2023, Vol. 53
2. 中国海洋大学海洋与大气学院，山东 青岛 266100
大气河(Atmospheric river, AR)是指狭长的、瞬时出现的、强水汽输送带，常伴随中纬度气旋冷锋前的低空急流而出现，是中纬度大气水汽输送的重要方式[1]，也是冬季欧洲西岸发生强降水的重要原因[2-3]。在欧洲大部分地区，超过40%的年最大降水是由AR引起的[4]。Waliser和Guan[5]进一步研究发现，在全球中纬度地区大约40%~75%的极端大风以及40%以上的极端降水与登陆的AR有关，这说明登陆的AR可能导致重大的灾害性事件。为了降低AR带来的灾害性影响，有必要进行尽可能超前的预警来防范AR活动带来的影响，从而减少干旱或洪水灾害的发生。因此，提高次季节到季节(Sub-seasonal to seasonal，S2S)时间范围内(3—5周)AR的预报技巧，对降低灾害带来的影响至关重要。DeFlorio等[6]发现，在AR的S2S预报结果中，海洋上AR预报的准确率通常高于陆地，这说明考虑海洋对大气的影响，有利于提高AR预报的准确性。
墨西哥湾流(Gulf steam，GS)区域分布着强的海洋锋面，海洋锋向大气释放大量的热量和水汽[7]。海洋锋区的海表面温度(Sea surface temperature, SST)的变化会影响低层斜压度，从而影响到风暴轴，还会影响到大气的势能和动能的变化[8-9]。Wu等[10]发现，自1900年以来，西边界流上的海表面温度存在增暖趋势，增暖速率是全球平均海表温度增暖速率的2~3倍。其中GS海洋锋区SST的增暖速率每世纪大约为1 ℃，这样强的增暖会加强海洋向温带气旋(Extratropical cyclone，EC)输送的潜热和水汽，从而增加气旋强度[11]。EC和AR密切相关，由于AR通常位于EC的暖输送带内，EC越强，风场和水汽的经向输送越强，AR越强[12]。
我们前期的研究结果表明，GS区海洋锋上存在SST的增暖趋势，这使得更多的热量和水汽向大气释放，导致AR发生频率增加，同时增强了西欧沿岸的极端降水[13]。那么GS锋区SST的S2S的预报效果如何, 是否会影响到北大西洋AR的预报效果，并进一步影响到欧洲西岸强降水的预报技巧, 是本文主要研究的内容。
1 数据和方法本文使用的SST资料来自欧洲中期天气预报中心(European center for medium-range weather forecasts，ECMWF)的ERA5再分析资料集和美国国家海洋大气中心(National oceanic and atmospheric administration，NOAA)的高分辨率逐日全球海温资料(Optimum interpolation sea surface temperature version 2，OISST V2)，两种SST数据的水平分辨率都是0.25(°)×0.25(°)。
本文使用的大气数据包括风场、水汽输送、比湿、湍流热通量、降水来自ERA5和S2S数据集中ECMWF模式的全球后报结果。其中ECMWF模式的S2S预报结果分辨率为1.5(°)×1.5(°)。为了得到更多的AR样本，本文中采用延长冬季的定义，即每年的11月1日至次年3月31日。因Wu等[13]的研究发现, 自1997—2018年GS锋区SST有明显的增暖趋势，所以为了更好地分析GS锋的SST的S2S预报结果对AR的S2S预报结果的影响，我们选取的研究时段为1997—2018年。由于Zhou等[14]曾提出ECMWF模式预测结果的主要优势可能来自于其集成系统策略，因此我们采用了ECMWF模式中全部共10个合集成员(Ensemble)进行分析。
大气河一般可以用垂直积分的水汽输送(Integrated vapor transport，IVT)来表示。IVT的计算公式如下：
| $ I V T=\sqrt{\left(\frac{1}{g} \int_{1000}^{300} q u \mathrm{d} p\right)^2+\left(\frac{1}{g} \int_{1000}^{300} q v \mathrm{d} p\right)^2} 。$ | (1) |
式中：q是比湿(Specific humidity)，单位为kg/kg；u和v分别是纬向风和经向风，单位为m·s-1；g是重力。由于AR具有狭窄、细长的特点，参考文献[1, 13]挑选出减去纬向平均后大于250 kg·m-1·s-1的IVT异常结构，检测其中长度大于2 000 km，宽度小于1 000 km，且长宽比大于3.5的形状定义为AR。根据文献[2]，AR发生时其范围内会产生降水，因此利用AR的检测程序，将发生在AR范围内的降水定义为AR引起的降水。
SST梯度的计算公式为：
| $ g_1(i, j)=\frac{S S T(i, j-1)-S S T(i, j+1)}{2 \Delta y}, $ | (2) |
| $ g_2(i, j)=\frac{S S T(i-1, j)-S S T(i+1, j)}{2 \Delta x}, $ | (3) |
| $ G=\sqrt{g_1{ }^2+g_2{ }^2} \text { 。} $ | (4) |
式中：i、j分别表征经向和纬向格点；g1和g2分别为海温经向梯度和纬向梯度；Δx和Δy分别为纬向和经向两个格点之间的距离(单位：100 km)。
以预报结果和观测值(OISST)为观测资料考察SST的预报技巧，以ERA-5数据为观测资料考察大气各变量(比如IVT、风速等)的预报技巧。本研究中的预报技巧定义为预报结果和观测数据之间的时间相关系数(Temporal correlation coefficient，TCC), 其公式如下：
| $ T C C_i=\frac{\sum\nolimits_{j=1}^{j=N}\left(x_{i, j}-\bar{x}_l\right) \times\left(y_{i, j}-\bar{y}_l\right)}{\sqrt{\sum\nolimits_{j=1}^{j=N}\left(x_{i, j}-\bar{x}_l\right)^2 \times \sum\nolimits_{j=1}^{j=N}\left(y_{i, j}-\bar{y}_l\right)^2}} 。$ | (5) |
式中，xi, j和yi, j分别表示观测数据和预报数据，其中i=1，2，3，……，M代表区域格点数，j=1，2，3，……，N代表时间序列。
2 冬季GS锋区SST的预报结果分析GS区域SST的预报结果直接影响着AR和强降水的预报效果，因此，我们首先比较了SST的预报结果和观测值(OISST)之间的差异(见图 1)。在北大西洋，SST预报的误差主要集中在GS锋面区域。相较于观测值，提前2—4周的SST预报值明显偏高(见图 1(b)、(c)、(d))。提前1周的预报结果与观测值的差较小，并且分布在GS锋面地区。从提前第2—4周，SST预报值误差逐渐增大，范围遍布GS锋面区域，预报值比观测值大了约5 ℃。这与之前研究发现的随着提前预报时间(Leading time)的增长，预报效果也会减弱的结论一致[6, 14]。
|
((a)~(d)填色为1997—2018年间延长冬季(11-01—3-31)平均的SST提前第1—4周的S2S预报结果与观测值(OISST)的差(单位：℃)。等值线是同期的SST平均值(单位：℃)，用来标记海洋锋的位置。Shadings in (a)~(d)are S2S forecast of SST on week1 to week4 lead time averaged from 1997 to 2018 (ECMWF S2S hindcast output minus OISST data)(Unit: ℃). Contours are mean SST in the same period marking the front location(Unit: ℃). ) 图 1 海表面温度预报偏差图 Fig. 1 Sea surface temperature forecast bias |
在GS锋面区域，除了SST值对大气有重要影响外，SST锋面梯度对大气也存在显著影响[8, 15]。图 2比较了SST梯度预报值和观测值的差异, 与SST预报结果类似，SST梯度也是在提前第2—4周预报结果差异增大(见图 2(b)、(c)、(d))。相比观测值，SST梯度的预报结果呈现在GS锋北部增大、南部减小的分布特征，这意味着GS锋面在预报结果中偏北。这和预报的锋面区SST值升高是一致的。
|
((a)~(d)填色为1997—2018年间延长冬季(11-01—3-31)平均的SST梯度提前第1—4周的S2S预报结果与观测值(OISST)的差(单位：℃/100 km)。等值线是同期的SST平均值(单位：℃)，用来标记海洋锋的位置。Shadings in (a)~(d)are S2S forecast of SST gradient on week1 to week4 lead time averaged from 1997 to 2018 (ECMWF S2S hindcast output minus OISST data)(Unit: ℃/100 km). Contours are mean SST in the same period the front location(Unit: ℃). ) 图 2 海表面温度梯度预报偏差图 Fig. 2 Sea surface temperature gradient forecast bias |
在此基础上，我们计算了提前第1—4周SST的预报技巧(见图 3)。提前第1周锋面SST的预报技巧除GS锋面区域外都较高，大约达到0.8以上，而沿着GS锋面，SST的预报技巧较低。从提前第2周开始，沿GS锋面的SST预报技巧迅速降低，到提前第3—4周，海洋锋上SST的预报技巧降到0.7以下。这是因为与观测值相比，GS处SST预报值偏高，SST梯度预报值南高北低。那么，GS区域SST值和锋面梯度如此大的预报误差，是否会影响AR及欧洲西岸强降水的预报？
|
((a)~(d)填色为1997—2018年间延长冬季(11-01—3-31)的SST提前第1—4周的预报技巧。等值线是同期的SST平均值(单位：℃)，用来标记海洋锋的位置。Shadings in (a)~(d)are week1 to week4 lead time forecast skill of SST form 1997 to 2018(Unit: ℃). Contours are mean SST in the same period the front location. ) 图 3 海表面温度预报技巧 Fig. 3 Sea surface temperature forecast skill |
根据上面的分析，GS处SST的预报值偏高，据Wu等[13]研究，该处SST的增暖会增加大气河的强度和发生频率。那么，GS锋区SST偏高的预报结果同样会影响到大气河的预报结果。为探讨该问题，我们根据ECMWF模式的S2S预报结果计算了IVT，并通过与ERA5资料的对比分析了IVT的预报技巧(见图 4)。
|
((a)~(d)填色为1997—2018年间延长冬季(11-01—3-31)的IVT提前第1—4周的预报技巧。等值线是同期的SST平均值(单位：℃)，用来标记海洋锋的位置。Shadings in (a)~(d)are week1 to week4 lead time forecast skill of IVT form 1997 to 2018(Unit: ℃). Contours are mean SST in the same period the front location. ) 图 4 垂直积分水汽输送预报技巧图 Fig. 4 Integrated vapor transport forecast skill |
与提前第1周的预报结果相比，提前第2周的预报技巧在沿GS锋面区域下降较快，降低到了0.25以内，并且较低预报技巧从GS区域开始向北和向西延伸，影响到欧洲西岸地区。而在其它区域，尤其是30°N以南区域，预报技巧仍然能够保持在0.5左右。提前第3周的预报技巧则进一步下降到了0.1以内, 尤其是GS锋面区域和伊比利亚半岛区域，预报技巧已接近为0。结合前面对SST预报结果的分析，我们发现, 沿GS锋面区域较大的SST预报误差直接影响着该区域IVT的预报效果，并且受其影响，下游IVT的预报效果也有下降。
为进一步考察ECMWF模式对AR的S2S预报效果，利用上述预报的IVT场对AR进行了检测，计算了AR的发生频率预报场并和基于ERA5的结果进行了对比(见图 5)。从图中可见，对AR发生频率提前1周的预报结果较为准确，在海洋锋上差值较小(约占AR发生频率观测值的10%)。在提前第2和3周，AR发生频率的预报结果在GS锋区明显升高，这和Wu等[13]的GS锋面区域SST增暖后AR发生频率增大的结果一致。同时，在欧洲西岸AR的发生频率也显著增加，尤其是在提前第3周的预报结果中最明显。在该结果中(见图 5(c))，AR发生频率的增加也主要集中在伊比利亚半岛到法国附近的区域，这和Wu等[13]的结果也较为一致。
|
((a)~(d)填色为1997—2018年延长冬季(11-01—3-31)平均的AR频率提前第1—4周的预报结果与观测值(ERA-5)的差(单位：%)。等值线同期的SST平均值(单位：℃)。其中蓝色框标记区域(10°W—0°，50°N—59°N)和紫色框标记区域(10°W—0°，36°N—44°N)是图 7用来计算降水概率密度函数的区域。Shadings in (a)~(d) are S2S forecast of AR frequency on week1 to week4 lead time averaged from 1997 to 2018 (ECMWF S2S hindcast output minus ERA-5 data) (Unit: %). Contours are mean SST in the same period the front location(Unit: ℃). The blue box in (c) marks the region (10°W—0°, 50°N—59°N) and the purple box marks the region (10°W—0°, 36°N—44°N), which are used to calculated the PDF of precipitation. ) 图 5 大气河发生频率预报偏差图 Fig. 5 Atmospheric river frequency forecast bias |
据文献[3-4]，欧洲西岸的强降水多和AR有关。为探讨欧洲西岸降水的S2S预报是否也受AR的预报技巧所影响，我们考察了降水的预报值和观测值的差异(见图 6)。从图中可见，降水的预报结果也在GS锋面区域偏多，这和该区域SST预报值偏高有关。另外，在欧洲西岸，尤其是南部伊比利亚半岛区域，提前3周的降水预报值明显偏大，这和AR发生频率在该区域预报值偏高是一致的。为进一步说明AR和强降水的关系，我们比较了AR引起的降水和强降水(总降水75分位数)间的关系，统计了AR引起的降水中属于强降水的比例(见图 6(e，f)。发现在观测场和提前3周的预报场中，欧洲西岸区域AR引起的降水几乎都是强降水(大于总降水75分位数)，尤其是在南部伊比利亚半岛地区，预报结果中AR所引起的降水几乎都是大于75分位数的强降水。并且，因S2S预报的AR在欧洲西岸南部发生频率偏高(见图 5)，该区域的降水值也总体偏高，对于伊比利亚半岛地区区域平均来说，降水75分位数的预报值比观测值大了2.4 mm/d(观测值仅0.6 mm/d)，这些都说明AR是欧洲西岸发生强降水的重要原因。
|
((a)~(d)填色为1997—2018年延长冬季(11-01—3-31)平均的降水提前第1—4周的预报结果与观测值(ERA-5)的差(单位：mm/d)。等值线是1997—2019年平均的OISST(单位：℃)。(e)~(f)填色为AR引起的降水中属于强降水的比例(单位：%)。图6(c)中方框的位置与图 5(c)一致。Shadings in (a)~(d) are S2S forecast of precipitation on week1 to week4 lead time averaged from 1997 to 2018 (ECMWF S2S hindcast output minus ERA-5 data) (Unit: mm/d). Shadings in (e)~(f) are the proportion of AR related precipitation to heavy precipitation (Unit: %). The boxes are the same as in Figure 5(c). ) 图 6 降水预报偏差图及强降水所占比例 Fig. 6 Precipitation forecast bias and the proportion of heavy precipitation |
为进一步探讨AR引起的降水对总降水的贡献，我们计算了欧洲西岸南部AR发生频率预报值偏大区域(伊比利亚半岛，见图 5(c)中紫框所示)和北部AR发生频率预报值偏小区域(爱尔兰和英国地区，见图 5(c)中蓝框所示)内总降水和AR引起的降水的累积概率密度分布，在此基础上，计算了AR引起的降水发生次数占总降水发生次数的比例(见图 7)。可见，在观测场中，在北部区域，AR引起的降水占总降水发生概率的比例在横轴40~100 mm/d降水区间内最大，可达20%以上。对于S2S预报结果，提前1周的预报结果中AR降水占比随降水量增加而增加，但是随着预报时间的增加，北部AR降水占总降水的比例迅速下降，低于观测值。这是因为受GS锋面区域SST预报值偏高的影响，AR发生频率预报值偏南，北部区域AR发生频率减小。而在南部区域(伊比利亚半岛附近)，观测场中，AR引起的降水占总降水发生概率的比例随着降水量的增加而增大。在S2S预报结果中，提前1周的预报中AR引起的降水占比与观测值类似甚至小于观测值，但是，随着预报时间的增加，AR引起的降水对大于50 mm/d的强降水贡献越来越大，在提前3周的预报结果中(见图 7(h))，80 mm/d以上的强降水80%以上由AR所引起。可见，由于GS锋面区域SST的预报误差偏大，AR发生频率在南部预报值偏多，这导致南部伊比利亚半岛区域降水预报值偏大。
|
(图7为图 5(c)方框所示区域内的降水概率密度分布函数(AR引起的降水与总降水的比值)。第一行为北部方框所示区域；第二行为南部方框所示区域。(a)和(e)分别为北部方框和南部方框区域内观测数据中AR引起的降水占总降水的比例；(b)和(f)分别为北部方框和南部方框区域内S2S提前1周的预报结果中AR引起的降水占总降水的比例；(c)和(g)为S2S提前2周的预报结果；(d)和(h)为提前3周的预报结果。The probability density function (PDF) of AR-related precipitation in reference to total precipitation in the region marked by the two boxes in the north and south Europe in Fig. 5(c). The bottom row is the region shown in the northern box and the bottom row is the region shown in the southern box. (a) and (e) are ratio of AR-related precipitation to total precipitation in the observation data in the northern and southern boxes, respectively. (b) and (f) are S2S forecast results on week1 lead time in the northern and southern boxes respectively. (c) and (g) are as (b) and (f) but for week2, and (d) and (h) are for week3. ) 图 7 降水概率密度分布图 Fig. 7 The probability density function of precipitation |
综上所述，在S2S数据集中，在GS锋面区域SST的预报值偏大，这导致西欧沿岸南部(北部)AR发生频率的预报值偏高(偏低)，从而导致南部(北部)强降水的预报值偏多(偏少)。同时，预报结果中西欧南部AR引起的降水占总降水的比例大于北部，且随着预报时间的增加，比例进一步加大。这说明随着AR发生频率预报值的逐渐加大，AR引起的降水占总降水的比例也在迅速增多。
4 SST的预报结果影响AR预报结果的机制分析由前面的分析我们知道，SST的预报结果偏高导致AR的发生频率偏大，那么SST的预报结果是通过什么物理机制来影响AR的发生频率的？根据前人研究结果，SST的增暖会通过垂直混合机制加强低空风速[16]。为考察S2S预报结果中风速对偏高的SST预报结果的响应，本文比较了850 hPa风速的预报结果与观测风速(ERA5)的差(见图 8)。从图中可见，850 hPa风速的预报结果提前1周时沿GS锋面区域偏高，随着预报时间的延长，该区域风速预报值进一步偏大。并且，在欧洲西岸地区(伊比利亚半岛至法国区域)，从提前2周开始，风速预报值出现了明显的增大现象，两者的差可达1 m/s以上。由背景风速来看，该区域是预报的西风增强，这有利于增强向欧洲的水汽输送，这与该区域AR发生频率的增多是一致的。而在GS锋面以南30°N附近，预报的风速明显偏低，这导致GS锋面及其以北的AR发生频率增多，这与图 5中AR发生频率的预报结果也是一致的。有趣的是，北大西洋东南侧也有风速加大的现象，这意味着该区域东风的加强，这有利于水汽向GS区域的输送。
|
((a)~(d)填色为1997—2018年延长冬季(11-01—3-31)平均的提前第1—4周850 hPa风速的预报结果与观测值(ERA-5)的差(单位：m/s)。等值线是同期的SST平均值(单位：℃)。绿色矢量是1997—2018年平均的850 hPa风速观测值。Shadings in (a)~(d) are S2S forecast of 850 hPa wind on week1 to week4 lead time averaged from 1997 to 2018 (ECMWF S2S hindcast output minus ERA-5 data) (Unit: m/s). Contours are mean SST in the same period (Unit: ℃). Arrow vectors are the mean 850hPa wind velocity during 1997—2018 in ERA-5. ) 图 8 850 hPa风速预报偏差图 Fig. 8 Wind velocity forecast bias on 850 hPa |
SST的预报结果的偏高除了导致风速预报值与实际值的差加大之外，还会影响海面输送的水汽和热量的预报值和观测值的差。图 9给出了湍流热通量的S2S预报结果和观测值的差。可以看到，海洋锋上湍流热通量的预报结果明显大于观测值，提前1周预报较为准确，他们的差为100 W/m2左右。但从提前2周开始，预报结果与观测值的差开始迅速增加，到提前4周预报值已经达到了600 W/m2，远超过气候平均值，说明预报误差已经很大了。可见，SST的预报结果的偏高会使得预报结果中海洋将更多的热量和水汽输送到大气中，从而影响低空风的辐合，并影响到低层大气的斜压性[8, 17]。根据前人的研究，随着SST的增暖，斜压不稳定性和垂直水分传输都会沿GS锋增加，此时水汽输送的增加成为了AR中增加的水汽的来源，这解释了GS处SST变暖会导致AR频率增加的原因，这也和Wu等[13]所提到的机制一致。因此，GS锋区SST的预报是否准确对于提高欧洲西岸强降水的预报技巧非常重要。
|
((a)~(d)填色为1997—2018年延长冬季(11-01—3-31)平均的第1—4周湍流热通量的S2S预报结果与实际情况下湍流热通量(ERA-5)的差(单位：W/m2)。等值线是同期的SST平均值(单位：℃)，用来标记海洋锋的位置。Shadings in (a)~(d) are turbulent heat flux model bias (ERA-5 data minus ECMWF S2S hindcast data) at week1 to week4 lead times from 1997 to 2018(Unit: W/m2). Contours are mean SST in the same period(Unit: ℃) and it is marked the front location. ) 图 9 湍流热通量预报偏差图 Fig. 9 Turbulent heat flux forecast bias |
大气河是冬季欧洲西岸发生强降水的重要原因，因此大气河的预报效果直接关系到欧洲西岸降水的预报技巧。利用S2S预报数据集中ECMWF模式的预报结果，结合OISST和ERA-5等数据，探讨了GS区域SST的预报结果与北大西洋地区AR发生频率和欧洲西岸降水预报效果间的关系。
发现S2S预报数据集中ECMWF模式预报的SST值在GS海洋锋处偏高，SST梯度在海洋锋北侧偏大、南侧偏小，而GS锋区SST的S2S预报技巧较其他区域明显偏低。受SST预报结果的影响，AR发生频率在海洋锋处预报结果也偏高。同时，在欧洲西岸的南部如伊比利亚半岛(北部如英国等地)，AR发生频率的预报结果也显著偏高(偏低)。受此影响，西欧沿岸南部(北部)预报的强降水增多(减少)，这是因为南部(北部)AR引起的强降水占总降水的比值也增加(减少)而造成的。
SST的预报结果还会影响到850 hPa地表风速和湍流热通量等气象要素的预报结果。相较于观测值，沿GS锋的850 hPa风速和湍流热通量的S2S预报值偏高，这说明SST的预报结果的偏高会使得预报结果中海洋将更多的热量和水汽输送到大气中，这解释了GS处SST变暖会导致AR频率增加的原因。并且在欧洲西岸地区(伊比利亚半岛至法国区域)，风速预报值也出现了明显的增大现象, 这有利于增强向欧洲的水汽输送，这可能是导致AR发生频率在欧洲西岸偏多的原因。
本文通过比较S2S预报数据集中ECMWF模式预报结果发现, GS锋区SST的预报准确度对于欧洲西岸强降水的预报技巧非常重要。今后，我们将进一步分析比较S2S预报数据集中其它模式的预报结果, 以期得到更普遍性的结论。
| [1] |
Zhu Y, Newell R E. A proposed algorithm for moisture fluxes from atmospheric rivers[J]. Monthly Weather Review, 1998, 126(3): 725-735. DOI:10.1175/1520-0493(1998)126<0725:APAFMF>2.0.CO;2 (  0) |
| [2] |
Gimeno L, Nieto R, Vázquez M, et al. Atmospheric rivers: A mini-review[J]. Frontiers in Earth Science, 2014, 2: 2. DOI:10.3389/feart.2014.00002 ( 0) |
| [3] |
Dettinger M. Climate change, atmospheric rivers, and floods in California-a multimodel analysis of storm frequency and magnitude changes[J]. Journal of the American Water Resources Association, 2011, 47(3): 514-523. DOI:10.1111/j.1752-1688.2011.00546.x ( 0) |
| [4] |
Lavers D A, Villarini G. Atmospheric rivers and flooding over the Central United States[J]. Journal of Climate, 2013, 26(20): 7829-7836. DOI:10.1175/JCLI-D-13-00212.1 ( 0) |
| [5] |
Waliser D, Guan B. Extreme winds and precipitation during landfall of Atmospheric Rivers[J]. Nature Geoscience, 2017, 10(3): 179-183. DOI:10.1038/ngeo2894 ( 0) |
| [6] |
Deflorio M J, Waliser D E, Guan B, et al. Global assessment of atmospheric river prediction skill[J]. Journal of Hydrometeorology, 2018, 19(2): 409-426. DOI:10.1175/JHM-D-17-0135.1 ( 0) |
| [7] |
Kelly K, Small R, Samelson R, et al. Western boundary currents and frontal air-sea interaction: Gulf Stream and Kuroshio Extension[J]. Journal of Climate, 2010, 23(21): 5644-5667. DOI:10.1175/2010JCLI3346.1 ( 0) |
| [8] |
Vries H D, Scher S, Haarsma R, et al. How Gulf-Stream SST-fronts influence Atlantic winter storms[J]. Climate Dynamics, 2019, 52: 5899-5909. DOI:10.1007/s00382-018-4486-7 ( 0) |
| [9] |
Foussard A, Lapeyre G, Plougonven R. Storm track response to oceanic eddies in idealized atmospheric simulations[J]. Journal of Climate, 2019, 32(2): 445-463. DOI:10.1175/JCLI-D-18-0415.1 ( 0) |
| [10] |
Wu L, Cai W, Zhang L, et al. Enhanced warming over the global subtropical western boundary currents[J]. Nature Climate Change, 2012, 2(3): 161-166. DOI:10.1038/nclimate1353 ( 0) |
| [11] |
Hirata H, Kawamura R, Kato M, et al. Response of rapidly developing extratropical cyclones to sea surface temperature variations over the western kuroshio-oyashio confluence region[J]. Journal of Geophysical Research Atmospheres, 2016, 121(8): 3843-3858. DOI:10.1002/2015JD024391 ( 0) |
| [12] |
Zhang Z, Ralph F M, Zheng M. The relationship between extratropical cyclone strength and Atmospheric River intensity and position[J]. Geophysical Research Letters, 2019, 46(3): 1814-1823. DOI:10.1029/2018GL079071 ( 0) |
| [13] |
Wu Y, Jia Y, Ji R, et al. SST warming in recent decades in the Gulf Stream extension region and its impact on Atmospheric Rivers[J]. Atmosphere, 2020, 11: 1109. DOI:10.3390/atmos11101109 ( 0) |
| [14] |
Zhou Y, Yang B, Chen H, et al. Effects of the Madden-Julian Oscillation on 2 m air temperature prediction over China during boreal winter in the S2S database[J]. Climate Dynamics, 2019, 52(11): 6671-6689. DOI:10.1007/s00382-018-4538-z ( 0) |
| [15] |
Small R J, Msadek R, Kwon Y O, et al. Atmosphere surface storm track response to resolved ocean mesoscale in two sets of global climate model experiments[J]. Climate Dynamics, 2019, 52: 2067-2089. DOI:10.1007/s00382-018-4237-9 ( 0) |
| [16] |
Chelton D, Esbensen S, Schalax M, et al. Observations of coupling between surface wind stress and sea surface temperature in the eastern tropical pacific[J]. Journal of Climate, 2001, 14(7): 1479-1498. DOI:10.1175/1520-0442(2001)014<1479:OOCBSW>2.0.CO;2 ( 0) |
| [17] |
Minobe S, Kuwano-Yoshida A, Komori N, et al. Influence of the Gulf Stream on the troposphere[J]. Nature, 2008, 452(7184): 206-209. DOI:10.1038/nature06690 ( 0) |
2. College of Oceanic and Atmospheric Sciences, Ocean University of China, Qingdao 266100, China