全球变暖情景下太平洋年代际振荡（PDO）时空特征变化分析

陈广超 陈峥 黎鑫 , 李昀英

1 国防科技大学气象海洋学院,长沙 410000

2 中国海洋大学物理海洋教育部重点实验室,山东青岛 266100

3 中国科学院大气物理研究所地球流体力学与数值模拟国家重点实验室,北京 100029

1 引言

Mantua et al.（1997）发现在北太平洋中纬度地区存在年代际振荡，并称之为太平洋年代际振荡（PDO）。这是一种具有较长周期的太平洋气候模态，亦被一些人描述为一种长期存在的类似厄尔尼诺的太平洋气候多变性模态，而另一些人则将其描述为两种有时相互独立的模态的混合（Mantua and Hare,2002）。研究表明，这一现象在各类海气要素场上均有反映，在海洋方面，赤道中东太平洋海表温度（SST）年代际异常增高，黑潮及其延伸体区域和北太平洋中部异常变冷，北太平洋东部沿岸SST增高；在大气方面，北太平洋海平面气压和500 hPa高度场明显降低，阿留申低压异常加深、东移并偏南（Trenberth,1990;Trenberth and Hurrell,1994;Deser and Blackmon,1995）。PDO指数被定义为北太平洋（20°N～70°N，110°E～100°W）EOF分解后第一模态的时间系数，它有两个周期段，15～25年和50～70年。观测显示，自1920年起PDO指数与阿留申低压指数（该指数用于表征北太平洋海表面气压变化）在位相上有显著的对应关系，这种一致性变化表明PDO是海气相互作用的产物（杨修群等,2004）。

PDO对全球气候有重要影响。一方面，它既是一种长期气候周期的偏离，可直接造成太平洋及其周边区域气候的年代际变化；另一方面，它又是年际变率的重要背景，对年际变化（ENSO及其诱发的大气遥相关）具有重要的调制作用，可调制ENSO事件频率、强度和气候影响（如导致年际ENSO—季风异常关系的不稳定性或年代际变化）（徐建军等,1996;王黎娟和何金海,1998;王绍武和朱锦红,1999;江志红和屠其璞,2000;李崇银,2000;王绍武,2001）。

反过来，气候变化也很可能影响PDO时空特征。近百年来全球气候变化特征是温度的显著变暖，平均增暖速率为每100年升高0.6°C，这使得太平洋SST发生了显著变化，其最大的增温发生在赤道中东太平洋即Nino1至Nino4区内，最大的降温在中纬度北太平洋中部。除了北半球太平洋西岸40°N附近为降温外，在北半球太平洋沿岸基本上为升温，但太平洋东海岸的升温幅度要远大于西海岸（蔡怡等,2008）。由此可推测，全球变暖不仅会引起气候平均态的变化，也会引起年代际振荡PDO形态特征的变化。前人对全球变暖下的ENSO变化已有研究，指出其增暖中心显著西移，周期明显变短（夏杨等,2017）；同时已有研究指出PDO在全球变暖背景下振幅减小，周期缩短（Geng et al.,2019）；也有研究指出PDO的空间分布不变（Furtado et al.,2011），二者结论皆与本文结论不同。主要是所使用数据不同与处理方法不同，前者虽然也是用了CMIP5数据，但是只对比了多模式集合平均（MMEM）数据变暖前后PDO模态的变化，并未给出多数模式的变化；后者使用的数据是IPCC AR4（Fourth Assessment Report）模式，且也仅仅是讨论了多模式集合平均（MMEM）数据。那么在CMIP5各模式中PDO这种年代际的海温模态在全球变暖下时空特征有无改变，如何改变？这些关键科学问题前人讨论得还并不充分，因此本文着重通过观测资料和CMIP5模式资料分析全球变暖下PDO的特征变化。

2 资料和方法

2.1 资料

本文的使用的模式资料为耦合模式比较计划CMIP5中的13套海气耦合模式模拟海表温度数据，其中13套海气耦合模式资料的SST数据又分为历史情景模拟和在RCP4.5与RCP8.5（二氧化碳浓度达到4.5 W/m2和8.5 W/m2）变暖情景模拟（Taylor et al.,2012）。由于RCP4.5和RCP8.5情景下的月平均SST数据的时间范围是2006～2100年（95年），因此选取相同时长的历史情景下的月平均SST数据，时间范围是1911～2005年（95年）。由于13套海气耦合模式空间分辨率各异（表1）因此本文统一将海表温度场空间分辨率插值成1°（纬度）×1°（经度）。

表1 CMIP5中的13种模式的来源及分辨率Table 1 Source and resolution of 13 modes in CMIP5

实际观测的海表温度数据是日本气象厅重建的长时间序列海表温度资料COBE-SST2数据，选取的COBE-SST2的月平均海表温度数据时间范围是1850～2018年（169年），为格点数据，数据的空间分辨率为1°（纬度）×1°（经度）。

2.2 研究方法

2.2.1 统计诊断方法

根据研究需要，本文用到了经验正交函数分析（Empirical Orthogonal Function，EOF）、回归分析、泰勒图方法、功率谱分析以及Pettitt突变点检测方法等现代统计诊断方法。其中，EOF分析可用少量变量代替多变量，提取主要数据特征量。Lorenz在1950年首次将其引入气象和气候研究，目前得到了非常广泛得应用，能够很好地反映要素场的空间分布模态及其随时间的变化因此也被称为时空分解。回归分析是用来研究变量与变量之间相互关系的数学方法。在气象研究中，回归分析也是应用最广泛的内容之一，用它来分析某一变量与一个或多个自变量之间的统计关系，并建立变量依自变量之间的回归方程，然后根据这个方程做出对变量的预测（胡基福,1996）。

泰勒图是近年来被广泛采用的应用于模式评估与检验的有效方法，能够将多模式的相关信息（标准差、相关系数、均方根误差）集中表示，将多个变量的标准差、与参考值的相关系数以及均方根偏差综合显示在一张二维图上。在泰勒图中，能够全面清晰对多模式的模拟能力进行展示评估。标准差能反映多变量自身的离散程度，标准差越小，这些变量偏离平均值就越少，相关系数表示变量值与参考值的相似性，均方根误差表示模拟模式与参考模式之间的离散度，均方根误差值越小，表明与参考模式自身的离散程度越接近（Taylor,2001;陈峥等,2018）。

功率谱方法则是通过谱分析，将时域转换到频域上，通过分析频域的特征来获取数据的周期特性。由于本文关注的是年代际变率，故首先对数据进行了8年的低通滤波，然后再用功率谱提取不同数据中的PDO周期（Torrence and Compo,1998）。

Pettitt突变点检测方法是对于n个样本量的时间序列x，构造一秩序列

其中，当xi>xj时，ri=1；当xi=xj时，ri=0；当xi

2.2.2 PDO主模态的获取

本文使用的是COBE-SST2海表温度数据及插值过后的CMIP5多模式模拟的SST数据进行提取，提取范围为北太平洋（20°N～70°N，120°E～90°W）的海温数据，由于PDO模态在冬季表现最显著，所以本文主要分析冬季（定义为当年12月到次年的2月）的情况。使用多种统计分析方法进行分析处理各模式的冬季海温资料。本文采用的获取PDO主模态的具体方法如下：

（1）对COBE-SST2海表温度场和13个CMIP5中的历史情景与全球变暖情景模拟数据的各95年海温场进行线性去趋势。将去趋势之后的海温场再进行3个月滑动平均并去除逐月海温平均态得到异常场。

（2）从中取出12月、1月和2月（DJF）组成一个新的连续冬季场。由于PDO是大尺度的，受地球表面效应的影响，不同维度的格点的面积权重不一样，所以将数据的空间格点乘以其所在维度余弦值的平方根即乘以纬度权重，得到新的异常场。

（3）对这个冬季场进行时空变换，将三维场变为时间—空间二维场之后进行EOF分解得到第一主成分对应的时间序列，将这个时间序列标准化处理，再将步骤二的太平洋冬季异常场回归到标准化时间序列上，从而最终得到PDO空间模态。

3 观测资料中全球变暖前后PDO时空特征变化

首先我们从图1和图2的对比中可以发现，全球变暖的超低频趋势对PDO的时间序列有很大影响，使其有一个很明显上升的趋势。接着对未去掉全球变暖超低频趋势的时间序列做Pettitt突变点检测，从图3中可以很明显地看到突变点在1934年附近，并通过了显著性检验，再对1934年前后俩段分别做其趋势线，可以发现前后有明显的增强趋势。综上可以能看出1934年前后PDO受全球变暖影响明显产生了变化，所以选取1934年作为分界点来对比观测资料中全球变暖对PDO的影响。从空间模态上来看（图4），1934年前后的PDO模态中整个太平洋都呈现“马蹄形”的SST异常，赤道中东太平洋，太平洋东部沿岸表现为正的异常中心，北太平洋的中部表现为一个负的异常中心。从前后强度对比来看，PDO变得更强。北太平洋中部的负异常中心范围有所增大，且向西扩展，中心值也变得更大，由0.5°C增强到0.7°C；同样在赤道中东太平洋，太平洋东部沿岸的正异常中心，中心值和范围都有所增大，赤道中东太平洋的中心值增大了0.1°C左右，太平洋东部沿岸增大了0.2°C左右，也呈现出增强的趋势。由以上可知，在全球愈发变暖的背景下，PDO强度得到加强。

图1 1850～2017年观测数据中未去掉全球变暖超低频趋势的PDO指数时间序列及趋势Fig. 1 The time series and trend of PDO (Pacific Decadal Oscillation) index under the global warming ultralow frequency trend is not removed from the observation data during 1850–2017

图2 1850～2017年观测数据中去掉全球变暖超低频趋势的PDO指数时间序列Fig. 2 The time series of PDO index under the global warming ultralow frequency trend is removed from the observation data during 1850–2017

图3 对1850～2017年观测数据时间序列的Pettitt突变点检测值（Ut）Fig. 3 The map of Pettitt mutation point detectionin time series (Ut) from the observation data during 1850–2017

图4 观测数据中1934年前、后的PDO模态（单位：°C）：（a）1850～1934年；（b）1934～2017年Fig. 4 PDO mode from the observation data around 1934: (a) 1850–1934;(b) 1934–2017

对比1934前后的PDO指数（图5）可以发现PDO的反相变化加快，年代际周期明显变短。再对1934年前后PDO指数进行功率谱分析（图6），1934前PDO观测指数的峰值周期在50～70年，而1934后PDO观测指数的峰值周期在40年，结果同样表明PDO模态的频率向高频移动（周期变短）。

图6 观测数据中1934年前、后PDO指数功率谱：（a）1850～1934年；（b）1934～2017年Fig. 6 Power spectra of PDO index from the observation data around 1934: (a) 1850–1934;(b) 1934–2017

4 CMIP5多模式对PDO模拟能力的评估分析

本文利用泰勒图来评估CMIP5多模式对观测数据中PDO的模拟能力，俩者时间长度皆为95年（1911～2005年）。由于对泰勒图（图7）进行了标准化，所以相关系数R=0.5对应均方根误差E≈1，定义模式模拟合格标准为R≥0.5，E≤1，良好标准为R≥0.7，E≤0.8，优秀标准为R≥0.8，E≤0.6。从图5上可以看出13种模式的模拟程度相关系数都在0.6～0.9，均方根偏差基本都在0.5～1，除了CMCC-CESM模式外，均具有与观测相似的PDO幅度（标准差σ在1±25%范围内），以上13种模式都达到了合格。其中模拟程度达到良好的模式有BNU-ESM模式、Had-GEM-AO模式、IPSL-CM5A-LR模式和NorESM1-ME模式，模拟优秀的模式有ACCESS1-3模式、CanESM2模式、CMCC-CM模式、GFDL-CM3模式和HadGEM2-ES模式。

图5 观测数据中1934年前、后标准化的PDO指数：（a）1850～1934年；（b）1934～2017年Fig. 5 Standardized PDO index from the observation data around 1934: (a) 1850–1934;(b) 1934–2017

图7 CMIP5多模式对PDO模拟结果泰勒图。图中蓝色线表示与观测模式的相关系数；绿线表示各CMIP5模式与参考值间的均方差误差；黑色线表示标准差；REF为观测模式参考值；带序号红点对应为各模式所提取得PDO模态，各CMIP5模式名称及对应序号见图右上侧Fig. 7 CMIP5 multimode Taylor diagram of PDO simulation results. The blue line in the figure represents the correlation coefficient with the observation mode. The green line represents the mean square error between each CMIP5 mode and the reference value.;the black line indicates the standard deviation;REF is the reference value of the observation mode;the red dot with the serial number corresponds to the PDO mode extracted by each mode. The names and corresponding serial numbers of each CMIP5 mode are shown in the upper right

模式对于年际、年代际周期的模拟是评估模式能否真实反映气候特征的一个重要指标。对观测数据（图8）进行功率谱分析，可以发现PDO年代际振荡明显，55年和25年左右周期的峰值最大。CMIP5多模式模拟的PDO指数显示出不同年代际特征，以模拟优秀HadGEM2-ES模式、CMCC-CM模式和 ACCESS1-3模式为例（图9）：HadGEM2-ES模式显示为25年左右的峰值周期；CMCC-CM模式显示为50年和25年左右的峰值周期；ACCESS1-3模式显示为55年和15年左右的峰值周期。总的来说，CMIP5多模式年代际峰值周期显示在15～30年、50～70年。其中表现出15～30年左右周期的模式有13种，4种模式显示为15年左右的峰值周期， 3种模式显示为20年左右的峰值周期，有5种模式显示为25年左右的峰值周期，1种模式显示为30年左右的峰值周期。表现出50～70年左右周期的模式有8种，2种模式显示为50年左右的峰值周期， 4种模式显示为55年左右的峰值周期，2种模式显示为70年左右的峰值周期。总体而言，就良好以上模式来说，年代际周期与观测事实是基本相符的。

图8 1911～2015年观测数据的PDO指数功率谱Fig. 8 Power spectra of PDO indices from the observation data during 1911–2015

图9 CMIP5模式中的PDO指数功率谱：（a）HadGEM2-ES模式；（b）CMCC-CM模式；（c）ACCESS1-3模式Fig. 9 Power spectra of the PDO indices from CMIP5 mode: (a) HadGEM2-ES mode;(b) CMCC-CM mode;(c) ACCESS1-3 mode

5 CMIP5多模式下PDO对不同变暖情景响应的时空特征分析

前文的分析已表明，挑选的13个CMIP5模式大部分对PDO有一定模拟能力，可以用来分析评估PDO对于气候变暖的响应。且通过对比观测资料中1934年前后的PDO时空特征，发现在全球变暖的背景下，PDO强度得到加强，PDO模态的频率向高频移动（周期变短）。那么CMIP5模式在不同的排放情景下，PDO的响应特征是否与观测相同呢？这里以模拟优秀的CanESM2模式和GFDL-CM3模式为例展开分析。从空间模态（图10）上来看，变暖前后的PDO模态中整个太平洋都呈现“马蹄形”的SST异常，CanESM2模式在RCP4.5情景下，PDO变强，北太平洋中部的负异常中心向东部移动，其值也增大0.1°C左右，同样在赤道中东太平洋，太平洋东部沿岸的正异常中心，中心值和范围都有所增大，赤道中东太平洋的中心值增大了0.4°C左右，太平洋东部沿岸增大了0.4°C左右，在RCP8.5情景下，PDO强度相比RCP4.5情景下变得更强。北太平洋中部的负异常中心值增大0.2°C左右，赤道中东太平洋的中心值增大了0.6°C左右，太平洋东部沿岸增大了0.6°C左右。GFDL-CM3模式在RCP4.5情景下，北太平洋中部的负异常中心值与变暖前相差不大，在赤道中东太平洋中心值和范围都有所增大，赤道中东太平洋的中心值增大了0.2°C左右，太平洋东部沿岸的正异常中心值范围和值都略有减小，幅度在0.2°C左右，在RCP8.5情景下，与变暖前对比北太平洋中部的负异常中心值增大0.2°C左右，范围也有所增大向西拓展，赤道中东太平洋的中心值增大了0.4°C左右，太平洋东部沿岸的正异常中心向南移动，其值几乎不变。

图10 CMIP5模式中CanESM2模式（第一行）、GFDL-CM3模式（第二行）全球变暖前后 PDO 模态：（a、d）历史情景下的PDO；（b、e）RCP4.5情景下的PDO；（c、f）RCP8.5情景下的PDOFig. 10 PDO mode before and after global warming in the CMIP5 model CanESM2 mode (the first line) and GFDL-CM3 mode (the second line): (a,d) PDO in historical scenarios;(b,e) PDO in RCP4.5 scenarios;(c,f) PD0 in RCP8.5 scenarios

从不同情景下功率谱分析（图11）来看，CanESM2模式各情景下PDO指数的年代际周期特征明显，历史情景中显示为70年和35左右的峰值周期；RCP4.5情景中显示为70年和10年左右的峰值周期；RCP8.5情景中显示为15～30年的峰值周期。GFDL-CM3模式历史情景中显示为70年和25左右的峰值周期；RCP4.5情景中显示为70年和25年左右的峰值周期；RCP8.5情景中显示为25年左右的峰值周期。以上两种模式中RCP4.5情景与变暖前对比，年代际峰值周期变化不大，RCP8.5情景下，年代际峰值周期都变小。分析表明，随全球变暖程度加大，PDO模态的频率向高频移动(周期变短)。

图11 CMIP5模式中CanESM2模式（第一行）、GFDL-CM3模式（第二行）PDO指数功率谱：（a、d）历史情景；（b、e）RCP4.5情景；（c、f）RCP8.5情景Fig. 11 PDO index power spectrum in CMIP5 model CanESM2 mode (the first line) and GFDL-CM3 mode (the second line): (a,d) PDO in historical scenarios;(b,e) PDO in RCP4.5 scenarios;(c,f) PDO in RCP8.5 scenarios

从对模拟良好以上模式的统计结果来看：空间特征上在赤道中太平洋异常中心9种模式在全球变暖愈发变暖的背景下异常中心值都在增加，其范围一般也向西扩展；在北太平洋东部沿岸异常中心9种模式中有7种模式在全球变暖的背景下异常中心值在增加，范围也是在扩展，只有在CMCC-CM和 GFDL-CM3模式下异常中心值稍有减小，但异常中心的范围也是在向西扩展；在北太平洋中部异常中心9个模式中有7个模式在全球变暖的背景下异常中心值在增加，在CMCC-CM、HadGEM2-AO模式下，中心值在减弱，且范围也有所减小。时间特征上,对模拟良好以上的模式进行功率谱分析，分析得出9种模式有7种模式PDO模态的频率向高频移动（峰值周期变小），只有HadGEM2-ES、NorESM1-ME模式表现出PDO模态向低频移动（峰值周期变大）。

6 结论和讨论

本文首先对比观测数据1934年前后的PDO时空特征发现：在全球变暖的背景下，PDO振幅得到加强，赤道中东太平洋、太平洋东部沿岸和北太平洋的中部异常中心值和范围都明显增强；而其频率则表现为向高频移动，说明其周期变短。接着，基于CMIP5多个海气耦合模式的20世纪历史模拟资料，分析了耦合模式对太平洋年代际振荡（PDO）的模拟能力，发现选取的CMIP5模式对PDO有着较好的模拟能力，都能一致地刻画出PDO的空间模态和年代际周期特征。进而，从中挑取出模拟良好以上的9种模式看PDO对不同变暖情景响应的时空特征是否与观测符合。结果表明：在全球变暖加剧的情景下，有8种模式表现出在赤道中太平洋异常中心的值显著增加，其范围一般也向西扩展；在北太平洋东部沿岸异常中心，有7种模式表现出振幅增加，范围也是在扩展；在北太平洋中部异常中心，有7个模式的强度在增加. 时间特征上，根据功率谱分析结果，有7种模式PDO模态的频率向高频移动（峰值周期变小），只有HadGEM2-ES、NorESM1-ME模式表现出PDO模态向低频移动（峰值周期变长）。这些结果表明，全球变暖可导致PDO的振幅加强，而周期变短，与观测基本相符。

值得思考的是为何全球变暖背景下PDO会得到加强？根据前人的相关研究，可以初步推测：太平洋东部沿岸和北太平洋中部的异常中心得到加强的原因可能与PNA有关；赤道中东太平洋变得更暖的原因可能与ENSO有关；黑潮及其延伸体区域黑潮及其延伸体区域异常中心发生变化的原因可能是全球变暖导致海洋Rossby波波速发生变化（Newman et al.,2016）。至于这种推测是否合理，PDO对全球变暖的具体响应过程和机制，还需要下一步深入探讨。