ENSO对美国本土的季节内异常降水和极端温度频率的影响： 观测和模拟结果外文翻译资料

英语原文共 12 页，剩余内容已隐藏，支付完成后下载完整资料

ENSO对美国本土的季节内异常降水和极端温度频率的影响：

观测和模拟结果

亚力山大格叔诺夫和提姆P.巴内特

气候研究部，斯克里普斯海洋研究所、加利福尼亚大学、圣迭戈、拉霍亚、加利福尼亚 （截止1997年1月收到27份来稿，最终定稿于19978月29日）

摘要：与冬季强降水和极端温度频率相关的ENSO的特征是来自美国本土的观测结果和大气环流模型的输出。在东南亚、海湾沿岸、落基山脉中部和密西西比–俄亥俄河谷大部分地区发现了与强降水发生的频率有关的ENSO信号，在美国南部和美国东部发现了强烈的非线性信号。据发现，相比于极端低温频率，极端高温频率对ENSO强迫更为敏感。观测到的以极端温度频率出现的ENSO信号不是简单的平均季节性气温转换的表现。这些以极端温度和异常降水事件频率出现的信号足够强，对于冬季远程区域统计预测是有用的。

观测和模型结果的比较表明，该模型的气候对大陆尺度的ENSO敏感并且为低频气候强迫季节内敏感度的模拟研究提供帮助。然而，大区域里所有变量反映的结果可能不一致。在季节内温度变化里的大陆尺度的厄尔尼诺的特点未能得到正确的模拟。由极端温度频率模拟的信号更直接相关于季节平均温度的变化而不是它们本身。

1. 引言

极端事件频率的长期预报取决于季节内的概率密度函数（预测年际气候信号）的灵敏度。例如，一个季节的PDF可以是某一特定位置冬季气温的PDF。El Nino–南方涛动（ENSO）是已知的在季节到年际时间尺度中最明显且可预测的气候信号。经过耦合模式18个月对于赤道太平洋中部和北方冬天高水平的模拟使得与ENSO有关的热带太平洋海表面温度（SST）异常的变化是可预见的（如Cane-Zebiak模式 1985；Barnett模式等1993）。众所周知赤道中太平洋海温异常影响温带气候，特别是中纬度冬季北半球环流形式（例如，华勒斯 1981）。一些研究人员对于ENSO在地面季节内平均气候的描述（见下面的参考资料部分）表明，在中纬度地区的季节内变化也应该经历与 ENSO相关的年际调制。这项工作的主要目的是提供ENSO对美国冬季极端事件频率影响总体评估。在这方面，我们专注于季内降水和温度的概率密度函数。可预见性的定性评价是通过比较、评估观测结果、与ENSO相关的极端日降水量和温度事件频率的模式输出结果来实现。

在世界各地的大多数季节和地点，一些非常少的强降水事件不成比例地占据了月、季节、和长时期总降水的大部分。例如，对于大多数季节和站点来说，超过50%的降雨在短于雨天20%的时间里下降是很典型的。除了这一重要贡献的淡水供应，强降水事件还通过影响与人们密切相关的灾害如洪水、泥石流等水温灾害直接影响到人类的福祉。因此，对强降水的频率的长期预测将是非常有用的。与降雨的概率密度函数不同的是，季节内温度的概率密度分布函数分别有冷、暖两个极端。极端冷和热的季节性频率也强烈地影响人类的农业和经济社会福利（例如，潘等。1995；布朗等。1986；长隆和维纳米 1986），因此对它们熟练的预测同样具有巨大的价值。

到目前为止，凯拉迪斯和迪亚兹（1989）、洛普乐斯基和与海尔佩特（1986，1996），和恰扬德（1994）已部分描述了美国一些区域的季节、月降水总量、平均温度里的ENSO信号。恰扬德和威泊（1992），巫黒瑟等人。卡燕（1993）、恰扬德（1996）等人也证实了ENSO位相对美国西部日降雨频率和强度的影响。这些研究指出，ENSO对大部分美国地区的冬季降水和温度有显著的调制作用。美国西部的日降水量的研究表明，相比于拉尼娜年的冬季，厄尔尼诺冬季降水往往在西南部更为频繁、严重。而西北部观察到了不一样的信号。特别有趣的是恰扬德等人提出的证据（1996），他们表明在日降雨频率里的ENSO信号是加剧了美国西部的暴雨。鉴于这些结果，在极端降水事件频率中的月降水量与季节降水量相关，因此期望通过ENSO找到一个逐日极端降水频率的调节机制是合理的，至少在冬季的某些地区。极端温度对季节性平均的影响比降水小，与ENSO相关的季节平均的转变表现为ENSO对于季节内日常温度分布的调制。ENSO仅仅是改变了整个季节内日常温度的分布，还是改了变它的基本特征，或者两者都有？换句话说，它是否会影响平均值，或更多的数值？中心倾向的变化可以理解为极端事件的概率变化吗？若平均状态不变，预计的极端事件的频率会变化吗？这些灵敏的地理模式是什么？若考虑季节或每月平均气温或总降水量，这些问题不能回答。因此，我们在美国本土的冬季对这种经验模式的敏感性进行测试。

图1.其中点代表用于这项研究的184个站点

相应的产生于GCM（受全球海温强迫）的模式也被推到出来了。GCM季节内区域统计验证很少开展，甚至气候或季节性周期也是如此。一月和七月的高频降水统计和区域季节循环的GCM气候数据最近与美国本土的观察结果进行了比较 （陈等，1996）。GCMS对低频气候强迫的灵敏度只有在月或更长的时间尺度上可被验证（例如，刘1985；格拉汉等人；格雷厄姆和巴内特1995）。然而，尽管缺乏模式化的季节统计正确响应低频气候变化的证据，在二氧化碳使全球气候加剧情况下，GCM仍通常用来预测全球和区域的季节内变化（例如，政府间气候变化专门委员会IPCC 1990，此后库巴斯齐等人。1995；格雷戈瑞和米切尔1995；巴罗和休姆1996）。因此，这样比较的目的之一是阐明现代模式GCM在预测与低频气候强迫相关的季节内气候变化的效用。更为直接的目的是指出同一ENSO事件和与ENSO遥相关有关的GCMS对于美国的季节内变化预测的定性评估过程中模式结果和观测结果的异同。

数据和方法分别在第2、3部分描述。第4节呈现并比较降水和温度结果的性质与模型，概括性的结论在第5部分。

1. 数据

观测数据是从国家气候数据中心（NCDC）下载的每日降水量和平均气温（日最高和最低气温的平均值），记录了均匀分散在横跨美国本土的184站，时间跨度从20世纪初期到1993年。原因很明显，我们将重点关注1950-1993，站点的位置如图1所示。

用来模拟每天天气的GCM是ECHAM3模式，由汉堡大学的马克斯普朗克研究所研发。在29种大气环流模式中，就模拟观测的水文循环在不同空间尺度的能力来看，ECHAM3是最成功的（刘等人，1996）。该模式由观测到的1950-1994全球海温等推演而出，模式产生的年际变化包含ENSO信号的年变化，空间分辨率是T42（大约2.8*2.8）。

该模式在一些领域往往会产生一个相对持久的小雨，所以，为了将模式的降水频率与观察到的情况匹配，在所有模型中，日常总数小于1毫米被设置为零。虽然模式倾向于低估热带和亚热带地区的弱降水，这两个地区的特点是持续的低层积云（刘等人，1996）。GCM可能会高估中纬度大陆的降水频率，这个问题也被陈等人注意到（1996）（国家大气研究中心，研究气候模式2 /生物圈-大气传输方案）。顺便说一句，作为一个受欢迎的副作用，细雨去除模型产生一个更切实际的降水概率分布函数，反映在日常降水率的分位数里（见下文）。

1. 方法

a.ENSO的合成

在同期热带中太平洋海表温度（太平洋3区：170–120w，5S–5N）基础上的合成方法，用来分离十二月、一月、二月（DJF）的ENSO信号。这项措施是由于几个原因。在过去的二十年中，热带太平洋海温和温带大尺度环流之间的联系已经确立。此外，热带太平洋的耦合模型在这一地区异常海温前18个月前的时间里表现出良好的预测能力（巴内特等，1993）。这些模型特别适合预测北方冬季海温异常。厄尔尼诺（拉尼娜）年在这里被定义：太平洋3区海温高于（低于）平均值一定的数值。我们指的是厄尔尼诺年为“温暖”年，拉尼娜年的“冷却”年，所有其他年为“基准“年。暖年的一月在1958，1964，1966，1969，1970，1973，1983，1987，和1992里，而冷年一月在1951，1956，1971，1974，1976，1985，和1989里。

这种合成方法使得比较模拟和观测的气候信号有意义。GCM气候预测问题的随机性是众所周知的（如巴内特1995；刘等人。1996）。单一模式运行不能构成特定事件的有意义的预测。相反，我们需要复合模式的实现。合成方法有效地提供了预测典型的ENSO事件的复合模式。换句话说，单一模型的长期运行是用来一个预测典型的ENSO事件的特点，而复合模式可以用来预测单一事件的特点。

b.极端频率

为了分离强降水事件，我们专注于12月、1月、2月降水的一个极端,通过计算从基年日降水总量的75%，其中基准年的降水仅考虑可测量降水（站点数据大于等于0.25mm ECHAM3大于等于1mm）。美国的百分位地图显示在图2的左上角。然后我们计算冷暖年12月、1月、2月的降水，其每日降水总量大于基年准的75%。这个百分比值（P）和事实相一致：下雨天的频率（F）也受ENSO的调制。该调整是由相较于基准年的异常年的冬季雨天的频率乘以百分比。例如，在寒冷的冬季，在某些位置（站或格单元），每日的降雨事件的百分比超过基准年75%的占了20%（=20）。此外，在基准年期间的频率（定义为雨天的一部分）为0.3（=0.3），而在寒冷的年（=0.2）。在那一地区冷年频率调整百分比表达如下：=（/)=13.3%。调整的百分比表示为一个异常事件占据预期事件的百分比（=100( /-1)，其中值的表示基础年的百分比值，或通过定义的概率分布函数来确定相对权重（100-这个百分位数）。在上述的例子中，=100（13.3/25-1），即相对于基础年的冬天，强降水事件的频率减少了46.7%。图2显示了调整后的冬季降水量异常百分比图，其中，冷、暖三年的频率异常图分别在中间和下面。所观察到的结果被划定在左边的数字，而模式产生的结果是在右边。

类似的，对温度数据也进行以下分析。温度频率调整是没必要的或不大可能的。由于两个热的和冷的极端是很重要的，因此冷暖分布都要考虑。极端暖（冷）事件被定义：温度高于（低于）基准年的95%。所以，例如，如果在一些站的异常冬天里，低于基准年5%的天 观测结果占了10%，那么极端低温异常事件频率为=100（10 / 5-1）=100，这就是说

基准年 75%（毫米/天） 基准年 75%（毫米/天）

厄尔尼诺 % 异常 厄尔尼诺 % 异常

拉尼娜 % 异常 拉尼娜 % 异常

图2 （最上面的图）基准年里12月、1月、2月日常降水第75个百分数的分布。8mm的等值线已加粗，等值线间隔为2mm,lt;4mm的等值线较细。中间部分为比基准年更湿的暖年期间观察到的异常百分数的频率调整。零线已加粗，负值为虚线，占15%。

相对于基准年的冬天，异常冬天里的极端低温频率增加了100%。冷暖极端事件的结果显示在图3和4，和极端降水的格式相同。由于下面的原因，上述中超过50%的异常温度频率显示在图5。

对温度结果的分析整理如下。温度和降水的季节性周期在DJF（12月、1月、2月）时间段里经历了一个演变，逐日的变化也不同于逐月的变化。在DJF期间，相比于降水，

这些影响对于温度来说在时空上更加稳定。这些影响中最一致的是一个事实：从气候上来说，一月往往是北半球大部分地区最冷的月份，尽管对于个别冬天不是如此。在美国本土，的观测和模拟的季节性周期在DJF的范围通常小于2°C。日平均气温在月份里的差别通常超过DJF季节范围一个数量级。这是由于季节性的周期变化相比DJF部分的季节内变化是小的，但季节性的周期是不会被省略的。在下面的讨论中，读者应该知道，极端温度的结果可能在时间上分布不均：暖（冷）日极值频率将倾向于出现在DJF的中间或两端。对于冬季的较长的定义（例如，11月，3月），这可能会成为一个严重的问题，这就有必要将平均季节周期从日常数据中减去，也许，也调整季节性变化的标准偏差。

C.意义检验

对所有频率异常图进行统计意义评估，从而将ENSO信号从噪声中分离出来。这是通过Bootstra重采样技术（埃夫隆1982）。代表温暖和寒冷的冬季是随机选择的。第7个和第9个被用来估计与厄尔尼诺和拉尼娜相关的随机频率异常，相应的，其余的27个冬天代表随机基本组成。每个观察和模拟的降水和温度频率变量将重复100次以上过程。如果当地正负异常频率的绝对大小超程序随机异常分布的95%和5%，则认为它们达到了0.1的显著性水平。统计意义大的频率异常在频率异常图用阴影标记。

4。讨论

a、极端降水时间

在基准年里DJF（12月、1月、2月）日常降水75%的空间分布图中（图2，上部），观测和模型非常相似。这些图给出了该国各地区的强降水的定义。整个北部大陆地区轻微降水的低值区向南延伸进入落基山脉的西部。在这里，每日降水量超过3，4毫米被认为是强降水。该模式高估了北美地区降水的75%，大约1 mm/天，美国西北部达到高达8mm/天。强降雨量的百分位数分布在东南地区（最大集中在密西西比州，观测中的阿拉巴马州和模式中的卡罗莱纳州）、西海岸，表明在这些地区暴雨的定义是每天的总降水量超过14-18毫米/天。落基山脉的西坡上观察到的百分比周围稍高，模式低分辨率不能解决这一问题。同样，该模型不能解决观察中很明显的问题如雨帘效应。正如前面所提到的，要使得模拟量和观察到的第七十五个降水百分数匹配起来，最常规的方法是去

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[30440]，资料为PDF文档或Word文档，PDF文档可免费转换为Word