2. 天津城建大学经济与管理学院,天津市津静路26号,300384;
3. 中国地震局第一监测中心,天津市耐火路7号,300180
发生在热带太平洋地区的厄尔尼诺-南方涛动(El Niño -southern oscillation,ENSO)现象是年际气候变化中最强的信号,以2~7 a为周期不断循环,并在冷相位和暖相位分别表现为拉尼娜事件(冷事件)和厄尔尼诺事件(暖事件)[1-2]。ENSO事件是导致全球气象因素异常的重要原因之一[3]。水汽是大气的重要组成部分,也是影响天气变化与气候异常的关键因素之一,探究ENSO事件对GNSS水汽周期变化的影响具有重要意义。目前,国内外很多学者就ENSO事件对降水量、极端天气和农业气象灾害的影响进行了大量研究,并针对不同季节不同地域ENSO事件对中国降水量的影响进行了相关研究[4-7],认为ENSO事件会导致全球范围内发生洪水、干旱等多种极端天气。
目前国内外关于ENSO事件对GNSS水汽影响的相关研究较少,因此本文利用河北省GNSS水汽数据,结合SOI指数开展ENSO事件对河北省GNSS水汽周期变化影响的研究,并利用小波变换和快速傅里叶变换分析ENSO事件期间河北省GNSS水汽周期变化特征,为掌握区域GNSS ZTD的变化规律提供参考。
1 研究数据与方法 1.1 研究数据 1.1.1 GNSS ZTD数据GNSS水汽数据由GNSS对流层延迟数据(ZTD)反演而来,为避免因同期的气压和温度数据缺失而导致的GNSS水汽数据不完整,本文直接利用GNSS ZTD取代水汽进行相关研究[8]。GNSS ZTD数据来源于中国大陆构造环境监测网络(CMONOC),数据包括站点名称、站点坐标、数据采集时间、ZTD数据(单位mm)等信息,数据采集密度为1次/h。CMONOC包含8个河北省站点,站点分布情况如图 1所示,数据时间选取2010-01-01~2019-12-31。
ENSO事件起止时间来源于中国气象局国家气候中心的ENSO历史事件统计表(https://cmdp.ncc-cma.net/download/ENSO/Monitor/ENSO_history_events.pdf),该表包含ENSO冷事件(拉尼娜事件)与暖事件(厄尔尼诺事件)的起止时间、峰值时间、事件类型和强度等级等信息。根据所选GNSS ZTD的对应时间,共筛选出5次相关的ENSO事件,分别为2010-06~2011-05发生的冷事件、2011-08~2012-03发生的冷事件、2014-10~2016-04发生的暖事件、2017-10~2018-03发生的冷事件和2018-09~2019-06发生的暖事件。
SOI可反映ENSO事件的活跃程度,持续负值表示存在厄尔尼诺现象,持续正值表示存在拉尼娜现象[9]。SOI数据从1951-01开始记录至今,每月1个观测值(https://www.ncdc.noaa.gov/teleconnections/enso/indicators/soi/)。本文选取2010-01-01~2019-12-31的数据分析SOI与GNSS ZTD的相关性,数据情况如图 2所示。通过对比发现,SOI数值的变化情况与ENSO历史事件统计表的信息具有较好的对应关系。
小波变换是一种信号的时间-频率分析方法,通过伸缩平移运算对信号(函数)逐步进行多尺度细化,最终达到高频处时间细分、低频处频率细分,从而可聚焦信号的任意细节。小波函数dbN系列小波随着阶次增加,消失矩阶数增加,频带划分效果更好。因此本文选择紧支撑标准正交小波dbN系列[10],小波分层会出现低频项和高频项,其中低频部分主要包含一些确定性因素,反映数据的宏观演变趋势和周期;高频部分主要包括噪声干扰、异常突变和随机波动等[11-12]。通过时间序列长度可判断应分层数,分层合格的标准为低频信号曲线呈单一趋势,将信号进行小波分层后,可获得每层对应周期的变化情况。本文利用小波变换将GNSS ZTD数据分为18层,其中D1~D18层为高频项,A18层为低频项,每层对应周期见表 1。
由于小波变换只能在时域上分析两者的周期,其结果无法提供详细的周期变化情况,而快速傅里叶变换(FFT)可将信号在时域上无法体现的周期特征从频域上体现出来,因此时间序列的周期信号分析可采用快速傅里叶变换。快速傅里叶变换是一种常用的信号分析方法,为离散傅里叶变换的一种快速算法[13],在光谱、地球物理、数字信号处理等方面具有广泛应用。本文利用FFT对GNSS ZTD进行分析,得到GNSS ZTD的变化周期。
2 SOI与GNSS ZTD相关性分析将2010-01-01~2019-12-31河北省8个GNSS站点的ZTD与同期SOI进行比较,由于篇幅限制,综合考虑站点分布情况及数据完整性,以承德站和沧县站2个站点为例进行SOI与GNSS ZTD数据时间序列比较(图 3)。
由图 3可知,GNSS ZTD均存在明显的年周期变化,且夏季含量最高,冬季最低,具有明显的季节性特征。通过对比SOI数据发现,SOI与ZTD的变化周期存在一定差异,为合理探究SOI与GNSS ZTD的相关性,采用FFT方法筛选出SOI与GNSS ZTD的共同变化周期,再利用小波变换方法对GNSS ZTD进行分层处理,提取GNSS ZTD与SOI共同周期所在的高频项,将重构后的高频项与SOI进行相关性分析。利用FFT分别提取SOI与GNSS ZTD在(0, 1)频率区间内的4个显著变化周期(表 2)。
由表 2可知,两者并无完全一致的共同周期,因此选择较为接近的周期进行分析。SOI最为显著的2个周期为7.5 a和3.5 a,这2个变化周期对应小波变换中D16和D15层的周期范围,GNSS ZTD在这2层中也存在较显著的变化周期(2~4 a周期及4~8 a周期)。因此将GNSS ZTD小波分层后的D15与D16层的重构高频项与SOI进行相关性分析,结果如图 4和表 3所示。
由图 4和表 3可知,GNSS ZTD与SOI存在一定负相关性,即拉尼娜事件期间GNSS ZTD数值变小,厄尔尼诺事件期间GNSS ZTD数值变大。推测其原因为厄尔尼诺事件会干扰大气环流,尤其是在冬季,会使东亚冬季风势和冷空气势力减弱,导致中国北方出现暖冬现象,不利于空气中水汽的扩散,且偏南暖湿气团会向华北地区输送水汽;拉尼娜事件会导致东亚冬季风加强,来自西伯利亚的冷空气势力增加,使中国北方冷空气活跃,产生冷冬现象,无暖湿气团提供的水汽[14-15]。
3 基于FFT的GNSS ZTD周期变化分析本文利用加汉宁窗的FFT对正常气候和ENSO事件下的GNSS ZTD数据进行处理,探究GNSS ZTD在正常气候和ENSO事件下的周期差异及特征。
3.1 厄尔尼诺事件对GNSS ZTD的周期变化影响分析2018-09~2019-06为厄尔尼诺事件,为研究厄尔尼诺事件对GNSS ZTD周期变化的影响,选用该时段与2012-09~2013-06和2016-09~2017-06这2个正常气候时段的GNSS ZTD序列进行对比分析,利用FFT方法提取3个时段GNSS ZTD的变化周期,选取频率区间为(0.002 5,1),即周期大于1 d、小于1 a的结果进行比较,获得GNSS ZTD在有/无厄尔尼诺事件情况下的周期变化情况,结果如图 5所示。
由图 5可知,2个正常气候时段GNSS ZTD的频率差异较小,而在厄尔尼诺事件影响下,GNSS ZTD的频率(周期)与正常气候下GNSS ZTD的频率差异较大。但由于频率区间较大,存在多个周期,难以进行更为细致的分析。众所周知,水汽(GNSS ZTD)存在1 d的周期变化和1 a的周期变化,以1 d作为其最短周期,以1 a作为其最长周期,结合图 5选取(0.95,1)(最短显著周期)、(0.002 5,0.04)(最长显著周期)这2个频率区间,对有/无厄尔尼诺事件情况下GNSS ZTD的周期变化进行分析,图 6为承德站分析结果。同时提取研究区8个站点在这3个研究时段内GNSS ZTD的最短和最长变化周期(频率折算成周期),比较三者的差异,结果见表 4。
由图 6可以看出,2个正常气候时段GNSS ZTD的频率差异较小,两者与厄尔尼诺事件下GNSS ZTD的频率差距较大。结合表 4可知,3个研究时段内GNSS ZTD的最短显著周期差异较小,且厄尔尼诺事件发生时段与2个正常时段相比,GNSS ZTD的最短显著周期无明显变化规律;而2个正常时段GNSS ZTD的最长显著周期极为接近,且与厄尔尼诺事件下GNSS ZTD的最长显著周期存在明显差异。通过对比分析发现,厄尔尼诺事件下GNSS ZTD的最长显著周期与2个正常时段相比均有所变短,由此可以初步推测,厄尔尼诺事件对GNSS ZTD的最长显著周期存在一定影响。
为避免结果的偶然性,在研究时段内选取另一厄尔尼诺事件发生时段(2014-10~2016-04)与正常气候时段(2012-10~2014-04)进行对比分析,承德站分析结果如图 7所示。同时提取研究区8个站点在有/无厄尔尼诺事件情况下的最短和最长变化周期(频率折算成周期),比较两者的差异,结果见表 5。
由图 7及表 5可知,8个站点在有/无厄尔尼诺事件情况下GNSS ZTD的最短显著周期均为1 d左右,两者差异较小,且无规律性,因此可认为厄尔尼诺事件对GNSS ZTD的最短周期无影响,该结论与表 3得出的结论一致。通过对比有/无厄尔尼诺事件情况下GNSS ZTD的最长显著周期发现,GNSS ZTD(水汽)在厄尔尼诺事件下的最长显著周期比正常气候下长,而该结论与表 3得到的结论相反。通过查阅ENSO历史事件统计表可知,2018-09~2019-07发生的厄尔尼诺事件为中部型,而2014-10~2016-04发生的厄尔尼诺事件为东部型。东部型厄尔尼诺与中部型厄尔尼诺海表温度异常的空间分布形态不同,对气象因素的影响也存在差异[16],因此可初步得出结论:厄尔尼诺对GNSS ZTD的周期变化具有显著影响,且在东部型厄尔尼诺事件下GNSS ZTD的最长显著周期比正常气候下长;在中部型厄尔尼诺事件下GNSS ZTD的最长显著周期比正常气候下短。
3.2 拉尼娜事件对GNSS ZTD的周期变化影响分析2010-06~2011-05发生拉尼娜事件,为研究拉尼娜事件对GNSS ZTD周期变化的影响,采用与上文相同的方法对该时段与2012-06~2013-05和2016-06~2017-05两个正常气候时段的GNSS ZTD序列进行对比分析,承德站分析结果如图 8所示。同时提取研究区8个站点在这3个研究时段内GNSS ZTD的最短和最长变化周期(频率折算成周期),比较三者的差异,结果见表 6。
由图 8可以看出,3个时段内GNSS ZTD的频率差异较小。结合表 6可知,3个研究时段GNSS ZTD的最短显著周期与最长显著周期的差异均较小,且发生拉尼娜事件时段与2个正常时段相比,GNSS ZTD的最短显著周期与最长显著周期均无统一变化规律。由此可以初步推测,拉尼娜事件对GNSS ZTD的周期变化无显著影响。
同样,为避免结果的偶然性,在研究时段内选取另2个拉尼娜事件发生时段(2011-08~2012-03和2017-10~2018-03)和正常时段(2012-08~2013-03和2016-10~2017-03)进行2组对比分析,承德站分析结果如图 9所示。同时提取研究区8个站点在有/无拉尼娜事件情况下的最短与最长变化周期(频率折算成周期),比较两者的差异,结果见表 7。
由图 9及表 7可知,河北省8个站点在有/无拉尼娜事件情况下GNSS ZTD的最短显著周期均为1 d左右,两者之间的差异极小,且无规律性,该结论与表 6得出的结论一致。通过对比有/无拉尼娜事件情况下GNSS ZTD的最长显著周期发现,第1组对比结果中GNSS ZTD(水汽)在拉尼娜事件下的最长显著周期比在正常气候下长,但差异较小;第2组对比结果中除阳原站外,其他站点GNSS ZTD(水汽)在拉尼娜事件下的最长显著周期比正常气候下长,且差异较小。结合表 6认为,拉尼娜事件对GNSS ZTD的最长显著周期影响较弱,且在当前研究区内未发现明显的统一变化规律。
4 结语本文利用快速傅里叶变换方法筛选出南方涛动指数(SOI)与GNSS ZTD(水汽)的共同周期,通过小波变换提取GNSS ZTD与SOI共同周期所在的高频项,然后将重构的高频项与SOI进行相关性分析,结果表明SOI与GNSS ZTD存在负相关性。为进一步探究ENSO事件对GNSS ZTD(水汽)周期变化的影响,利用快速傅里叶变换分别对正常气候和ENSO事件下的GNSS ZTD(水汽)进行分析,得到以下结论:
1) 厄尔尼诺事件对GNSS ZTD(水汽)的最短显著周期无显著影响,对GNSS ZTD(水汽)最长显著周期存在显著影响,且经初步分析认为,在东部型厄尔尼诺事件下GNSS ZTD的最大显著周期比正常气候下长,在中部型厄尔尼诺事件下GNSS ZTD的最长显著周期比正常气候下短。
2) 拉尼娜事件对GNSS ZTD(水汽)的最短显著周期无显著影响,对GNSS ZTD(水汽)的最长显著周期存在一定影响,但与厄尔尼诺事件对GNSS ZTD最长显著周期的影响相比较为微弱,且在当前研究区内未发现统一的变化规律。
由于河北省CMONOC站点和GNSS ZTD时间序列长度有限,针对ENSO事件对GNSS ZTD的周期变化影响的分析研究存在一定局限性,未来将针对更多区域和更长时间的数据进行研究。
[1] |
任福民, 袁媛, 孙丞虎, 等. 近30年ENSO研究进展回顾[J]. 气象科技进展, 2012, 2(3): 17-24 (Ren Fumin, Yuan Yuan, Sun Chenghu, et al. Review of Progress of ENSO Studies in the Past Three Decades[J]. Advances in Meteorological Science and Technology, 2012, 2(3): 17-24)
(0) |
[2] |
Mcgregor S, Timmermann A, Schneider N, et al. The Effect of the South Pacific Convergence Zone on the Termination of El Niño Events and the Meridional Asymmetry of ENSO[J]. Journal of Climate, 2012, 25(16): 5566-5586 DOI:10.1175/JCLI-D-11-00332.1
(0) |
[3] |
杨芳林, 袁重光. 夏季赤道东太平洋海温异常对全球及东亚短期气候变化影响的数值试验[J]. 大气科学, 1995, 19(5): 535-544 (Yang Fanglin, Yuan Chongguang. Numerical Experiment on the Influence of Sea-Surface Temperature Anomalies in the Eastern Equatorial Pacific in Summer upon the Short-Range Climate Changes over Globe and in East Asia[J]. Scientia Atmospherica Sinica, 1995, 19(5): 535-544)
(0) |
[4] |
陶威, 陈权亮. 两类El Niño事件对我国西南地区冬季降水的影响[J]. 气候与环境研究, 2018, 23(6): 749-757 (Tao Wei, Chen Quanliang. Impacts of Two Types of El Niño Events on Winter Precipitation in Southwest China[J]. Climatic and Environmental Research, 2018, 23(6): 749-757)
(0) |
[5] |
李海燕, 孙家仁, 谌志刚, 等. 两类El Niño事件对华南前汛期降水异常的影响[J]. 热带气象学报, 2019, 35(4): 491-503 (Li Haiyan, Sun Jiaren, Chen Zhigang, et al. Influences of Two Types of El Niño Events on Percipitation Anomalies in the April-June Rainy Season over South China[J]. Journal of Tropical Meteorology, 2019, 35(4): 491-503)
(0) |
[6] |
李清泉, 闵庆烨. 对话张人禾: 2016年上半年中国南方强降水与超强厄尔尼诺[J]. 科学通报, 2016, 61(24): 2659-2662 (Li Qingquan, Min Qingye. A Dialogue with Renhe Zhang: The Heavy Rainfall over Southern China in the First Half Year of 2016 and Its Relation to the 2015/2016 Super El Niño[J]. Chinese Science Bulletin, 2016, 61(24): 2659-2662)
(0) |
[7] |
翟盘茂, 余荣, 郭艳君, 等. 2015/2016年强厄尔尼诺过程及其对全球和中国气候的主要影响[J]. 气象学报, 2016, 74(3): 309-321 (Zhai Panmao, Yu Rong, Guo Yanjun, et al. The Strong El Niño in 2015/2016 and Its Dominant Impacts on Global and China's Climate[J]. Acta Meteorologica Sinica, 2016, 74(3): 309-321)
(0) |
[8] |
王勇, 娄泽生, 刘严萍, 等. 中国IGS站点ZTD长时序特征及其与年降水量的关系研究[J]. 大地测量与地球动力学, 2019, 39(10): 1037-1040 (Wang Yong, Lou Zesheng, Liu Yanping, et al. ZTD Long Time Series Characteristics of IGS Stations in China and Their Relationship with Annual Precipitation[J]. Journal of Geodesy and Geodynamics, 2019, 39(10): 1037-1040)
(0) |
[9] |
宿春鹏, 赵鸿彬, 邱春洪. 利用卫星测高数据研究ENSO现象[J]. 测绘与空间地理信息, 2020, 43(5): 160-162 (Su Chunpeng, Zhao Hongbin, Qiu Chunhong. Research on ENSO Using Satellite Altimetry Data[J]. Geomatics and Spatial Information Technology, 2020, 43(5): 160-162)
(0) |
[10] |
何思源, 李贵元, 刘华姣, 等. 最优小波基选择法在测震数据干扰处理中的研究与应用[J]. 华南地震, 2019, 39(3): 49-56 (He Siyuan, Li Guiyuan, Liu Huajiao, et al. Application and Research of Optimal Wavelet Base Selection Method in Seismic Data Processing[J]. South China Journal of Seismology, 2019, 39(3): 49-56)
(0) |
[11] |
王勇, 刘严萍. 基于小波分析的GPS PWV与PM2.5比较研究[J]. 大地测量与地球动力学, 2016, 36(5): 430-433 (Wang Yong, Liu Yanping. Comparison of PM2.5 and GPS PWV Based on Wavelet Analysis[J]. Journal of Geodesy and Geodynamics, 2016, 36(5): 430-433)
(0) |
[12] |
刘严萍, 王勇, 李江波. 基于小波变换的河北省GPS PWV与PM2.5的相关性分析研究[J]. 大地测量与地球动力学, 2017, 37(3): 276-281 (Liu Yanping, Wang Yong, Li Jiangbo. Correlation Analysis of GPS PWV and PM2.5 in Hebei Province Based on Wavelet Transform[J]. Journal of Geodesy and Geodynamics, 2017, 37(3): 276-281)
(0) |
[13] |
Rao K R, Kim D N, Hwang J J. Fast Fourier Transform: Algorithms and Applications[M]. Beijing: China Machine Press, 2013
(0) |
[14] |
伍红雨, 潘蔚娟, 王婷. 华南冬季气温异常与ENSO的关系[J]. 气象, 2014, 40(10): 1230-1239 (Wu Hongyu, Pan Weijuan, Wang Ting. Winter Temperature Anomalies in South China and Its Relation to ENSO[J]. Meteorological Monthly, 2014, 40(10): 1230-1239)
(0) |
[15] |
任曼琳, 张文君, 耿新, 等. ENSO对中国冬季天气尺度气温变率的影响及可能机理[J]. 气象学报, 2020, 78(2): 199-209 (Ren Manlin, Zhang Wenjun, Geng Xin, et al. ENSO Impact on the Variability of Wintertime Synoptic-Scale Air Temperature over China and Possible Mechanisms behind[J]. Acta Meteorologica Sinica, 2020, 78(2): 199-209)
(0) |
[16] |
Kao H Y, Yu J Y. Contrasting Eastern-Pacific and Central-Pacific Types of ENSO[J]. Journal of Climate, 2009, 22(3): 615-632 DOI:10.1175/2008JCLI2309.1
(0) |
2. School of Economics and Management, Tianjin Chengjian University, 26 Jinjing Road, Tianjin 300384, China;
3. The First Monitoring and Application Center, CEA, 7 Naihuo Road, Tianjin 300180, China