氣旋，輻散下沉，低層有異常偏北風(fēng)，水汽輸送減少，導(dǎo)致中國汛期主雨帶不能北推至黃河流域，最后造成華北—東北地區(qū)南部降水異常偏少（圖15a）。

圖15 華北—東北地區(qū)南部汛期降水兩個模態(tài)的預(yù)報因子物理機制示意（a.第一模態(tài)，b.第二模態(tài)；虛線為200 hPa 風(fēng)場，實線為850 hPa 風(fēng)場；L、H 分別為500 hPa 低壓和高壓；D、G 分別表示海平面氣壓的低壓和高壓）Fig.15 Schematic diagram of the predictors of the first two modes of summer precipitation in North China（a.the first mode，b.the second mode;dotted line represents 200 hPa wind，solid line represents 850 hPa wind；L and H represent 500 hPa low pressure and high pressure respectively，and D and G represent low pressure and high pressure of sea level pressure respectively）

（3）PC2 的預(yù)報因子包括超前2 個月的南印度洋中部SST、超前3 個月的鄂霍次克海地區(qū)OLR、超前2 個月的熱帶西太平洋V850 以及超前9 個月的NAO 這4 個獨立的因子。伴隨中部型厄爾尼諾的發(fā)展，南印度洋中部正SST 異常從5 月持續(xù)到夏季，前期秋季NAO 正異常，前期4 月鄂霍次克海地區(qū)對流活動旺盛，這些因子使得烏拉爾山和鄂霍次克海阻高減弱，引起中國東南部低層產(chǎn)生異常氣旋，華北低層有異常西風(fēng)并伴隨下沉運動，東北南部為偏北風(fēng)異常并有弱的上升運動，導(dǎo)致華北降水少，東北南部降水偏多（圖15b）。

（4）回報/預(yù)報PC 的重構(gòu)場與觀測場之間的TCC 全場基本通過0.1 顯著水平檢驗，全場平均相關(guān)系數(shù)為0.46，整體預(yù)報效果較好。回報/預(yù)報PC 的重構(gòu)場與觀測場之間的PCC 年際變化較大，40 年P(guān)CC 平均值為0.35，實際重構(gòu)場與觀測場之間PCC 的年際變化與其類似，40 年P(guān)CC 平均值為0.41。根據(jù)以上模型預(yù)報2022 年汛期降水為華北降水偏多、東北南部降水偏少。利用與預(yù)報PC 相近或相反的年份進行相似年份預(yù)報，進一步提高了預(yù)報技巧。

根據(jù)信息流篩選華北—東北南部汛期降水的前兩個模態(tài)的有效預(yù)報因子，建立的預(yù)報模型簡單而有效，這為降水的季節(jié)預(yù)報提供了新的思路。但是這種方法也有其缺陷，只適用于線性過程，對于非線性過程可能要尋找其他預(yù)報方法。并且各影響因子對華北—東北南部汛期降水可能還存在年際或年代際變化，這些都有待進一步研究。

附 錄

附圖1 1981—2020 年實際PC1/PC2（實心圓點）以及2019—2022 年預(yù)報PC1/PC2（空心星形）散點分布Fig.A1 Scatter plot for actual PC1/PC2（dots）during 1981—2020 and hindcast/forecast PC1/PC2（pentagrams）during 2019—2022

附圖2 （a）熱帶中太平洋5 月V850（V850_6）和PC1 時間序列；（c）7—8 月SST（色階，單位：°C）和200 hPa 風(fēng)場（箭矢，單位：m/s）對V850_6 的回歸分布；（e）7—8 月降水（色階，單位：mm/d）和850 hPa 風(fēng)場（箭矢，單位：m/s）對其回歸分布；b、d、f 同a、c、e，但為熱帶西太平洋5 月V850（V850_7）和PC2 時間序列（黑色箭矢表示通過0.1 顯著水平檢驗，*和**分別表示相關(guān)系數(shù)通過0.05 和0.01 顯著水平檢驗）Fig.A2 （a）Time series of V850 in May in the tropical mid Pacific（V850_6）and PC1；（c）Regressed SST（shaded，unit：°C）and 200 hPa wind（vectors，unit：m/s）in June—August onto V850_6；（e）regressed precipitation（shaded，unit：mm/d）and 850 hPa wind（vectors，unit：m/s）；b，d，f are same as a，c，e but for V850 in May in the tropical West Pacific（V850_7）and PC2（wind values exceeding 0.1 confidence level are given in black；* and ** represent correlation coefficient exceeding the 0.05 and 0.01 significance level，respectively）

附圖3 前期冬季（a、b）、前期春季（c、d）、同期夏季（e、f）SST（色階，單位：°C）和850 hPa 風(fēng)場（箭矢，單位：m/s）與PC1（左列）、PC2（右列）的回歸分析（圖中打點區(qū)域、藍(lán)色箭矢表示通過0.1 顯著水平檢驗）Fig.A3 Regressed SST（shaded，unit：°C）and 850 hPa wind（vectors，unit：m/s）in previous winter（a，b），previous spring（c，d）and current summer（e，f）with PC1（left column）and PC2（right column）（only values exceeding 0.1 confidence level are given）