中国降水的年代际变化及全球变暖、太平洋年代际振荡、大西洋多年代际振荡对其的相对贡献*

杜佳玉 陶丽,2 许承宇

1.南京信息工程大学大气科学学院，南京，210044

2.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

有研究（Chou，et al，2004；Held，et al，2006；John，et al，2009）指出，全球变暖背景下由于大气中水汽变化的影响，降水可能会发生“湿润地区更湿润，干旱地区更干旱”的变化。然而，Greve等（2014）利用1948—2005年的300多组水文数据集研究陆地降水的干湿趋势变化时发现，只有10.8%的地区支持该观点。Xie等（2010）也指出，模式结果中未呈现出“湿更湿，干更干”的变化现象。Wen等（2022）对2020年长江流域极端降水进行动力、热力分解发现，其中与水汽变化有关的热力贡献仅占8.5%。

中国华北地区自20世纪70年代中后期开始出现严重干旱化趋势（魏凤英等，1998；马柱国等，2001）。有研究（徐康等，2011；Zhu，et al，2012）指出，20世纪50年代以来，环贝加尔湖区地表持续升温，蒙古国及中国华北区域的经向温度梯度和纬向风垂直切变随之减小，大气斜压性减弱，易维持低层暖性反气旋环流，华北受东北风控制，东亚夏季风减弱，降水减少。但模式模拟结果显示，全球1.5℃升温情景下，东亚大陆和洋面的热力差异增大，东亚夏季风增强，中国降水增加（Wang，et al，2018；Li，et al，2019），并且高强度极端降水事件的发生频次在全中国均增加，东南和华北地区最为显著（李东欢等，2017）。

许多研究（Ding，2007；Kwon，et al，2007；丁一汇等，2013）指出，中国降水有显著的年代际变化特征。长江中下游在20世纪50年代、80—90年代为多雨期，60—70年代为少雨期（王叶红等，1999）。华北地区在20世纪50—60年代为多降水期，70年代中后期为少降水期（马柱国等，2006）。东北地区在20世纪60年代初至中后期、80年代初至中后期雨涝集中，60年代末至80年代初干旱群发（孙力等，2002）。西北地区则在1986年前后发生了一次明显的气候跃变，由“暖干型”向“暖湿型”转变（施雅风等，2002）。总的来说，中国东部夏季降水年代际变化的空间格局主要表现为三极子模态和偶极子 模 态（Ding，et al，2008；Huang，et al，2007，2013）：20世纪50—70年代中后期，华北、华南降水偏多，长江中下游降水偏少，从南至北呈“+-+”三极子型；70年代中后期—90年代末，呈“-+-”反相三极子型；90年代末以后，降水从三极子型转变为“南涝北旱”偶极子型，长江中下游及其以南降水增多、华北降水减少（陈隆勋等，2004；Ding，et al，2009；He，et al，2017）。放眼全中国，全球变暖背景下，自20世纪50年代以来，降水趋势呈现北方西多东少、东部南涝北旱的分布格局（Zhai，et al，2005；徐保梁等，2017）。

诸多研究（朱益民等，2003；张庆云等，2007；杨修群等，2005；Ma，2007；邓伟涛等，2009）表明，太平洋年代际振荡（IPO/PDO）与中国降水年代际变化密切相关。PDO正位相期间，日本北部及西伯利亚气压异常偏低，华北及其以南大部分地区气压偏高，华北地区由异常西北风控制，到达华北的水汽大幅度减少，降水减弱（朱益民等，2003；黄荣辉等，1999；Qian，et al，2014）。任永建等（2016）发现，PDO正位相可以激发出负的太平洋-日本型遥相关波列，导致长江中下游地区降水偏多，华北降水偏少，反之亦然。程乘等（2017）指出，20世纪70年代中后期和90年代末PDO位相的转换显著影响中国东部夏季降水，70年代中后期冷到暖的位相转换使东亚夏季风减弱，雨带南退至长江中下游地区，90年代末暖到冷的位相转换使东亚夏季风恢复增强，雨带北移至淮河流域。Zhu等（2011，2015）认为，20世纪90年代末黄淮下游降水增多是局地异常上升运动导致的，该上升运动与IPO负位相有关，此时西风急流减弱北抬，黄淮下游在其南侧，受次级环流上升支控制。朱益民等（2003）发现，PDO还可以调制ENSO事件间接对中国夏季降水造成影响。

也有研究指出大西洋多年代际振荡（AMO）对中国降水变化有重要的调制作用。Si等（2017）发现黄淮流域降水与AMO呈正相关，AMO可以激发对流层高层遥相关波列，正位相时东亚高层辐散、低层黄淮流域辐合，导致异常上升运动，黄淮流域降 水增多（Si，et al，2016；Li，et al，2017）。Li等（2017）指出，AMO正位相还会加强热带东风急流，东亚在其入口区右侧，受次级环流上升支控制，黄淮地区降水增多。也有研究（Lu，et al，2006；Li，et al，2007；Wang，et al，2009）表明，AMO对东亚季风气候的年代际变化有调制作用，AMO暖位相阶段东亚夏季风增强、冬季风减弱，冷位相阶段则相反。Chen等（2020）发现，AMO还可以调制北极涛动和东亚夏季风的关系，AMO冷位相时，春季北极涛动和东亚夏季风关系密切，而AMO暖位相时，这种关系较弱。AMO也对ENSO有调剂作用，暖位相AMO会倾向于减弱ENSO，进而影响中国降水（李双林等，2009）。

Zhang等（2018）进一步探究了AMO和PDO不同位相的叠加对中国降水的影响。当二者反相时，中国东部年代际降水异常呈经向三极子型。当二者同相时，中国东部年代际降水异常呈经向偶极子型。Yang等（2017）认为，IPO对中国东部“南涝北旱”降水格局的年代际变化起主导作用，AMO对其有调制作用。中国降水与IPO、AMO均有关（Sheng，et al，2021），然而，IPO、AMO对中国降水变化的相对重要性却鲜少涉及。

综上所述，全球变暖、太平洋年代际振荡、大西洋多年代际振荡与中国降水年代际变化密切相关。然而之前有关降水年代际变化的研究或只考虑降水的年代际振荡，或仅关注降水的长期趋势。本研究利用奇异谱分析辨析出10—20 a、20—50 a年代际变化的显著性区域以及＞50 a的长期趋势的显著性区域。同时考虑中国降水的年代际振荡及其趋势，通过奇异值分解确定海表温度与降水耦合的主要模态，运用多元线性回归模型定量评估全球变暖、太平洋年代际振荡、大西洋多年代际振荡对中国降水的相对贡献。

2 资料与分析方法

2.1 资料

本研究所用陆地降水观测资料为全球降水气候中心（GPCC）的逐月降水资料（Schneider，et al，2014），水平分辨率为1.0°×1.0°。GPCC降水数据的构建是基于测站观测降水并通过严格的质量控制和SPHEREMAP插值方法得到的，具有时间序列长、空间分辨率高的特点，最大的优势在于它所利用的全球站点数远超过其他同类型资料集。其可靠性也在中国降水序列构建及变化特征研究中得到了广泛的验证和应用，特别是在中国东部站点较为密集的地区，但在台站稀疏的西部及青藏高原地区使用GPCC资料应注意其不确定性（Sun，et al，2014；王丹等，2017）。中国部分格点数据早期缺测的以其气候态代替，1933年以前缺测格点比较多（少许格点到20世纪50年代仍用气候态代替，但这种格点较少），故将其忽略不记，研究时段选为1934—2018年。

其他数据资料包括：1934—2018年英国气象局哈得来中心的月平均海表温度资料（Had ISST，Rayner，et al，2003），水平分辨率为1.0°×1.0°；1934—2018年美国国家海洋和大气管理局（NOAA）的月平均IPO、AMO指数（https://www.esrl.noaa.gov/psd/data/climateindices/list/）。全球变暖（GW）指数定义为45°S—60°N全球海表温度区域加权平均，可以在保证海表温度数据覆盖率的基础上选取尽量大的区域，是全球海洋变暖信号的很好近似（Mohino，et al，2011），考虑到该变暖信号会受到IPO/AMO信号影响，再对该范围区域平均海表温度进行集合经验模态分解滤波，得到趋势时间序列，定义为GW指数。

由于中国降水的季节差异，本研究对冬、夏季分别进行分析，夏季指6—8月平均，冬季指12月—翌年2月平均。

2.2 方法

本研究采用常规的统计分析方法，包括奇异谱分析、奇异值分解、一元及多元线性回归分析、集合经验模态分解等。

根据气候学定义，年际变化为10 a以下。文中研究时段不超过百年，不能分辨50 a以上的周期，故将50 a以上的长周期信号统称为长趋势变化。参考Ault等（2010）的研究以及通过对奇异值分解结果中第二、三模态降水序列的功率谱分析，确定年代际和多年代际的周期时长分别为10—20 a、20—50 a。利用奇异谱分析方法将降水的时间序列分解为10 a以下、10—20 a、20—50 a、50 a以上（分别表征了降水的年际、年代际、多年代际及长期趋势变化）信号，本研究仅关注10 a以上的降水变化。

奇异谱分析是一种适合研究周期振荡行为的方法，具有稳定的识别和强化信号功能，其运算过程等价于对时间序列的时滞排列矩阵做经验正交展开，后延量（m）称为窗口长度或嵌入维数（Vautard，et al，1989；江志红等，1998；Ghil，et al，2002）。如果时间序列隐含显著周期信号，一个较宽的m值域就始终存在，因此实际应用对m做最佳性试验即可（江志红等，1998）。文中进行奇异谱分析时发现，当m取值在12—30时，中国降水年代际变化的空间分布特征一致且稳定。若m取值超过16，对于给定的特征向量个数部分格点的总累计方差贡献开始下降，显著性区域的方差贡献值有所减小，故本研究选取窗口长度m为14，利用奇异谱分析得到中国冬、夏季降水的前12个特征向量，表征了降水序列变化中最主要的周期模态，各格点总累计方差贡献均在80%以上。然后通过傅里叶分解确定奇异谱分析特征向量的周期，分别累计10 a以下、10—20 a、20—50 a、50 a以上周期降水的方差贡献，并采用蒙特卡罗检验对降水不同年代际方差的显著性进行检验，分析降水年代际变化显著的区域。

本研究运用多元线性回归方法（Grömping，2006）定量计算GW、AMO、IPO指数对中国降水的相对贡献。将季节平均降水回归到GW、AMO和IPO指数上，通过计算有效自由度（Dawdy，et al，1964）对GW、AMO和IPO相关系数做统计检验，均未通过α=0.10的t检验，说明三者是相互独立的，可以将GW、AMO和IPO指数视为独立变量。多元线性回归模型为

式中，i表示年份，β0、β1、β2、β3为回归系数，ei为回归残差。GW、IPO、AMO三者的方差贡献（可解释方差）为

其中，

式中，Model_var表示线性回归模型拟合方差，Total_var表示原序列（年代际）方差，t表示总年份数，Y表示气候平均值，Yˆ表示根据线性回归模型估算的值。记所有因子回归方程的残差方差为Q，若计算某因子（如GW）的方差贡献，则减去该因子再建立回归方程，此时剩余方差为显然，考虑的因子越少，残差平方和就越大，该因子的贡献为

同理，IPO和AMO的贡献分别为

因此，GW、IPO、AMO的相对贡献（R）分别为

奇异值分解和回归分析时所用显著性检验方法是t检验，考虑到海温的强持续性，t检验的自由度不能用n-2，应该用有效自由度。根据Dawdy等（1964），有效自由度为

其中，

式中，Rxx(τ)、Ryy(τ)分别是变量x、y的自相关系数，τ为滞后时间。

3 结果与分析

3.1 中国降水年代际变化的分布特征

为定量分析中国降水的周期特征，选取嵌套窗口14，计算各格点降水序列经过奇异谱分析的前12个特征向量，再利用傅里叶分解确定特征向量的周期，分别累计各格点＜10 a、10—20 a、20—50 a、＞50 a的奇异谱分析计算的方差贡献。从夏、冬季降水奇异谱分析不同年代际周期的方差贡献分布（图1）可知，中国大部分地区降水年代际方差贡献不超过30%，降水以年际变化为主，但有小部分地区的年代际变化显著。

图1a、c、e分别是夏季降水10—20 a、20—50 a、＞50 a的方差贡献分布，由图可知，中国夏季降水年代际变化的周期多在20 a以上。周期10—20 a变化显著区域仅沿着青藏高原东侧从云南乌蒙山至四川西北侧零星分布，方差贡献约20%。周期20—50 a变化显著区域主要有新疆东北部、大兴安岭至三江平原一带、青海高原、秦岭至黄淮平原一线、两广丘陵及长江中下游以南区域，方差贡献约30%，其中新疆东北部及秦岭西部部分区域的方差贡献在30%以上。而周期＞50 a变化显著主要分布在昆仑山、天山、祁连山一带以及华北中部、武夷山南岭一带等区域，方差贡献约20%。

图1 1934—2018年夏（a、c、e）、冬（b、d、f）降水10—20 a（a、b）、20—50 a （c、d）、＞50 a（e、f）方差贡献（红线表示通过α=0.10的信度t检验区域）Fig.1 Percent variance in precipitation in June—August （a，c，e）and December—February（b，d，f）at 10—20 years（a，b），20—50 years（c，d）and secular trend（＞50 years；e，f） during 1934—2018（areas enclosed by redline are statistically significant at the 0.10 level）

图1b、d、f分别是冬季降水10—20 a、20—50 a、＞50 a的方差贡献分布，相较夏季，冬季周期10—20 a变化犹为显著，显著区域主要在中原地区（包括河南、陕西南部、山西南部、湖北等地），以及塔里木盆地西侧、准噶尔盆地北侧、呼伦贝尔草原等地，方差贡献在20%以上，呼伦贝尔草原的方差贡献可超过30%。20—50 a变化显著的区域主要包括祁连山以南的青海高原、宁夏北部及三江平原，方差贡献约30%。＞50 a的长周期趋势显著区域主要分布在天山以北至内蒙古西部、青藏高原的东部、华北中北部、东北北部从呼伦贝尔至小兴安岭一带，方差贡献约为25%。

总之，中国降水的年代际变化不仅存在以10—20 a或20—50 a为周期的年代际振荡，也具有＞50 a的长周期趋势变化。中国西部以＞50 a的长周期趋势变化为主，10—20 a变化冬季在中原地区显著、夏季在秦岭至黄淮平原一线显著，华南及华北的夏季降水以＞50 a的变化为主，长江中下游及其南部的夏季降水以20—50 a的变化为主，东北地区夏季降水以20—50 a的变化为主、冬季降水＞50 a的变化显著。

在3.2—3.4节的分析中，不进行去趋势的预处理，即同时分析趋势变化和年代际变化。

3.2 影响中国降水趋势和年代际振荡的主要海温模态

利用奇异值分解方法确定中国夏、冬季降水年代际变化时空特征及与其耦合的海温模态。选取（20°S—45°N，0°—360°E）范围内的海温作为奇异值分解的右场，选取（15°N—55°N，90°—140°E）范围内的中国陆地降水作为奇异值分解的左场。在此之前，降水和海温数据均经过Lanczos 9 a低通滤波，以滤除高频信号，并剔除缺测值。夏季奇异值分解的前3个模态其方差贡献分别为54.36%、14.73%和9.50%（图2）；冬季奇异值分解的前3个模态其方差贡献分别为47.38%、25.24%和9.61%（图3）。

图2 1934—2018年夏季奇异值分解的前3个模态（a、d、g.第一模态，b、e、h.第二模态，c、f、i.第三模态）海温（a—c）与陆地降水（d—f）异类场及其标准化序列（g—i）（打点（马赛克）表示通过α=0.10的信度t检验；r表示序列间相关系数，**和***分别代表通过α为0.05和0.01的信度检验）Fig.2 The first three SVD modes（a，d，g.model 1；b，e，h.model 2；c，f，i.model 3）between the SST and land precipitation during June—August of 1934—2018（a—c.heterogeneous correction distribution of SST，d—f.those of land precipitation，g—i.normalized SVD time series；the correlation coefficients（r） with**，***are statistically significant at the 0.05 and 0.01 levels，respectively；the areas with dots（mosaic） are for values statistically significant at the 0.10 level）

续图2Fig.2 Continued

图2a、d分别是夏季奇异值分解第一模态的海温和降水异类场，图2g为对应的时间序列。从时间序列来看，降水、海温和全球变暖指数均为上升趋势，且趋势类似，两两间的相关系数都在0.9以上，计算有效自由度后，均能通过α=0.01的信度检验，特别是海温时间序列和全球变暖指数的相关系数高达0.99。海温异类场（图2a）表现出除副热带中太平洋以外的一致变暖趋势，其中印度洋、热带西太平洋、大西洋变暖趋势明显，这和Xie等（2010）研究的海温对全球变暖的响应模态类似，因此确定夏季奇异值分解的第一模态海温场为全球变暖模态。由降水异类场（图2d）可知，在全球变暖背景下，中国西部降水增多，东部呈“南涝北旱”分布格局，与徐保梁等（2017）结论一致。图2b、e分别是夏季奇异值分解第二模态的海温和降水异类场，图2h为对应的时间序列。海温与降水时间序列的相关系数为0.87，海温时间序列与IPO指数的相关系数为0.87，IPO指数与降水时间序列的相关系数为0.71，计算有效自由度后均能通过α=0.01的信度检验。海温异类场（图2b）表现出热带中东太平洋海表温度正异常、南北中太平洋负异常，因此确定夏季奇异值分解的第二模态海温场为类IPO模态。从图2e可知，IPO正位相期间，长江流域多雨，华南及黄河流域少雨，从南至北呈“-+-”三极子型。图2c、f分别是夏季奇异值分解第三模态的海温和降水异类场，图2i为对应的时间序列。海温异类场（图2c）表现为中太平洋的海表温度正异常，但海温序列与AMO指数的相关系数为0.45，并能通过α=0.05的信度检验，而降水序列与AMO指数的相关系数只有0.31，且不能通过α=0.10的显著性t检验。

图3a、d分别为冬季奇异值分解第一模态的海温和降水异类场，图3g为对应的时间序列。海温与降水时间序列的相关系数为0.85，海温时间序列与全球变暖指数的相关系数依旧高达0.99，降水序列与全球变暖指数的相关系数为0.84，均能通过α=0.01的信度检验。海温异类场（图3a）表现为全球变暖的模态，海温变暖趋势与夏季类似，印度洋、热带西太平洋和大西洋有明显的变温趋势，因此确定影响中国降水的第一模态仍为全球变暖模态。此时，降水异类场（图3d）除华北外其他地区均表现为降水增多的趋势特征。图3b、e分别为冬季奇异值分解第二模态的海温和降水异类场，图3h为对应的时间序列。第二模态海温异类场（图3b）表现为明显的类IPO结构特征，较夏季，海温序列与IPO的相关系数提高至0.95，IPO指数与降水序列的相关系数提高至0.83，均能通过α=0.01的信度检验。IPO正位相阶段，降水场整体呈现东北部少雨、西南部多雨的偶极子型。图3c、f分别为冬季奇异值分解第三模态的海温和降水异类场，图3i为对应的时间序列。海温异类场（图3c）上除北太平洋中部海表温度正异常外，北大西洋中部也出现正信号，海温序列与AMO的相关系数较夏季提升至0.56，并通过α=0.05的信度检验。与海温场耦合的降水场表现为华南、黄淮流域、河套、三江源头地区为少雨。

图3 同图2，但为冬季Fig.3 Same as Fig.2 but for December—February

续图3Fig.3 Continued

若选取全中国陆区（15°—55°N，70°—140°E）降水作为奇异值分解的左场进行分析，可以得到类似结论，即奇异值分解的第一、二海温模态分别是全球变暖模态（GW）和类IPO模态、第三模态依旧与AMO有关，只是海温时间序列与相应的IPO、AMO指数的相关系数和通过显著性检验的区域稍有变化。综上所述，不论冬、夏，中国降水年代际变化主要受全球变暖影响，其次是IPO，考虑到第三模态海温序列与AMO存在一定的相关，3.3、3.4节将从这3个海温模态研究中国降水。

3.3 回归分析

影响中国降水的主要海温模态是GW和IPO，为进一步验证及确定GW、IPO、AMO对中国降水的影响，利用一元线性回归模型，分别将夏、冬季降水回归至GW、IPO、AMO指数，并与奇异值分解结果进行比较。

图4给出了GW、IPO、AMO指数序列。通过计算有效自由度对三者之间的相关系数做了统计检验，均未通过α=0.10的显著性t检验，说明三者是相互独立的。图5是GW、IPO、AMO指数与降水的回归分布。

图4 1934—2018年GW、IPO、AMO指数时间序列（IPO、AMO指数进行Lanczos 9 a低通滤波，GW指数进行EEMD滤波取其趋势，r表示指数间的相关系数）Fig. 4 Time series of 9-year low-passed GW，IPO and AMO indices from 1934—2018（r is the correlation coefficient between these indices）

图5a、b分别是夏、冬季降水对GW的回归，降水趋势的总体特征和通过显著性检验区域与奇异值分解结果（图2d、3d）基本一致，夏季表现为西部降水有增多的趋势，东部呈“南涝北旱”分布格局，长江下游降水增多，华北降水显著减少；冬季，西部降水增多的显著区域减小，华北降水减少主要集中在北部，东南部的降水有增多的趋势。

图5c、d分别是夏、冬季降水对IPO指数的回归，降水变化的总体特征和通过显著性检验区域与奇异值分解结果（图2e、3e）基本一致，进一步验证了IPO对降水变化的影响。夏季，IPO正位相期间，河套至东北北部降水显著增多，黄淮下游的降水减少。相比夏季，冬季IPO对中国降水的影响更显著，东部地区大都能通过显著性检验，降水整体呈东北—西南向的偶极子型，西南部降水与IPO呈正相关，东北部降水与IPO呈负相关。

图5e、f分别是夏、冬季降水对AMO的回归结果。AMO正位相期间，夏季中国降水整体呈南多北少的分布格局，显著性区域主要在华南。冬季，通过检验的区域集中在新疆西北、内蒙古北部至东北的北部一带。

图5 1934—2018年夏（a、c、e）、冬（b、d、f）季降水对GW （a、b）、IPO（c、d）、AMO（e、f）指数的线性回归分布（单位：mm/月，色阶线上数值为夏季取值范围，色阶线下为冬季取值范围；马赛克区表示通过α=0.10的信度t检验）Fig.5 Land precipitation（mm/mon）in June—August（a，c，e）and December—February（b，d，f）regressed onto to the normalized indices of GW（a，b），IPO（c，d）and AMO（e，f）during 1934—2108（the numbers above the color bar are the value ranges of summer precipitation，those below the color bar are the value ranges of winter precipitation；the areas with mosaic are for values statistically significant at the 0.10 level）

一元线性回归分析验证及确定了各海温模态影响的降水场空间分布特征，表明对中国降水影响的主要海温模态是GW、IPO，AMO只对部分区域降水变化有影响。

3.4 GW、IPO、AMO对中国降水的相对贡献

用多元线性回归模型定量评估GW、IPO、AMO对中国降水的方差贡献及各因子的相对贡献。通过计算有效自由度对GW、IPO和AMO两两间的相关系数做了统计检验，自由度都在20以内，均未通过α=0.10的t检验，故认为三者相互独立，可以计算其相对贡献。图6、7分别是夏季、冬季GW、IPO、AMO对降水的方差贡献，其中图6a、7a是三者对年代际降水的可解释方差，图6b—d、7b—d是各因子的相对贡献，三者的相对贡献之和等于100%。考虑到区域差异，根据中国七大行政区域划分（如图6a中蓝色方框，具体范围见表1、2），进一步分析GW、IPO、AMO对各区域夏、冬季平均降水的方差贡献及各因子相对方差贡献（表1、2）可见，并不是所有地区的陆地降水低频变化都可以用这3种模态来解释。平均而言，三者大约可以解释趋势和年代际振荡的30%。

由图6a可见，夏季GW、IPO、AMO对中国降水的可解释方差为20%—30%，区域差异显著，可解释方差大值区出现在中国西部和华北。图6b—d分别是GW、IPO、AMO的相对贡献分布，反映三者在图6a中的相对重要性。GW的相对贡献总体最大，特别是在三者方差贡献大值区（西部、华北、长江下游等地）。IPO的相对贡献大值区多零星分布，起补充作用，如河套、黄淮下游、东北北部等地。AMO的相对贡献大值区则多在三者方差贡献小值区域，如华南、秦岭东部。

图6 1934—2018年GW、IPO、AMO指数对夏季陆地降水的方差贡献分布（a.三者对降水可解释方差总贡献，b、c、d分别为GW、IPO和AMO相对方差贡献）Fig.6（a）Total variance contribution of GW，IPO and AMO to land precipitation in June—August during 1934—2018 and relative contributions of （b）GW，（c）IPO and（d）AMO

从区域平均的方差贡献（表1）来看，夏季GW、IPO、AMO三者可以解释西北、华北大约30%的年代际变化。西北地区，GW的相对方差贡献是55%，IPO的相对方差贡献是24%，AMO的相对方差贡献是21%；华北地区，GW的相对方差贡献最大，是55%，IPO的相对方差贡献是25%，AMO的相对方差贡献是20%；GW、IPO、AMO三者可以解释西南地区大约21%的年代际变化，西南地区也是以GW影响为主，相对方差贡献是42%；GW、IPO、AMO三者可以解释东北、华东地区19%的年代际变化，GW和IPO在东北的相对方差贡献相当，约40%，三者对华东区域相对方差贡献相近，AMO略大些；三者只能解释华南、华中地区大约15%的年代际变化，在这些解释方差小值区，AMO的相对贡献最大，分别为48%和54%。

表1 夏季GW、IPO、AMO对中国各区域降水的总方差贡献及各因子的相对方差贡献Table 1 Domain-averaged total variancecontributions by GW，IPO and AMOto the low-frequency variability of land precipitation in June—August over China and relative contributions of IPO，AMO and GW

冬季，GW、IPO、AMO对降水的方差贡献（图7a）较夏季略有增大，为20%—40%，可解释方差大值区域主要有西北、东北、华北和西南地区。在方差贡献大值区，相较夏季，GW相对贡献（图7b）的大值区范围明显缩小，主要集中在西部中部及新疆西边界、华北北部和东北北部，GW的相对重要性相较夏季减弱；而IPO的相对方差贡献（图7c）大幅度提升，整个中东部表现为大值区，说明冬季IPO影响的提高；AMO有一定贡献，主要在新疆西北、内蒙古北部至东北的北部一带。

图7 同图6，但为冬季Fig.7 Same as Fig.6 but for December—February

从区域平均的方差贡献（表2）来看，冬季GW、IPO、AMO三者总方差贡献除华北、华中外均小幅上升。三者对冬季降水的方差贡献在东北区域高达42%，在西北、华北区域仍维持30%左右。东北地区，GW的相对方差贡献是51%，AMO的相对方差贡献是32%，IPO的相对方差贡献是17%。西北地区，GW的相对方差贡献是40%，AMO的相对方差贡献是33%，IPO的相对方差贡献是26%。华北地区，GW的相对方差贡献是40%，IPO的相对方差贡献是35%，AMO的相对方差贡献是25%。西南、华东、华南地区中，IPO的相对方差贡献最大，特别是华东、华南，IPO的相对贡献均在50%以上，而华中GW和IPO的相对贡献同为38%，验证了冬季奇异值分解和回归分析的结论—IPO在冬季影响更为显著。

表2 同表1，但为冬季Table2 Same as Table 1 but for December—February

总的来说，夏季，GW、IPO、AMO三者总的方差贡献在西北、华北较大，分别为30%、32%，其中GW的相对贡献最大、IPO次之。冬季，GW、IPO、AMO三者总方差贡献在东北、西北、华北较大，分别为42%、32%、29%；在东北和西北地区，GW的相对贡献最大、AMO次之，在华北地区，GW的相对贡献最大、IPO次之。可见，不论冬夏，华北地区GW的相对方差贡献最大、IPO次之，间接表明华北降水既有趋势又有年代际振荡特征。

4 结论与讨论

虽然中国陆地降水以年际变化为主，但利用奇异谱分析方法能辨析出1934—2018年夏（6—8月）、冬（12月—翌年2月）季降水的10—20 a、20—50 a年代际变化的显著区域以及＞50 a的长期趋势显著区域。夏季降水在青藏高原西部、华北中部及长江中下游以南等地存在显著的＞50 a长期趋势变化。冬季从新疆北部到内蒙古至东北以及青藏高原东部有显著的＞50 a长期趋势变化。10—20 a变化在中原地区的冬季降水尤为显著。夏季降水周期在20—50 a的显著区域主要有新疆东北部、大兴安岭至三江平原一带、青海高原、秦岭至黄淮平原一线、两广丘陵及长江中下游以南区域，冬季在青海高原、宁夏周边及三江平原等地20—50 a的降水变化比较显著，年代际方差贡献可达总方差的30%左右。

本研究通过奇异值分解初步确认了影响中国陆地冬、夏季降水年代际变化的海温模态，主要模态为GW，其次为IPO。多元线性回归模型定量评估GW、IPO、AMO对中国不同区域夏、冬季陆地降水的方差贡献及各自相对贡献结果显示：夏季，GW、IPO、AMO三者总方差贡献在西北、华北较大，分别为30%、32%，其中GW的相对贡献最大、IPO次之；冬季，GW、IPO、AMO三者总方差贡献在东北、西北、华北较大，分别为42%、32%、29%，而东北和西北以GW的相对贡献为主、AMO为辅，华北仍以GW影响为主、IPO为辅。

本研究虽然利用奇异值分解得到影响中国降水的第一海温模态是全球变暖模态，但此全球变暖模态与降水趋势相耦合，并不能说明海洋全球变暖模态驱动了降水的趋势变化。正如Zhu等（2012）分析，由于环贝加尔湖区地表强烈升温引起了华北夏季降水减少趋势，此变化与温室气体浓度持续上升有关。温室气体浓度持续上升一方面引起大气水汽含量上升，造成极端降水增多（Min，et al，2011；Field，et al，2012），另一方面引起北半球中高纬度地区升温显著（Hansen，et al，2006），印度洋、西太平洋增温显著（Zhou，et al，2009a，2009b）从而引起环流发生变化，造成降水有显著减少或增多的趋势（Zhu，et al，2012；He，et al，2015）。文中从全球变暖、太平洋年代际振荡和大西洋多年代际振荡角度揭示中国降水年代际振荡及趋势的相对重要性，结论具有一定参考价值。