南印度洋热带气旋快速增强事件气候特征及其年际变率

汪浩, 王静, 郑佳喻

1. 中山大学地理科学与规划学院, 广东 广州 510275;

2. 热带海洋环境国家重点实验室(中国科学院南海海洋研究所), 广东 广州 510301

热带气旋(Tropical Cyclone, TC)是生成在热带暖洋面上具有暖心结构的强烈气旋性环流, 其带来的强风和强降水对所经过地区的人类生命和财产安全造成了巨大的威胁(Zhang et al, 2009; 张娇艳 等,2011)。因此, 准确地预测TC 的生成及发展至关重要。目前, 在TC 路径预报方面, 前人已经做过大量研究, 取得了显著的进展。Chan(2005)指出对于西北太平洋TC 的生成高峰季(7—9 月), 西北太平洋TC在El Niño 年倾向于弯曲的移动路径, 在La Niña 年倾向于在偏北位置形成, 并向北移动; 对于10—12月来说, 西北太平洋TC 在El Niño 年仍然倾向于弯曲的移动路径, 但在La Niña 年以西行路径为主。McAdie 等(2000)利用持久性模型并结合大西洋TC的气候特征, 提出了一种新的TC 路径预测方法, 减少了之前路径预测存在的诸多误差。然而, TC 强度预测的准确性要远低于路径预测, 对TC 强度特别是快速增强(rapid intensification, RI)事件的准确预测仍旧是亟待解决的难题之一(Elsberry et al, 2007;Rappaport et al, 2009; DeMaria et al, 2014)。无论是在北大西洋或是西北太平洋, 强TC 在其完整生命周期中都经历了至少一次的RI 事件(Kaplan et al, 2003;Wang et al, 2008)。因此, 增进对RI 事件变异和物理机制的认识对于理解TC 强度变异和提高预测准确度均具有重要的意义。

关于西北太平洋、北大西洋、北印度洋RI 事件变率的研究已有很大的进展(Wang et al, 2008, 2015,2017; Zhao et al, 2018; Gao et al, 2020)。在西北太平洋TC 生成高峰季(7—9 月)期间, 厄尔尼诺年的RI事件比例(53%)远高于拉尼娜年同期(37%)(Wang et al, 2008)。Wang 等(2015)的研究则表明, 与TC 密切相关的大尺度环境因子, 如海表面温度(sea surface temperature, SST)､ TC 热潜(tropical cyclone heat potential, TCHP)､ 垂直风切变(vertical wind shear,VWS)､ 相对湿度(relative humidity, RHUM)等, 对RI 事件的发生有着显著的影响。在北大西洋,Kaplan(2003)等指出产生RI 事件的TC 相较于没有产生RI 事件的, 大多形成于偏南及偏西的区域, 且有西移的趋势, 并提出了一种估算RI 事件概率的简单方法。Wang 等(2017)的研究发现, 较低的VWS和较高的TCHP 是北大西洋TC 主要发展区RI 事件多发的首要原因, 而北大西洋东部RI 事件主要受RHUM 所调控。此外, 该研究强调大尺度的大气和海洋变率对北大西洋TC 的生成并不重要, 但在热带低压形成之后, 对TC 强度的影响则十分明显。Ng 等(2020)的研究进一步指出, 在热带北大西洋中心区域RI 事件的年际变率受季节性大尺度环境变量影响, 而墨西哥湾和加勒比海则不存在这种关系,主要由于前一区域VWS 的季节异常与潜在强度之间表现出强烈的负相关。在北印度洋, 孟加拉湾的RI 事件在拉尼娜年的产生频率远高于厄尔尼诺年的产生频率, 且RHUM 和VWS 是该海盆调制RI 事件变化的主要环境变量(Girishkuma et al, 2015)。

以往的研究大多集中于西北太平洋、北大西洋等海域, 对于印度洋特别是南印度洋TC 强度变化的研究是相对缺乏的。已有的关于印度洋TC 的研究也主要是侧重于对TC 的生成频率和登陆频率,以及受大气波动影响等方面的分析(Bessafi et al,2006; Mavume et al, 2009; Kuleshov et al, 2010), 关于RI 事件的研究则更加匮乏。本文拟对南印度洋RI 事件的气候特征和年际变率进行研究, 分析大尺度环境变量(SST､ TCHP､ VWS 和RHUM)对南印度洋RI 事件气候特征和年际变率的影响。

1 数据和方法

1.1 数据

本文的TC 数据采用1981—2019 年联合台风预警中心(Joint Typhoon Warning Center, JTWC)的TC最佳路径数据集(https://www.usno.navy.mil/JTWC),该数据集包含了历次TC 每隔6h 的中心位置 ､中心最大持续风速 ､中心最低气压等信息。由于1981 年以前缺少卫星数据的修正, JTWC 数据集中南印度洋部分的资料存在较大缺失, 故本文研究的时间从1981 年开始。1981 年至今, 数据的各项参数均记录正常, 但也存在部分TC 生成点位数据的重复记录,在本文的研究过程中对这些重复记录数据已进行剔除。根据萨菲尔-辛普森风力等级量表, 最大中心持续风速为10～17m·s–1(20～33kn)的TC 被归类为热带低压; 若热带低压达到18m·s–1(34kn)的风速, 则被列为热带风暴; 风速继续增强直至33m·s–1(64kn)则被归类为飓风。飓风又被划分为1～5 级, 对应的最大 中 心 持 续 风 速 分 别 为 33～42m·s–1(64～82kn)､43～49m·s–1(83～95kn) 、 50～58m·s–1(96～112kn) ､59～69m·s–1(113～136kn)和70m·s–1(137kn)。

在前人的研究中, 通常将TC 间隔24h 最大中心持续风速的变化(ΔV24=V24h-V0h, 其中V0h代表TC 事件中某个记录时刻的风速值,V24h代表该TC 经过24h 后新记录时刻的风速值)的所有样本的第95 个百分位数作为定义 RI 事件的阈值(Kaplan et al,2003)。在本研究中, 南印度洋所有样本ΔV24的第95 个百分位数为15.4m·s–1(30kn)。因此, 在一次TC事件中, 若某个数据点相对于24h 前的最大中心持续风速增量ΔV24大于15.4m·s–1, 便将该数据点定义为一个RI 事件。

参照前人的研究(Wang et al, 2015, 2017), 对影响RI 事件产生的大环境变量主要选取了4 个, 分别为SST、TCHP、VWS 和RHUM。其中, 2 个海洋变量SST 和TCHP 使用的数据如下: SST 数据采用美国国家海洋和大气管理局(National Oceanic and Atmospheric Administration, NOAA)的扩展重构月平均海表温度数据第 5 版本(the Extended Reconstructed Sea Surface Temperature version 5)(https://psl.noaa.gov/data/gridded/data.noaa.ersst.v5.ht ml), 水平分辨率为2°×2°; 计算TCHP 变量使用全球海洋数据同化系统(Global Ocean Data Assimilation System)的月平均温度和盐度数据(https://psl.noaa.gov/data/gridded/data.go-das.html),水平分辨率为1°×0.33°, 所有变量数据层数均为40层。VWS 和RHUM 这2 个大气变量使用美国国家环境预报中心/国家大气研究中心(the National Centers for Environmental Prediction/National Center for Atmospheric Research) 的 再 分 析 数 据(https://psl.noaa.gov/data/gridded/data.ncep.reanalysis.pressure.html)得到, 分辨率为2.5°×2.5°。上述所有数据的时间跨度均为1981—2019 年。

海洋尼诺指数(Oceanic Niño Index, ONI)是NOAA 定义的热带太平洋厄尔尼诺(暖)和拉尼娜( 冷) 事 件 的 标 准(https://ggweather.com/enso/oni.htm), 它 表 示 Niño3.4 区 域(即 5°N—5°S,120°—170°W)3 个月的滑动平均SST 异常。厄尔尼诺事件定义为连续5 个月ONI 大于或等于0.5℃, 拉尼娜事件定义为连续5 个月ONI 小于或等于-0.5 ℃。SST 异常阈值又进一步细分为弱(0.5～0.9℃)､ 中等(1.0～1.4℃)､ 强(1.5～1.9℃)和非常强(≥2.0℃)事件。NOAA 的报告中指出, 对于被归类为弱 ､ 中等 ､强或非常强的事件, 必须至少连续3 个月达到或超过阈值。

1.2 相关计算方法

1.2.1 TCHP 计算

TCHP 的概念最早来源于飓风热潜(Hurricane Heat Potential), 后来的研究让其概念得到延伸(Leipper et al, 1972; Goni et al, 2007), TCHP 代表的是26℃等温层面至海表面之间暖水所包含的海洋热含量(Leipper, 1967; Leipper et al, 1972), 其计算公式如下:

式中,cp表示恒定压力下的比热, 固定值为3.9kJ·kg–1·K–1,D26表示26℃等温线的深度,ρ(z)代表实测密度,T(z)表示实测温度。

1.2.2 相关分析及其检验

线性相关分析是用来衡量两个变量之间线性相关程度的量, 一般用相关系数r表示。r的取值范围为[–1, 1],r的绝对值越大, 说明两个变量之间的线性相关程度越大。当r> 0 时, 表明两个变量呈正相关; 当r< 0 时, 表明两个变量呈负相关。相关系数r的计算公式为:

式中, Cov(X,Y)为X和Y的协方差, Var(X)为X的方差, Var(Y)为Y的方差。

相关性检验是对变量之间是否相关以及相关的程度所进行的统计检验, 一般基于t分布进行检验。在假设总体相关系数ρ=0 成立的条件下, 相关系数r的概率密度函数正好是t分布的密度函数, 可以用t检验对r进行显著性检验。检验统计量为:

式中,t为检验统计量,n为样本量, 统计量遵从自由度(n-2)的t分布。再根据给定显著性水平的α及t分布表, 若t>tα(tα代表显著性水平为α的统计量的值), 则拒绝原假设, 认为相关系数是显著的。

1.2.3 合成分析

合成分析是气象学分析与预报中经常使用的方法, 是将两种不同特征或者状态的气象变量进行合成, 即求不同状态下的某气象要素的平均值, 以揭示各状态之间是否存在明显差异(施能, 2009)。

本文在合成分析中所使用的显著性检验方法为t检验(ttest),在总体方差σ2未知的情况下, 利用样本方差s2构造检验总体均值的t统计量:

2 结果分析

2.1 南印度洋RI 事件的气候特征

2.1.1 时空分布特征

在1981—2019 年间, 南印度洋共生成了602 个TC, 其中热带低压17 个。根据萨菲尔-辛普森风力等级量表, 热带低压的最大中心持续风速小于33kn(17m·s–1), 且在最佳路径资料中, 一个TC 的起始记录风速最小不低于15kn(约7.1m·s–1)。因此, 无论在实际意义上还是RI 的定义上, 热带低压都没有达到研究的标准, 故在本文研究中将热带低压剔除,只选取达到热带风暴级别以上的TC 进行研究。在剩余的585 个TC 中, 共有215 个TC 产生了RI 事件, 在这些TC 的完整周期中共产生了870 个RI 事件, 产生RI 事件的TC 占南印度洋TC 生成总数的37%。在这215 个TC 中, 平均每个TC 产生了4 个RI 事件, 其中1989 年编号为28 号的TC 产生了最多的RI 事件(10 个)。

图1 显示了南印度洋1981—2019 年TC 生成数量和RI 事件产生数量的逐月分布特征。从图1a 中看可出南印度洋TC 生成的高峰季为11 月至次年4月, 此时间范围内生成的TC 数量占南印度洋全年TC 生成总数量的81%; 而RI 事件的主要产生季节是12 月至次年4 月(图1b), 占南印度洋全年RI 事件总产生数量的92%。从图中还可以看出, 从10 月(南半球夏末)开始, RI 事件的数量逐渐增加, 在次年3 月(南半球秋季)达到全年的最大值, 数量为203 个,4—6 月开始逐步降低, 每年的7—9 月则没有RI 事件产生。图1c 展示了逐月平均的RI 事件产生比率(RI 事件产生比率=RI 事件产生数量/TC 生成数量),对比TC 数量和RI 事件产生比率的全年分布, 可以发现两者的峰值月份没有同步, 这一特征不同于其他海盆如北大西洋和西北太平洋, 这两个海盆的TC 数量和RI 事件产生数量在逐月变化上是高度同步的。控制TC 生成与RI 事件的环境变量类似, 但也有着不同之处, TC 生成与RI 事件产生的峰值月份不同, 可能是不同海盆主导的环境变量不同所致。南印度洋RI 事件主要产生在12 月至次年4 月, 本研究将12 月至次年4 月这5 个月定义为南印度洋RI 事件的活跃季节, 下文将主要研究该时间段RI事件的分布特征及其年际变率。

图1 1981—2019 年南印度洋TC 生成数量(a)、RI 事件产生数量(b)和RI 事件产生比率的逐月分布特征(c)Fig. 1 Monthly distribution of (a) TC genesis number, (b) occurrence number of RI events and (c) occurrence ratio of RI events in the SIO averaged from 1981 to 2019

为了探究南印度洋RI 事件产生的空间分布特征, 本文将南印度洋(20°—130°E, 0°—40°S)划分为8×22 个空间分辨率为5°×5°的网格, 再对每个网格中的 RI 事件进行统计。图 2 显示了南印度洋1981—2019 年RI 事件的空间分布特征, 可以看出南印度洋RI 事件主要产生在10°—20°S 的狭长带状区域, 并且存在多个中心, 较为显著的中心有3 个, 分别是马达加斯加岛东北海域(66°E, 11°S)、南印度洋中部海域(85°E, 11°S), 以及澳大利亚西北海域(120°E, 18°S)。这3 个中心所产生的RI 事件数量约占南印度洋RI 事件产生总数的67%。其中, RI 事件最大值中心区为马达加斯加岛东北海域, 在以此为中心的高值区共产生了205 个RI 事件, 平均每年5.39 个。

此外, 本文分析了南印度洋TCRI 事件年际变率的方差分布, 相应的分布图见图3。由图可知, 南印度洋TCRI 事件数量的方差分布也主要呈带状分布在南印度洋副热带地区, 方差分布图中的3 个高值中心与图2 所示的TCRI 事件的3 个高值中心相互吻合。这表明TCRI 事件产生数量较高的区域, 其TCRI 事件变化程度也较大。

图2 1981—2019 年南印度洋RI 事件产生数量的平均空间分布该图基于国家测绘地理信息局标准地图服务网站下载的审图号为GS(2016)1665 号的标准地图制作Fig. 2 Spatial distribution of RI events in the SIO averaged from 1981 to 2019

图3 1981—2019 年南印度洋RI 事件产生数量的方差分布该图基于国家测绘地理信息局标准地图服务网站下载的审图号为GS(2016)1665 号的标准地图制作Fig. 3 Variance distribution of TCRI events in the SIO from 1981 to 2019

2.1.2 大尺度环境变量对南印度洋RI 事件空间分布的影响

海洋到大气的热通量是TC 的主要能量来源。强劲的表面风和TC 中持续下降的表面压力推动了热通量的传播(Schade, 2000)。SST 和海洋热含量的相对细微变化也可导致TC 的强度短时间内在萨菲尔-辛普森等级量表上变化数个类别(Sun et al, 2007),TCHP 对TC 强度的变化同样也有着不可忽视的影响, 在全球范围内TC 生成数最多的西北太平洋, RI事件大多产生在TCHP 相对较高的区域(Wada et al,2007)。VWS 也是影响TC 强度的一个重要因子,VWS 可以改变TC 的内部位涡及相应的热力环境来影响其强度变化, 对流层VWS 越小, 越有利于热力气柱的形成和CISK 的运转, 从而引起RI 事件的产生(DeMaria, 1996; Walsh et al, 2000; Emanuel et al,2004)。此外, 充足的水汽可以为TC 的发展提供潜热(Wu et al, 2012; 韩翔 等, 2018), 进而TC 强度增加而形成RI 事件, 所以RHUM 也可能影响RI 事件的产生。

图4 显示了在南印度洋RI 事件活跃季节SST、TCHP、VWS 和500-hPa RHUM 的气候态分布。从图4a 可以看出南印度洋RI 事件产生区域, 特别是马达加斯加岛东北海域、南印度洋中部海域和澳大利亚西北海域这3 个RI 事件高值区域, 大部分位于SST 接近30℃的区域, 较高的SST 可以促进TC 强度在短时间内提升, 进而引起RI 事件的产生。图4b显示了南印度洋TCHP 的空间分布, TCHP 在西南印度洋较低, 这与前人指出的西南印度洋温跃层较浅相一致(Du et al, 2009)。在RI 事件空间分布中, 除马达加斯加岛东北海域这一 RI 事件高值中心的TCHP 呈现出较低值外, 其余两个高值中心都位于TCHP 值较高的海域, 这说明较高的TCHP 可能也是这两个区域RI 事件产生较多的环境因素。图4c显示了南印度洋VWS 的空间分布, 可以看出马达加斯加岛东北海域和南印度洋中部海域这两个高值中心均位于VWS 最低值的中心区域, 而澳大利亚西北海域这一RI 事件高值中心的VWS 则高于前两个中心。在图4d 显示的500-hPa RHUM 的空间分布中, 3 个RI 事件高值中心的RHUM 均较高, 但与RI事件分布的联系相比于其他因子均较弱。

图4 1981—2019 年南印度洋SST(a)､ TCHP(b)､ VWS(c)及500-hPa RHUM(d)的气候态该图基于国家测绘地理信息局标准地图服务网站下载的审图号为GS(2016)1665 号的标准地图制作。图中黑色等值线为1981—2019年南印度洋RI 事件数量的平均空间分布Fig. 4 Climatology of (a) SST, (b) TCHP, (c) VWS, and (d) 500-hPa RHUM in the SIO from 1981 to 2019

综上所述, 南印度洋RI 事件产生区域大致位于SST 接近30℃的区域, 而控制RI 事件高值中心产生的大尺度环境因子主要是TCHP 和VWS, 但3 个高值中心的主要影响因子略有不同。在马达加斯加岛东北海域RI 事件高值中心, 主要是气候态上较弱的VWS 导致了RI 事件频繁产生; 在南印度洋中部海域这一中心区域附近, 较高的 TCHP以及较弱的VWS 对RI 事件产生均有贡献; 而在澳大利亚西北海域, RI 事件的频繁产生主要是较高的TCHP 所致。

2.2 RI 事件年际变化特征

2.2.1 RI 事件的年际变率

图5 显示了南印度洋TC 数量及RI 事件产生数量的时间序列。在1981—2019 年间, 南印度洋TC生成最少的年份是2011 年, 数量为8 个, TC 生成最多的年份是1985 年, 数量为20 个, 其主要呈现年际变化, 未出现较为明显的下降或上升趋势。而在南印度洋RI 活跃季节内RI 事件的变化趋势则与TC的变化趋势有着显著的差异(图5), 可以看出南印度洋RI 事件产生数量呈现年际和年代际的变化特征,并且总体上呈现上升的趋势。在此期间, 产生RI 事件最少的年份是1982 年, 数量为0 个, 产生RI 事件最多的年份是2014 年, 数量为44 个。

图5 1981—2019 年南印度洋快速增强(RI)事件数量(黑线)和热带气旋(TC)数量(红线)的时间序列Fig. 5 Time series of RI events number (black) and TC number (red) in the SIO from 1981 to 2019

在年际时间尺度上, ENSO 是现有的观测记录中热带气候主导模态(Xie et al, 2009)。前人的研究发现, 印度洋气候(包含海表温度)主要受ENSO 的强迫, 其自身的自然变率较弱(Xie et al, 2002, 2009;Zhang et al, 2015)。图6 显示了去趋势后RI 事件数量异常和12 月至次年4 月的Niño3.4 (5°S—5°N,120°—170°W)指数的时间序列, 对二者进行相关性分析, 相关系数为0.2, 未通过相关性显著检验。但是从图6 可以看出, 当Niño3.4 指数较高, 即厄尔尼诺事件发生时, 南印度洋RI 事件产生数量较低; 而当Niño3.4 较低, 即拉尼娜事件发生时, 绝大多数年份中南印度洋RI 事件产生数量同样较少, 但也存在个别年份RI 事件产生数量呈正异常。虽然从整体来看ENSO 事件对南印度洋RI 事件产生数量的影响不显著, 但这可能是由于影响的不对称造成的。为了更具体地考察ENSO 事件对南印度洋热带气旋RI事件的影响, 下文将通过合成分析加以探讨。

图6 1981—2019 年去趋势后的南印度洋快速增强(RI)事件异常值和Niño3.4 指数的时间序列Fig. 6 Time series of detrended RI events number anomaly (black) and Niño3.4 index (red) from 1981 to 2019

前人的研究指出, ENSO 虽然是热带主导模态,但是需要一定强度的ENSO 异常事件才能强迫出印度洋的响应(Yu et al, 1999)。所以在本研究中, 为了突出ENSO 信号, 选取ENSO 事件强度等级为强以上的年份进行合成。根据ONI 指数, 将厄尔尼诺事件强度等级为强和超强的年份及拉尼娜事件强度等级为强的年份挑选出来(见表1), 并分别与RI 事件产生数量的异常进行合成(图7)。可以发现, 与图6中的结论类似, ENSO 对南印度洋RI 事件产生数量的调制是非对称的。在强和超强厄尔尼诺事件发生的年份(图7a), 南印度洋RI 活跃季节的RI 事件产生数量在整个海盆上呈现显著的负异常。这些年份出现的负异常值较为均匀地分布在南印度洋海盆中部10°S 附近, 在60°E､ 75°E 和85°E 这3 个区域出现较高的负异常值, 而在这条负异常线的两侧分别出现了两个小面积的正异常区域(95°E、5°S 和85°E、15°S)。在强拉尼娜事件发生的年份(见图7b), 南印度洋RI 活跃季节的RI 事件产生数量同样呈现出大面积的负异常区域, 负异常值的3 个中心点与厄尔尼诺事件发生年份的负异常中心位置大致相同, 不同的是在强拉尼娜事件发生年份澳大利亚西北海域存在一个数值较高的正异常中心。

表1 1981—2019 年厄尔尼诺和拉尼娜事件发生的年份及对应强度Tab. 1 El Niño and La Niña years and intensities from 1981 to 2019

图7 南印度洋RI 事件产生数量异常在强和超强厄尔尼诺年(a)以及强拉尼娜年(b)的合成该图基于国家测绘地理信息局标准地图服务网站下载的审图号为GS(2016)1665 号的标准地图制作。图中白色“+”表示异常值通过90%置信度的t 检验Fig. 7 Composite anomalies of RI events number in the SIO in the years of strong and super strong El Nino events (a) and strong La Nina events (b)

2.2.2 大尺度环境因子对南印度洋RI 事件年际变化的影响

为了考察ENSO 对南印度洋RI 事件的调制, 接下来将与RI 事件联系密切的4 个大尺度的环境因子(SST､ TCHP､ VWS､ RHUM)在强和超强厄尔尼诺事件发生的年份和强拉尼娜事件发生的年份进行合成。如图8a 所示, 在厄尔尼诺事件发生的年份, 印度洋的SST 呈现显著的正异常, 这与前人的结论相一致(Xie et al, 2002, 2009; Du et al, 2009)。在厄尔尼诺发展时期, 海洋性大陆(Maritime Continent, MC)会产生沃克环流下沉异常, 下沉气流会在印度洋强迫暖的海洋罗斯贝波向西传播, 进而导致西南印度洋增暖, 加深西印度洋的温跃层(Xie et al, 2002)。相应地, 在厄尔尼诺年西南印度洋TCHP 显著增加(图8b), 南印度洋VWS(图8c)和RHUM(图8d)均为显著正异常。虽然SST､ TCHP､ RHUM 等因子有利于RI 事件的产生, 但是RI 事件产生数量在整个南印度洋洋盆中心区域的大部分海域仍表现为连续的纬度较为集中的负异常。而在对应区域仅VWS 存在较高的正异常, 不利于RI 事件的产生。因此, 在强和超强的厄尔尼诺事件发生年份, VWS 是调制南印度洋RI 事件异常最主要的环境因子, 因为它削弱了潜热释放对热带气旋风速的增强作用(潘静 等,2010)。

图8 南印度洋SST(a)､ TCHP(b)､ VWS(c)和500-hPa RHUM(d)异常值在强及超强厄尔尼诺年的合成该图基于国家测绘地理信息局标准地图服务网站下载的审图号为GS(2016)1665 号的标准地图制作。图中黑色等值线表示南印度洋RI事件产生数量异常值在强和超强厄尔尼诺年的合成, 白色“+”表示SST､ TCHP､ VWS 和RHUM 异常值通过90%置信度的t 检验Fig. 8 Composite anomalies of (a) SST, (b) TCHP, (c) VWS, and (d) RHUM in the SIO in the years of strong and super strong El Niño events

与厄尔尼诺年相反, 拉尼娜年南印度洋SST(图9a)和TCHP(图9b)呈现出负异常, 并且以RI 事件产生数量负异常中心处的TCHP 负异常值最强。另外可以看到, 在部分区域VWS 正异常(图9c)与RHUM(图9d)负异常对拉尼娜年南印度洋RI事件产生较少也起到一定的贡献作用。在澳大利亚的西北海域存在RI 事件产生数量的正异常, 对应的3 个热力学因素(SST､ TCHP 和RHUM)也都分别呈现出一定的正异常。因此, 不同于厄尔尼诺年, 拉尼娜年南印度洋RI 事件产生数量减少主要是因为TCHP 变弱, 此外SST、VWS、RHUM 也有一定的贡献。

图9 南印度洋SST(a)､ TCHP(b)､ VWS(c)和500-hPa RHUM(d)异常值在强拉尼娜年的合成该图基于国家测绘地理信息局标准地图服务网站下载的审图号为GS(2016)1665 号的标准地图制作。图中黑色等值线表示南印度洋RI事件产生数量异常值在强拉尼娜年的合成, 白色“+”表示SST､ TCHP､ VWS 和RHUM 异常值通过90%置信度的t 检验Fig. 9 Composite anomalies of (a) SST, (b) TCHP, (c) VWS, and (d) RHUM in the SIO in the years of strong La Niña events

以上的现象表明了在年际尺度上, ENSO 对南印度洋RI 事件的影响是不对称的, 即厄尔尼诺年与拉尼娜年南印度洋RI 事件产生数量均减少。但是使其减少的主要因素在厄尔尼诺年与拉尼娜年却是不同的, 厄尔尼诺年南印度洋较少RI 事件产生主要是由较高的VWS 导致, 而拉尼娜年南印度洋较少RI事件产生主要是由于TCHP 的降低。

3 结论

本文系统地研究了1981—2019 年南印度洋RI事件的气候特征和年际变率, 通过对南印度洋的RI事件产生数量和大尺度环境变量进行分析, 主要得到以下主要结论:

1) 南印度洋RI 事件产生数量的逐月变化呈现出单峰性, 主要产生在10 月至次年6 月这9 个月(南半球夏季和秋季), 而7—9 月这3 个月(南半球冬季和春季)则无RI 事件产生。

2) 南印度洋RI 事件的空间分布主要集中于5°—15°S 这一纬度带上, 且出现了3 个高值中心, 分别是马达加斯加岛东北海域(66°E, 11°S)、南印度洋中部海域(85°E, 11°S)以及澳大利亚西北海域(120°E,18°S)。其中, 马达加斯加岛东北海域这一高值中心所产生的RI 事件数量最多, 换而言之, 是整个南印度洋最容易产生RI事件的区域, 且此中心靠近马达加斯加岛。马达加斯加岛(尤其是其东北部)常年遭受TC 的侵扰, 有不少TC途经此中心区域而产生强度增强, 进而对该地区人民的生命和财产安全造成威胁。

3) 气候态上, 南印度洋RI 事件产生数量的空间分布主要受到TCHP 和VWS 这两个大尺度环境变量调制, 且不同的RI 高值中心区域所主导调制的因子不同。在马达加斯加岛东北海域RI 事件高值中心, 主要是气候态上较弱的VWS 导致了RI 事件频繁产生; 而在南印度洋中部海域这一中心区域附近,较高的TCHP 以及较弱的VWS 对RI 事件的产生均有贡献; 在澳大利亚西北海域, RI 事件的频繁产生主要是较高的TCHP 所致。

4) 在年际变率上, ENSO 对南印度洋RI 事件的影响是不对称的, 即在厄尔尼诺年与拉尼娜年RI 事件的发生数量均呈现减少的状况, 但使其减少的主要因子却截然不同。在厄尔尼诺年, 过高的VWS 导致了RI 事件的减少; 而在拉尼娜年, RI 事件的减少主要是由于TCHP 降低所致, 其次SST、TCHP、RHUM 对RI 事件的减少也有贡献。

本文研究了ENSO 事件对南印度洋RI 事件的影响及机制, 但不排除其他海温模态对南印度洋RI 事件的可能影响。比如, 前人的研究指出ENSO 可以通过影响沃克环流来改变海洋性大陆的对流运动(Leung et al, 2016, 2017, 2019; Zhang et al, 2019), 而ENSO 对海洋性大陆对流活动的影响受到南印度洋偶极子(Southern Indian Ocean Dipole, SIOD)的调控(Gong et al, 2019; Xiao et al, 2020)。这些都表明南印度洋RI 事件的产生可能还受到其他海温模态的调制作用。目前本文主要从环境因子的角度出发, 分析了ENSO 对南印度洋RI 事件的影响, 而其他海温模态对南印度洋RI 事件的影响将在下一步工作中开展深入的研究与探讨。