大尺度驱动因子对新疆极端冷事件的单一与耦合影响

闫小月， 姜逢清， 刘 超， 王大刚

（1.中国科学院新疆生态与地理研究所，新疆 乌鲁木齐 830011；2.中国科学院大学，北京 100049；3.中国科学院新疆生态与地理研究所荒漠与绿洲生态国家重点实验室，新疆 乌鲁木齐 830011）

0 引言

近年来，全球气候持续变暖导致极端天气/气候事件频发，对生态环境和人类生产生活产生了不可忽视的影响，因此对于极端天气/气候事件的研究受到了社会各界的广泛关注［1-3］。尽管全球变暖是不争的事实，但各类极端冷事件仍时有发生。有学者提出“北极暖大陆冷”理论，认为北极地区自1998年以来持续变暖，而中纬度部分大陆区域出现“变暖停滞”的现象［4］。“变暖”的惯性思维易使人们对极端冷事件产生麻痹大意的思想，会由于准备不足无法高效应对突发的极端冷事件，继而造成巨大的社会经济损失。比较典型的如2012年，欧洲爆发大范围的极端冷事件，造成东欧数百人死亡［5］；2016年，南非部分地区出现反常的极端冷事件，畜牧业受到重创［6］。2020年，突如其来的暴雪让美国“能源中心”得克萨斯州遭遇多年罕见的停电危机，城市一度陷入瘫痪［7］。有学者认为，21世纪许多地区发生的极端冷事件强度不会减弱，持续时间也不会缩短［8］。因此，在全球变暖的大背景下，系统研究极端冷事件的时空演变规律对保护生态环境和维持经济社会稳定具有重要意义。

21世纪初，气候变化检测和指数专家组（ETCCDI）定义了包括7个极端冷指数在内的27个极端气候指数，使全球极端气候变化指标有了统一规范。随后许多学者使用该指数标准对极端冷事件开展了相关研究［9-11］。在全球尺度上研究发现，1990年以来欧洲冰冻日（ID）呈增加趋势［12］；19世纪末，南美洲地区夏、秋两季的冷夜数（TN10p）持续减少［13］；亚太地区由于冬季极端冷事件的减少而趋向暖冬［14］。鉴于极端冷事件影响的增大，其形成机制也引起了重点关注。一般认为极端冷事件的形成受大气内部变率和外部强迫因子的共同影响，其中大气内部变率是直接影响因素，主要包括大尺度驱动因子AO、NAO、ENSO等［15-17］。

近年来，在全球变暖的背景下，新疆极端冷事件总体上出现次数呈减少趋势，有利于果树、冬小麦和牲畜等安全越冬，但极端天气出现频率加大，冷空气在春季活动更加频繁，对农牧业生产造成了较大影响。过去几年来，众多学者对新疆不同区域的极端冷事件的形成原因进行了多角度研究。陈少勇等［18］对中国西北地区的极端低温事件进行了统计分析，发现西北地区极端低温事件主要出现在新疆北部和青海高原。张林梅等［19］指出，新疆阿勒泰地区冬季极端冷事件发生的频次倾向率呈减少趋势，但未来会有所增多，且强度会有所增强。在大尺度驱动因子与新疆极端冷事件相关关系研究方面，关学锋等［20］认为北疆冬季气温序列与AO的相关程度较高；张扬［21］认为ENSO对北疆地区的气温变化产生影响，EI Niño年北疆地区年平均气温偏高，La Niña年北疆地区气温则偏低。尽管针对中国西北或新疆的极端冷事件研究已取得了不少成果［22-23］，但更多的是关注极端冷事件的时空演变特征及单一大尺度驱动因子对其影响的机制分析，缺乏耦合效应的研究。事实上，大尺度驱动因子的耦合作用是导致极端冷事件频率、强度时空异质性变化的直接原因［24］。因此，为更全面地理解新疆极端冷事件的成因机制，本文开展了新疆极端冷事件的时空变化特征及大尺度驱动因子对其单一与耦合影响分析，研究结果有利于认识新疆极端冷事件演变的区域特征，有助于全球变暖背景下对新疆极端冷事件的预测预警，进而可为应对灾害风险的防御工作提供科学依据。

1 数据和方法

1.1 研究区概况

新疆维吾尔自治区地处73°40′～96°18′E，34°25′～48°10′N，位于中国西北干旱区，是典型的大陆性气候。由于地形复杂，生态环境脆弱，其对气候变化的反应尤为敏感［25］。近几十年来，新疆屡次发生雪灾、干旱、洪涝、沙尘暴等自然灾害，严重威胁了人们的生命安全和社会经济发展［26］。由于地处欧亚大陆腹地，新疆上空易受异常气旋性环流控制，其西部的偏北风引导高纬地区的冷空气南下导致温度异常偏低，易发生极端冷事件［27］。本文以天山山脉为界将新疆划分为3个区域，天山山脉以北为北疆，以南为南疆，吐鲁番—哈密盆地一带为东疆。研究区地形及气象站点分布如图1所示。

图1 研究区概况及气象站点分布Fig.1 Study area and meteorological stations in Xinjiang

1.2 数据来源

本文选取的气候数据为新疆维吾尔自治区53个气象站点1961—2016年逐日最低气温值和最高气温值，来源于中国气象数据网（http：//data.cma.cn），均通过均值检验和时间一致性检验。大尺度驱动因子AO、NAO和ENSO指数均来自美国国家大气海洋管理局（https：//www.noaa.gov），其中AO指数为1 000 hPa高度异常场经验正交函数分析（EOF）所得的第一模态时间系数的标准化序列；NAO指数为标准化500 hPa高度场经验正交函数分析所得第一模态的时间系数；ENSO指数选择MEI数据，该数据为滑动双月平均的海平面气压、纬向地面风场、经向地面风场、海表面温度、表面气温和总云量的6变量经验正交函数分解第一模态的时间系数［28］。本文使用的1961—2016年再分析资料来源于美国国家环境预测中心（National Centers for Environmental Prediction，NCEP），水平格距为2.5°×2.5°，包括风场、位势高度场和海平面气压场。

通过正负位相差异对AO、NAO指数进行年份划分；计算Niño3.4平均海表温度指数（SST）3个月滑动平均值，当该值为标准差的+0.5（-0.5）倍时，定义为EI Niño事件（La Niña事件）［29］。年份划分如表1所示。

1.3 研究方法

极端冷指数的定义采用ETCCDI推荐使用方式（表2），所选极端冷指数在计算前均通过RClimDex软件（http：//etccdi.pacificclimate.org）进行严格的质量控制，后采用该软件对所选各站点的极端冷指数进行计算［30］。

表2 极端冷指数的定义Table 2 Definition of extreme cold indices

采用一元线性方程对新疆53个气象站点极端冷指数的时间变化趋势进行线性拟合，采用ArcGIS 10.6中反距离加权插值法，分析极端冷指数倾向率变化的空间差异［31-32］。交叉小波变换能够呈现两时间序列在时频域中的相关关系（本文采用Morlet小波），交叉小波变换所得能量谱（XWT）反映两序列在不同时频域内相互作用的显著性；所得凝聚谱（WTC）能够反映两序列在时频域内的相干程度［33］。原理如下：

对于两个时间序列x(t)和y(t)，交叉小波能量谱（XWT）定义为：

式中：序列x(t)的小波变换系数为CX(a，τ)；序列y(t)小波变换系数的复共轭为交叉小波凝聚谱（WTC）定义为：

式中：S为平滑算子；|S(a-1WXY(a，τ))|2为某一频率下两时间序列的波振幅的交叉积；S(a-1|WX(a，τ)2|)S(a-1|WY(a，τ)2|)为两序列振动波振幅的乘积。

使用参数检验中的独立样本t检验，分析大尺度驱动因子不同位相、冷暖事件下的极端冷指数序列变化特征。在AO、NAO处于正负位相和ENSO处于冷暖事件下，提取各驱动因子不同位相、冷暖事件对应年份下的冷指数序列。利用图示法、Shapiro-Wilk检验判断序列的正态性，若不满足正态性，则序列进行转换［34］；当序列满足正态性后，采用F检验对样本方差进行评估，当方差齐性时，使用独立样本t检验对正负位相或冷暖事件下冷指数是否通过90%显著性检验进行检测；当方差非齐性时，使用Satterthwaite校正t′检验［35］。

2 结果与分析

2.1 极端冷指数的时间变化

所选极端冷指数FD、ID、TNn、TXn、TN10p、TX10p和大尺度驱动因子AO、NAO、ENSO的年均时间变化序列如图2所示。近56年来，冷指数FD、ID、TN10p和TX10p均呈下降趋势，倾向率分别为-3.4 d·（10a）-1、-1.2 d·（10a）-1、-2%·（10a）-1和-0.6%·（10a）-1。其中FD和TN10p通过99.9%显著性检验，ID、TX10p通过95%、99%显著性检验，表明其均为显著下降趋势。TNn与TXn倾向率为0.6℃·（10a）-1、0.3℃·（10a）-1，呈显著上升趋势。FD、ID、TNn和TXn波动趋势为“升降交错”；而在1981年以前TN10p显著大于TX10p，1981年以后TX10p反而大于TN10p，二者大小关系发生反转。观察AO、NAO、ENSO时间序列可知，AO与NAO总体变化趋势相同，而ENSO较两者变化波动更大。

图2 1961—2016年新疆年均极端冷指数及大尺度驱动因子变化趋势Fig.2 Variation trend of average extreme cold indices and large-scale driving factors in Xinjiang during 1961 to 2016

2.2 极端冷指数的空间分布

所选53个站点的冷指数空间分布趋势及时间序列显著性检验如图3所示。FD［图3（a）］、ID［图3（b）］、TN10p［图3（e）］和TX10p［图3（f）］总体表现为下降趋势，但变化程度有所不同。其中，FD、TN10p和TX10p分别有92.5%、86.8%和56.6%的站点呈显著下降趋势（P＜0.05）；尽管90.6%气象站点的ID呈下降趋势，但仅有18.9%通过95%显著性检验。在空间分布上，FD与TN10p的变化趋势较为一致，阿尔泰山脉南侧、伊犁河谷、吐鲁番盆地北侧和塔里木盆地南缘的变化幅度较大；FD、TN10p和TX10p下降倾向率最大分别为-7.5 d·（10a）-1、-3.4%·（10a）-1和-2.6%·（10a）-1，而下降倾向率最小仅为-0.02 d·（10a）-1、-0.04%·（10a）-1和-0.03%·（10a）-1，说明冷指数变化幅度空间差异很大。ID变化幅度较大的地区位于南疆西北部和伊犁河谷地区，低值区位于天山山脉北侧和塔里木盆地南缘。

图3 极端冷指数空间分布趋势及时间序列显著性检验Fig.3 Spatial distribution trend of extreme cold indices and time-series significance test

TNn［图3（c）］和TXn［图3（d）］倾向率变化的空间分布基本一致，总体呈现为上升趋势，最大倾向率分别为1.7℃·（10a）-1和1.3℃·（10a）-1；最小倾向率为0.1℃·（10a）-1和0.04℃·（10a）-1。分别有58.5%和11.3%的站点通过95%显著性检验；变化幅度较大区域为博格达山南北两侧、伊犁河谷和阿尔泰山脉南侧。总体来看，北疆TNn与TXn的上升幅度大于南疆，TXn的空间差异较小。

2.3 交叉小波分析

由图4可知，驱动因子与FD在高能量区通过95%置信水平检验的区域面积极其有限［图4（a）～4（c）］，对比可知，低能量区的相关关系显著大于高能量区。在低能量区，AO与FD［图4（d）］存在4个显著的共振周期，分别为2～3 a（1976—1978年）、3～5 a（1986—1991年）、6～10 a（1972—1995年）、12～16 a（1979—2003年），二者在3～5 a（1986—1991年）共振周期内呈负相关关系，相关系数R＞0.8。NAO与FD［图4（e）］存在3个显著的共振周期，其中15～17 a（1980s—2000s）共振周期内，NAO位相提前FD位相90°。ENSO与FD［图4（f）］在3～5 a（1997—2004年）存在一个显著的共振周期。

图4 驱动因子与FD交叉小波分析Fig.4 Cross wavelet analysis between large-scale driving factors and frost days（FD）

驱动因子与ID在高能量区均离散分布2～3个共振周期［图5（a）～5（c）］，在1～2 a（1965—1970年）共振周期内，AO、NAO和ENSO均与ID呈正相关关系；8～10 a（1976—1994年）共振周期内，AO位相比ID滞后90°；在9～11 a（1985—1992年）共振周期内NAO位相比ID滞后90°。在2～6 a（1979—1989年）共振周期内，ENSO与ID呈显著负相关关系。低能量区中［图5（d）～5（f）］，在8～10 a（1972—1977年）共 振 周 期 内，AO位 相 比ID滞 后90°，且1～3 a（1965—1975年）共振周期内NAO与ID呈正相关关系；ENSO与ID存在4个显著共振周期，在2～4 a（1995—2003年）周期内ENSO位相超前ID位相90°。

图5 驱动因子与ID交叉小波分析Fig.5 Cross wavelet analysis between large-scale driving factors and ice days（ID）

由于篇幅原因，仅展示驱动因子与霜冻日（FD）和冰冻日（ID）两个时间序列的交叉小波XWT与CWT图谱，其余结果见表3～表4。AO与6个冷指数在高低能量区均存在多个共振周期，AO与TNn、TXn和TN10p在高能量区呈显著正相关关系，与TX10p在高、低能量区均表现为显著的负相关。NAO与TNn、TXn在高、低能量区呈显著的正相关关系，而在低能量区，NAO与TX10p表现为显著的负相关。ENSO与各冷指数相关性不强，仅在低能量区与TN10p和TX10p呈负相关关系，但ENSO与各冷指数在高、低能量区存在明显的位相超前/滞后现象。

表3 交叉小波能量谱（XWT）结果Table 3 Results of cross wavelat power spectrum（XWT）

表4 交叉小波凝聚谱结果WTCTable 4 Results of cross wavelet coherence spectrum（WTC）

2.4 大尺度驱动因子单一模态对冷指数的影响

2.4.1 AO

AO正负位相差异下6个极端冷指数的独立样本t检验显著性差异如图6所示。37个站点的FD［图6（a）］存在负差异，其中8.1%通过90%显著性检验，16个站点的FD存在正差异，均未通过显著性检验。ID［图6（b）］总体表现为负差异，其中30.4%站点通过90%显著性检验。42个站点的TNn［图6（c）］存在正差异，46个站点的TXn［图6（d）］存在正差异，其中34.8%通过90%显著性检验。TN10p［图6（e）］、TX10p［图6（f）］分别有47、48个站点存在负差异，说明较AO正位相来说，AO负位相时的冷昼、冷夜占比更多。

图6 极端冷指数在单一AO模态下的显著性差异Fig.6 Significant difference in extreme cold indices for AO positive-AO negative phase

2.4.2 NAO

NAO正负位相差异下6个极端冷指数的独立样本t检验显著性差异如图7所示。38个站点的FD［图7（a）］存在正差异，其中13.2%通过90%显著性检验。15个站点的FD存在负差异，均未通过显著性检验。33个站点的ID［图7（b）］存在负差异，20个站点存在正差异，但仅有6.1%和10%的站点通过90%显著性检验。TNn［图7（c）］、TXn［图7（d）］分别有49、51个站点存在正差异，表明NAO正位相时各站点的TNn、TXn数值更大，即全疆低温值较NAO负位相时更大。34个站点的TN10p［图7（e）］存在负差异，主要分布在北疆、塔里木盆地东缘，其中8.8%通过90%显著性检验。在19个正差异的站点中仅有5.3%通过90%显著性检验。TX10p［图7（f）］检验差异与TN10p相似，说明各站点的TN10p、TX10p在NAO不同位相时期的差异较小。

2.4.3 ENSO

ENSO冷暖期差异下6个极端冷指数的独立样本t检验显著性差异如图8所示。FD［图8（a）］、ID［图8（b）］中分别有45、46个站点存在负差异，其中通过90%显著性检验的站点分别为26.7%、13%。48个站点的TNn［图8（c）］存在正差异，基本分布在全疆，其中6.2%存在显著正差异；仅有5个站点的TNn存在负差异，但均未通过90%显著性检验，TXn［图8（d）］检验结果与TNn相似。EI Niño-La Niña事件下的TN10p［图8（e）］、TX10p［图8（f）］基本存在负差异，呈显著负差异的站点分别为2.3%和9.5%；存在正差异的站点均未通过90%显著性检验。

图8 极端冷指数在单一ENSO模态下的显著性差异Fig.8 Significant difference in extreme cold indices for EI Niño-La Niña episodes

2.5 大尺度驱动因子耦合模态对冷指数的影响

2.5.1 ENSO-AO模态

EI Niño-AO耦合模态下6个极端冷指数的独立样本t检验显著性差异如图9所示。在AO正位相下，FD［图9（a）］、ID［图9（b）］存在正差异的站点多于负差异站点；AO负位相下，TN10p［图9（e）］存在负差异的站点数量更多；其余冷指数正负差异在站点数量上表现并不明显。这说明EI Niño与AO正位相配置时会出现更多的冷日日数，与AO负位相配置时冷夜占比更多；但极端低温在AO位相的差异下变化较不明显。与单一模态AO驱动结果相比，除TN10p外的t检验结果均发生反转，这说明EI Niño-AO耦合模态对新疆极端冷指数的表现有一定的调制作用。

图9 极端冷指数在EI Niño-AO耦合模态下的显著性差异Fig.9 Significant difference in extreme cold indices for positive AO-negative AO phase in EI Niño years

La Niña-AO耦合模态下6个极端冷指数的独立样本t检验显著性差异如图10所示。与单一模态AO驱动结果相比，在耦合模态中，除TXn［图10（d）］以外的冷指数均表现为负差异站点数量更多，这说明La Niña与AO负位相配置时，冷日日数、冷昼和冷夜占比较AO正位相偏多。对于极端低温值来说，当AO为正位相时，TNn更低，AO负位相时TXn更低。

图10 极端冷指数在La Niña-AO耦合模态下的显著性差异Fig.10 Significant difference in extreme cold indices for positive AO-negative AO phase in La Niña years

2.5.2 ENSO-NAO模态

EI Niño-NAO耦合模态下6个极端冷指数的独立样本t检验显著性差异如图11所示。NAO正位相期间，除TN10p［图11（e）］以外的冷指数均为正差异的站点多于负差异站点，说明EI Niño与NAO正位相配置下，冷日日数较NAO负位相更多；但值得注意的是，该配置下更多站点的极端低温值高于NAO负位相，说明EI Niño-NAO负位相时新疆地区温度更低。与单一模态NAO驱动结果相比，EI Niño-NAO耦合模态下的ID［图11（b）］与TX10p［图11（f）］的t检验结果发生反转。

图11 极端冷指数在EI Niño-NAO耦合模态下的显著性差异Fig.11 Significant difference in extreme cold indices for positive NAO-negative NAO phase in EI Niño years

La Niña-NAO耦合模态下6个极端冷指数的独立样本t检验显著性差异如图12所示。在NAO正位相期间，FD［图12（a）］、ID［图12（b）］和TN10p［图12（e）］存在正差异的站点多于负差异站点；NAO负位相期间，TNn［图12（c）］与TXn［图12（d）］存在负差异的站点数量更多。这说明La Niña与NAO正位相配置下的冷日日数较NAO负位相时更多，且极端低温值也更低。与单一模态NAO驱动结果相比，除FD与TX10p以外的t检验结果均发生反转。

图12 极端冷指数在La Niña-NAO耦合模态下的显著性差异Fig.12 Significant difference in extreme cold indices for positive NAO-negative NAO phase in La Niña years

3 讨论

3.1 极端冷指数时空变化

从时间尺度来看，冷指数FD、ID、TN10p和TX10p总体呈下降趋势，TNn与TXn呈显著上升趋势，这说明新疆气温有明显的变暖趋势。ID、TXn和TX10p未通过显著性检验的站点分别占比81.1%、88.7%和43.4%，表明以上三种冷指数在时间尺度上的变化并不显著。从空间尺度来看，一部分冷指数（FD、ID、TNn和TXn）变化而造成的增温区域主要集中在北疆、东疆和伊犁河谷地区，同时这些区域的冷指数变化幅度远大于其他区域。这与前人研究结果一致。胡文峰等［36］认为北疆和东疆增温比南疆要明显，吐鲁番盆地是增温最剧烈的地区，南疆的西部是增温最缓慢的区域。陈颖等［37］同样认为新疆极端冷事件发生的日数趋于减少；北疆西部和天山两侧是气候极端性变化最显著的区域。出现这种现象的原因之一是由于新疆积雪主要分布在北疆和天山山区，气温增暖使北疆冰雪消融加快，地表反照率的减小使地表吸收更多的太阳辐射，温度升高造成冰雪进一步消融，这种正反馈机制让北疆和天山山区气候的极端性更为显著［38］。同时，北疆、东疆和伊犁河谷地区作为新疆人口密集区，城市化［39］与极端冷事件的变化也有密切关系。

3.2 交叉小波与小波相干分析

结果表明，在时频域内驱动因子与冷指数存在不同尺度的共振周期和时滞效应，不同驱动因子与不同冷指数的相关性也存在差异。综合来看，AO、NAO与冷指数的相关性较为明显，ENSO对冷指数的影响最小，这与慈晖等［40］的研究结果基本一致。AO与FD、TN10p和TNn的关系尤为密切，由于以上三种冷指数均使用日最低气温计算得出，说明AO对新疆地区的日最低气温影响较大。AO与TNn、TXn和TN10p呈显著正相关，NAO与TNn、TXn呈显著正相关，而ENSO与各极端指数的相关性均不显著，但存在明显的时滞性，其原因可能是ENSO事件具有滞后性，对区域年际气温变化的影响不显著［41］。

3.3 耦合模态的影响机制分析

有研究结果显示，当AO负位相时新疆更易发生寒潮、暴雪等极端冷事件，这是由于贝加尔湖一带位势高度出现负异常，北半球盛行经向环流异常，乌拉尔山阻塞高压维持且冷空气侵入新疆［42］。在本文耦合模态的分析中发现，La Niña与AO负位相、La Niña与NAO正位相配置时，新疆极端冷事件更易发生。为了研究出现这种现象差异的机制，挑选耦合模态下ENSO与AO、NAO不同位相的8种组合进行环流场距平合成分析（图13～图14）。

EI Niño与AO正位相配置时［图13（a）］，海平面气压场上北极地区为气压负距平，欧洲、乌拉尔山区域和中国西北存在气压正距平中心；500 hPa位势高度距平场上，亚洲中高纬度呈现“西低东高”的态势，乌拉尔山在距平风场上呈气旋分布。EI Niño与AO负位相配置时［图13（b）］，70°N以北海平面气压场为显著正距平，欧亚大陆至北太平洋西部气压分布为“高-低-高”。500 hPa距平风场上，蒙古-西伯利亚呈气旋分布。该两种耦合模态下影响新疆的气流均为偏西气流，不利于极端冷事件的形成。La Niña与AO正位相配置时［图13（c）］，欧亚大陆60°N以北与北太平洋海平面气压场分别为显著负距平；距平风场上新疆盛行东南气流，冷空气南下受阻，不易发生极端冷事件。La Niña与AO负位相配置时［图13（d）］，欧亚中高纬度海平面气压场以北正南负为主，乌拉尔阻塞加强；距平风场上新疆位于北风距平区，南下冷空气势力加强，促进极端冷事件的发展。沈柏竹等［43］认为这种以La Nina为背景，AO为负位相的配置会使极涡偏强，东亚槽偏西偏强。同时，中低纬度区域受高度场负异常影响促使高原高度场偏低，利于区域性极端冷事件的发生［44］。

图13 ENSO-AO模态下环流场距平合成图Fig.13 The composite circulation fields according to the positive/negative phase between ENSO and AO

EI Niño与NAO正位相配置时［图14（a）］，乌拉尔山区域出现气压负距平中心，中国大部分存在气压正距平；500 hPa距平风场上，乌拉尔山区域存在气旋环流，冷空气南下至中亚向西传输，新疆受西南气流影响。EI Niño与NAO负位相配置时［图14（b）］，乌拉尔山区域出现气压负距平中心，气压分布由亚洲大陆至北太平洋中东部呈现为“低-高-低”的态势；500 hPa距平风场上，新疆北部受西风影响。该两种耦合模态下新疆风向分别以西南气流与西风为主，不利于极端冷事件的形成。La Niña与NAO正位相配置时［图14（c）］，气压分布由亚洲大陆至北太平洋中东部呈现为“高-低-高”的态势，北太平洋存在显著的气压正距平中心，新疆存在气压正距平；500 hPa距平风场上，冷空气南下至中国东北后向西传输，新疆受偏北气流影响显著，促进极端冷事件的发展。La Niña与NAO负位相配置时［图14（d）］，中亚存在海平面气压场正距平中心，新疆气压分布为“西高东低”。500 hPa距平风场上，乌拉尔山与西伯利亚存在反气旋，新疆受偏北气流影响。

图14 ENSO-NAO模态下环流场距平合成图Fig.14 The composite circulation fields according to the positive/negative phase between ENSO and NAO

4 结论

本文选用了6个极端冷指数来研究新疆极端冷事件的时空变化特征，利用交叉小波变换和小波相干对大气环流因子AO、NAO和ENSO指数与极端冷指数进行多尺度相关分析，同时研究了大尺度驱动因子的单一/耦合模态对冷指数的影响。得出以下结论：

（1）时间尺度上，年均冷指数FD、ID、TN10p和TX10p呈显著下降趋势，冷指数均通过99.9%、95%、99.9%和99%显著性检验；年均冷指数TNn与TXn呈显著上升趋势，分别通过99.9%和95%显著性检验。FD、ID、TNn和TXn波动趋势为“升降交错”；以1981年为时间节点，之前TN10p＞TX10p，之后TN10p＜TX10p。总体来看，新疆气温有明显的变暖趋势。空间尺度上，冷指数（FD、ID、TNn和TXn）在北疆、东疆和伊犁河谷地区的变化幅度远大于其他区域。北疆TNn与TXn的上升幅度大于南疆，但空间差异较小。

（2）AO、NAO与冷指数的相关性较强，ENSO与极端冷指数的相关关系最弱但存在明显的时滞效应。大尺度驱动因子对极端冷指数的总体影响效果为AO＞NAO＞ENSO。AO与冷指数FD、TNn和TN10p呈显著正相关，由于其均使用日最低气温值计算获得，说明AO与新疆地区的日最低气温值可能存在较强的相关关系。

（3）单一模态中，AO负（正）位相时冷日数更多（少）；NAO负（正）位相和La Niña（EI Niño）事件时极端冷事件发生的可能性更大（小）。以ENSO为背景的耦合模态中，EI Niño-AO正（负）位相、EI Niño-NAO正（负）位相时冷日日数更多（少）。EI Niño-NAO负（正）位相时极端低温值更低（高），EI Niño-AO位相差异对极端低温值影响不大。La Niña-AO负（正）位相、La Niña-NAO正（负）位相时极端冷事件发生的可能性更大（小）。耦合模态中，ENSO对AO与NAO的影响不同，AO（NAO）更易受到EI Niño（La Niña）事件的调制作用。

（4）以ENSO为背景的耦合模态中，La Niña与AO负位相配置时，欧亚中高纬度海平面气压场以“北高南低”为主，乌拉尔阻塞加强；新疆位于北风距平区，南下冷空气势力加强。La Niña与NAO正位相配置时，气压分布由亚洲大陆至北太平洋呈现为“高-低-高”的态势，极地冷空气南下至中国东北后向西传输，新疆受偏北气流异常影响显著。该两种耦合模态较其他组合更易促进新疆极端冷事件的发展。

新疆极端冷事件的形成是多尺度驱动因子在复杂模态下的综合过程，本文仅初步分析了三种大尺度驱动因子不同组合模态下的极端冷指数变化过程，而没有考虑更多的可能引起新疆极端冷事件的其他因素，如东亚季风、北极海冰和太阳黑子等。多种大气内部变率和外部强迫因子是通过何种动力过程和耦合方式共同影响新疆极端冷事件的形成，需要在后期研究中重点关注。