南海海表鹽度變化特征及機制研究*

徐豪然, 于華明,2,**, 葛晶晶, 劉 娟, 關 皓

(1.中國海洋大學海洋與大氣學院, 山東 青島 266100; 2.中國海洋大學三亞海洋研究院, 海南 三亞 572024; 3.解放軍31110部隊; 4.北京應用氣象研究所, 北京 100000; 5.解放軍61741部隊)

海表面鹽度(Sea surface salinity,SSS)的變化受蒸發降水、地表徑流、海洋環流、結冰融冰等過程影響,指示著海氣交換、海洋環流、垂向輸運、沖淡水分布等過程。南海是中國最大的邊緣海,總面積約350萬km2,平均深度1 212 m,中部深度超過5 000 m,通過呂宋海峽和馬六甲海峽連接著西北太平洋和印度洋[1]。南海環流受季風和黑潮作用顯著,同時具有多渦結構,海洋內波頻發,臺風風暴潮劇烈,海洋動力過程復雜[2]。研究南海SSS變化特征及機制對理解南海海氣交換和海洋環流有重要意義。

毛鍇等[3]利用海氣耦合模式COAWST,結合Argo浮標數據對2016年臺風“莎莉”過境時的南海上層鹽度變化進行分析,認為臺風過境時,海表面蒸發,抽吸及混合作用強烈,SSS顯著上升。Shen等[4]利用ARGO浮標數據研究了南海北部次表層鹽度的季節變化,結果表明,黑潮入侵的強度、局地風應力旋度等因素是表層最大鹽度異常高值的出現的原因。但是南海Argo浮標缺乏淺水區采樣,空間分布相對稀疏,時間跨度較短,在前人的研究中大多用于分析南海SSS的短期變化。

Zeng等[5]利用Aquarius衛星數據分析了2012年底開始出現的南海SSS上升現象,認為其受到黑潮入侵和徑流量減少的共同影響,并可能與PDO位相由負轉正相關。Yi等[6]利用多衛星數據集分析認為,2011—2019年南海SSS的季節變化受到季風降水控制,沿岸SSS變化強烈,2015—2016年的強厄爾尼諾現象使南海整體SSS上升。衛星遙感能夠大范圍連續獲得海表鹽度數據,但最早的土壤水分和海洋鹽度(Soil moisture and ocean salinity,SMOS)衛星于2009年發射,在10年尺度內得到的南海SSS與PDO和ENSO的相關關系不夠可靠。

王鑫[7]利用簡單海洋同化數據(Simple ocean data assimilation, SODA)對南海及毗鄰的太平洋海域SSS近140 a的長期變化進行分析,認為其存在季節和年際變化,空間分布呈現從南到北“高-低-次高”的分布,但未對SSS的變化機制進行分析。王祥鵬等[8]采用SODA海洋再分析數據分析了南海次表層鹽度,認為次表層鹽度變化存在11～23 a的低頻變化,與PDO呈正相關,但次表層鹽度受到水平平流和垂向交換的影響較強,不能夠反應海氣交換對南海鹽度變化的影響。海洋再分析數據結合數據模型的數據和觀測數據的優點,具有時空連續性和較高的分辨率,是研究南海SSS長期變化的重要工具。

綜上所述,前人大多對南海SSS的季節變化和10年尺度的變化特點和機制進行了研究,對于南海SSS的長期變化前人大多只描述其變化特征。雖然對南海次表層鹽度的長期變化機制已經有過一些研究,但次表層鹽度和SSS的影響機制不同,因此目前南海SSS長期變化機制還存在爭議。本文融合土壤水份主動和被動衛星(Soil moisture active and passive, SMAP)遙感數據和SODA海洋再分析數據,利用經驗正交函法(EOF)分解、相關分析等方法對南海(研究區域如圖1所示)SSS的長期(1871—2021年)時空變化特征進行分析,對PDO和ENSO產生的復合影響機制進行討論。

(紅點為特征點標記。Red dots are characteristic points.)

1 數據與方法

1.1 數據簡介

1.1.1 衛星遙感數據 衛星遙感數據采用土壤水分主-被動(Soil moisture active and passive,SMAP)探測計劃從2015—2021年的南海SSS月平均數據,空間分辨率為40 km*。王藝晴等[9]計算得到西北太平洋區域SMAP L3數據與Argo實測數據的相關系數高達0.91,全年均方根誤差為0～0.35 psu,精度較高。

1.1.2 海洋再分析數據 海洋再分析數據采用SODA V2.2.4和V3.3.1。時間跨度分別為1871—2010年和1980—2015年,空間分辨率0.5°×0.5°[10]。該數據集同化了大量觀測數據,共約7×106個溫鹽剖面,采用卡爾曼濾波修正誤差,在對2000年SODA最初版本的評估中,對比實測剖面數據,1950—1995年500 m以上的平均溫度和鹽度誤差為0.70 ℃和0.092[11]。

1.1.3 其他輔助數據 世界海洋數據地圖冊(The world ocean atlas 2018,WOA18)[12]是基于世界海洋數據庫(World ocean database,WOD)觀測的剖面實測數據制作的海洋氣候態數據產品,為1955—2017年的每10年平均數據,空間分辨率為1/4°,用于對數據集進行誤差評估;美國國家海洋與大氣管理局(NOAA)提供的太平洋年代際濤動(PDO)指數和Nio 3.4指數,時間跨度均為1871—2021年;美國國家航空和宇宙航行局(NASA)的全球降水氣候學計劃(GPCP)提供的1979—2021年分辨率為2.5°×2.5°的降水資料[13];《中國河流泥沙公報》公示的2001—2020年珠江年徑流量數據,為高要、石角和博羅站統計的年徑流量數據,分別代表西江、北江和東江,本文將三站流量相加代表珠江總年徑流量;日本氣象廳提供的1956—2021年137°E斷面黑潮流量數據,由日本氣象廳海洋氣象觀測船冬夏觀測數據診斷得到,位置位于本州島下方(137°E,28°N—34°N)。

1.2 數據融合處理

本文對SODA再分析數據和SAMP衛星遙感數據重疊部分進行相關性分析和差異性分析,根據分析結果構建1871—2021年分辨率0.5°×0.5°的南海(106.25°E—122.125°E,8.25°N—25.25°N)SSS數據集。

1.2.1 相關性分析 對SODA V2.2.4與V3.3.1的1980—2010年共31 a重疊部分數據和SAMP數據與SODA V3.3.1共9個月的重疊數據求全場平均,繪制其SSS變化曲線(見圖2),相關系數分別為0.85和0.94,置信度超過99%。重疊部分數據相關極高,這說明三組數據反應的南海SSS的變化趨勢基本相同。

圖2 (a)SODA v2.24和SODA v3.31及(b)2015年SODA v3.31與SAMP數據重疊部分平均鹽度時間序列對比

1.2.2 差異性分析 由于三組數據存在一定的差異,對數據進行了以下處理:對SODA V2.2.4與V3.3.1的1980—2010年共31 a重疊部分數據按月求歐拉距離分布并做31 a平均,結果如圖3(a)所示。從圖中可以發現南海大部分區域數據匹配度較好,數據差異較大的點出現在河口附近,由此將圖中歐拉距離大于0.6 psu的空間點剔除;接著將SAMP數據插值為0.5°×0.5°,將SAMP數據與第一步剔除數據后的SODA V3.3.1重疊共9個月的數據求歐拉距離分布并平均,結果如圖3(b)所示。同樣將歐拉距離大于0.6的空間點剔除,最后計算得到在重疊部分的歐拉距離的空間平均值約為0.103和0.264,認為數據差異在可接受范圍內。

圖3 (a)SODA v2.24和SODA v3.31及(b)SODA v3.31和SAMP重疊部分數據歐拉距離分布

1.2.3 數據集構建 綜合相關性分析和差異性分析的結論,作者認為經過處理后三組數據重疊部分數據相關性強且數據差異小,可以用于分析南海SSS的變化及機制。考慮到衛星數據和SODA再分析數據間可能存在的系統偏差,我們計算了重疊部分9個月偏差的逐點平均值并用衛星數據逐點減去該平均值。將3組數據按時間相接,對于SODA2.2.4和SODA3.3.1重疊部分數據,選擇版本更新的SODA3.3.1數據;對于SODA V3.3.1和SAMP重疊部分數據,選擇SAMP數據,得到1871—2021年分辨率為0.5°×0.5°的南海SSS數據集,南海SSS在1871—2021年變化如圖4所示。

圖4 研究區域平均SSS時間序列

1.2.4 數據集誤差分析 將數據集研究區域在1955—2004年每10年平均值以及2005—2017年的平均值并與WOA2018數據進行誤差分析,研究區域內SSS平均均方根誤差分別為0.23,0.22,0.17,0.19,0.17和0.16。在1871—1954年由于缺少數據暫時無法驗證,但在1955—2017年間經過驗證誤差較小,可作為本研究的數據支持。

1.3 分析方法

經驗正交函數法(EOF)分解可以將數據降維,分別對南海SSS的時間和空間特征進行分析。方法如下:按月求距平得到矩陣X,由矩陣X得到協方差矩陣A=XXT/M(M為總月數),求A的特征值和特征向量,將特征值從大到小排列,特征值的大小順序即對應EOF的模態順序,找到最大幾個特征值對應的向量,計算方差貢獻并做顯著性檢驗[14]。

小波分析將一個函數用一個衰減的小波函數通過平移伸縮來表示,它可以分析不穩定的信號,對突變信號的處理比傅里葉變換更優秀[15]。

為了了解時間序列之間相關性隨時間的變化,研究者定義了局部滑動相關系數Rr(Local running correlation coefficient,LRCC)[16],LRCC被廣泛的應用在各項研究中,其公式如下:

Rr(i)=

(1)

Zhao等[17]基于LRCC,采用全局不變均值代替原公式中的局部變化均值,得到合成滑動相關系數RS(Synthetic running correlation coefficient, SRCC)的計算公式如下:

(2)

兩式中n要根據時間序列的具體情況,大到抑制高頻信號,小到可以表示時間序列的周期性,SRCC既能反映異常變化引起的相關性,也能反映均值變化引起的相關性,代表不同時間點相關性的完全可比性,更能夠反應時間序列的低頻變化。

2 南海SSS變化特征分析

2.1 長期變化趨勢

對研究區域1871—2021年SSS數據逐點求標準差,得到圖5(a)所示的標準差分布。從圖中可以看到標準差高值出現在珠江口處,SSS變化劇烈;南海大部分海域標準差在0.5以下,說明大部分海域SSS比較穩定。同樣,對研究區域SSS數據逐點求變化趨勢,得到圖5(b)所示的變化趨勢分布。從圖中可以發現:呂宋海峽區域SSS呈上升趨勢,速度約為每10年0.03,南海北部海域SSS呈上升趨勢,速度約為每10年0.02,南海南部與納土納海和泰國灣相接的海域SSS呈下降趨勢,速度約為每10年-0.03,變化趨勢相反。

圖5 1871—2021年南海SSS(a)標準差和(b)變化趨勢分布

由南海SSS月平均數據求計算出SSS年平均,為了更好地描述南海SSS變化趨勢,根據空間平均SSS的極值點將變化分為4個階段,分別為1871—1915年、1915—1939年、1939—1958和1958—2021年。在研究區域內取6個特征點(見圖1),分別位于呂宋海峽、珠江口外、北部灣中心、南海中心、湄公河口外和蘇祿海,繪制其SSS變化曲線(見圖6)。

圖6 (a)1871—1913年、(b)1914-1938年、(c)1939-1957年及(d)1958-2021年南海平均SSS變化曲線(藍色)和整體變化趨勢(黑色)及6個特征點(其他)的SSS變化曲線

從圖6(a)中可以發現,在1871—1915年南海SSS總體呈上升趨勢,速度為每10年0.09,除北部灣特征點的SSS處于震蕩平衡狀態外,其他所有特征點SSS均呈上升趨勢;從圖6(b)中可以發現,在1915—1939年南海SSS總體呈下降趨勢,速度為每10年-0.19,除蘇祿海特征點SSS呈振蕩平衡狀態外,其他特征點SSS均呈下降趨勢;從圖6(c)中發現,在1940—1958年南海SSS總體呈上升趨勢,速度為每10年0.31,所有特征點SSS均呈上升趨勢;從圖6(d)中發現1958—2021年南海SSS總體呈下降趨勢,速度為每10年-0.09,所有特征點SSS均呈下降趨勢。可以看到南海各特征點和平均SSS的變化趨勢基本一致,相比于平均SSS,呂宋海峽SSS偏高而珠江口和北部灣SSS偏低,南海中心點SSS變化基本貼合平均SSS變化,其中珠江河口和北部灣的特征點SSS振蕩變化較強,和SSS標準差分布及變化趨勢分布顯示的結論吻合。

從圖5(b)的南海長期變化趨勢分布中可以發現,南海SSS的變化在南部和北部是反向的。由于在圖6的分段變化中不易看出南海鹽度的長期變化,我們選取了位于南海南北部的兩個特征點分析在1871—2020年的長期變化(見圖7),結果顯示北部特征點的鹽度呈上升趨勢(每10年0.03),而南部特征點呈下降趨勢(每10年-0.03),這種南北變化不一致的原因我們將在后文中進一步討論。

圖7 南海南北部兩個特征點的變化趨勢

2.2 年際和年代際變化特征

為進一步研究南海SSS的年際及年代際變化特征,對研究區域(106.25°E—122.125°E,8.25°N—25.25°N)1871—2021年的月平均SSS距平場進行12個月的低通濾波消除季節變化影響,進行EOF分解。表1展示了前三個模態的特征值及方差貢獻率。

表1 EOF前三個模態對應特征值和方差貢獻率Table 1 The first three EOF modes eigenvalues and variance contribution rates

根據顯著性檢驗條件,相鄰特征值滿足[19]:

(3)

式中:λ為特征值;n為樣本個數。

EOF前三個模態均通過顯著性檢驗,其中前兩個模態的累計方差貢獻率達到67.78%,可以代表原始場的主要特征,本文主要對前兩個模態進行分析。

2.2.1 空間分布特征 EOF第一模態的方差貢獻率為44.49%,展示了南海SSS變化最主要的特點,其空間分布如圖8(a)所示。EOF第一模態南海北部呈正異常,南海南部和北部灣區域鹽度呈負異常,與蒸發降水有關。在南海北部可以發現明顯的鹽舌,該鹽舌在南海北部從呂宋海峽開始向西深入至海南島附近,這可能是受到黑潮入侵的影響。

圖8 EOF(a)第一和(b)第二模態空間分布

EOF第二模態解釋了總方差的23.29%,其空間分布如圖8(b)所示。從圖中可以發現第二模態SSS在南海整體呈現正異常,在珠江口、紅河口和湄公河口處SSS變化梯度較大,可能是受到包括珠江在內徑流的影響。

2.2.2 時間變化特征 為探究南海SSS的周期性變化特征,對第一和第二模態的時間序列進行了小波分析并計算小波方差(見圖9)。圖中紅色圓圈標記了通過95%置信度檢驗的周期。可以發現第一模態時間序列存在2、7和11 a左右的周期振蕩,第二模態時間序列存在2和9 a左右的周期振蕩,兩個模態的第一主周期都為2 a左右。可以發現南海SSS變化呈現顯著的年代及年代際變化特征,其變化機制將在后文予以討論。

(紅色虛線為95%置信度檢驗線。Red dashed line is 95% confidence coefficient test line.)

3 南海SSS變化機制分析

3.1 直接作用機制

從第一模態的空間分布中發現,南海SSS可能受到黑潮入侵的影響。將1967—2020年137°E斷面黑潮流量與對應時間點的EOF第一模態的時間序列進行對比,二者呈明顯的負相關關系,兩者相關性系數為-0.41,置信度超過99%(見圖10)。進一步對兩個時間序列計算LRCC,滑動窗口選擇為10 a(見圖11),可以發現,除了在1984—1986年間有微弱正相關,在其他大多數年份中都呈現0.4～0.8的中強負相關性,結合圖8(a)的第一模態空間分布,我們認為南海北部受到黑潮入侵作用明顯,呈負相關關系。

圖10 黑潮流量與EOF第一模態時間序列對比

圖11 黑潮流量與EOF第一模態時間序列LRCC

黑潮流量與南海SSS呈負相關性的原因可以解釋為:黑潮向南海的入侵主要通過渦旋和水平平流[19],在黑潮流量大時,強慣性作用使通過呂宋海峽向南海輸送的高鹽水變少,在流量較小時,受到地形的影響更加明顯,容易產生渦旋和水平平流,向南海輸送的高鹽水變多,這種效應也稱為“茶壺效應”[20]。周艷芳等[21]使用OFES數值模擬數據對呂宋島東側(18°N,122.25°E—123.65°E)斷面黑潮上游流量與呂宋海峽輸運之間的關系進行了研究,認為在一般情況下黑潮上游流量較小,有利于太平洋水入侵南海,而黑潮流量較大時不利于入侵南海,與本文的結論較為一致。

從第一模態的空間分布中發現,EOF在南海南部及北部灣呈現負異常可能是受到降水影響。對GPCP南海區域的降水數據進行EOF分解,得到第一模態的方差貢獻率為47.58%,能夠代表該區域降水的主要形態。如圖12所示,將歸一化的降水時間序列與EOF第一模態的時間序列進行對比,兩者呈相關系數為-0.49的負相關關系,置信度超過99%。圖中能夠觀察到明顯的負相關關系,這說明降水對南海SSS年際變化的影響非常顯著。進一步對二者計算LRCC,滑動窗口選擇為10 a,結果如圖13所示。從圖中可以發現相關系數在0.45～0.70之間,變化幅度不大。結合圖13的降水第一模態空間分布,當降水第一模態時間序列值增加時,降水量減少,對應南海SSS第一模態時間序列值減少,結合圖8(a)南海南部及北部灣呈現負異常,因此SSS上升。可以認為降水和南海SSS之間呈現穩定的中強負相關性,降水增多時,海表凈淡水通量增加,SSS下降,反之SSS上升。

圖12 降水時間序列和EOF第一模態時間序列對比

圖13 降水時間序列和EOF第一模態時間序列LRCC

為了分析第一模態的空間分布中南北變化相反的原因,進一步討論南海降水和黑潮對南海鹽度的影響。從圖14中可以發現,1979—2021年南海降水的變化一致,變化高值出現在南海南部,因此南海南部的降水變化更強,根據前文的結論,南海北部受到黑潮入侵的影響明顯,因此在南海SSS第一模態在北部呈現正異常,北部灣海域由于地理位置受到黑潮入侵的影響很小,而南海南部SSS受到降水影響強烈,都呈現負異常,因此第一模態呈現南北位相相反的特點。北部灣的鹽度變化受到多種因素影響,受到數據量和數據精度的限制,本文定性地認為其鹽度變化受到地理位置、降水及徑流的影響,未來結合北部灣高分辨率的數據可以進行進一步的研究。

圖14 南海降水EOF第一模態空間分布

從第二模態的空間分布可以發現其主要受到包括珠江在內的徑流的影響,作者將年平均后的第二模態時間序列與珠江年徑流量進行對比并做相關性分析(見圖15)。從圖中可以發現二者有明顯的負相關關系,相關系數達到-0.45,置信度超過99%。三個站位中高要站與第二模態時間序列的負相關性最強,相關系數為-0.46,置信度超過99%,因此珠江徑流量變化是影響南海陸架及沿岸區域SSS變化的重要因素。結合第二模態的空間分布,珠江徑流量增大時,向南海輸入淡水增多,導致南海陸架及沿岸區域SSS下降。

圖15 珠江年徑流量與EOF第二模態時間序列對比

3.2 氣候變化過程的作用機制

太平洋年代際振蕩(Pacific decadal oscillation,PDO)周期為10～20 a,ENSO是厄爾尼諾(El Nio)和南方濤動(Southern oscillation)的合稱,其發生周期為2～7 a,兩者對中國南海氣候變化都有重要的影響。從圖9可以看到,南海SSS存在顯著的年際和年代際變化,其周期分別與ENSO和PDO相近,南海SSS極有可能受到ENSO和PDO的復合影響。

本文首先在年代際尺度上對PDO與南海SSS進行相關分析及機制討論,并在年際尺度上分析ENSO和PDO對南海SSS的復合作用。

3.2.1 年代際變化機制分析 為獲取第一模態時間序列和PDO指數的年代際變化信號,對二者進行了10年低通濾波,在1871—2021年進行對比并做相關分析。如圖16所示,兩者相關性系數為0.46,呈正相關關系,南海SSS滯后于PDO 10個月時,二者相關性最強,為0.47。黑潮入侵南海的強度有顯著的年代際變化,PDO處于正位相時,阿留申低壓南移,西風異常增強,北赤道流分叉點向北移動,導致呂宋海峽東部黑潮流量減小[22],由于“茶壺效應”,黑潮入侵南海的強度增強,南海鹽度上升。PDO負位相時,結果相反。

圖16 EOF第一模態時間序列與PDO指數對比

為驗證黑潮入侵南海的變化,使用SODA數據繪制了1871—2021年呂宋海峽附近PDO正位相(PDO指數大于0.5)和負位相(PDO指數小于-0.5)時的流場合成圖,圖17(a)中呂宋海峽西側和南海北部的流場強于圖17(b),且黑潮流軸更靠近南海,這說明在PDO負位相比PDO正位相時黑潮入侵南海的效應更強。

圖17 PDO正(a)負(b)位相時呂宋海峽周邊及南海流場

3.2.2 年際變化機制分析 前人的研究中已經發現ENSO對南海SSS的影響主要通過兩種方式:一是通過沃克環流形成“大氣橋”[23],進而控制降水變化產生的,在厄爾尼諾年降水減少,SSS上升,拉尼娜年反之[24-25];二是ENSO通過影響黑潮入侵南海產生的,黑潮經呂宋海峽向南海輸入的流量在厄爾尼諾年較高,在拉尼娜年較低[26]。ENSO南海SSS的年際變化受到ENSO的影響[6],但是在以往對ENSO與南海SSS的相關分析中并沒有考慮PDO的影響,因此本文對ENSO和PDO對南海SSS復合作用機制進行了研究。

為了討論PDO和ENSO對南海SSS變化的復合影響,需要獲取南海SSS與ENSO的低頻變化,因此對NINO3.4和南海SSS的EOF第一模態時間序列計算了SRCC(滑動窗口設為10 a),繪制了NINO3.4指數和10年低通濾波PDO指數的變化曲線(見圖18中紅線和藍線)。從圖中可以發現,SRCC與PDO周期接近,兩者呈現正相關關系,相關系數為0.38,在滯后9個月后達到最大值0.43,置信度超過99%,也就是說ENSO與南海SSS的相關關系很可能受到PDO的影響,南海SSS的年際變化受到PDO和ENSO的復合作用。

圖18 NINO3.4和EOF第一模態時間序列10 a的SRCC(紅色、藍色陰影)與PDO指數(藍色)和NINO3.4指數(紅色)對比

當PDO正位相時,NINO3.4指數與南海SSS整體呈現正相關,在厄爾尼諾年正相關較強,而在拉尼娜年相關性不明顯,對于這種相關性的變化,分析并給出了以下解釋:當PDO正位相且處在厄爾尼諾年時,赤道西風增強,進而加強了沃克環流,導致太平洋中部的上升運動更強,南海區域下沉運動更強,厄爾尼諾對南海降水的控制加強,導致南海降水大幅減少,其周邊河流徑流量減少,同時,ENSO和PDO正位相時黑潮入侵強烈,兩種因素共同影響使南海SSS上升;而在拉尼娜年,南海降水增強,同時黑潮入侵效應強,兩者作用相反,使南海SSS在拉尼娜年變化不明顯。

當PDO負位相時,NINO3.4指數與南海SSS整體呈現負相關,在拉尼娜年負相關性較強,而在厄爾尼諾年相關性不明顯,對此給出了一部分解釋:PDO負位相時,在厄爾尼諾年南海降水減少,同時黑潮入侵效應減弱,兩者作用相反,使南海SSS變化不明顯。但在拉尼娜年呈現負相關的原因根據現有的結論還無法解釋,猜測可能與印度洋偶極子(IOD)的影響有關,但同時分析3種氣候變化過程的影響較為困難,具體的影響機制還有待進一步研究。

4 結論

本文融合海洋再分析數據和衛星遙感數據,處理生成151 a(1871—2021年)的長期南海SSS數據集,采用EOF和相關分析等方法,分析了南海SSS的長期時空變化特征及機制,得到以下結論:

(1)近150 a(1871—2021年)南海SSS整體變化趨勢分為4個階段,分別為1871—1914年,1915—1939年,1940—1958年,1959—2021年,變化速度分別為每10年0.09、-0.19、0.31和-0.09。由方差和增長趨勢的空間分布可以發現,南海SSS變化劇烈的位置集中在珠江河口,南海SSS的變化在南部和北部反向。

(2)利用EOF和相關性分析方法,發現南海SSS變化呈現顯著的年代及年代際變化特征,主要受到黑潮入侵和降水的共同影響,與黑潮流量和降水時間序列分別呈相關系數為-0.41和-0.49的中度負相關性,滑動相關分析結果表明相關性穩定。河口及沿岸SSS變化與珠江徑流流量呈負相關,相關系數為-0.45。

(3)PDO通過黑潮入侵變化影響南海SSS,在年代際尺度上呈現正相關,在滯后10個月時正相關性最強,為0.47。ENSO主要通過降水影響南海SSS,受到PDO的調控,相關性呈現與PDO周期相近的年代際變化,在滯后9個月時這種調控效應最強,南海SSS受到PDO和ENSO的復合影響:PDO正位相時,厄爾尼諾現象對南海降水的影響加強,使南海降水量減少,加之黑潮入侵強烈,南海SSS呈現明顯上升;而在拉尼娜年,南海降水增強,但同時受到黑潮入侵增強,兩者作用相反,南海SSS在拉尼娜年變化不明顯;在PDO負位相時,厄爾尼諾現象使南海降水減少,同時黑潮入侵效應減弱,兩者作用相反,使南海SSS變化不明顯。

本文分析了近150 a南海SSS的變化特征及機制,相比于前人的研究,本文使用的數據時間范圍更長,因此南海SSS年際及年代際變化的研究結論更加可靠,且本文討論了PDO和ENSO兩者對南海SSS產生的復合影響,有助于理解南海SSS的復雜變化機制。