期刊检索:
  暴雨灾害   2020, Vol. 39 Issue (6): 564-570.  DOI: 10.3969/j.issn.1004-9045.2020.06.003

“2020年梅汛期降水研究”专刊

DOI

10.3969/j.issn.1004-9045.2020.06.003

资助项目

安徽省自然科学基金(1908085MD109);气象预报业务关键技术发展专项子项目(YBGJXM20206A-02);安徽省气象局科研项目KM201903)

第一作者

田红, 主要从事气候业务及服务。E-mail:Linda2383@163.com.

通信作者

程智, 主要从事短期气候预测。E-mail:alexclimate@163.com.

文章历史

收稿日期:2020-10-31
定稿日期:2020-12-25
2020年安徽梅雨异常特征及预测前兆信号分析
田红 , 程智 , 谢五三 , 戴娟     
安徽省气候中心, 合肥 230031
摘要:基于安徽省气象台站降水资料和NCEP再分析数据,分析了2020年安徽梅雨气候异常特征及其成因,评估了汛期预测效果及其预测前兆信号的有效性。结果表明:(1)2020年安徽6月2日入梅,8月1日出梅,梅雨期长度为60 d,梅雨量沿江江南1 057 mm,江淮之间810 mm,多地降水强度创历史极值。综合来看,梅雨期之长、覆盖范围之广、累计雨量之大、梅雨强度之强,均为1961年以来第一位。(2)梅雨异常偏多的主要原因是6—7月乌拉尔山、东西伯利亚-鄂霍茨克海附近阻塞高压活跃,东亚沿海500 hPa位势高度距平场上EAP波列的形势明显,夏季风偏弱,西太平洋副热带高压(副高)异常偏强偏西偏南,有利于冷暖空气在安徽交汇,副高西侧向安徽省的水汽输送异常偏强,水汽辐合明显;梅雨期偏长的原因是副高脊线6月偏北、7月偏南,导致入梅偏早、出梅偏迟。(3)前期冬春季赤道中太平洋出现一次弱厄尔尼诺事件,虽然其对安徽梅雨指示意义不清晰,但响应信号印度洋海温和副高异常偏暖偏强。历史统计发现,符合这一特征的年份中,前冬赤道中东太平洋基本均为厄尔尼诺状态,这些年份安徽梅雨偏多的概率很大。
关键词梅雨    气候预测    印度洋海温    西太平洋副热带高压    厄尔尼诺    
Analysis on the characteristics of Meiyu anomaly and prediction precursor signal in Anhui Province in 2020
TIAN Hong , CHENG Zhi , XIE Wusan , DAI Juan     
Anhui Climate Center, Hefei 230031
Abstract: Based on precipitation data at Anhui meteorological stations and NCEP reanalysis data, in this paper we analyze the characteristics and the causes of Meiyu climate anomaly in Anhui Province in 2020, and evaluate the skill of climate prediction and the effectiveness of prediction precursor signals. The main conclusions are as following. (1) In Anhui Province, Meiyu onset date was June 2 and outset date was August 1. Meiyu duration was 60 days. Meiyu precipitation was 1 057 mm in South along the Yangtze River and 810 mm between Yangtze River and Huaihe Rive, and the rainfall intensity in many places reached the historical extreme value in 2020. On the whole, the length of Meiyu period, the wide coverage, the large amount of accumulated rainfall and the intensity of Meiyu reached the top level since 1961. (2) The main reason for the abnormal Meiyu is that the blocking high is active near the Ural Mountain and the East Siberian-Okhotsk Sea from June to July. The EAP wave train on the 500 hPa geopotential height anomaly field along the East Asian coast is obvious. The summer monsoon is weak. The Western Pacific Subtropical High is abnormally strong and located too far to west and south, which is conducive to the convergence of cold and warm air in Anhui Province. The water vapor transport from the west side of the subtropical high to the province is extremely strong. The reason for the longer Meiyu period is that the ridge line of subtropical high is northward in June and southward in July, which leads to the early onset and late demise of Meiyu. (3) In the previous winter and spring, there was a weak El Niño event in the equatorial central Pacific Ocean. Although the indication of ist influence on Meiyu in Anhui Province is not clear, the response signal is that the Indian Ocean SST and subtropical high are abnormally warm and strong. According to historical statistics, if the equatorial Middle East Pacific Ocean is basically in El Niño state in previous winter, the probability of more intensive Meiyu in these years is very high. Therefore, the Indian Ocean SST and Western Pacific Subtropical High response factors can be used as the starting points to improve the prediction ability of Meiyu in weak El Niño years.
Key words: Meiyu    climate prediction    India ocean sea temperature    Western Pacific Subtropical High    El Niño    
引言

安徽地跨长江与淮河,大约三分之二的国土面积都属于梅雨范围。最主要的气象灾害为旱涝灾害,其主要成因与梅雨异常有关。关于梅雨的研究由来已久,如陶诗言等(1958)指出梅雨的开始和结束与亚洲上空南支西风急流的北跳过程密切相关。丁一汇等(2007)认为,当6月中旬东亚夏季风从华南推进到长江流域,同时印度夏季风在印度次大陆爆发时,中国梅雨雨季开始。胡娅敏和丁一汇(2009)研究指出西太平洋副热带高压(以下简称副高)脊位置的北移、东亚夏季风的加强以及冷空气的减弱,可能是导致2000— 2005年江淮梅雨带北移的原因。魏凤英和宋巧云(2005)探讨了近百年全球海表温度年代际尺度的空间分布结构与长江中下游梅雨异常变化的联系,发现当北太平洋年代际振荡(Barnett et al., 1999)暖事件趋势处于较强时期时,长江中下游梅雨为偏多的趋势,反之亦然。汪靖等(2006)分析了2005年江淮流域入梅偏晚的环流成因。刘勇等(2004)姚叶青等(2005)研究了安徽梅雨的年际变化特征及其与北方冷空气势力的关系,认为长梅雨年环流场上往往伴随着乌拉尔山和鄂霍茨克海阻塞高压形势的稳定,有利于冷空气偏强,副高维持偏南的状况。徐敏和田红(2005)研究了2003年梅雨期水汽输送的特点,认为主要水汽源有两个,一是孟加拉湾的西南气流经中南半岛北部进入华南再向淮河流域输送,二是来自西太平洋副高南侧的偏东气流在南海转向形成的偏南气流进入华南再向北输送。黄荣辉(2003)梁萍等(2010)等研究了厄尔尼诺-南方涛动(El Niño-Southern Oscillation,ENSO)循环、西太平洋暖池热力状况和西太平洋副高南北位置与江淮梅雨的关系,认为当赤道东太平洋海温处于上升阶段时,该年夏季我国江淮流域夏季降水将偏多,可能发生洪涝,当西太平洋暖池海温偏低时,菲律宾周围的对流活动较弱,梅雨期西太平洋副高脊线位置偏南,从孟加拉湾、南海和热带西太平洋输送来的水汽在江淮流域和长江中下游地区辐合,这些地区降水往往偏多。其他如青藏高原积雪(钱永甫等,2003陈兴芳和宋文玲,2000)、印度洋海温(Yang et al., 2008肖莺等,2013李勇等,2020)、北极涛动(龚道溢和王绍武,1999李崇银等,2008)等因子均会给梅雨带来复杂的影响。

由于每年影响梅雨的主导因素不尽相同,导致各年入(出)梅早晚、梅雨期长短、梅雨量多寡、梅雨型分布等出现不同的组合,给梅雨预测带来很大的难度,且在气候变化背景下,一些以往与中国夏季降水统计关系较好的海气信号近年来指示意义也有一定下降(高辉和王永光,2007罗连升等,2017),这也给汛期气候预测带了挑战。

最近几十年江淮流域梅雨异常偏多的年份有:1954年、1969年、1983年、1998年、2016年等,其中后面3年分别与1982/1983、1997/1998、2015/2016的3次超强厄尔尼诺有关。2020年出现了一次弱厄尔尼诺事件,前期冬春季看似也无特别强的其他预测信号,但江淮流域为何出现历史罕见的梅雨?安徽省业务发布的汛期气候趋势预测中,梅雨量为南部偏多、北部偏少。对照实况来看,南部梅雨趋势正确但量级不够,北部江淮区则与实况相反。为什么会出现预测失误?主要参考的预测因子效果究竟如何?这些均是需要探讨总结的问题。本文旨在分析2020年安徽梅雨异常特征及其成因基础上,梳理主要预测前兆信号的成败,以提高对梅雨的科学认识和预测水平。

1 资料来源与研究方法

本文所用的降水量实况资料来源于安徽省所有气象台站2020年6—7月逐日降水资料。大气环流实况资料来源于2020年6—7月逐日美国国家大气环境研究中心NCEP再分析数据集(Kalnay et al., 1996),所用到的要素有500 hPa位势高度场、850 hPa水平风场和比湿场,水平分辨率为2.5°×2.5°,水汽输送的垂直积分范围为1 000—300 hPa共8个标准层,具体计算方法见徐敏和田红(2005)的研究。

厄尔尼诺和拉尼娜事件的判定依据《厄尔尼诺/拉尼娜事件判别方法》国家标准(国家标准委,2017),包含其强弱、中部型以及东部型事件的年份。副高强度、南北位置和西伸脊点的计算方法依据《西太平洋副热带高压监测业务规定》 (刘芸芸等,2012),热带印度洋全区一致海温模态(Indian Ocean Basin-wide Warming,IOBW)定义为热带印度洋(40°—110°E,20°S— 20°N)区域平均的海温距平(Klein et al., 1999),北极涛动指数定义见Higgins等(2002)的研究。

按照《梅雨监测指标》国家标准(国家标准委,2017),安徽梅雨监测区域属于长江中下游区和江淮区两个部分,其中长江中下游区有35个气象观测站,安徽省称之为沿江江南梅雨区;江淮区有20个站,称之为江淮之间梅雨区。确定区域入(出)梅与梅雨期的主要依据是区域内各监测站的降水条件,副高脊线、日平均温度、南海夏季风爆发时间等为辅助条件,具体见梅雨国家标准。

2 2020年安徽梅雨异常特征

2020年6—7月安徽天气气候异常,全省出现大范围持续性强降水。下面从“时、空、量、强”四个方面分析梅雨特征。

全省6月2日入梅,较常年提早14 d;8月1日出梅,较常年偏晚20 d;梅雨期长度为60 d,为1961年以来第一位。梅雨期雨带在全省南北摆动,出现10次强降水过程;累计雨量超过600 mm占全省面积的65.3%,超过800 mm的占全省面积的42.0%,超过1 000 mm的占全省面积的18.5%,超过1 200 mm的占全省面积的6.5%;达到上述四个等级雨量的站数均为1961年以来最多。沿江江南梅雨量1 057 mm,为1961年以来第一;江淮之间梅雨量810 mm,逼近1991年819 mm (图 1a);总体来看,全省平均梅雨量为1961年以来第一多(图 1b)。多地降水强度创极值,黟县、金寨、六安三站出现特大暴雨,日雨量最大为金寨(7月18日309.5 mm);铜陵、金寨、六安三站日雨量创本站历史极值;繁昌、宣城、铜陵三站最大小时雨强创本站历史极值;根据《梅雨监测指标》分析计算,安徽梅雨强度为1961年以来最强。

图 1 2020年6月1日20时—7月31日20时(北京时,下同)安徽省累计雨量(a, 单位: mm)及距平(b, 单位: %) Fig. 1 Distribution of (a) accumulated rainfall (unit: mm) and (b) its anomaly (unit: %) in Anhui province from 20:00 BT June 1 to 20:00 BT July 31 2020.

总之,2020年安徽梅雨期之长、覆盖范围之广、累计雨量之大、梅雨强度之强,均为1961年以来第一位。

3 2020年安徽梅雨期主要环流异常特征

图 2为6—7月平均500 hPa位势高度及距平场和积分到300 hPa的整层水汽输送通量及散度距平场,从中高纬来看,欧亚50°—70°N区域在纬向上呈两脊一槽的空间分布,在30°—60°E的乌拉尔山及以西地区和110°E以东的西伯利亚地区的高度场较气候态明显偏高,有利于阻塞高压的发生和维持,在60°—100°E之间为一个大范围的位势高度偏低区,我国新疆西北部及附近的中亚地区存在一个槽区,有利于冷空气南下影响安徽省。东亚太平洋遥相关型(EAP)波列的形势明显,在东西伯利亚位势高度偏高区的南方,即萨哈林岛附近为位势高度偏低区,东亚沿海槽的范围从这一地区一直可以延伸到朝鲜半岛南部,这些环流配置导致东亚环流经向度加大,冷空气可以从高纬源源不断地通过我国西北部和沿海槽向长江中下游输送,为安徽省的持久降水提供了较好的冷空气条件。从低纬来看,欧亚-西北太平洋30°N以南的区域基本均为位势高度偏高区,副高面积偏大、强度偏强、西伸脊点偏西,5 880 gpm的范围包含了南海北部和华南大部分地区,这些特征导致副高西侧向中国东部输送的南方暖湿气流偏强,从6—7月整层水汽输送通量场上可以看出,从长江中下游至淮河流域水汽输送均异常偏强,这为安徽省梅雨期内强降水的发生提供了充沛的暖湿气流,在频繁的冷空气南下和充沛的水汽输送条件下,冷暖气团在6—7月持久交汇于长江中下游至淮河流域,安徽省为明显的水汽辐合中心,导致梅雨量异常偏多、梅雨强度偏强。

图 2 梅雨期500 hPa位势高度(等值线)和距平场(填色) (a, 单位: gpm)以及整层水汽输送通量(风矢, 单位: g·cm-1·hPa-1·s-1)和散度距平场(填色, 单位: 10-7 g·cm-2·hPa-1·s-1) (b) Fig. 2 (a) 500 hPa geopotential height (contour) and anomaly (shadow) field (unit: gpm), (b) whole layer water vapor transport flux (vector, unit: g·cm-1·hPa-1·s-1) and divergence anomaly (shadow, unit: 10-7 g·cm-2·hPa-1·s-1) field during Meiyu period.

东亚夏季风的进退,尤其是副高两次北跳时间的早晚对于中国南方降水有着深刻的影响。5月以来,西太平洋副高脊线的南北位置存在明显的阶段性变化特征(图 3),5月偏南,6月偏北,特别是6月上中旬北抬至20°N以北,较常年同期明显偏北,导致安徽省入梅异常偏早。6月下旬开始总体维持在22°-26°N,稳定少动,导致安徽省入梅以来全省范围内出现多轮强降水。7月中下旬,副高位置持续偏南,使得出梅异常偏晚。因此,副高6月偏北、7月偏南,是导致入梅偏早、出梅偏晚、梅雨期异常偏长的重要原因。

图 3 2020年5—7月西太平洋副高脊线位置 Fig. 3 Meridional position of the ridge line of Western Pacific Subtropical High from May to July 2020.
4 梅雨预测回顾及主要前兆信号分析评估 4.1 2020年梅雨预测回顾

2020年5月预测“安徽淮河以南6月中旬中期入梅,7月中旬中后期出梅,入梅时间接近常年,出梅时间偏晚;梅雨量江淮之间接近常年,沿江江南偏多。”与实况对比,入梅时间预测错误;沿江江南梅雨量偏多的趋势预测正确但量级不够,江淮之间梅雨量则与实况出入较大。

影响安徽梅雨的物理因子很多,在进行汛期预测时,重点参考了5个有前期信号的预测因子,即厄尔尼诺事件、春季印度洋海温、前冬青藏高原积雪、冬春季副高、春季北极涛动。其中厄尔尼诺事件强度较弱,对梅雨预测的指示意义不大;春季印度洋海温异常偏暖、冬春季副高异常偏强偏西有利于预测梅雨量偏多;而前冬青藏高原积雪异常偏大、春季北极涛动异常正位相则有利于预测梅雨量偏少。总之,这些因子的预测意见分歧较大,很难给出一个倾向性的预测结论。多家模式结果也未能给出安徽梅雨偏多的意见。在此基础上,预报员经过综合考虑,最终预测梅雨量南片多北片少,与实况有差异。下面对上述5个前兆信号的预测效果进行分析评估。

4.2 主要前兆信号分析评估 4.2.1 2019/2020年厄尔尼诺事件

作为全球气候系统年际异常最主要的影响因子,ENSO事件会造成东亚夏季风强弱的变化,是东亚旱、涝灾害发生的一个重要的外强迫因子。最典型的是1982—1983、1997—1998年和2014—2016年的3次超强厄尔尼诺事件,使得其衰减年的1983、1998和2016年夏季长江流域降水异常偏多,出现了严重汛情,部分地区洪涝灾害极为严重(李维京,2012袁媛等,2017夏军等,2019周月华等,2019)。按照国标《厄尔尼诺/拉尼娜事件判别方法》的分类,这3次事件均是东部型的超强厄尔尼诺事件。与这两年相比,2019— 2020年的厄尔尼诺事件从2019年11月开始,2020年4月消亡,持续时间5个月,峰值强度0.6,为一次弱的中部型厄尔尼诺事件。

表 1为20世纪60年代以来的历次厄尔尼诺衰减年6—7月副高强度、脊线南北异常及安徽省两个梅雨分区的入出梅时间距平和梅雨量距平百分率,并分别按照厄尔尼诺衰减年、中部型衰减年和弱-中等强度厄尔尼诺衰减年进行了统计,考虑到气候变化的影响,也单独对20世纪80年代以来的样本进行了统计。可以看出,这3种情况均有利于6—7月副高强度偏强,6、7月副高脊线偏南,统计关系非常明显;与入、出梅时间也有一定关系,总体上有利于两片入出梅时间偏晚。但厄尔尼诺与安徽省梅雨量的统计关系不确定性较大,沿江南梅雨量偏少的年份略占优势,其与江淮之间梅雨量的统计关系在20世纪80年代前以偏少为主,在20世纪80年代后以偏多为主。比较今年实况可以看出,该因子对6—7月副高强度、7月脊线位置和两片出梅时间的预测结果正确,但对6月副高脊线位置和两片入梅时间的预测错误,对梅雨量的指示意义也不强,因此通过该因子无法预测出极端降水。

表 1 厄尔尼诺事件与副高和安徽省两片梅雨入梅日期距平(Da1)、出梅日期距平(Da2)和梅雨量距平百分率(Ra)的统计关系 Table 1 Statistical relationship between El Niño events and West Pacific Subtropical High and two Meiyu areas onset date anomaly (Da1) and outset date anomaly (Da2) and Meiyu precipitation anomaly percentage (Ra) in Anhui Province.
4.2.2 春季印度洋海温异常偏暖

作为东亚季风水汽的重要源地,印度洋能够影响长江中下游汛期降水。已有的研究成果表明,热带印度洋全区一致的海温增暖(变冷)一般滞后响应于暖(冷)ENSO事件,在秋冬季通过类似于“充电”作用,使得ENSO信号得以保留,在次年春夏季通过类似于“放电”作用,使得西太平洋副高维持异常偏强的状态(Yang et al., 2007),有利于印度夏季风偏弱、长江中下游夏季降水偏多(Yang et al., 2008)。因此,虽然厄尔尼诺信号在春季往往已衰减,但对菲律宾反气旋异常的维持和东亚夏季风系统的影响在一些年份仍能持续到夏季,这其中印度洋海温一致增暖起到了重要的接力作用(Xie et al., 2009李维京等, 2016)。今年冬春北印度洋海温为显著的正距平,图 4为春季北印度洋全区一致模态指数的多年变化,可以看出该指数呈显著的增强趋势,其异常偏强的年份(异常幅度超过一倍标准方差)有7 a,分别为1998、2003、2005、2010、2015、2016和2019年,这些年份均为厄尔尼诺年,体现了春季印度洋海温偏暖对厄尔尼诺事件的响应。在这7 a中,沿江江南、江淮之间梅雨量偏多与偏少年份数的比值分别达到了4/3、6/1,因此这一因子与今年的实况对应关系较好,特别是与江淮之间梅雨量的关系,值得今后予以更多的关注。

图 4 春季北印度洋全区一致模态指数多年变化(单位: ℃) Fig. 4 Annual variation of Indian Ocean basin-wide warming index in spring (unit: ℃).
4.2.3 前冬青藏高原积雪面积偏大

研究表明,青藏高原冬季积雪异常可通过融雪改变土壤湿度和地表温度,从而使得地表对大气感热加热的异常具有持续性。积雪多时易导致东亚夏季风强度弱,有利于初夏菲律宾反气旋的加强,与长江中下游和淮河南部地区夏季降水偏多、华北偏少的降水异常分布型有较好的对应关系(陈兴芳和宋文玲,2000吴统文和钱正安,2000钱永甫等,2003)。今年前冬青藏高原积雪面积异常偏大也是一个明显的前期信号,图 5为历年冬季青藏高原积雪距平,其年份与夏季年份一致,前冬青藏高原积雪异常偏多的年份有1978、1983、1998、2000、2002、2008、2019,但这些年份安徽省两片梅雨量均以偏少为主(偏多年份与偏少年份数的比值均为2/5),因此这一因子在今年的预测效果也较差。

图 5 历年冬季青藏高原积雪面积距平(单位: 104km2) Fig. 5 Annual snow cover anomaly over the Tibetan Plateau in winter (unit: 104km2).
4.2.4 冬春AO异常正位相

北极涛动(Arctic Oscillation,AO)是冬半年北半球中高纬度地区大气环流尺度最大、最重要的模态,一直到春季此模态均很明显。除了对同期气候要素有显著影响外,还可影响到夏季风雨带。近百年的5月AO指数与10站夏季平均降水相关最高达-0.39,春季北极涛动强时,通过平流层与对流层的相互作用,有利于夏季急流位置偏北,雨带位置也北移,从而造成梅雨区降水减少,反之亦然(龚道溢和王绍武,1999李崇银等,2008)。图 6为春季(3—4月) AO指数的多年变化,2020年春季AO为异常正位相,为1981年以来第3强,同样挑选异常值超过一倍标准差的异常正位相的年份,这些年江淮之间梅雨量偏少的年份占很大优势,沿江江南梅雨量异常偏少比偏多的年份略多(表 2),该因子支持预测江淮之间梅雨量偏少,预测错误。

图 6 春季北极涛动指数(AO)多年变化 Fig. 6 Annual variation of spring Arctic Oscillation Index.

表 2 1981—2019年AO异常正位相年安徽省沿江江南和江淮之间梅雨量距平百分率 Table 2 Anomaly percentage of Meiyu precipitation between Jiangnan and Jianghuai in Anhui Province in1981-2019.
4.2.5 冬春副高异常

2018年下半年开始,西太平洋副高强度持续偏大、西伸脊点偏西,其中2019/2020年冬春季副高强度位列20世纪80年代以来历史第3、西伸脊点偏西程度位列历史第1 (图 7,这里的冬春季平均为前年12月至当年4月平均),异常特征明显。挑选副高强度偏强和西伸脊点偏西程度超过一倍标准差的异常年份,前者的年份有1983、1987、1998、2007、2010、2016和2019年,后者的年份多了2015年,这些年份前冬赤道中东太平洋均为厄尔尼诺状态,也体现了厄尔尼诺的影响,其中强度异常偏强对应安徽省沿江江南和江淮之间梅雨偏多与偏少年份数之比分别为4/2和6/1,西伸脊点异常偏西则分别为5/2和7/1,梅雨量偏多的优势明显,因此冬春副高异常偏强、偏西的因子在今年预测效果很好。

图 7 冬春季平均副高强度距平(a, 单位: gpm)和西伸脊点距平(b, 单位: °N)的逐年变化 Fig. 7 Annual variation of (a) the subtropical high intensity (unit: gpm) and (b) the western extension ridge point (b, unit: °N) in winter and spring.
5 结论与讨论

(1) 2020年安徽梅雨具有“四个一”特征,即梅雨期长度、覆盖的范围、累计的雨量大小和梅雨之强度均为1961年以来的第一位。

(2) 梅雨异常偏多的主要原因是6—7月东亚中高纬经向型环流明显、夏季风强度偏弱、西太平洋副高强度异常偏强、西伸脊点偏西、脊线位置偏南,有利于冷暖空气在安徽交汇,副高西侧向安徽省的水汽输送异常偏强,水汽辐合明显;梅雨期偏长的原因是副高脊线6月偏北、7月偏南,导致入梅偏早、出梅偏迟。

(3) 对前期冬春季比较异常的前兆信号进行了总结评估,得出春季印度洋海温异常偏暖和冬春副高异常偏强是今年两个效果较好的预测因子。

只有超强的厄尔尼诺事件才会对应次年安徽梅雨量偏多,而弱厄尔尼诺事件的次年这种统计关系则不明显。虽然此次厄尔尼诺事件强度较弱,但印度洋海温和副高仍然出现了异常信号。历史统计发现,印度洋海温异常偏暖、副高异常偏强或偏西的年份中,前冬赤道中东太平洋基本均为厄尔尼诺状态,结合前人研究可以认为这两个信号很可能是对厄尔尼诺事件的响应。这些异常年份安徽梅雨偏多的概率很大,因此今后可以将其作为提高弱厄尔尼诺年安徽梅雨预测能力的一个着眼点。

参考文献
陈兴芳, 宋文玲. 2000. 冬季高原积雪和欧亚积雪对我国夏季旱涝不同影响关系的环流特征分析[J]. 大气科学, 24(5): 585-592. DOI:10.3878/j.issn.1006-9895.2000.05.02
丁一汇, 柳俊杰, 孙颖, 等. 2007. 东亚梅雨系统的天气-气候学研究[J]. 大气科学, 31(6): 1082-1092. DOI:10.3878/j.issn.1006-9895.2007.06.05
高辉, 王永光. 2007. ENSO对中国夏季降水可预测性变化的研究[J]. 气象学报, 65(1): 131-137. DOI:10.3321/j.issn:0577-6619.2007.01.013
龚道溢, 王绍武. 1999. 近百年ENSO对全球陆地及中国降水的影响[J]. 科学通报, 44(3): 315-320. DOI:10.3321/j.issn:0023-074X.1999.03.020
黄荣辉. 2003. 我国旱涝重大气候灾害及其形成机理研究[M]. 北京: 气象出版社.
李崇银, 李琳, 谭言科. 2008. 平流层气候[M]. 北京: 气象出版社.
李维京. 2012. 现代气候业务[M]. 北京: 气象出版社, 479.
李维京, 张若楠, 孙丞虎, 等. 2016. 中国南方旱涝年际年代际变化及成因研究进展[J]. 应用气象学报, 27(5): 577-591.
李勇, 尹姗, 赵晓琳, 等. 2020. 2018年汛期我国东部雨季天气特征分析[J]. 沙漠与绿洲气象, 14(1): 13-20.
梁萍, 丁一汇, 何金海, 等. 2010. 江淮区域梅雨的划分指标研究[J]. 大气科学, 34(2): 418-428. DOI:10.3878/j.issn.1006-9895.2010.02.15
刘勇, 徐敏, 朱红芳. 2004. 安徽梅雨年际变化特征研究[J]. 气象科学, 24(4): 488-494. DOI:10.3969/j.issn.1009-0827.2004.04.016
刘芸芸, 李维京, 艾孑兑秀, 等. 2012. 月尺度西太平洋副热带高压指数的重建与应用[J]. 应用气象学报, 23(4): 414-423. DOI:10.3969/j.issn.1001-7313.2012.04.004
罗连升, 徐敏, 何冬燕, 等. 2019. 2000年以来淮河流域夏季降水年代际特征及大气环流异常[J]. 干旱气象, 37(4): 540-549.
钱永甫, 张艳, 郑益群. 2003. 青藏高原冬春季积雪异常对中国春夏季降水的影响[J]. 干旱气象, 21(3): 1-7.
陶诗言, 赵煜佳, 陈晓敏. 1958. 东亚的梅雨期与亚洲上空大气环流季节变化的关系[J]. 气象学报, 29(2): 119-134.
汪靖, 刘宣飞, 韩桂荣, 等. 2006. 2005年江淮流域入梅偏晚的成因分析[J]. 气象, 32(12): 76-81.
魏凤英, 宋巧云. 2005. 全球海表温度年代际尺度的空间分布及其对长江中下游梅雨的影响[J]. 气象学报, 63(4): 477-484. DOI:10.3321/j.issn:0577-6619.2005.04.009
吴统文, 钱正安. 2000. 青藏高原冬春积雪异常与中国东部地区夏季降水关系的进一步分析[J]. 气象学报, 58(5): 570-581. DOI:10.3321/j.issn:0577-6619.2000.05.006
夏军, 王惠筠, 甘瑶瑶, 等. 2019. 中国暴雨洪涝预报方法的研究进展[J]. 暴雨灾害, 38(5): 416-421. DOI:10.3969/j.issn.1004-9045.2019.05.003
肖莺, 杜良敏, 任永建. 2013. 汉江流域秋汛期典型旱涝年与前期海温的关系研究[J]. 暴雨灾害, 32(2): 182-187. DOI:10.3969/j.issn.1004-9045.2013.02.012
徐敏, 田红. 2005. 淮河流域2003年梅雨时期降水与水汽输送的关系[J]. 气象科学, 23(3): 265-271. DOI:10.3969/j.issn.1009-0827.2005.03.007
姚叶青, 王兴荣, 沐贤俊. 2005. 冷空气与梅雨的关系及影响[J]. 气象, 31(5): 77-79. DOI:10.3969/j.issn.1000-0526.2005.05.018
袁媛, 高辉, 柳艳菊. 2016年夏季我国东部降水异常特征及成因简析[J]. 气象, 43(1): 115-121.
中国气象局.中华人民共和国国家标准-厄尔尼诺/拉尼娜事件判别方法[R]. GB/T 33666-2017[A]
中国气象局.梅雨监测指标[R]. GB/T 33671-2017[A]
周月华, 彭涛, 史瑞琴. 2019. 我国暴雨洪涝灾害风险评估研究进展[J]. 暴雨灾害, 38(5): 494-501. DOI:10.3969/j.issn.1004-9045.2019.05.011
Barnett T P, Pierce D W, Latif M, et al. 1999. Interdecadal interactions between the tropics and midlatitudes in the Pacific basin[J]. Geophys Res Lett, 26: 615-618. DOI:10.1029/1999GL900042
Higgins R W, Leetmaa A, Kousky V E. 2002. Relationships between climate variability and winter temperature extremes in the United States[J]. J Climate, 15: 1555-1572. DOI:10.1175/1520-0442(2002)015<1555:RBCVAW>2.0.CO;2
Kalnay E, Kanamitsu M, Kistler R, et al. 1996. The NCEP/NCAR 40-year reanalysis project[J]. Bull Amer Meteor Soc, 77(3): 437-472. DOI:10.1175/1520-0477(1996)077<0437:TNYRP>2.0.CO;2
Klein S A, Soden B J, Lau N C. 1999. Remote Sea Surface Temperature Variations during ENSO:Evidence for a Tropical Atmospheric Bridge[J]. J Climate, 12: 917-932.
Xie S P, Hu K, Hafner J, et al. 2009. Indian Ocean capacitor effect on Indo-western Pacific climate during the summer following El Niño[J]. J Climate, 22(3): 730-747.
Yang J L, Liu Q Y, Xie S P. 2007. Impact of the Indian Ocean SST basin mode on the Asian summer monsoon[J]. Geophysical Research Letters, 34: l02708. DOI:10.1029/2006GL028571
Yang M Z, Ding Y H, Li W J, et al. 2008. The Leading Mode of Indian Ocean SST and Its Impacts on Asian Summer Monsoon[J]. Acta Meteor Sinica, 22(1): 31-41.