地球物理学报  2018, Vol. 61 Issue (2): 466-476   PDF    
利用COSMIC掩星资料研究对流层/下平流层大气比湿对ONI指数的响应
罗佳1,2, 陈志平1, 徐晓华1,3     
1. 武汉大学测绘学院, 武汉 430079;
2. 地球空间环境与大地测量教育部重点实验室, 武汉 430079;
3. 地球空间信息技术协同创新中心, 武汉 430079
摘要:本文利用2006年6月至2014年6月COSMIC掩星观测的水汽廓线, 分析了对流层/下平流层(TLS)比湿信号对ENSO的响应.在数据处理中, 将COSMIC掩星水汽廓线计算得到的全球比湿数据内插为1000~30 hPa区间水平分辨率为5°×5°的三维格网, 在各等压面上求取各格网点去除年/月际信号后的比湿月异常值.然后在对比湿月异常时间序列低通滤波的基础上, 进行经验正交分解(EOF)得到比湿主成分, 并对该主成分信号进行二项式平滑; 接下来将平滑后的主成分信号与反映ENSO活动的ONI指数进行相关处理, 得到各等压面主成分信号相对于ONI指数的相关系数及对应的时间延迟.论文分析了包括Niño-3.4的5个代表性区域的TLS比湿异常主成分信号, 结果表明:在各区域, 采用本文先低通滤波再EOF分解的处理方法获得的TLS比湿异常主成分信号与ONI指数均有很强相关性, 对流层相关系数绝对值达0.8以上, 低平流层高于0.7, 在300~200 hPa的上对流层达到峰值; 各等压面上比湿异常主成分信号相对于ONI指数的时间延迟不尽相同, 在对流层中比湿异常主成分信号普遍滞后于ONI指数1~6个月; 在各区域, 比湿异常主成分与ONI指数相关系数绝对值达到最大的等压面都接近250 hPa, 最大相关系数绝对值均达到0.9以上.进一步对全球250 hPa等压面比湿异常主成分与ONI指数相关性的分析表明:两者强相关的区域主要集中在热带; 在这些强相关区域, 比湿异常主成分相对于ONI主要表现为滞后, 且相关系数越大, 相应的时间延迟越短.
关键词: COSMIC      对流层/下平流层      比湿      厄尔尼诺-南方涛动      经验正交分解     
Specific humidity response in the troposphere and lower stratosphere to ONI revealed by COSMIC observations
LUO Jia1,2, CHEN ZhiPing1, XU XiaoHua1,3     
1. School of Geodesy and Geomatics, Wuhan University, Wuhan 430079, China;
2. Key Laboratory of Geospace Environment and Geodesy, Ministry of Education, Wuhan 430079, China;
3. Collaborative Innovation Center for Geospatial Technology, Wuhan 430079, China
Abstract: Using GPS Radio Occultation (RO) water vapor profiles obtained by Constellation Observing System for Meteorology, Ionosphere, and Climate (COSMIC) mission from June 2006 to June 2014, we analyze the response of specific humidity signals in the Troposphere and Lower Stratosphere (TLS) to the El Niño-Southern Oscillation (ENSO).The COSMIC specific humidity data is interpolated on a three-dimensional grid in the altitude range of 1000~30 hPa with the horizontal resolution of over the globe.Over each pressure level, the monthly specific humidity anomalies for each grid point are got after the annual and monthly variations are separated.By low-pass filtering, the anomalies are analyzed using Empirical Orthogonal Function (EOF) and binomial smoothing techniques, and the smoothed principal components of TLS specific humidity are determined.Finally, the correlation coefficients and time delays of the principal components of TLS specific humidity relative to the Oceanic Niño Index (ONI) are calculated over each pressure level.The specific humidity over five representative geographic regions, including the Niño-3.4 region, are processed at first.It is found that over each region, the characteristic principal components signals derived from the specific humidity anomalies in TLS are highly correlated with the ONI.The absolute values of the correlation coefficients between the specific humidity and ONI are greater than 0.8 and 0.7 in the troposphere and lower stratosphere, and are the largest at the pressure levels of 300 hPa to 200 hPa.The time delays of the principal components relative to the ONI are different over different pressure levels.In the troposphere, the principal components generally lag behind ONI for 3 months to 6 months.Over all the five regions, the largest absolute values of the correlation coefficients between the principal components and ONI, which are all greater than 0.9, generally occur on the pressure levels close to 250 hPa.Then the correlations between the principal components on the pressure level of 250 hPa and ONI is analyzed over the globe.It is found that high correlations mainly occur over tropics and that principal components signals generally lag behind the ONI over these regions with shorter lagging time corresponding to higher correlations.
Key words: COSMIC    Troposphere and lower stratosphere    Specific humidity    El Niño-Southern Oscillation(ENSO)    Empirical Orthogonal Function(EOF)    
0 引言

对流层/下平流层(Troposphere and Lower Stratosphere, TLS)是全球气候研究的重要圈层.与全球气候相关的大气年/月际变化、厄尔尼诺-南方涛动(El Niño-Southern Oscillation, ENSO)信号、准两年振荡(Quasi Biennial Oscillation, QBO)信号等均在TLS中存在反映.其中ENSO是全球气候系统中最主要的年际变化之一, 可对全球范围产生重大影响(McPhaden et al., 2006; Santoso et al., 2013).ENSO周期性变化与海表温度(Sea Surface Temperature, SST)、风场、水汽分布等变化紧密联系(Rasmusson and Carpenter, 1982; Lau et al., 1996; Sokolovskiy et al., 2007).由于大规模的水汽循环运动, 约80%的水汽异常与ENSO异常变化有关(Lau et al., 1996).

由美国和中国台湾联合实施的COSMIC(Constellation Observing System for Meteorology Ionosphere and Climate)掩星任务于2006年正式运行, 其掩星观测星座包含6颗低轨道(Low Earth Orbit, LEO)卫星, 每日可获取全球覆盖的超过2000个掩星事件(Anthes et al., 2008).2011年以后因该系统已超过预定服务期, 开始出现部分功能退化, 每天的全球掩星事件仍有1000多次(徐晓华等, 2016; 乐新安等, 2016).在一次掩星事件中, 通过对GPS信号相位及振幅变化量的测定, 再加上GPS与LEO卫星的精密轨道信息, 反演弯曲角廓线, 再采用Abel变换得到大气折射率廓线(Kuo et al., 2004).以欧洲中尺度天气预报中心(European Centre for Medium-Range Weather Forecasts, ECMWF)的模式预报为背景场, 基于一维变分同化方法进而提取大气温度、气压、水汽压等廓线信息(Healy and Eyre, 2000; Llamedo et al., 2017).除了全天候、全球分布、观测长期稳定、无需仪器校正的优点, 掩星资料还具有高垂直分辨率的特性.其垂直分辨率在低对流层达到0.1 km, 随着高度增加逐渐增大, 在平流层约1.4 km(Kursinski et al., 1997).与其他卫星观测数据相比, 掩星资料更有利于研究ENSO的三维结构(Scherllin-Pirscher et al., 2012).由于COSMIC星载接收机采用了开环跟踪技术, 90%以上的廓线可以观测到距地面2 km高度以下的大气层(Ho etal., 2010), 这为监测TLS的大气状态对ENSO的响应提供了丰富的数据.

已有利用COSMIC掩星资料进行ENSO的相关研究主要基于温度数据.Scherllin-Pirscher等(2012)利用掩星温度资料研究了上对流层下平流层(Upper Troposphere and Lower Stratosphere, UTLS)区域的ENSO三维结构, 发现在ENSO暖相位期间, 热带对流层随着高度增加, 暖信号越强烈, 平流层则呈现相反的信号, 且对流层顶是这两种不同信号的过渡区.Khandu等(2016)基于COSMIC月平均温度资料, 对南亚恒河—布拉马普特拉河—梅克纳河流域上空UTLS区域温度年际变化进行分析, 发现上对流层(对流层顶)的冷(暖)温度异常与ENSO暖事件相关, ENSO对温度年际变化的影响占73%.Das和Pan(2016)利用COSMIC温度资料对赤道大气开尔文波进行了研究, 发现在2009—2010年的ENSO事件期间, 开尔文波的振幅增强, 且与表征ENSO活动的ONI指数相关.已有基于温度数据的研究揭示了温度异常对ENSO的反映, 并给出了ENSO对温度年际变化的影响, 为后续进一步使用COSMIC资料开展ENSO研究建立了很好的基础.

目前基于掩星水汽资料的ENSO相关研究相对较少, 且已有成果一般以由掩星水汽廓线垂直积分获得的可降水量(Precipitable Water, PW)为研究对象或者虽然以水汽相关参量廓线为研究对象, 但仅针对特定区域进行.Teng等(2013)研究了2007年至2011年的三次ENSO事件期间, 由COSMIC得到的PW时空分布对ENSO信号的响应特征, 发现PW月异常值与ENSO事件相关性明显.Llamedo等(2017)分析了2006年8月至2013年12月期间COSMIC的比湿、可降水量和温度在南美地区与ENSO信号的相关性.发现在一次ENSO事件期间, 安第斯山脉东西两侧比湿异常值存在相位相反的情况.本文基于2006年06月至2014年06月的COSMIC掩星水汽廓线, 分析全球TLS不同高度层比湿信号对ENSO活动的响应.

Ho等(2010)通过将COSMIC和探空及模式输出的比湿廓线进行比较, 发现10 km以下, COSMIC比湿相对于ECMWF模式分析的平均偏差接近零, 标准偏差小于0.5 g·kg-1, 并且COSMIC水汽产品可用于对不同型号探空仪的测量偏差进行标定.Kishore等(2011)将由COSMIC数据产品得到的比湿廓线分别与13个热带高分辨率GPS探空站的观测资料和包括ERA-Interim、NCEP和JRA-25在内的三个再分析模式输出进行了比较, 发现COSMIC与探空比湿廓线在对流层具有很好的一致性; COSMIC与模式的比湿季节平均值在时空分布格局上符合程度均较高.Wang等(2013)对COSMIC掩星和探空比湿数据的比较结果表明在925~200 hPa高度区间, COSMIC相对于探空比湿的平均偏差为-0.012 g·kg-1, 标准偏差为0.666 g·kg-1.鉴于已有的对COSMIC水汽产品进行质量评定的相关成果比较丰富, 且已验证了其精度和可靠性适用于气候研究, 本文不再重复进行验证工作, 而是直接利用COSMIC比湿数据, 研究其对ENSO的响应.

在分析方法上, 一些已有的ENSO相关研究采用主成分分析法提取TLS中大气参数的月异常信息, 进而分析其与ENSO的相关性, 但所提取的TLS大气参数月异常信息中的残余噪声较大(Yulaevaand Wallace, 1994; Trenberth and Smith, 2006, 2009).TLS层的海拔高度范围约为0~25 km, 对应的气压范围约为1000~30 hPa.本文根据TLS不同高度层比湿数据的信号特点, 去除年/月际变化得到比湿异常, 采用优化的滤波半径对不同高度层的比湿异常数据进行低通滤波, 然后使用经验正交分解(Empirical Orthogonal Function, EOF)技术提取各高度层的比湿异常主成分(在不引起混淆的前提下, 本文后续部分将“比湿异常主成分”简称为“主成分”), 与反映ENSO活动的ONI(Oceanic Niño index, ONI)指数进行相关性分析.

1 数据与方法 1.1 COSMIC掩星数据

本文采用COSMIC数据分析和存储中心(COSMIC Data Analysis and Archive Center, CDAAC, http://cdaac-www.cosmic.ucar.edu/cdaac/products.html)提供的2006年06月至2014年06月的COSMIC水汽廓线(wetPrf)数据产品.

相对于传统的无线电探空资料, 因GNSS无线电掩星星座和导航卫星星座具有全球分布的特点, 掩星廓线在全球的分布比较均匀, 可以很好地覆盖包括无线电探空等传统大气探测手段难以达到的海洋等全球区域(http://www.cosmic.ucar.edu/).COSMIC是第一个专门实施掩星观测的LEO星座, 为了了解任务期内掩星廓线数量的时间分布在多大程度上满足监测ENSO的要求, 对2006—2014年期间COSMIC每月掩星廓线数量进行了统计.由图 1可以看出, 在2006年COSMIC最初实施的几个月廓线数较少; 2007—2010年每月平均可获得60152个掩星廓线; 2011—2012年每月平均40388个掩星廓线; 2013—2014年每月平均46119个掩星廓线.

图 1 COSMIC掩星每月廓线数量统计 Fig. 1 Amount statistics of COSMIC in every month

COSMIC的wetPrf数据给出了0到40 km高度区间以0.1 km为间隔的折射指数、温度、气压、水气压等大气参数.利用气压和水气压, 由(1)式可计算每个高度层的比湿(Gill, 1982), 公式为

(1)

其中, ε=Rd/Rv(≈0.622), RdRv分别为干、湿空气的气体常数, Pw为水气压, 比湿q的单位为g·kg-1.

1.2 ONI指数

为了分析和预测ENSO事件, 气候学家选取了赤道太平洋附近的一些特殊区域作为ENSO观测的主区域, 如Niño-1+2、Niño-3、Niño-4、Niño-3.4等.其中, Niño-3.4区域(5°S—5°N, 120°E—170°W)的ONI指数是目前认为最适合描述ENSO现象、可预测性最高的指数(Trenberth and Stepaniak, 2001).很多ENSO研究也直接称ONI指数包含的信号为ENSO信号(Jin et al., 2008; Barnston et al., 2012; Tasambay-Salazar et al., 2015).ONI指数是美国国家海洋大气局(NOAA, the National Oceanic and Atmospheric Administration)编制, 根据1950年至今Niño-3.4区域连续三个月SST异常变化的滑动平均值来定义的海洋厄尔尼诺指数(http://ggweather.com/enso/oni.htm).若ONI指数连续5个月超过+0.5 ℃, 则被定义为El Niño事件, 若ONI指数连续5个月发生-0.5 ℃的异常, 则被定义为La Niña事件.

ENSO起源于赤道太平洋区域, 通过遥相关影响全球气候.由于TLS大气状态纬向变化特征显著, 因此本文选取了Niño-3.4区域和由赤道沿纬向逐渐扩展到全球的5个区域进行TLS层比湿分析, 检验ENSO对全球不同区域大气的影响程度.表 1给出了本文分析的5个区域.

表 1 TLS比湿信号提取区域 Table 1 Regions of extracting specific humidity
1.3 数据处理方法

本文的数据处理流程如图 2所示, 具体方法为:

图 2 数据处理流程 Fig. 2 Flow chart of data processing

1) 将COSMIC水汽廓线计算得到的全球比湿数据内插到1000~30 hPa区间的三维格网, 水平分辨率:5°×5°, 垂直分辨率:1000~100 hPa区间为5 hPa; 100~30 hPa区间为1 hPa; 格网化分辨率的依据:COSMICwetPrf数据的垂直分辨率为0.1 km, 因地表附近每升高0.1 km, 气压约下降10 hPa, 随着高度增加, 气压变化的梯度变小, 为了充分发挥COSMIC数据高垂直分辨率的特点, 在高度方向内插的分辨率略高于COSMIC的数据垂直分辨率; COSMICwetPrf水平分辨率在低对流层约为1°×1°, 到平流层附近约为3°×3°, 为了减少掩星事件位置的漂移等影响, 提高可靠性, 取5°×5°的格网水平分辨率, 略低于掩星数据的实际分辨率.

2) 对各等压面每个格网点的比湿时间序列进行处理, 去除年/月际信号, 得到每个三维格网点每月的比湿异常值; 去除年/月际信号的方法为:对时间长度为97个月的每个三维格网点比湿值进行傅立叶分析, 得到了周期为372天的年际信号, 并利用时序叠加的方法将年周期(annual cycle)信号去除, 然后再通过“1-2-1”三点二项式滤波去除月际信号(García-Herrera et al., 2006, Scherllin-Pirscher et al., 2012), 因年/月际信号不是本文研究的对象, 为了更好分析ENSO周期相关的信号而予以去除; 剩余的比湿信号即为该格网点的比湿异常.

3) 在每个等压面上, 采用不同的滤波半径/截止频率对比湿月异常值时间序列进行低通滤波, 滤波半径/截止频率的取值依次为1, 1/1.5, 1/2.0, …, 1/48.5(单位:1/月).

4) 在每个等压面上, 对不同滤波半径下滤波后的比湿时间系列进行EOF分解和二项式平滑处理得到主成分信号, 然后将该主成分信号与ONI指数进行相关处理, 得到相关性最大的主成分信号及对应的相关系数和相对于ONI指数的时间延迟.

为了对低通滤波的效果进行评定, 在数据处理中对下述两种方案得到的主成分与ONI指数的相关系数进行了比较:1)直接EOF分解, 即忽略上述流程中的第3步; 2)低通滤波后再进行EOF分解, 即上述完整流程.比较结果参见2.1节, 根据比较结果决定采用图 3所示的处理方案.

图 3 G05(a)、G30(b)、G60(c)、G90(d)和Niño-3.4(e)各区域TLS比湿主成分信号与ONI指数的相关性 Fig. 3 Correlation between the principal components of TLS specific humidity and ONI over regions of G05(a), G30(b), G60(c), G90(d) and Niño-3.4(e)

对于表 1所示的每个区域, 均按照图 3所示的流程进行数据处理.得到各等压面上主成分信号与ONI指数的相关系数和对应的时间延迟, 并最终获取相关系数绝对值为最大的等压面.对各区域最大相关等压面上主成分序列与ONI指数的时间序列进行比较分析.由于各区域的最大相关等压面都接近于250 hPa, 本文在最后又深入分析了250 hPa等压面上主成分信号在全球与ONI指数的相关性和延迟规律.

2 结果与分析 2.1 TLS各等压面主成分信号与ONI指数的相关性

图 3a—e给出了在所关注的5个不同区域, TLS比湿主成分信号与ONI指数随等压面变化的相关系数绝对值曲线.各子图中的两条曲线分别代表直接采用EOF分解和进行低通滤波再EOF分解这两种方法得到的结果.可以看出, 采用在低通滤波的基础上再进行EOF分解的方法得到的主成分信号与ONI指数的相关系数绝对值明显高于只采用EOF分解的结果, 在对流层下层和低平流层(TLS)改进尤为显著, 对流层相关系数绝对值达到0.8以上, 低平流层达到0.7以上.因此本文后续分析都基于该方法进行.

图 3各子图的对比可以看出, 无论在G05、G30、G60、G90或Niño-3.4全球区域, TLS各气压层主成分信号对ENSO存在相似的响应, 这也表明了ENSO影响的全球性.主成分信号与ONI指数的相关系数绝对值在300~200 hPa的上对流层达到峰值.在低平流层, 相关系数绝对值变小.

2.2 TLS各等压面主成分信号相对于ONI指数的延迟

为求得TLS各高度层相对于ONI的时间响应, 在进行比湿主成分与ONI指数相关性分析时, 设定了24个月的最大窗口(提前12个月至延迟12个月), 调整步长为1个月, 在各高度层保留相关系数最大的情况, 此情况对应的延迟即认为是该主成分信号相对于ONI指数的延迟.类似的方法可参阅Su等(2005)的论文.图 4给出了TLS主成分信号在不同等压面相对于ONI指数的时间延迟, 图 4a—e分别对应于G05、G30、G60、G90和Niño-3.4区域.横轴正号表示延迟, 负号表示提前, 单位为月; 纵轴为等压面的气压, 单位为hPa.

图 4 G05(a)、G30(b)、G60(c)、G90(d)和Niño-3.4(e)各区域TLS比湿主成分信号相对于ONI指数的延迟 Fig. 4 Delay of TLS principal component of specific humidity relative to ONI over regions G05(a), G30(b), G60(c), G90(d) and Niño-3.4(e)

表 2给出了5个区域比湿主成分信号相对于ONI指数延迟的统计情况.以3个月为统计的步长, 表中的数字为对应延迟时间的等压面层数, 等压面的划分与本文前面介绍的一致(1000~100 hPa区间为5 hPa; 100~30 hPa区间为1 hPa, 共计250层).可以看出, 反映ENSO特征的TLS主成分信号普遍滞后于ONI指数1~6个月, 这与已有的从温度提取ENSO信号的研究结果类似(Yulaeva and Wallace, 1994; Su et al., 2005; Scherllin-Pirscher et al., 2012).各等压面的延迟情况不尽相同.图 4各子图中高于200 hPa的低平流层, 滞后时间表现不稳定, 有些高度层表现为提前, 一些则延迟达12个月, 这可能是由于对流层顶与低平流层交界的临界层较剧烈的水汽和能量交换所致.

表 2 TLS比湿主成分信号相对于ONI指数的延迟的统计 Table 2 Statistics of delay of TLS principal component of specific humidity relative to ONI
2.3 最大相关等压面主成分信号与ONI指数时间序列的比较

表 3给出了所研究的5个不同区域中, 主成分信号相对于ONI指数相关系数绝对值最大的等压面和延迟的总体信息.表 3显示在5个不同区域, 主成分信号与ONI指数取得最大相关系数绝对值的等压面都接近250 hPa, 且最大相关系数绝对值均达到0.9以上.在G30和G60区域, 主成分信号与ONI时间系列相关性最好, 相关系数绝对值达到0.94以上; 在Niño-3.4区域, 相关系数绝对值相对最小, 值为0.91.G90代表的全球区域和Niño-3.4区域表现出相同的延迟特性, 主成分信号相对于ONI滞后5个月.由此可见, Niño-3.4区域作为最具代表性的ENSO敏感区域, 其敏感性不仅在SST中体现, 同时也在TLS层的比湿异常变化中体现.

表 3 TLS最大相关等压面的主成分信号相对于ONI的相关系数和延迟 Table 3 Correlation and time delay of the principal component of specific humidity with respect to ONI in the TLS

为了便于比较, 对各最大相关等压面的主成分信号的时间系列进行了规范化处理, 统一为尺度一致的比湿指数.图 5a—e给出了在5个不同区域的最大相关等压面上, 规范化后的比湿指数时间序列与ONI指数时间序列的对比.可以看出在各个区域, 主成分信号相对于ONI指数均具有1~6个月的延迟, 但其周期性和幅度与ONI指数均符合较好.

图 5 G05(a)、G30(b)、G60(c)、G90(d)和Niño-3.4(e)各区域最大相关等压面规范化比湿指数与ONI指数时间系列和各区域去除时间延迟后的规范化比湿指数序列与ONI指数序列(f) Fig. 5 Normalized specific humidity index and ONI time series on the pressure level with the maximum absolute value of correlation between specific humidity and ONI over regions G05(a), G30(b), G60(c), G90(d), Niño-3.4(e) and normalized specific humidity index without time delays over the five regions and ONI(f)

图 5f给出了去除时间延迟后, 各区域最大相关等压面的规范化比湿指数序列与ONI指数序列的对比.图 5f更加清晰地显示了各区域提取的ENSO相关TLS主成分信号与ONI时间系列的良好一致性.结合图 3表 3可以看出, 虽然ONI指数使用的是Niño-3.4区域的SST, 但是并不表示该区域上空的TLS主成分信号与其响应最强, G30和G60区域响应更强, 这反映了ENSO信号有由赤道向外传播的规律.

图 6给出了采用连续小波变换(Continuous Wavelet Transform, CWT)(Torrence and Compo, 1998)处理后的上述5个区域的最大相关等压面比湿指数和ONI指数时间序列的功率谱图.可以看出各功率谱图都反映出一个周期约为50个月的主要振荡模态, 2007—2011年该振荡较强, 之后减弱.各区域比湿指数的小波功率谱与ONI指数的小波功率谱具有相似特征, 这也说明利用TLS比湿研究ENSO是可行的.

图 6 G05(a)、G30(b)、G60(c)、G90(d)和Niño-3.4(e)各区域最大相关等压面比湿主成分信号与ONI指数时间序列(f)的小波功率谱 Fig. 6 Wavelet power spectra of principal component of specific humidity on the pressure level with the maximum absolute value of correlation between specific humidity and ONI over the region of G05(a), G30(b), G60(c), G90(d), Niño-3.4(e) and the wavelet power spectrum of ONI

表 4列出了2006—2014年期间发生的ENSO事件.结合图 6可以看出2006—2007、2007—2008、2009—2010年和2010—2011年的四次ENSO时间在中各区域均有明显的响应, 如图 6ae, 小波功率谱均达到4左右, 且反映在50个月的主振荡模态上.2011—2012年的ENSO事件在G30和G60区域有明显的信号, 如图 6bc, 且反映在30个月的主振荡模态上; 比较图 6af, G05区域对2011—2012年的ENSO事件的反映与ONI指数类似, 但其振荡模态的周期并不清晰; G90和Niño-3.4区域对2011—2012年的ENSO事件的反映较弱.

表 4 2006—2014年期间ENSO事件 Table 4 ENSO events in 2006—2014 year
2.4 全球250 hPa等压面主成分信号对ENSO的响应

由上述分析结果可见, 各区域TLS主成分信号与ONI指数在250 hPa附近的上对流层相关性达到最大.因此进一步分析了全球范围250 hPa等压面主成分信号与ONI指数的相关性.

图 7ac分别给出了250 hPa等压面高度上的主成分信号相对于ONI指数的相关系数、时间延迟及相关系数绝对值的全球分布.可以看出, 在250 hPa等压面上, 主成分信号与ONI指数强相关的区域主要集中在热带地区:非洲东南部、热带西太平洋沿岸、赤道东太平洋、赤道西大西洋、北太平洋中部N45°地区、S60°附近地区都与ONI指数有较强的正相关; 赤道印度洋、赤道太平洋中部、东非等与ONI指数呈现较强的负相关.在相关性较强的区域, 主成分信号相对于ONI主要表现为滞后, 如图 7b的黄色和红色区域所示.且相关系数绝对值越大, 对应的滞后时间越短.

图 7 250 hPa等压面全球比湿主成分相对于ONI指数的相关系数(a)、时间延迟(b)和相关系数绝对值(c) Fig. 7 Correlation coefficients(a), time delays(b) and the absolute values of correlation coefficients(c) of the principal component of specific humidity relative to ONI on the pressure level of 250 hPa over the globe

图 7各子图中方框标出的三个区域依次为(A)澳大利亚北部海域; (B)南美哥伦比亚、厄瓜多尔及秘鲁西部海域; (C)南美巴西东北海域.这三个特殊区域均呈现主成分信号相对于ONI指数提前, 且相关性较大的特征.为了显示更清楚, 图 8对这三个区域中主成分信号和ONI指数的相关系数绝对值以及时间延迟分布图进行了局部放大.

图 8 图 7中区域A(左)、B(中)、C(右)的250 hPa等压面主成分信号相对于ONI指数的相关系数绝对值(a—c)与时间延迟(d—f) Fig. 8 Absolute values of correlation coefficients(a—c) and time delays(d—f) of principal component of specific humidity relative to ONI on the pressure level of 250 hPa over regions A(left), B(middle) and C(right) shown in Fig. 7

图 8可见, 区域A中250 hPa等压面的主成分信号与ONI指数相关系数的绝对值达到0.5左右, 其主成分信号特征相对于ONI提前约6~9个月; 区域B的250 hPa等压面主成分信号与ONI相关系数的绝对值为0.4左右, 其主成分信号特征相对于ONI提前3~6个月; 区域C的250 hPa等压面主成分信号与ONI相关系数的绝对值达到0.6左右, 某些区域甚至超过0.7, 其主成分信号特征相对于ONI提前约3个月.这三个区域250 hPa等压面的比湿信息对于ENSO的研究和预警具有重要价值.

3 结论

本文利用2006年06月至2014年06月共8年的COSMIC掩星反演的水汽得到的比湿廓线对ENSO在TLS中的响应情况进行了研究.为了提取与ENSO相关的比湿信号, 在分离TLS比湿的年/月际变化基础上, 对比湿异常进行低通滤波, 再采用EOF分析方法获得与ONI指数相关度最高的主成分信号.为了了解ENSO信号对全球TLS层比湿分布的影响, 分析了全球5个区域(G5、G30、G60、G90、Niño-3.4)TLS比湿主成分信号与ONI指数的响应; 并对提取出来的与ONI指数最大相关气压面的比湿信号时空分布进行了分析, 结论如下:

(1) 本文使用的先低通滤波, 然后进行EOF分解的方法可以很好地提取TLS比湿中与ENSO相关的主成分信号, 与仅使用EOF分解的方法相比有显著改善.

(2) 对依次扩大的5个区域(后一种可包含前一种区域)提取的TLS主成分信号与ONI指数的比较可以看出:5个区域TLS主成分信号与ONI指数的一致性均较好, 其中G30区域的TLS主成分信号与ONI指数一致性最好.

(3) 在上述每个区域, 对流层中主成分信号相对于ONI指数有1~6个月延迟, 与ONI指数相关系数的绝对值在上对流层250 hPa等压面附近达到峰值, 均为0.8以上, 最大值可达0.94;低平流层中主成分信号与ONI指数的相关性在0.7以上, 主成分信号相对于ONI指数的延迟不稳定, 有时表现为提前, 有时延迟达12个月.

(4) 在上述每个区域, 主成分信号与ONI指数的最大相关等压面都位于接近250 hPa的对流层上层.在该等压面上, 主成分信号与ONI指数都有一个周期约50个月的主要振荡模态.

(5) 通过对250 hPa等压面高度上的主成分相对于ONI指数的相关系数、时间延迟的全球分布进行分析, 发现澳大利亚北部海域和南美巴西东北海域的TLS主成分信号与ONI指数强相关, 且均有比ONI指数提前3~6个月的特点.

致谢

感谢CDAAC提供的COSMIC掩星数据, 感谢武汉大学超级计算中心的计算支持和帮助.

参考文献
Anthes R A, Ector D, Hunt D C, et al. 2008. The COSMIC/FORMOSAT-3 mission:early results. Bulletin of the American Meteorological Society, 89(3): 313-333. DOI:10.1175/BAMS-89-3-313
Barnston A G, Tippett M K, L'Heureux M L, et al. 2012. Skill of real-time seasonal ENSO model predictions during 2002-11:is our capability increasing? . Bull.Am.Meteor.Soc., 93(5): 631-651. DOI:10.1175/BAMS-D-11-00111.1
Das U, Pan C J. 2016. Equatorial atmospheric Kelvin waves during El Niño episodes and their effect on stratospheric QBO. Science of the Total Environment, 544: 908-918. DOI:10.1016/j.scitotenv.2015.12.009
García-Herrera R, Calvo N, Garcia R R, et al. 2006. Propagation of ENSO temperature signals into the middle atmosphere:a comparison of two general circulation models and ERA-40 reanalysis data. J.Geophys.Res., 111(D6): D06101. DOI:10.1029/2005JD006061
Gill AE. 1982. Atmosphere-Ocean Dynamics. New York: Academic Press.
Healy S B, Eyre J R. 2000. Retrieving temperature, water vapour and surface pressure information from refractive-index profiles derived by radio occultation:a simulation study. Quart.J.Roy.Meteor.Soc., 126(566): 1661-1683. DOI:10.1256/smsqj.56606
Ho S P, Zhou X J, Kuo Y H, et al. 2010. Global evaluation of radiosonde water vapor systematic biases using GPS radio occultation from COSMIC and ECMWFanalysis. Remote Sensing, 2(5): 1320-1330.
Jin E K, Kinter J L Ⅲ, Wang B, et al. 2008. Current status of ENSO prediction skill in coupled ocean-atmosphere models. ClimateDyn., 31(6): 647-664. DOI:10.1007/s00382-008-0397-3
Khandu, Awange J L, Forootan E. 2016. Interannual variability of temperature in the UTLS region over Ganges-Brahmaputra-Meghna river basin based on COSMIC GNSS RO data. Atmos.Meas.Tech., 9: 1685-1699. DOI:10.5194/amt-9-1685-2016
Kishore P, Ratnam M V, Namboothiri S P, et al. 2011. Global (501S-501N) distribution of water vapor observed by COSMIC GPS RO:Comparison with GPS radiosonde, NCEP, ERA-Interim, and JRA-25 reanalysis datasets. Journal of Atmospheric and Solar-Terrestrial Physics, 73(13): 1849-1860. DOI:10.1016/j.jastp.2011.04.017
Kuo Y H, Wee T K, Sokolovskiy S, et al. 2004. Inversion and error estimation of GPS radio occultation data. Journal of the Meteorological Society of Japan, 82(1B): 507-531. DOI:10.2151/jmsj.2004.507
Kursinski E R, Hajj G A, Schofield J T, et al. 1997. Observing Earth's atmosphere with radio occultation measurements using the Global Positioning System. J.Geophys.Res., 102(D19): 23429-23465. DOI:10.1029/97JD01569
LauK M, Ho C H, Chou M D. 1996. Water vapor and cloud feedback over the tropical oceans:Can we use ENSO as a surrogate for climate change? . Geophys.Res.Lett., 23(21): 2971-2974. DOI:10.1029/96GL02414
Llamedo P, Hierro R, de la Torrea A, et al. 2017. ENSO-related moisture and temperature anomalies over South America derived from GPS radio occultation profiles. Int.J.Climatol., 37(1): 268-275. DOI:10.1002/joc.2017.37.issue-1
McPhaden M J, Zebiak S E, Glantz M H. 2006. ENSO as an integrating concept in earth science. Science, 314(5806): 1740-1745. DOI:10.1126/science.1132588
Rasmusson E M, Carpenter T H. 1982. Variations in tropical sea surface temperature and surface wind fields associated with the Southern Oscillation/El Niño. Mon.Wea.Rev., 110: 354-384. DOI:10.1175/1520-0493(1982)110<0354:VITSST>2.0.CO;2
Santoso A, McGregor S, Jin F F, et al. 2013. Late-twentieth-century emergence of the El Niño propagation asymmetry and future projections. Nature, 504(7478): 126-130. DOI:10.1038/nature12683
Scherllin-Pirscher B, Deser C, Ho S P, et al. 2012. The vertical and spatial structure of ENSO in the upper troposphere and lower stratosphere from GPS radio occultation measurements. Geophys.Res.Lett., 39(20): L20801. DOI:10.1029/2012GL053071
Sokolovskiy S V, Rocken C, Lenschow D H, et al. 2007. Observing the moist troposphere with radio occultation signals from COSMIC. Geophys.Res.Lett., 34(18): L18802. DOI:10.1029/2007GL030458
Su H, Neelin J D, Meyerson J E. 2005. Mechanisms for lagged atmospheric response to ENSO SST forcing. J.Climate, 18(20): 4195-4215. DOI:10.1175/JCLI3514.1
Tasambay-Salazar M, Ortizbeviá M J, Alvarez-García F J, et al. 2015. The Niño3. 4 region predictability beyond the persistence barrier.Tellus A, 67(1): 27457.
Teng W H, Huang C Y, Ho S P, et al. 2013. Characteristics of global precipitable water in ENSO events revealed by COSMIC measurements. J.Geophys.Res.:Atmos., 118(15): 8411-8425. DOI:10.1002/jgrd.50371
Torrence C, Compo G P. 1998. A practical guide to wavelet analysis. Bulletin of the American Meteorological Society, 79(1): 61-78. DOI:10.1175/1520-0477(1998)079<0061:APGTWA>2.0.CO;2
Trenberth K E, Smith L. 2006. The vertical structure of temperature in the tropics:Different flavors of El Niño. J.Climate, 19: 4956-4970. DOI:10.1175/JCLI3891.1
Trenberth K E, Smith L. 2009. Variations in the three-dimensional structure of the atmospheric circulation with different flavors of El Niño. J.Climate, 22(11): 2978-2991. DOI:10.1175/2008JCLI2691.1
Trenberth K E, Stepaniak D P. 2001. Indices of El Niño evolution. J.Climate, 14(8): 1697-1701. DOI:10.1175/1520-0442(2001)014<1697:LIOENO>2.0.CO;2
Wang B R, Liu X Y, Wang J K. 2013. Assessment of COSMIC radio occultation retrieval product using global radiosonde data. Atmospheric Measurement Techniques, 6(4): 1073-1083. DOI:10.5194/amt-6-1073-2013
Xu X H, Guo J C, Luo J. 2016. Analysis of the active characteristics of stratosphere gravity waves over the Qinghai-Tibetan Plateau using COSMIC radio occultation data. Chinese Journal of Geophysics (in Chinese), 59(4): 1199-1210. DOI:10.6038/cjg20160403
Yue X A, Guo Y H, Zeng Z, et al. 2016. GNSS radio occultation technique for near-Earth space environment detection. Chinese Journal of Geophysics (in Chinese), 59(4): 1161-1188. DOI:10.6038/cjg20160401
Yulaeva E, Wallace J M. 1994. The signature of ENSO in global temperature and precipitation fields derived from the microwave sounding unit. J.Climate, 7(11): 1719-1736. DOI:10.1175/1520-0442(1994)007<1719:TSOEIG>2.0.CO;2
徐晓华, 郭金城, 罗佳. 2016. 利用COSMIC RO数据分析青藏高原平流层重力波活动特征. 地球物理学报, 59(4): 1199–1210. DOI:10.6038/cjg20160403
乐新安, 郭英华, 曾桢, 等. 2016. 近地空间环境的GNSS无线电掩星探测技术. 地球物理学报, 59(4): 1161–1188. DOI:10.6038/cjg20160401