全球中低緯度降水量時空特征分析

摘要：基于1982年1月至2022年4月全球降水量的月平均數據資料，利用循環平穩經驗正交函數（CSEOF）方法，討論了第一、二模態的空間分布和時間序列，分析了全球中低緯度海洋降水量的空間分布、季節變化特征和年際變化特征，討論了可能引起該變化的原因。結果表明，降水量的年際變化呈現周期性變化特征，其主要變化區域分布在熱帶太平洋地區，第一模態空間場呈現東-西反相位振蕩特征，冬季強于夏季；第二模態空間場季節變化相對于第一模態空間場更為復雜，冬季正負變異高值區主要表現為東-西反相位振蕩特征，而夏季以負變異區為主，變異區強度較弱。第一模態時空變化特征主要受到厄爾尼諾-南方濤動（ENSO）現象影響，而第二模態主要受到中部型厄爾尼諾（El Ni?o Modoki）現象影響，降水量的主要變化特征受到兩種現象的疊加影響。

關鍵詞：循環平穩經驗正交函數;全球降水;厄爾尼諾-南方濤動;CMAP數據集

中圖分類號：P426.61+1文獻標志碼：A文章編號：1002-4026（2024）06-0125-10

全球氣候變化給自然生態系統和人類社會帶來了深刻影響[1-2]。隨著全球大氣環境、水汽循環、降水帶和海水溫度逐漸變化，全球天氣系統的穩定性受到影響，導致近年來全球尺度上各種極端氣象災害頻發[3-6]。氣候系統中的水循環一直處于不斷運轉演化和更新狀態，而降水量是水循環過程中最基本的環節，它受多種因素影響，包括大氣環流、緯度、海拔以及地形等，其變化規律十分復雜，對自然生態系統、水利農業以及人類發展等都會產生巨大影響[7]，而在中低緯度地區，海洋面積占大部分，它覆蓋了“21世紀海上絲綢之路”大部分國家，因此，海洋與大氣的相互作用不但影響著全球氣候變化[8]，還關系到我國的參與和引領全球經濟治理重大戰略部署以及海洋強國目標[9-10]。降水量作為中低緯度氣候中的敏感因子，研究其時空變化特征，不但能進一步了解全球氣候變化，加深對中低緯度氣候變化的理解，也會直接或間接的對工農業生產的穩定運行、糧食安全、水利發展、河流防洪等產生有利影響[11-13]。

近年來國內外學者對全球降水量的變化特征有著大量研究，Chen等[14]利用兩種誤差分解方案，對在不同季節、不同降雨強度和不同地形類別下的誤差分量進行分析，得到了改進衛星降水反演和誤差調整模型的方法；Xiang等[15]通過將8個全球常用降水數據集的數據與實地雨量觀測數據進行比較，對在中國、歐洲和北美洲的1 382個流域內，1998—2015年期間的水文模型性能進行了系統性評估；Anh等[16]基于全球格點降水數據，利用Thiessen 多邊形方法和線性最小二乘回歸方程法來分析數據缺失區域的干旱變化特征。但這些研究更多傾向于對數據自身的處理分析。而對降水量變化特征研究，往往是針對局部地區進行的，例如Li等[17]通過分析1960—2019年長江流域所有極端降水指數的趨勢，顯示厄爾尼諾-南方濤動（ENSO）和局部效應都是控制該區域降水極端空間時間變異性的重要驅動因素。QI等[18]基于1961—2016年期間來自117個氣象站的日降水和溫度數據，分析了在ENSO背景下中國干旱區的降水、年均溫度以及干旱區面積等時空變化特征。

循環平穩經驗正交函數（CSEOF）是一種多用于分析海洋熱力學特征的時空變化的分析法[19]，考慮到降水量作為中低緯度海氣相互作用的重要一環，CSEOF方法也應適用于探究降水量的年際變化，在以往對降水量的研究中鮮有利用該方法進行分析的研究，相比于傳統經驗正交函數分析法（EOF），CSEOF方法除了能體現降水量在長周期背景下的年際變化特征，還能反映其長周期背景下的短周期季節變化。

本文收集了全球1982年1月至2022年4月40年間全球大氣降水量的月平均數據資料，采用CSEOF方法對降水量進行相關計算，相對于前人研究，本文研究的空間范圍更廣，時間跨度更大，且相比于傳統的EOF分析，進一步反映降水量年際變化背景下的季節變化，分析了大氣降水量的氣候態特征和時空分布特征，并討論了影響全球中低緯度降水量時空變化特征的原因，以期為全球氣候變化的預報預測提供參考依據。

1資料來源和分析方法

1.1資料來源

本文選用的降水量數據來自于全球大氣降水量月平均網格化數據集CMAP（CPC merged analysis of precipitation， https：//www.cpc.ncep.noaa.gov/products/ global_precip/html/wpage.cmap.html），該數據集通過合并地面雨量計觀測資料、衛星觀測降水數據、NCEP-NCAR再分析資料等多種不同來源的降水數據而成，多源數據的整合方法使得CMAP數據集在質量和空間覆蓋上得到了顯著提升，數據覆蓋區域包括陸地與海洋，南極洲以及北冰洋在內的部分地區，網格精度為2.5°×2.5°，時間跨度為1982年1月至2022年4月，本文空間范圍選取為50°S—50°N。

Nino3.4指數來源于美國國家海洋大氣局（NOAA）氣候預報中心（climate prediction center，http：//www.cpc.ncep.noaa.gov/products/analysis_monitoring/ensostuff/ ensoyears.shtml）提供。

1.2計算方法

循環平穩經驗正交函數（CSEOF）是以經驗正交函數分解法（EOF）為基礎的一種周期性的平穩特征值分析算法，EOF分析方法在氣象研究中經常用于提煉氣象要素的矩陣信息，它能夠通過分析矩陣數據的結構特征，將三維變量（經度、維度、時間）分解為多個兩維的空間模態和對應的一維時間序列的乘積，并按照方差貢獻率降序排列，表達為：

Tr，t=∑iPCitLir，t，（1）

式中PC為時間系數，L為空間模態，i為空間模態的數目，其中方差貢獻率越大的模態包含的矩陣信息越多，可以認為第一模態包含了整個矩陣的最多信息，第二模態次之[19]。

但傳統EOF的協方差矩陣不會隨時間而發生變化，然而許多氣候學變量的統計數據在年變化的基礎上還表現出強烈的嵌套變化（月、日等），而CSEOF是將協方差矩陣設置成一個可以隨著時間發生變化的周期性函數，其最大的優點是可以體現一個變量場疊加在長周期變化背景下的短周期變化，這是傳統的 EOF方法所無法實現的[20-23]，在CSEOF中，時空二維數據樣本的具體表達形式為：

Tr，t=∑iPCitLVir，t，（2）

其中空間模態記為LV，LVi不獨立于時間變量，而是限制在一個嵌套周期內，即：

LVit=LVit+d，（3）

式中d為嵌套周期（本文的d取為12個月）。Kwang等[22]通過對8種特征值分析法進行比較，得出了EOF、CSEOF、旋轉經驗正交函數REOF等方法的優缺點，表明對于具有周期穩態的數據，CSEOF方法相比于其他方法能夠更好的識別每個獨立的模態，可以有效并準確分析具有循環統計量的數據，且考慮到了降水量在長周期的年際變化下有短周期的季節變化，因此本文采用該方法探討降水量的時空變化特征。

2降水量氣候態特征

對40年間降水量在不同季節的氣候態分布情況進行分析，圖1選取了中低緯度地區4個典型月份，2、5、8、11月降水量的氣候態分布特征。降水量高值區主要分布在熱帶地區，總體呈現緯向帶狀分布，且有明顯的季節變化。春季2月份西太平洋存在兩個高值區，第一高值區范圍較大，在太平洋西側與印度洋東側上空，主要分布在50°E—150°W，10°N—35°S的范圍內，對比海表面溫度數據可見，該高值區的分布范圍和形狀與西太平洋暖池海域有較高的相似性，有著相同的雙舌狀結構；第二高值區強度較小，位于北太平洋海域上空，分布在140°W—140°W，30°N —45°N的范圍內，兩個高值區強度隨季節變化明顯。隨時間推移，3、4月份第一高值區高值中心相對于2月份向西北方向偏移，且強度逐漸減小，第二高值區向西南方向偏移，逐漸與第一高值區匯合，至5月份總體強度達到最小；6月份開始，高值區強度回升，7、8月份強度逐漸增大，且空間范圍更加集中，至8月份達到最大強度，兩個高值區融合在一起，范圍大致在50°E—170°W，18°S —40°N的范圍內；9月份開始至次年2月，高值區強度開始減弱，且總體向東南、東北方向延伸，第一、第二高值區逐漸分離，回歸2月份的分布特征，總體而言，第一高值區隨季節在西北-東南方向來回移動，第二高值區則隨季節在西南-東北方向來回移動。

在東太平洋和大西洋中部的低緯度地區，還存在兩個范圍較小的第三、第四高值區。具體而言，東太平洋的第三高值區在8月份強度達到最大，分布在80°W—130°W，0°S—15°N的范圍內，在8至11月份，此高值中心向西移動，且范圍逐漸縮小，12月份開始強度逐漸減弱，至次年2月份幾乎消失，3至5月份強度回升，且高值中心逐漸向東移動，6至8月份繼續東移且強度逐漸加強至最大。第四高值區的變化較為簡單，空間范圍全年變化不大，位于大西洋赤道地區，夏秋季強度較大，冬春季則較小。

3時空分布特征

對40年間降水量數據進行CSEOF分析，得到前3個主要模態方差貢獻率分別為12.6%、5.8%和4.2%，這些已經包含了降水量時空變化的主要信息，均可以較好的表征中低緯度降水量時空分布特征。本文主要分析前兩模態的時空分布特征，CSEOF展開后，第一模態的空間分布和時間序列分別如圖2和圖4所示，第二模態的空間分布和時間序列分別如圖3和圖5所示。結果顯示，降水量主要模態的空間場主要集中在熱帶地區，具體范圍為30°N—30°S，以及80°E—80°W。相比之下，其他區域的空間場強度不明顯。因此，本文僅繪制并關注這一特定范圍內的空間場變化。

3.1降水量空間模態分布特征

降水量年際變化的第一模態占據降水量年際變化全部信息的12.6%，包含降水量變化的最主要特征，其時間序列反映了降水量的長周期年際變化（如圖4），同時12個空間場對應了一年內12個月，反映長周期變化下的短周期變化（如圖2），時間序列和空間場均為無量綱數。從圖2中可以看出，降水量存在明顯的東-西反相位的分布特征，整體呈現兩個正負值變異區，且這種特征具有明顯的季節變化：正變異高值區出現在太平洋中部海域上空，其中主要部分總體呈現橢圓形分布，分布在10°N—10°S，155°E—135°W的范圍內，正值變異區冬季（11月—次年2月）分布范圍和強度達到最大，強度最大時東側向正東和東南方向延伸，夏季（5—8月）強度最弱，分布范圍明顯縮小，南北向變窄，逐漸形成東西方向的帶狀分布特征。同時在東南亞地區上空和澳大利亞東側上空分別存在兩個明顯的負變異高值區，東南亞上空高值區主要部分分布在20°N—20°S，100°E—150°W范圍內，正負變異高值區強度大小相當，且季節變化也和正變異高值區相同，而澳大利亞東側的負變異高值區存在于10°S—30°S，140°E—160°W的范圍內，強度相對較弱，該變異區僅在冬季最強，在12月達到最強時兩個負變異區可連成一片，夏季則完全消失，可見降水量年際變化最明顯的區域集中在中低緯度地區上空。

全球降水量年際變化的第二模態占據降水量年際變化全部信息的5.8%，從圖3第二模擬空間場1—12月分布圖中可以看出，總體來講降水量仍然存在反相位的分布特征，但第二模態的變化特征隨季節變化更加復雜，在冬春季（1—3月）仍然呈現東西反相位特征，但正負高值區中心位置相對于第一模態高值區中心位置偏東，且南北向范圍更窄，負變異高值區出現在10°N—10°S，140°E—170°W的范圍內，而正變異高值區出現在5°N—15°S，170°W—120°W的范圍內，負變異區強度高于正變異區，隨著時間推移變異區強度逐漸減弱，負變異高值區逐漸變窄且向東、西方向延伸，正變異高值區同樣變窄且向東延伸，及至5月正負變異高值區完全呈現出南-北反相位的條帶狀分布，之后強度逐漸變弱，正負高值區相互交匯混合，邊界變得不明顯，及至8月正負變異區幾乎不可見，整個空間場分布較為均勻，8月之后正負變異區再次逐漸增強，9—12月負變異區先變強，及至次年1月才重新出現明顯的正變異區。

3.2降水量時間序列特征

CSEOF第一空間模態對應的時間序列是一組逐月的無量綱數（如圖4所示），每個月的時間序列對應當月的空間場，結合空間場和時間序列，時間序列為正值時，當月的空間模態正值變異區降水量相對于當月的年平均值出現異常增高的現象，而負高值區則相對于當月的年平均出現異常降低的現象，時間序列絕對值越高這種增高（降低）就越強，例如在1998年和2015年時間序列有較高的正值，因此當年在太平洋中部高值區域降水量出現明顯的增加，而同年在東南亞地區降水量則明顯降低，且這種特點在冬季表現得更加明顯，而當時間序列為0時，表明當年正負值變異區降水量都接近于年平均值，從時間序列也可以看出，這種反相位變化特征大約有3～5年的振蕩周期。

如圖5所示，CSEOF第二模態時間序列同樣存在明顯的周期性，在時間序列為正值時，空間模態正變異區降水量相對年平均值增加，而負變異區降水量相對減少，第二模態時間序列振幅相較于第一模態時間序列波動幅度不大，僅在1984年和1998年有兩個相對較高的正值，其他年份振幅相對于第一模態時間序列明顯較小，且負值的年份明顯多于正值年份。

4時空變化的可能原因分析

在探討影響降水量的多重因素時，特別值得注意的是，大尺度降水量年際變化顯著受到海表面溫度、季風等多種因素的影響[8]。熱帶地區作為受ENSO現象影響最為顯著的區域，其降水量作為熱帶氣候系統的關鍵組成部分，很可能深受ENSO所主導的溫度、季風等要素年際變化的調控[24]。深入分析降水量的分布特征（圖1），可以發現降水量的空間分布模式與熱帶太平洋表層水溫的分布特征存在高度相似性，尤其是西太平洋降水量高值區域與西太平洋暖池的分布呈現出較高的重合度[25]。鑒于西太平洋暖池作為全球海域中溫度最高的區域，其對當地較高降水量的形成起到了至關重要的作用。

考慮到海表面溫度與大尺度降水均會受到ENSO現象的影響[26-27]，將降水量第一模態的空間分布圖與西太平洋暖池海域上層海洋熱含量的時空變化特征進行對比[28]，揭示了降水量第一模態空間場與上層海洋熱含量第一模態空間場之間存在一致的東-西反相位變化特征，且兩者在正負值變化區的分布上展現出高度的相似性，同時也共享著冬季強、夏季弱的季節變化特征。這表明大尺度降水量的年際變化特征顯著受到海洋上層熱量時空變化的調控。此外，降水量還會受到季風年際變化的影響，而ENSO作為全球尺度海氣相互作用的重要體現，通過影響Walker環流及相關的大氣遙相關響應來影響季風[29]，進而間接地對降水產生深遠影響。通過將降水量的第一模態時間序列與Nino3.4指數進行相關分析，如圖6所示，結果顯示兩者之間的相關系數高達0.77，表明存在較強的相關性，且在時間上未觀察到明顯的滯后或提前現象，從而證實了降水量第一模態的變化與ENSO現象之間的緊密聯系。

相比之下，第二模態時間序列與ENSO現象的相關系數僅為0.43，暗示第二模態的變化可能并非主要由傳統ENSO現象所主導，而赤道太平洋區域除了傳統的ENSO現象外，還疊加著一種新型厄爾尼諾現象，即中部型厄爾尼諾（El Ni?o Modoki）[30]。該現象特征為中部太平洋海表面溫度異常偏高，而東、西太平洋海面溫度則相對偏低的三極型分布，與傳統厄爾尼諾型海溫分布存在顯著差異，且無明顯的傳播特性。為量化這一現象，定義了El Ni?o Modoki指數（EMI）[31]。在此基礎上，李根等[32]進一步提出了改進的El Ni?o Modoki指數（IEMI），其計算公式為：IEMI=3.0TA－2.0TB－1.0TC，其中TA、TB、TC分別表示A區（164°E—140°W，10°S—10°N），B區（110°W—70°W，16°S—6°N），C區（125°E—145°W，10°S—20°N）的海表面溫度異常（SSTA）均值，將El Ni?o Modoki指數進行12個月平滑處理，濾除年周期變化后，與第二模態時間序列進行相關性分析，結果顯示二者同期相關系數高達0.67，表明降水量第二模態的時間變化與El Ni?o Modoki現象緊密相關。

綜上所述，在ENSO現象的背景下，降水量呈現出一種東-西反相位的變化模式。具體而言，當傳統厄爾尼諾事件發生時，太平洋中部地區的降水量相對于年平均值有所增加，而東南亞地區的降水量則減少，這種變化特征在秋冬季節尤為顯著。相比之下，El Ni?o Modoki現象同樣導致冬季降水量呈現東西反相位變化特征，但其影響區域相對于傳統厄爾尼諾明顯偏東；在夏季，降水量則呈現南-北反相位變化，即太平洋南部降水量增加而北部減少。值得注意的是，厄爾尼諾與El Ni?o Modoki現象的周期并不完全同步，它們對降水量的影響相互疊加，共同主導了降水量的主要變化特征。

5結論

本文基于CMAP數據集，利用CSEOF分析方法研究了中低緯度地區降水量的時空變化特征，并探討了其的可能變化機制。得到結果如下：

（1）降水量氣候態平均值主要分布在熱帶地區，總體呈現緯向帶狀分布，主要存在3個高值區，且高值區的強度和分布范圍有明顯的季節性變化。

（2）降水量第一模態空間場有著明顯的季節和年際變化，第一模態空間場的正負變異高值區主要呈現東-西反相位振蕩特征，這種特征存在冬季最為明顯，夏季相對較弱，結合時間序列可知其年際變化主要周期為3～5年。

（3）降水量第二模態空間場同樣有著明顯的季節和年際變化，其季節變化相對于第一模態空間場更為復雜，冬季正負變異高值區主要呈現東-西反相位振蕩特征，而夏季變異區強度較弱，整體以負變異區為主，時間序列振幅大多數年份相對于第一模態較小。

（4）降水量第一模態時間序列與Nino3.4指數有著較高的相關性，表示降水量主要的年際變化特征與ENSO現象有關，第二模態變化特征主要受到El Ni?o Modoki現象影響，其時間序列與IEMI指數相關性較高，中低緯度地區降水量的變化特征主要受到兩種現象的疊加影響。

參考文獻：

［1］ALLANR P， ARIAS P A，BERGER S，et al." IPCC， 2021： Summary for policymakers in： climate change 2021： the physical science basis. Contribution of working group i to the sixth assessment report of the intergovernmental panel on climate change［EB/OL］.［2024-01-05］.https：//archive.connect.h1.co/article/740620545/#eval793587812.

[2]劉希洋， 蔡勤禹. 近二十年中國海洋災害史研究的進展與問題[J]. 海洋湖沼通報， 2019（6）： 157-165.

[3]SILLMANN J， KHARIN VV， ZWIERS F W， et al. Climate extremes indices in the CMIP5 multimodel ensemble： Part 2. Future climate projections[J]. Journal of Geophysical Research： Atmospheres， 2013， 118（6）： 2473-2493. DOI： 10.1002/jgrd.50188.

[4]楊小欣， 吳曉芬， 許建平. 熱帶太平洋海域上層海洋熱鹽含量研究概述[J]. 海洋湖沼通報， 2017（5）： 18-30.

[5]CHEN H P， SUN J Q， LIN W Q， et al. Comparison of CMIP6 and CMIP5 models in simulating climate extremes[J]. Science Bulletin， 2020， 65（17）： 1415-1418. DOI： 10.1016/j.scib.2020.05.015.

[6]王丹陽， 蘇涵， 張春玲. Argo數據同化方法及其網格化產品研究進展[J]. 海洋湖沼通報， 2022， 44（3）： 158-165. DOI： 10.13984/j.cnki.cn37-1141.2022.03.021.

[7]林益同， 趙春雨， 房一禾， 等. 東北初夏和盛夏降水時空變化及大氣環流因子新特征分析[J]. 氣象與環境學報， 2021， 37（5）： 63-71. DOI： 10.3969/j.issn.1673-503X.2021.05.010.

[8]趙京華. 熱帶降水年際變化時空分布特征研究[D]. 青島： 中國海洋大學， 2008.

[9]任湘湘， 夏冬冬. 印度海洋觀測預報發展現狀和思考[J]. 海洋預報， 2022， 39（3）： 107-116. DOI： 10.11737/j.issn.1003-0239.2022.03.011.

[10]鄒美常， 鄢波， 黃子建. 中國沿海11省驅動海洋經濟發展的多元路徑分析[J]. 海洋湖沼通報， 2022， 44（6）： 157-163. DOI： 10.13984/j.cnki.cn37-1141.2022.06.020.

[11]KONAPALA G， MISHRA A K， WADA Y， et al. Climate change will affect global water availability through compounding changes in seasonal precipitation and evaporation[J]. Nature Communications， 2020， 11（1）： 3044. DOI： 10.1038/s41467-020-16757-w.

[12]CHANG X Y， WANG B B， YAN Y， et al. Characterizing effects of monsoons and climate teleconnections on precipitation in China using wavelet coherence and global coherence[J]. Climate Dynamics， 2019， 52（9）： 5213-5228. DOI： 10.1007/s00382-018-4439-1.

[13]AN Q， HE H X， GAO J J， et al. Analysis of temporal-spatial variation characteristics of drought： a case study from Xinjiang， China[J]. Water， 2020， 12（3）： 741. DOI： 10.3390/w12030741.

[14]CHEN H Q， YONG B， KIRSTETTER P E， et al. Global component analysis of errors in three satellite-only global precipitation estimates[J]. Hydrology and Earth System Sciences， 2021， 25（6）： 3087-3104. DOI： 10.5194/hess-25-3087-2021.

[15]XIANG Y H， CHEN J， LI L， et al. Evaluation of eight global precipitation datasets in hydrological modeling[J]. Remote Sensing， 2021， 13（14）： 2831. DOI： 10.3390/rs13142831.

[16]TRAN A P， TRAN B C， CAMPBELL S B， et al. Spatio-temporal characterization of drought variability in data-scarce regions using global precipitation data： a case study in Cauto River Basin， Cuba[J]. Scientific Reports， 2024， 14： 11659. DOI： 10.1038/s41598-024-61709-9.

[17]LI X， ZHANG K， GU P R， et al. Changes in precipitation extremes in the Yangtze River Basin during 1960—2019 and the association with global warming， ENSO， and local effects[J]. The Science of the Total Environment， 2021， 760： 144244. DOI： 10.1016/j.scitotenv.2020.144244.

[18]QI Z S， CUI C F， JIANG Y T， et al. Changes in the spatial and temporal characteristics of China’s arid region in the background of ENSO[J]. Scientific Reports， 2022， 12（1）： 17826. DOI： 10.1038/s41598-022-21712-4.

[19]王冠楠.鐘貽森.周朦，等.運用CSEOF方法分析南海表面溫度季節與年際變化[J]. 中國海洋大學學報：自然科學版， 2019（6）：007-019.DOI：10.16441/j.cnki.hdxb.20180065.

[20]魏鳳英. 現代氣候統計診斷與預測技術[M]. 2版. 北京： 氣象出版社， 2007.

[21]KIM K Y， NORTH G R. EOFs of harmonizable cyclostationary processes[J]. Journal of the Atmospheric Sciences， 1997， 54（19）： 2416-2427. DOI： 10.1175/1520-0469（1997）054lt;2416： eohcpgt;2.0.co;2.

[22]KIM K Y， WU Q G. A comparison study of EOF techniques： analysis of nonstationary data with periodic statistics[J]. Journal of Climate， 1999， 12（1）： 185-199. DOI： 10.1175/1520-0442-12.1.185.

[23]KIM K Y， CHUNG C. On the evolution of the annual cycle in the tropical Pacific[J]. Journal of Climate， 2001， 14（5）： 991-994. DOI： 10.1175/1520-0442（2001）014lt;0991：oteotagt;2.0.co;2.

[24]徐建軍， 朱乾根. ENSO及其年代際異常對全球及亞洲季風降水影響的數值研究[J]. 氣象學報， 1999（3）： 46-60.

[25]張春玲，許建平.基于Argo觀測的太平洋溫、鹽度分布與變化（Ⅱ）：鹽度[J].海洋通報，2015，34（1）：21-31.

[26]袁媛，高輝，賈小龍等.2014—2016年超強厄爾尼諾事件的氣候影響[J].氣象， 2016， 42（5）： 532-539.

[27]高弋斌，路春燕，鐘連秀，等. 1951—2016年中國沿海地區氣溫與降水量的時空特征[J]. 森林與環境學報， 2019， 39（5）：530-539.

[28]楊小欣，吳曉芬，劉增宏.西太平洋暖池海域上層海洋熱鹽含量初步研究[J]. 中國海洋大學學報：自然科學版， 2016， 46（6）：1-12.

[29]郝鈺茜.北半球夏季風降水年際協同變化的主要特征及與熱帶海溫變化的聯系[D]. 北京：中國氣象科學研究院， 2016.

[30]袁良，何金海.兩類ENSO對我國華南地區冬季降水的不同影響[J]. 干旱氣象， 2013， 31（1）：24-31.

[31]ASHOK K， BEHERAS，RAOS，et al. El Ni?o Modoki and its possible teleconnection [J]. Journal of Geophysical Research， 2007， 112：C11007. DOI：10.1029/2006JC003798.

[32]LI G， REN B H， YANG C Y， et al. Indices of El Ni?o and El Ni?o Modoki： an improved El Ni?o Modoki index［J］. Advances in Atmospheric Sciences， 2010， 27（5）：1210-1220.