太平洋年代际振荡、大西洋年代际振荡和全球变暖对北美地区降水的相对贡献

徐川 张昊 陶丽 ,3

1 南京信息工程大学大气科学学院，南京 210044

2 浙江省台州市三门县气象局，台州 317100

3 南京信息工程大学气象灾害教育部重点实验室，南京 210044

1 引言

降水是指在大气中冷凝的水汽以不同方式下降到地球表面的天气现象，而降水的变化会影响世界绝大部分的人口。北美地区是世界上经济最发达的地区，然而降水的变化对该地区的社会和经济发展产生的影响不容小觑。自2007 年以来，加州干旱频发，干旱导致水库水位下降、水力发电量剧减、森林火灾频发。2020 年夏美国多州又出现干旱，加州大火重燃。北美的这些持续性的天气异常，气候变化和年代际变化是否有贡献？这是我们亟待解决的问题。

许多研究表明， 太平洋年代际振荡（Interdecadal Pacific Oscillation，IPO）对北美地区及全球其他区域的降水有重要贡献（朱益民和杨修群, 2003; 杨修群等, 2004; 邓伟涛等, 2009; Dai,2013; 杨朝虹等, 2018）。Meehl and Hu（2006）通过海气耦合模式（coupled general circulation model，CGCM）发现北美西南部地区降水存在多年代际变化，Dai（2013）研究发现北美西南地区的降水与IPO 指数高度相关，Xu and Hu（2018）经过相关分析，认为美国西部的降水更容易受IPO/PDO 的影响。IPO 是一种海洋、大气现象，发生在太平洋海盆区域，振荡周期约为10～30 年和40～60 年。有研究定义IPO 的北太平洋分量为北太平洋年代际振荡（Pacific decadal Oscillation，PDO；Mantua et al., 1997; Zhang et al., 1997），PDO 被认为是由厄尔尼诺—南方涛动（El Niño-Southern Oscillation，ENSO）的“红化”与随机大气强迫相结合所造成（Newman et al., 2003）。尽管计算IPO 和PDO 指数的关注区域和消除年际变化的过滤方法上有所不同，但IPO 和PDO 在时间上高度相关，并且经常可互换使用（Xu and Hu, 2018）。IPO 影响的北美陆地降水异常的原因可用相关的环流异常解释，即在IPO 负位相阶段，热带中东太平洋海表面温度（Sea Surface Temperature，SST）异常偏低，会导致北太平洋对流层低层在冬季产生较强的高压中心以及反气旋环流，导致北美西部沿海地区出现寒冷干燥的西北风和偏北风，进而导致IPO 负位相期间（1946～1976 年和1999 年至今）美国西部大部分地区（美国西北部除外）和美国中部大平原的年降水量减少5%～20%，在IPO 的正位相期间（1924～1945 年和1977～1998 年），环流和降水变化大致相反，美国西部和中部大平原的大部分地区降水量较高，而IPO 对美国中西部、东北部和东南部降水的影响相对较弱（Meehl and Hu, 2006;Dai, 2013; Dong and Dai, 2015）。

另一重要的年代际信号是大西洋多年代际振荡（Atlantic Multidecadal Oscillation，AMO），也称为大西洋多年代际变率（Atlantic Multidecadal Variability，AMV），它是发生在北大西洋区域具有海盆尺度的、60～80 年的周期的海表面温度异常变化。AMO 是一种自然变率，通常用0°～80°N 北大西洋区域平均的SST 异常来表示（Schlesinger and Ramankutty, 1994; Kerr, 2007）。诸多研究表明，AMO 在北大西洋局地气候及全球其他区域气候演变中发挥了重要作用（Knight et al., 2006; Zhang and Delworth, 2006; Mohino et al.,2011; Goly and Teegavarapu, 2014; 孙雪倩等, 2018）。欧亚大陆的地表气温，美国大陆、巴西东北部、西非以及南亚的降水，北大西洋飓风等都与之密切相关（Knight et al., 2006; 李双林等, 2009）。Sutton and Hodson（2005）发现AMO 造成了美国、墨西哥南部以及西欧地区大气环流的明显变化，降水和地表温度也出现了相关异常。相关研究表明，北美季风与AMO 密切相关。北美季风开始于6 月初到6 月中旬，首先在墨西哥西南部上空出现，然后迅速向北移动，直到7 月初到达美国西南部（Douglas et al., 1993）。北美夏季风的爆发是由于大气热力学不稳定和邻近海域水汽输送增加的结果，往往会导致天气从炎热干燥迅速转变为相对凉爽阴雨。Higgins et al.（1997）指出，北美季风有两个主要的水汽来源：加利福尼亚湾北部提供了850 hPa以下的大部分水汽，而墨西哥湾则提供了850 hPa及以上的水汽。1948～2009 年期间，北美季风系统在墨西哥西北部的强度表现出多年代际变化，在AMO 正位相期间，美国东南部和墨西哥湾异常气旋环流和降水增强（Arias et al., 2012），有研究表明这是由于AMO 正位相期间，夏季北大西洋副热带高压系统减弱，而从墨西哥湾附近地区到美国中部水汽输送增强，导致美国东南部和北美季风区的夏季降水量增多，而北美其他大部分地区（尤其是美国中部地区）的降水减少（Douglas et al.,1993; Hu and Feng, 2008; Hu et al., 2011）。

全球变暖使得全球大气平均水汽含量上升，但在过去几十年，全球平均陆地降水的变化幅度却很少（施能等, 2004; Held and Soden, 2006; Gu et al.,2007; Gu and Adler, 2015），一方面可能是由于地球能量平衡收支，另一方面可能是由于不同区域的降水变化相互抵消（Dai et al., 1997; Emori and Brown, 2005; Held and Soden, 2006; Smith et al.,2006）。同时全球变暖对于北美地区极端降水以及水汽输送有一定的贡献：极端降水的增加幅度大于全球范围内的平均降水增加幅度，气候模式在北美区域降水研究中也体现为强降水或者极端降水增加幅度相对于其他降水类型幅度要大（Hennessy et al., 1997; Wilby and Wigley, 2002）。而北美地区气温上升的时段（从1980 年开始）与全球平均气温的快速上升时段大致吻合，所以全球变暖是导致北美极端降水事件发生频率增加的一个原因（Kunkel,2003）。历史气候情景和RCP8.5 情景研究发现在北美北部沿海地区，随增暖加强降水强度和单体风暴的总降水都有变得更加强烈的趋势（Ma et al.,2019）。

综上所述，太平洋年代际振荡（Interdecadal Pacific Oscillation，IPO）、大西洋年代际振荡（Atlantic Multidecadal Oscillation，AMO）、全球变暖（Global Warming，GW）对北美陆地降水均有一定贡献，也有诸多研究，但较少有人研究IPO、AMO、GW 对于北美地区降水的相对贡献。为了进一步探究IPO、AMO、GW 对北美范围内不同区域陆地降水的相对重要性，本文首先利用奇异值分解（Singular Value Decomposition，SVD)方法分析北美地区冬、夏季降水年代际变化时空分布及耦合的海温模态，然后利用多元线性回归模型来分析IPO、AMO、全球变暖对北美地区陆地降水的相对贡献，并进一步利用信息流方法确认其因果关系，最后利用全球大气环流模式确定太平洋和大西洋海温异常对北美地区陆地降水变化的影响途径。

2 资料与方法

2.1 资料

由于北美冬夏季降水差异较大，本文将冬夏季分别进行分析，6～8 月定义为夏季，12 月至次年2 月定义为冬季。本文所用陆地降水逐月资料分别是东英吉利大学气候研究中心（University of East Anglia Climatic Research Unit）的CRU TS4.02（http://data.ceda.ac.uk/badc/cru/data/cru_ts [2020-01-20]）降水资料，空间分辨率为0.5°×0.5°和全球降水气候中心（ Global Precipitation Climatology Centre，GPCC）的降水资料（https://opendata.dwd.de/climate_environment/GPCC/html[2020-01-20]），空间分辨率为1°×1°。海表面温度资料由英国Hadley 中心提供（Hadley Centre Sea Ice and Sea Surface Temperature dataset, HadISST, https://www.metoffice.gov.uk/hadobs/hadisst/[2020-01-20]），空间分辨率为1°×1°。

IPO 指数（IPOI）和AMO 指数（AMOI）均来自于美国国家海洋和大气管理局（National Oceanic and Atmospheric Administration，NOAA）的物理科学实验室（Physical Sciences Laboratory，PSL）（https://www.esrl.noaa.gov/psd/data/climateindices/list/[2020-01-20]）。其中IPOI 基于赤道中部太平洋的区域平均海温异常与西北太平洋和西南太平洋的区域平均海温异常的差值进行构建。AMOI 是根据北大西洋区域（0°～70°N）SST 去趋势后进行加权平均所构建。GW 指数（GWI）定义为（45°S～60°N）范围内全球SST 平均，然后采用集合经验模态分解（Ensemble Empirical Mode Decomposition，EEMD）滤波后得到的趋势时间序列，以消除年际及IPO、AMO 信号影响。

本文资料均去除了季节循环，除信息流分析外还对所有资料进行了Lanczos 九年低通滤波，以消除数据中的年际变化信号。本文资料所取时间长度均为1934～2018 年。

2.2 方法

2.2.1 SVD 方法

利用SVD 方法分析北美地区冬、夏季降水年代际变化时空分布及耦合的海温模态。本文将北美大陆地区（13°N～70°N，167°W～55°W）冬夏季降水作为SVD 左场，由于20°S～45°N 海温区域能较好地覆盖IPO、AMO、全球变暖的海温范围，所以选取该区域冬夏季海温作为SVD 右场，进行SVD 分析。

2.2.2 多元线性回归

为了评估IPO、AMO、全球变暖的相对重要性，利用多元线性回归预测模型定量计算了IPOI、AMOI 和GWI 对北美大陆地区（13°N～70°N，167°W～55°W）不同区域冬夏季降水的相对贡献大小。构造的多元线性回归模型如下：

因此，IPO、AMO 和GW 的方差贡献占比（R）分别表示为

2.2.3 信息流方法

通常，我们使用超前滞后相关分析来识别两个时间序列之间的因果关系。然而，众所周知，相关性不具有所需的定向性或不对称性，因此并不一定意味着因果关系。但分析事件间的因果关系是科学研究的核心问题。信息流是指信息的传递运动，Liang（2014）基于“信息流”物理概念，给出两个物理量的时间序列在单位时间内传递的信息流的严谨表达式，而不必如传统方法那样以半经验的形式出现。信息流不仅提供因果关系的方向，而且提供因果关系的大小。

考虑两个物理量的时间序列：

公式（13）从严格意义上说, 它只适用于线性系统，但研究表明，它是非线性时间序列的一个很好的近似值（Stips et al., 2016）。信息流的信度检验见（Liang, 2014）。利用公式（13）我们可以定量给出IPO、AMO、GW 对北美陆地降水信息流的显著区域。

2.2.4 大气环流模式数值试验

本文采用ECHAM4 大气环流模式（AGCM）进行一系列SST 敏感性试验，进一步深入研究IPO、AMO 和GW 对陆地降水的影响。ECHAM4大气环流模式是由德国马普气象研究所开发的第四代大气环流模式。

该模型基于原始大气动力方程式，可预报变量由截断的球谐函数序列表示，截断序列在42 波数（T42）处呈三角形截断。非线性项和大多数参数化物理过程是在高斯网格上计算的，该网格的水平空间分辨率约为2.8°×2.8°，经纬度网格点数分别为128 和64。在垂直方向上采用19 层的混合σ气压坐标、垂直积分区域可延伸到10 hPa，相当于大约30 km 的高度。除辐射变量的积分步长为2 小时，热力和动力学变量的积分步长为24 分钟，详细的ECHAM4 模式介绍可参考Roeckner et al.（1996）等工作。每一个试验积分30 年，取后20 年模拟结果，相当于20 个统计样本的一个集合平均。

3 结果与分析

3.1 影响北美地区夏、冬季陆地降水的趋势和年代际变化的主要SST 模态

3.1.1 夏季

为探究北美地区冬、夏季降水年代际变化时空分布及耦合的海温模态，本节将北美大陆地区（13°N～70°N，167°W～55°W）冬夏季降水作为SVD 左场，20°S～45°N 区域冬夏季SST 作为SVD 右场，分季节进行SVD 分析。数据预处理阶段，降水和SST 数据均经过了Lanczos 9 年低通滤波，以滤除高频信号的影响，并去除缺测值。图1、2、3 为夏季海温与降水的SVD 分析结果，图4、5、6 为冬季海温与降水的SVD 分析结果。

图1a、b 分别为夏季第一模态异类场，解释方差为32.7%，图1c 为对应的时间序列。分析时间序列，其中降水和SST 时间序列相关系数达到了0.91，SST 时间序列与AMOI 相关系数达到了0.84，均通过了α=95%的信度检验，且北大西洋SST 呈现为一致增暖趋势，因此确定夏季SVD 分析的第一模态SST 场为AMO 模态。由图1b 可知，在AMO 正位相期间，阿拉斯加地区、密西西比河流域、大西洋沿岸平原、佛罗里达半岛、加拿大北部降水为正异常，美国西部地区降水为负异常。

图1 1934～2018 年6～8 月海温与Climatic Research Unit（CRU）陆地降水奇异值分解（Singular Value Decomposition，SVD）分析第一模态。（a）、（b）分别为SVD 第一模态海温、降水异类场，打点区域表示通过α=90%信度检验；（c）为异类场时间系数和AMO 指数（AMOI），其中蓝线表示SST 时间序列，红线表示降水时间序列，黑线表示AMOI，*、**和***分别代表相关系数（r）通过α=90%、α=95%和α=99%信度检验Fig. 1 First Singular Value Decomposition (SVD) modes between the sea surface temperature (SST) and land precipitation from Climatic Research Unit (CRU) during June, July and August (JJA) of 1934-2018: Spatial pattern of (a) SST and (b) land precipitation; (c) normalized SVD time series of SST (blue lines) and precipitation (red lines). The black line denotes the AMO index (AMOI). The correlation coefficients (r) with *, **, and *** are statistically significant at the 90%, 95%, and 99% confidence levels, respectively. The areas with dots are statistically significant at α=90% confidence level for (a) and (b)

图2a、b 分别为夏季SVD 第二模态的SST 和降水异类场，解释方差为21.6%，图2c 为对应的时间序列。分析时间序列，降水和SST 时间序列相关系数达到了0.95，SST 时间序列与IPOI 相关系数达到了0.94，均通过α=99%的信度检验。且太平洋SST 的空间模态呈现为经典ENSO 的模态，因此确定夏季SVD 分析的第二模态SST 场为IPO模态。由图2b 可知，在IPO 正位相期间，阿拉斯加南部沿海地区、北美洲中部大部分地区以及加拿大中东部降水偏多，加拿大西部地区、墨西哥南部地区降水偏少。

图2 1934～2018 年6～8 月海温与CRU 陆地降水SVD 分析第二模态。（a）、（b）分别为SVD 第二模态海温、降水异类场，打点区域表示通过α=90%信度检验；（c）为异类场时间系数和IPO 指数（IPOI），其中蓝线表示SST 时间序列，红线表示降水时间序列，黑线表示IPOI，*、**和***分别代表相关系数（r）通过α=90%、α=95%和α=99%信度检验Fig. 2 Second SVD modes between the SST and land precipitation from CRU during JJA of 1934-2018: Spatial pattern of (a) SST and (b) land precipitation; (c) normalized SVD time series of SST (blue lines) and precipitation (red lines). The black line denotes the IPO index (IPOI). The correlation coefficients (r) with *, **, and *** are statistically significant at the 90%, 95%, and 99% confidence levels, respectively. The areas with dots are statistically significant at the 90% confidence level for (a) and (b)

图3a、b 分别为夏季SVD 第三模态的SST 和降水异类场，解释方差为15.7%，图3c 为对应的时间序列。分析时间序列，其中降水和SST 时间序列相关系数达到了0.81，但SST 时间序列与GWI 相关系数只有0.36，北美陆地降水时间序列与GWI 相关系数只有0.64，同时考虑SST 的空间分布，认为SVD 第三模态的SST 场与GW 没有相似性，有可能是印度洋SST 模态或者南大西洋SST 模态。

图3 1934～2018 年6～8 月海温与CRU 陆地降水SVD 分析第三模态。（a）、（b）分别为SVD 第三模态海温、降水异类场，打点区域表示通过α=90%信度检验；（c）为异类场时间系数和GW 指数（GWI），其中蓝线表示SST 时间序列，红线表示降水时间序列，黑线表示GWI，*、**和***分别代表相关系数（r）通过α=90%、α=95%和α=99%信度检验Fig. 3 Third SVD modes between the SST and land precipitation from CRU during JJA of 1934-2018: Spatial pattern of (a) SST and (b) land precipitation; (c) normalized SVD time series of SST (blue lines) and precipitation (red lines). The black line denotes the GW index (GWI). The correlation coefficients (r) with *, **, and *** are statistically significant at the 90%, 95%, and 99% confidence levels, respectively. The areas with dots are statistically significant at the 90% confidence level for (a) and (b)

3.1.2 冬季

图4a、b 分别为冬季SVD 第一模态的SST 和降水异类场，解释方差为42.3%。图4c 为对应的时间序列。分析时间序列，其中降水和SST 时间序列相关系数达到了0.88，SST 时间序列与IPOI 相关系数达到了0.86，均通过了α=95%信度检验，且太平洋SST 的空间模态呈现为经典ENSO 的模态，因此确定冬季SVD 分析的第一模态SST 场为IPO模态。由图4b 可见，在IPO 正位相期间，北美洲降水整体自北向南大致呈现“正—负—正”的三极分布形态，北美洲南部（特别是美国、墨西哥交界处）降水显著偏多，北美洲中部地区降水显著偏少。

图5a、b 分别为冬季SVD 第二模态的SST 和降水异类场，解释方差为23.2%，图5c 为对应的时间序列。分析时间序列，其中降水和SST 时间序列相关系数达到了0.94，通过了α=95%信度检验，SST 时间序列与AMOI 相关系数达到了0.87，通过了α=90%信度检验。且北大西洋SST 呈现为一致增暖趋势，因此确定冬季SVD 第二模态的SST 场为AMO 模态。由图5b 可见在AMO 正位相期间，北美洲中偏东部地区降水偏多，北美洲东南部沿岸地区降水偏少。

图4 1934～2018 年12～2 月海温与CRU 陆地降水SVD 分析第一模态。（a）、（b）分别为SVD 第一模态海温、降水异类场，打点区域表示通过α=90%信度检验；（c）为异类场时间系数和IPOI，其中蓝线表示SST 时间序列，红线表示降水时间序列，黑线表示IPOI，*、**和***分别相关系数（r）代表通过α=90%、α=95%和α=90%信度检验Fig. 4 First SVD modes between the SST and land precipitation from CRU during December January February (DJF) of 1934-2018: Spatial pattern of (a) SST and (b) land precipitation; (c) normalized SVD time series of SST (blue lines) and precipitation (red lines). The black line denotes the IPOI.The correlation coefficients (r) with *, **, and *** are statistically significant at the90%, 95%, and 99% confidence levels, respectively. The areas with dots are statistically significant at the 90% confidence level for (a) and (b)

图5 1934～2018 年12～2 月海温与CRU 陆地降水SVD 分析第二模态。（a）、（b）分别为SVD 第二模态海温、降水异类场，打点区域表示通过90% 信度检验；（c）为异类场时间系数和AMOI，其中蓝线表示SST 时间序列，红线表示降水时间序列，黑线表示AMOI，*、**和***分别代表相关系数（r）通过α=90%、α=95%和α=99%信度检验Fig. 5 Second SVD modes between the SST and land precipitation of CRU during DJF of 1934-2018: Spatial pattern of (a) SST and (b) land precipitation; (c) normalized SVD time series of SST (blue lines) and precipitation (red lines). The black line denotes the AMOI. The correlation coefficients (r) with *, **, and *** are statistically significant at the 90%, 95%, and 99% confidence levels, respectively. The areas with dots are statistically significant at the 90% confidence level for (a) and (b)

图6a、b 分别为冬季第三模态的SST 和降水异类场，解释方差为12.2%，图6c 为对应的时间序列。分析时间序列，其中降水和SST 时间序列相关系数达到了0.82，但SST 与GWI 相关系数只有0.11，北美陆地降水与GWI 相关系数只有0.35，未通过α=90%的信度检验，且SST 分布与IPO、AMO、GW 模态均不是特别吻合，说明GW 对北美陆地降水影响较小。

图6 1934～2018 年12～2 月海温与CRU 陆地降水SVD 分析第三模态。（a）、（b）分别为SVD 第三模态海温、降水异类场，打点区域表示通过90%信度检验；（c）为异类场时间系数和GWI，其中蓝线表示SST 时间序列，红线表示降水时间序列，黑线表示GWI，*、**和***分别代表相关系数（r）通过α=90%、α=95%和α=99%信度检验Fig. 6 Third SVD modes between the SST and land precipitation from CRU during DJF of 1934-2018: Spatial pattern of (a) SST and (b) land precipitation; (c) normalized SVD time series of SST (blue lines) and precipitation (red lines). The black line denotes the GWI. The correlation coefficients (r) with *, **, and *** are statistically significant at the 90%, 95%, and 99% confidence levels, respectively. The areas with dots are statistically significant at the 90% confidence level for (a) and (b)

综上，通过SVD 分析可见，对北美陆地降水相对贡献较大的主要SST 模态夏季为AMO（32.7%）和IPO（21.6%）冬季则为IPO（42.3%）和AMO（23.2%），GW 对北美陆地降水影响较小。利用GPCC 降水资料进行SVD 分析，也得到类似的结果（图略），这里不再赘述。

3.2 回归分析

影响北美地区陆地降水变化的SST 模态主要为IPO 和AMO，而GW 在SVD 的前三个主要模态中没有得到体现。为了进一步探究IPO、AMO以及GW 对北美地区陆地降水的影响，利用一元线性回归模型，分别将夏、冬季的陆地降水与IPOI、AMOI 和GWI 进行回归。IPOI、AMOI 以及降水数据经过Lanczos 九年低通滤波，GWI 经过EEMD 滤波。IPOI、AMOI、GWI 的时间序列及相关系数如图7 所示，三个指数之间相关系数较小，没有通过经过自相关计算得到的较低自由度的α=90%信度检验，可以认为三者相互独立。

图7 1934～2018 年IPOI（红线）、AMOI（蓝线）、GWI（黑线）时间序列图。IPOI、AMOI 进行9 年低通滤波，r 表示三个指数间的相关系数Fig. 7 Time series of the 9-yr low-passed IPOI (red line), AMOI (blue line), and GWI (black line) from 1934-2018. r is the correlation coefficient between the three indices

图8 为1934～2018 年IPOI、AMOI 和GWI对CRU 北美陆地降水的线性回归系数分布图。打点区域的相关系数通过了α=90%的信度检验。

图8a、b 为IPOI 对CRU 夏、冬降水的回归结果，通过信度检验区域的趋势与SVD 结果（图2b、图4b）基本一致，进一步验证了IPO 对北美地区降水变化的影响。相对夏季而言，IPO 对北美冬季年代际降水更有显著的影响。在冬季，IPO 正位相期间，北美洲南部降水显著增多，北美洲中部地区降水显著减少。夏季，IPOI 与美国大部分地区降水以及五大湖地区降水为正相关，与加拿大西部地区、墨西哥南部地区降水为负相关。

图8c、d 为AMOI 对CRU 夏、冬降水的回归结果，通过信度检验的区域的趋势与SVD 结果（图1b、图5b）基本一致。相对冬季而言，AMO对北美夏季年代际降水更有显著的影响。在夏季，AMO 正位相期间，北美洲中西部地区、墨西哥降水显著减少，而阿拉斯加地区、密西西比河流域、大西洋沿岸平原、佛罗里达半岛降水显著增加；冬季，AMOI 与美国东部沿岸地区为显著正相关。

图8e、f 为GWI 对CRU 夏、冬降水回归结果。夏季，随着全球变暖，加拿大中西部及东南部沿海地区、五大湖东部地区、密西西比河南部流域、墨西哥东部降水增加，而美国西部降水减少；冬季，随着全球变暖，五大湖区域降水增加，加拿大中西部地区降水减少。

图8 （a、b）IPOI、（c、d）AMOI 和（e、f）GWI 对1934～2018 年（a、c、e）6～8 月和（b、d、f）12～2 月CRU 降水的线性回归分布（单位：mm month-1）。打点区域为通过α=90%信度检验区域Fig. 8 Regressed land precipitation from CRU (mm month-1) in JJA (left column) and DJF (right column)of 1934-2018 onto the normalized indices of (a, b) IPO, (c, d) AMO, and (e, f) GW. The areas with dots are statistically significant at the 90% confidence level

一元线性回归分析的结果进一步验证了夏季对北美陆地降水产生影响的主要SST 模态为AMO、IPO，而冬季则主要为IPO、AMO。也能看到GW对加拿大中西部和五大湖地区的降水也有重要影响，无论冬夏，随着全球变暖，五大湖地区的降水均增加，而加拿大中西部在夏季有变湿的趋势，冬季有变干的趋势。考虑到部分区域的降水受到多个模态的共同影响，且冬季第三主要海温模态尚未确定，下一节将重点分析IPO、AMO、GW 对北美陆地不同区域降水的相对贡献。

3.3 IPO、AMO、GW 对北美陆地降水的方差贡献

本节通过多元线性回归模型，给出IPO、AMO、GW 三者对北美陆地降水趋势和年代际变化的相对方差贡献分布图（图9、10）。选取阿拉斯加地区（60°N～70°N，167°W～140°W）、美国本土（30°N～49°N，130°W～70°W）、加拿大（49°N～70°N，140°W～55°W）、墨西哥（15°N～30°N，117°W～93°W），分别计算冬夏季四个区域的相对方差贡献占比（表1、2），定量评估IPO、AMO、GW对这四个区域陆地降水的趋势和年代际变化的相对方差贡献大小。

3.3.1 夏季

图9a 为1934～2015 年AMO、IPO、GW 对夏季北美陆地降水的总方差贡献分布及三者的相对贡献，阿拉斯加西南部、加拿大中部、哈德森海峡北部、五大湖东部地区，IPO、AMO、GW 三者可以解释80%以上夏季降水的年代际方差，阿拉斯加东北部、加拿大西部、哈德森海峡南部、美国西部、墨西哥南部，三者可以解释60%以上夏季降水的年代际方差。结合表1，可以得出，三者对阿拉斯加地区夏季降水总方差贡献最大，大约34.7%，而美国本土只有22.9%。

表1 IPO、AMO、GW 对四个区域夏季陆地降水的总方差贡献和每个因子的相对方差贡献比例Table 1 Total variance contributions of IPO, AMO, and GW to the land precipitation in JJA and the relative contributions of IPO, AMO, and GW

由表1 和图9 可见，IPO、AMO、GW 三者可以解释阿拉斯加地区34.1%夏季降水的年代际方差，AMO 贡献最大，达到了65.8%，GW 次之其贡献为20.0%。加拿大地区，三者可以解释其30.0%夏季降水的年代际方差，GW 贡献最大，达到了44.5%，IPO 和AMO 的贡献分别为30.6%和24.9%。美国本土，三者可以解释其22.9%夏季降水的年代际方差，GW、AMO 和IPO 的贡献分别为36.8%、35.6%和27.6%。墨西哥，三者可以解释其24.0%夏季降水的年代际方差，AMO、GW和IPO 的贡献分别为37.2%、32.2%和30.6%。

图9 1934～2018 年IPO、AMO 和GW 对夏季CRU 陆地降水的方差贡献分布。（a）为三者对降水可以解释的方差总贡献，（b）、（c）、（d）分别为IPO、AMO 和GW 的相对方差贡献比例Fig. 9 (a) Total variance contributions of IPO, AMO, and GW to the land precipitation from CRU in JJA of 1934-2018, and the relative contributions of (b) IPO, (c) AMO, and (d) GW

夏季，IPO 对加拿大和墨西哥地区方差贡献较大，AMO 对阿拉斯加方差贡献最大，GW 对加拿大方差贡献最大。

3.3.2 冬季

图10 为1934～2018 年IPO、AMO、GW 对冬季北美陆地降水的总方差贡献分布及三者的相对贡献，阿拉斯加西北部、加拿大南部、哈德森湾东部及南部、美国和墨西哥交界处IPO、AMO、GW三者可以解释80%以上冬季降水的年代际方差。结合表2，可以得出三者对墨西哥总方差贡献最大，达到41.3%。

表2 IPO、AMO、GW 对四个区域冬季陆地降水的总方差贡献和每个因子的相对方差贡献比例Table 2 Total variance contributions of IPO, AMO, and GW to the of land precipitation in DJF and the relative contributions of IPO, AMO, and GW

由表2 和图10 可见，IPO、AMO、GW 三者可以解释阿拉斯加地区27.0%冬季降水的年代际方差，比夏季解释方差小。冬季GW 贡献最大，达到了62.3%，AMO 和IPO 贡献分别19.5%和18.2%。加拿大地区，三者可以解释其29.3%冬季降水的年代际方差，GW 贡献最大，达到了44.7%，AMO 和IPO 的贡献分别为28.8%和26.5%，与夏季类似。美国本土，三者可以解释其24.7%冬季降水的年代际方差，IPO 的贡献最大，占47.9%，GW 和AMO 的贡献分别为26.2%、和25.9%。墨西哥，三者可以解释其41.3%冬季降水的年代际方差，IPO 的贡献占绝对优势，占71.5%，AMO和GW 的贡献只有16.5%和12.0%。

图10 1934～2018 年IPO、AMO 和GW 对冬季CRU 陆地降水的方差贡献分布图。（a）为三者对降水可以解释的方差总贡献，（b）、（c）、（d）分别为IPO、AMO 和GW 的相对方差贡献比例Fig. 10 (a) Total variance contributions of IPO, AMO, and GW to the land precipitation from CRU in DJF of 1934-2018, and the relative contributions of (b) IPO, (c) AMO, and (d) GW

冬季，IPO 对墨西哥地区方差贡献最大，AMO对加拿大、美国本土方差贡献最大，GW 对阿拉斯加地区方差贡献最大。

3.4 IPO、AMO、GW 与北美陆地降水的因果分析

为了进一步确定IPO、AMO、GW 的变化是否是北美陆地降水的原因，我们分别计算了IPOI、AMOI、GWI 对北美陆地夏半年（5～10 月）和冬半年（11～4 月）降水的信息流（为了保留更多的信息，这里取了夏半年和冬半年来做信息流分析）。由于信息流方法计算过程中的特殊性，未对IPOI、AMOI 和GWI 以及月降水进行低通滤波，仅做去季节循环处理，并对结果进行信度检验。

3.4.1 夏季

图11a、c、e 表示IPOI、AMOI 和GWI 对北美夏半年陆地降水的信息流分布。由图11a 可知，IPO 对美国中西部，加拿大中西部、哈德森海湾东部和墨西哥南部有一定的因果联系，也就是说IPO 可以引起这些区域的降水变化，这与图8a、图9b 中IPOI 对夏季降水的回归分布和方差相对贡献较大区域基本一致但也有一定的差别，这可能与我们为了消除误差取了更长的夏半年时间序列（冬半年的时间序列取为零）来做信息流有关。图11c表示AMOI 对北美陆地夏半年降水的信息流分布，AMO 与阿拉斯加、加拿大萨斯喀彻温省北部、美国南部、墨西哥南部降水存在一定的因果联系。与图8c 和图9c 表示的AMOI 对夏季降水的回归分布和方差相对贡献较大区域基本一致。图11e 为GWI 对北美陆地夏半年降水的信息流分布，GW与阿拉斯加至五大湖地区西北东南向地域降水存在显著的因果联系，与美国中东部，墨西哥降水也有一定的因果关系，GW 对北美陆地降水全年降水的方差贡献较大区域主要在阿拉斯加、加拿大、美国东北地区，和信息流的结果基本一致（图9(c)），也基本对应了图8e 中与GWI 回归的北美夏季降水变化的显著区域。

3.4.2 冬季

图11b、d、f 表示IPOI、AMOI 和GWI 对北美冬半年陆地降水的信息流分布。由图11b 可知，IPO 对美国南部、东部沿海及佛罗里达地区、墨西哥中北部降水有非常显著的因果联系，也就是说IPO 可以引起这些区域的显著的降水变化，IPO 对加拿大和阿拉斯加地区的降水也有一定的因果联系，这与图8b、图10b 中IPOI 对夏季降水的回归分布和方差相对贡献较大区域一致。图11d 表示AMOI 对北美陆地冬半年降水的信息流分布，AMO 与哈德森湾附近、美国中东部和墨西哥中北部降水存在一定的因果联系。但相对于IPOI 的信息流，AMO 对降水的影响要弱很多，且与图8c 和图10c 中AMOI的回归系数分布和方差贡献较分布也有一定的差异。图11f 为GWI 对北美陆地冬半年降水的信息流分布，GW 与阿拉斯加北部至五大湖地区西北东南向地域降水存在一定的因果联系，且与图8f 和图10d 中GWI 对冬季降水的回归分布和方差相对贡献较大区域一致。

图11 （a）IPOI、（c）AMOI、（e）GWI 对北美夏半年（5～10 月）陆地降水信息流分布；（b）IPOI、（d）AMOI、（f）GWI 对北美冬半年（11～4 月）陆地降水信息流分布Fig. 11 Information flow from (a) IPOI, (c) AMOI, and (e) GWI to the CRU land precipitation in May-October. Information flow from (d) IPOI,(e) AMOI, and (f) GWI to the CRU land precipitation in November-April

信息流结果与SVD、回归结果的一致性进一步验证了IPO、AMO、GW 的变化是北美陆地降水的原因。且这三个因子在不同季节，作用的范围和强度是不同的。

3.5 AMO 与IPO 对降水变化影响的敏感性试验分析

为了进一步研究AMO 和IPO 对陆地降水年代际变化的影响，我们使用ECHAM 4.6 版AGCM进行了五组SST 敏感性对照试验。如表3 所示。控制试验（CTL 试验）利用观测SST 气候场驱动ECHAM4.6 大气环流模式。图12 给出了经过Lanczos 低通滤波IPOI 和AMOI 对全球SST 的回归分布。由图可见，与IPO 相关的SST 模态在太平洋上表现经典的类El Niño 型。印度洋区域的海温也表现出显著的正异常模态，许多研究中都表明印度洋的年代际/年代际变化与IPO 高度相关（Cole et al., 2000; Han et al., 2014; Dong et al.,2006）。AMO 的正位相表现为与北大西洋上空的整个海盆海温相关。在热带印度洋和整个太平洋上也有正相关。Mohino et al.（2011）研究表明，AMO 的正相对应着热带印度洋上的较冷SST。但是，它通过加入北大西洋上的正SST 异常强迫和热带印度洋上的负SST 异常强迫未能获得萨赫勒地区降水的增加。Zhang and Delworth（2006）用hybrid 耦合模式得到了萨赫勒地区的的湿/干旱模态。在我们的研究中，除非在热带印度洋上同样加入正（负）SST 强迫，否则无法通过仅对北大西洋施加正（负）SST 异常强迫来得到萨赫勒地区的湿（干旱）模式。

图12 （a）IPOI 和（b）AMOI 对SST 的回归场（单位：°C）。图中矩形区域表示敏感性试验中所加SST 异常的范围Fig. 12 Regressed SST (units: °C) onto (a) IPOI and (b) AMOI. The rectangular boxes are the specified SSTA domains

表3 ECHAME4 试验的设计方案Table 3 Design scheme of the ECHAM4 model experiments

对于其他四组敏感性实验（表3），驱动ECHAM 4.6 模式的SST 强迫场为观测的气候态加上或者减去SST 回归场中不同区域的SST 正异常。暖异常试验包括：

（1）IPO_TP 试验：将热带太平洋（30°S～30°N，150°E～90°W）范围内的正SST 异常叠加到气候态SST 场中。

（2）IPO_TPI 试验：将热带太平洋（30°S～30°N，150°E～90°W）和热带印度洋（30°S～30°N，30°E～120°E）的正SST 异常叠加到气候态SST 场中。

（3）AMO_NT 试验：将北大西洋（0°～65°N，80°W～0°）范围内的正SST 异常叠加到到气候态SST 场中。

（4）AMO_NTI 试验：将北大西洋（0°～65°N，80°W～0°）和热带印度洋（30°S～30°N，30°E～120°E）上的正海温异常叠加到气候态SST场中。

同时，我们还进行了冷异常试验，即从观察SST 气候态场中减去指定范围内的正SST 异常。每个试验都积分了30 年，取后20 年的结果进行下一步分析，相当于20 个统计样本的一个集合平均。下面分析结果均为暖异常试验结果减去冷异常试验结果得到。

由于IPO 的方差贡献主要在12～2 月期间，所以我们重点分析冬季。如图13d 所示，在IPO_TPI 试验中的冬季，加拿大东北部、美国南部、墨西哥降水异常偏多，加拿大与美国接壤处降水异常偏少，这与观测资料分析得到的结果（图8b）基本一致，两者空间相关系数为0.64。而IPO_TP的试验结果（图13b）与图8b 得到的分析结果差别较大，空间相关系数仅为0.20，在美国中东部模拟出明显的降水正异常。在IPO 正位相期间的夏季，IPO_TP 试验和IPO_TPI 试验结果均不佳，与图8a 得到的结果差别较大，两者空间相关系数分别只有-0.05 和0.05。分析相应的500 hPa 环流场，我们发现由于印度洋SSTA 的参与，在IPO_TPI 试验中冬季（图13d）北太平洋上空的气旋性异常与北美大陆反气旋异常较IPO_TP（图13b）偏南，这样使得降水偏多区域偏南位于美国南部和墨西哥，与观测较为一致（图15b）。

图13 （a，b）IPO_TP 和（c，d）IPO_TPI 敏感性试验（暖试验减去冷试验）中北美夏（左列）、冬（右列）降水异常（单位：mm month-1）和500 hPa 风场异常（单位：m s-1）。打点区域为通过α=90%信度检验区域Fig. 13 Simulated precipitation anomalies (units: mm month-1) and 500-hPa wind anomalies (units: m s-1) in JJA (left column) and DJF (right column) for the (a, b) IPO_TP experiment and (c, d) IPO_TPI experiment. The experiment refers to the warm run minus the cold run. The areas with dots are statistically significant at the 90% confidence level

在AMO_NAI 试验的夏季（图14c），加拿大中部降水偏少，阿拉斯加北岸降水偏多，美国西海岸降水负异常，东海岸正异常，这与观测资料得到的分析结果（348，图8c）大体相同。而AMO_NA的试验（图14a）在加拿大中北部模拟出的降水为正异常，圣劳伦斯湾附近降水负异常，与观测资料分析结果差别较大。分析相应的500 hPa 环流场，我们发现由于印度洋SSTA 的参与，在AMO_TPI试验中夏季（图14c）北大西洋上空的副热带气旋性异常与50°N 左右的反气旋行异常以及北美大陆反气旋异常较AMO_TP（图14a）与观测更为一致（图15c）。在AMO 正位相期间的冬季，AMO_NA试验和AMO_NAI 试验结果均不佳，与观测差别较大，与图8d 北美冬季降水回归场的空间相关系数分别为-0.30 和-0.16。由于AMO 的方差贡献主要在夏季期间，所以我们重点关注AMO_NAI 和AMO_NA 的夏季试验结果。

图14 （a，b）AMO_NA 和（c，d）AMO_NAI 敏感性试验（暖试验减去冷试验）中北美夏（左列）、冬（右列）降水异常和500 hPa 风场异常。打点区域为通过α=90%信度检验区域Fig. 14 Simulated precipitation anomalies and 500-hPa wind anomalies in JJA (left column) and DJF (right column) for the (a, b) AMO_NA experiment and (c, d) IPO_NAI experiment. The experiment refers to the warm run minus the cold run. The areas with dots are statistically significant at the 90% confidence level

图15 （a，b）IPOI、（c，d）AMOI 对500 hPa 夏季（左列）、冬季（右列）风场的线性回归分布Fig. 15 Regressed wind (500 hPa) in JJA (left column) and DJF seasons (right column) onto the indices of (a, b) IPO and (c, d) AMO

大气环流的数值试验结果表明印度洋SST 在AMO 和IPO 对北美陆地降水变化的作用中不可忽视。

4 结论与讨论

本文探究了IPO、AMO、全球变暖对北美地区降水的相对贡献，通过SVD 分析，初步确认了影响夏季北美陆地降水变化的前两个海温模态为AMO、IPO，影响冬季北美陆地降水变化的前两个海温模态为IPO、AMO。

通过多元线性回归分析，确定了IPO、AMO、GW 对北美陆地降水不同区域的相对重要性。在夏季，阿拉斯加地区AMO 对方差贡献最大，达到65.8%；加拿大地区GW 对方差贡献最大，达到44.5%；美国本土GW 和AMO 贡献相当，分别为36.8%、35.6%；墨西哥地区AMO 对方差贡献最大，为37.2%。在冬季，阿拉斯加地区GW 贡献最大，达到62.3%；加拿大地区GW 对方差贡献也最大，达到44.7%；美国本土、墨西哥地区IPO 贡献最大，分别达到了47.9%和71.5%。

我们进一步利用信息流方法分析IPO、AMO、GW 对全年降水的敏感性区域，结果显示IPO 对美国西南部降水的信息流最为显著，除此之外IPO对加拿大各湖流域、阿拉斯加也有一定的信息流显著区域；AMO 对北美陆地降水信息流显著范围较小，只与美国南部大范围降水存在一定的因果联系；GW 对加拿大美国中部、东北部降水信息流显著。这些IPO、AMO、GW 对北美降水的敏感性区域与方差分析中IPO、AMO、GW 对北美降水的贡献大的区域基本一致。

运用全球大气环流模式ECHAM 4.6 分析太平洋和大西洋海温异常对北美地区陆地降水变化的影响，结果表明印度洋SST 在AMO 和IPO 对北美陆地降水变化的作用中至关重要。

另外，通过本文的分析说明美国本土的干旱可以用IPO 解释，AMO 和GW 也有一定的贡献，但是较小。2007～2013 年是IPO 负位相阶段，也是AMO 的正位相阶段，可以造成美国本土西南部冬季夏季降水均减少，造成干旱频数增多，这与前人的研究基本一致（e.g. Benson et al., 2003; McCabe et al., 2004; Diffenbaugh et al., 2015）。而2014～2019 年是PDO 的正位相阶段，对于2013～2014年的加州大旱，Wang et al.（2014）研究认为与250 hPa 加州附近的脊、美国东北部的槽这种偶极子型有关，这种偶极子型与ENSO 或PDO/IPO 都没有直接联系。相反，它与ENSO 的前兆信号有关，且20 世纪70 年代以来，这种偶极子型和ENSO 前兆信号之间的联系变得更加紧密，数值试验表明这是由于温室气体增加所致。2014～2017年的加州大旱可能与这个偶极子有关，这需要进一步继续深入分析。