北半球夏季热带季节内振荡影响我国夏季降水的规律和预测方法

王安英 房佳蓓 杨修群

(中国气象局-南京大学气候预测研究联合实验室/南京大学大气科学学院，南京 210023)

引 言

大气季节内振荡又称大气低频振荡，是指大气中存在的时间尺度为10～90 d的周期性振荡现象[1-3]。Madden，et al[4]在1971年首先发现了热带地区冬季的热带季节内振荡(Madden-Julian Oscillation, MJO)现象。此后的研究表明，在东亚季风区大气低频振荡最为显著，并且振荡频率随着地理位置的不同以及季节的变化都表现出一定的差异性。MJO的“赤道截获”属性在冬季显著，在北半球夏季热带低频振荡整体北移，振荡周期、传播方向和传播机制都更为复杂[1-3，5-6]。Wheeler，et al[7]利用15°S～15°N的赤道对称纬向平均的OLR、850 hPa和200 hPa纬向风场的逐日资料，去除季节循环和年际变化后做联合EOF分析，给出了赤道地区全年的实时RMM指数，可以监测当前大气MJO的位置和强度变化。Lee，et al[8]参考RMM指数的定义，利用(10°S～40°N， 40°～160°E)的OLR和850 hPa纬向风场的逐日距平资料，去除季节循环和年际变化后做联合EOF分析，得到了能更好地表征北半球夏季热带大气季节内振荡(BSISO)的两对指数。BSISO指数能够更好地实时反映北半球夏季热带大气的季节内振荡情况。

我国夏季降水具有显著的季节内变化特征，存在着雨带随季节进程的向北移动，以及在不同地区不同年份出现一段时间多雨、另一段时间少雨等降水时空不均匀的旱涝分布情况[9]。降水的季节内变化与大气低频振荡具有显著的相关性，特别是热带地区大气低频振荡活动对我国夏季降水季节内变化有明显影响[10-11]。华南地区夏季持续性强降水受到华南及其邻近海域的低频环流控制，低层的低频信号来源于热带西太平洋向西北方向传播并伴随着西太平洋副热带高压的西伸东退过程[12-14]。长江中下游地区夏季降水季节内振荡受到热带地区低频水汽输送影响，水汽来源于热带东印度洋的向东输送及其到南海地区的向北输送，以及来源于西太平洋的向西输送及其到南海地区的向北输送[15-17]。夏季江淮地区降水的多寡也与热带地区低频振荡有关，南海—西太平洋地区的气旋和反气旋的交替活动能够影响西北太平洋副热带高压的进退，从而引起江淮流域夏季降水的异常[18-19]。

当前天气预报主要是着眼于10 d以内天气形势预报，气候预测主要关注季节(90 d)及以上时间尺度的气候异常状况，而介于两者之间的10～90 d预报或次季节预报(又称延伸期预报)就成为了“预报缝隙”。次季节预报受到的关注程度要少得多，精度也低于天气预报和季节气候预测[20-22]。对全球10个预报中心次季节到季节(S2S)降水预报产品的预报能力评估发现，S2S降水预报能力随预报时效增长而逐渐降低，对10 d以后的降水预报几乎丧失了预报能力[23]。国家气候中心气候系统模式BCC_CSM1.1(m)对1994—2013年的历史回报试验也表明，我国夏季次季节降水的预报技巧在超过提前10 d以后就急剧下降[24]。延伸期预报技巧与大气次季节振荡预报因子(如MJO/BSISO)的强弱密切相关，大气次季节信号显著时预报技巧较高且较稳定。统计预报对我国南方和长江中下游地区降水在提前20～25 d能取得较好的预报结果[22，25-27]。

以往研究结果表明，北半球夏季热带季节内振荡较为复杂，且可显著调制我国夏季降水季节内变化，可以作为我国夏季次季节降水的预报因子。但是，在以往研究中，传统的滤波方法只能对历史资料进行分析，不能实时描述次季节信号；而次季节信号的实时表征主要是通过减去前期平均的方式来简单去除季节变化和年际信号，对气象要素次季节分量的提取还不够准确。当前次季节实时预报方法较少，其预报技巧较低，而准确预测夏季未来一段时间内降水的分布情况，能够有效地为农业、林业、水利等社会生产活动提供参考，具有重要经济价值和社会效益。因此，有效提取北半球夏季热带次季节信号，研究北半球夏季热带季节内振荡对我国夏季降水的影响，找到其影响规律并据此建立合适的预报模型，对于提高我国夏季降水的次季节预报水平，具有重要理论和现实意义。

1 资料与方法

图1 1979—2018年(a)夏季降水和(b)热带OLR旬异常相对倾向标准差空间分布Fig.1 Spatial distribution of standard deviation of the summertime ten-day anomalous relative tendency (ART) for (a) precipitation and (b) tropical OLR for 1979-2018

使用资料包括：(1) 美国国家海洋和大气管理局(NOAA)提供的逐日向外长波辐射(OLR)资料，水平空间分辨率为2.5°×2.5°；(2) 美国国家气候预测中心(CPC)提供的逐日格点陆地降水资料，水平空间分辨率为0.5°×0.5°；(3) 美国国家环境预报中心(NCEP)提供的逐日再分析资料(NCEP/DOE AMIP-II Reanalysis)，包括位势高度场、经向风、纬向风以及气温和相对湿度等数据，垂直方向17层，水平空间分辨率为2.5°×2.5°；(4) 中国气象局国家气候中心(NCC/CMA)提供的副高脊线西段逐日数据。以上资料使用的时间长度均为1979—2018年共40 a。其中夏季是指每年的6—8月，每个夏季共92 d。

本文研究对象为10～90 d的次季节时间尺度。为了有效提取次季节信号，我们将逐日资料转换为旬平均资料。每个月划分为3旬，其中1—10日定义为该月的第1旬，11—20日定义为第2旬，剩下的天数定义为第3旬。使用异常相对倾向(Anomalous Relative Tendency， ART)方法提取旬气象要素的次季节信号。旬平均量与其多年平均气候态的差值称之为距平。受年际增量[28]启发，本文将任何一旬距平与近期背景距平(Recent background anomaly， RBA；目前经验地取为该旬前90 d平均的距平)的差值称之为异常相对倾向。事实上，计算异常相对倾向是一种非传统滤波，可以突出次季节时间尺度。实际应用中，采用逐日滑动的旬定义方法，并将前5 d至后4 d的旬记在当日，从而得到逐日变化的旬异常相对倾向。旬异常相对倾向的具体计算方法如下：对于任何一旬距，其异常相对倾向定义为：

δΔx=Δx-ΔxRBA

,

(1)

其中：△xRBA表示该旬近期背景异常即该旬前90 d平均距平。

根据上式，本文将逐旬降水、OLR、位势高度场以及水平风场等气象要素距平均预先计算转换成旬异常相对倾向。图1给出了1979—2018年(共40 a)夏季 92 d的陆地降水和热带OLR旬异常相对倾向的标准差(标准差计算采用的是无偏估计)空间分布。其中，图1b与经10～90 d滤波的夏季OLR标准差分布[29]几乎一致，都在热带印度洋和西北太平洋地区有两个显著的次季节变化大值区。由此可知，旬异常相对倾向的处理方法能够有效提取气象要素的次季节信号。图1a给出的陆地降水异常相对倾向标准差的分布也表明了我国南方地区夏季降水存在明显的季节内变化特征。此外，本文使用的其他方法包括：经验正交函数分解(EOF)、相关分析、小波分析、回归分析等。统计显著性检验包括North检验和Student’st检验[30]。

2 夏季热带次季节信号及其与我国降水的关系

图2 1979—2018年夏季OLR旬异常相对倾向EOF分解的第一模态(a，9.5%)和第二模态(b，7.5%) 空间分布(两个模态均通过了North检验)Fig.2 The first (a， 9.5%) and second (b， 7.5%) EOF modes of the summertime ten-day ART of OLR for 1979-2018 (Both modes pass the North test)

为了提取出夏季热带最主要的次季节信号，首先对1979—2018年夏季OLR旬异常相对倾向作EOF分解。EOF分解选取的区域是(30°E～180°和30°S～30°N，包含了整个热带印度洋和热带中西太平洋。将EOF分解得到的时间序列标准化，而后将时间序列的标准差与相应的空间模态相乘得到有量纲的空间型。图2给出了EOF前两个模态(有量纲场)的空间分布。EOF前两个模态均通过了North检验，其中第一模态解释方差9.5%，第二模态解释方差7.5%。EOF分解得到的前两个模态都是一个横跨热带印度洋到西北太平洋的信号，这一信号呈现西北—东南方向的带状倾斜分布。其中EOF第一模态在赤道印度洋地区、海洋性大陆以西是一个强烈的OLR正异常，表明该处对流活动受到抑制；而在该对流抑制区的东侧是一个从印度半岛一直延伸到赤道西太平洋的OLR负异常，对应于旺盛的对流活动；OLR负异常的大值区位于海洋性大陆以北至我国南海南部以及10°N附近的西太平洋地区；在该对流正异常的北面是一个较弱的OLR正异常，范围包括了我国长江以南地区。EOF第二模态的信号范围也横跨印度洋和西北太平洋，与第一模态相类似的是，在印度半岛一直延伸到赤道西太平洋也是一长条带状的OLR负异常，但是这个负异常相比于第一模态的位置更偏南，并且信号最显著的地方位于印度半岛附近；与第一模态不同的是，在印度洋上没有明显的OLR信号，而在我国南海北部以及20°N附近的西北太平洋地区是一个强烈的OLR正异常区域，表明该处对流活动受到抑制。

图3给出的是选取了2016—2018年每年5—9月(每年一共153 d)的上述区域OLR旬异常相对倾向投影到图2所示的OLR旬异常相对倾向空间模态上所得到的时间序列。其中图中蓝线是对EOF1模态投影的结果，得到时间序列PC1；红线是对EOF2模态投影的结果，得到时间序列PC2。由图3可见，PC具有次季节时间尺度的周期性特征，说明这是热带夏季次季节信号。仔细分析两条曲线还能发现，PC1与PC2之间存在一定的位相关系，PC2大约超前PC1四分之一位相。

进一步通过小波分析来揭示EOF时间序列的次季节尺度周期特征。把每年的数据拓展成5到9月共153 d，将1979—2018年每年5—9月OLR旬异常相对倾向投影到图2所示的EOF前两个模态上，而后对得到的每年时间序列作小波分析，最后将40 a的小波分析平均，结果如图4所示。可见，在5—9月热带地区OLR信号都存在着明显的次季节尺度振荡，其中30～60 d季节内信号尤为显著。

图3 2016—2018年5—9月OLR旬异常相对倾向投影到图2显示 的EOF前两个模态所得到的时间序列(蓝线为PC1；红线为PC2)Fig.3 The time series obtained by projecting the ten-day ART of OLR from May to September in 2016-2018 onto the first two EOF modes shown inFig. 2(The blue line is PC1 and the red line is PC2)

分别对EOF前两个模态的时间序列求超前/滞后30 d自相关，其结果如图5a、b所示，可以看到EOF前两个模态都反映了一个大致是40 d周期的季节内振荡信号，这与前面分析结果一致。图5c给出了PC2超前/滞后PC1相关系数曲线，可以看到，在PC2超前PC1大约10 d左右(1/4位相)二者之间正相关最大，超过了0.5；而在PC2落后PC1大概10 d左右(1/4位相)两者之间负相关最大，大概可以达到-0.6左右。由此可以看到，EOF的前两模态无论时间、空间位相上都具有正交关系，它们事实上是反映了同一个传播模态的OLR次季节异常信号的不同位相。通过对比分析还可以发现，EOF分解得到的前两个模态和BSISO1较为相似[8]，表明EOF前两个模态事实上反映了北半球夏季BSISO信号。

图4 1979—2018年40 a平均的5—9月OLR旬异常相对倾向投影到图2显示的前两个EOF模态所得到的 时间序列(PC1和PC2)的小波分析Fig.4 40-yr-averaged wavelet analysis of the time series (PC1 & PC2) obtained by projecting the ten-day ART of OLR from May to September in 2016-2018 onto the first two modes of EOF shown inFig. 2

图5 (a)PC1和(b)PC2超前/滞后自相关曲线；(c)PC2相对于PC1的超前/滞后相关曲线(打点部分通过了α=0.05显著性检验)Fig.5 Lead/lag autocorrelation for (a) PC1 and (b) PC2; (c) Lead/lag correlation of PC2 relative to PC1(The red dots in the figures indicate the values passing the 95% significance test)

图6 (a)PC1和(b)PC2同期及超前回归的OLR(单位：W·m-2)和850 hPa风(箭矢：2 m·s-1)(第一列)、500 hPa位势高度(单位：m)(第二列)、垂直积分的水汽通量及其散度(单位：10-5K·g-1·m-2·s-1)(第三列)以及降水(单位：mm)(第四列)的异常相对倾向空间分布。 其中OLR场叠加了回归得到的通过信度检验的850 hPa水平风场；水汽通量散度场叠加了1 000～300 hPa整层积分的水汽通量场。 第一行为同期回归，往下依次是落后一旬、两旬和三旬的回归(打点部分通过了α=0.05显著性检验)Fig.6 Regressed ARTs upon (a) PC1 and (b) PC2 of OLR & 850 hPa wind (the first column)， 500 hPa geopotential height (the second column)，vertically-integrated water vapor flux and its divergence (the third column)， and precipitation (the fourth column). The OLR field are superimposed by 850 hPa horizontal wind field passing the 95% significance test， while the vertically-integrated water vapor flux from 1 000 hPa to 300 hPa is superimposed by its divergence field. The first row is simultaneous regression， and the second-to-fourth rows are the regressions when PC leads those fields by one ten-day， two ten-days， and three ten-days， respectively. The regions with values passing the 95% significance test are dotted

图6给出了PC1和PC2同期以及超前回归的OLR场(叠加850 hPa水平风场)、500 hPa位势高度场、水汽通量及其散度场以及降水场的异常相对倾向分布，从大气环流场的角度解释热带OLR季节内振荡信号传播如何影响我国降水次季节演变。PC1的回归结果显示(图6a)，在同期的时候，热带地区表现为印度洋OLR正异常以及其东北面OLR负异常，OLR负异常横跨印度半岛、中南半岛以及我国南海及热带西太平洋，表明此时这些地区有旺盛的对流活动；相应地，850 hPa为气旋式环流异常，500 hPa为位势高度负异常；整层水汽通量在该区域异常辐合，水汽通量散度是一个负异常；印度半岛中部、中南半岛以及菲律宾等地区降水正异常；在该OLR负异常的北面，我国华南地区是OLR正异常，在500 hPa位势高度场上我国南方地区是一个显著的位势高度正异常，整层积分水汽通量散度正异常，对应于我国长江以南地区降水负异常。在落后一旬的时候， OLR场异常信号向东北方向传播，我国南海北面及其以东洋面是OLR负异常，850 hPa水平风场是气旋式异常，500 hPa位势高度场是负异常，延伸到了我国华南地区以及印度半岛北面；整层水汽通量在该区域中部和南部异常辐合，水汽通量散度是负异常，对应于印度半岛北部、中南半岛、我国华南沿海以及海南岛和台湾岛降水正异常；在该位势高度负异常北面、我国中部地区上空是位势高度正异常，整层水汽通量在该区域是异常辐散，对应于我国长江地区降水负异常。在落后两旬的时候，南海及其以东地区OLR正异常，其北面OLR负异常，南海地区500 hPa位势高度正异常以及我国东部位势高度负异常；整层水汽通量散度显示，在我国南部是一条狭长的负异常，其北面是水汽通量散度正异常，此时我国降水在华南地区降水正异常，而淮河流域是降水负异常。在落后三旬的时候，南海北部以及西北太平洋地区OLR正异常；南海地区北部500 hPa位势高度正异常，其北面我国中部是位势高度负异常；在整层水汽通量散度上，我国西南地区、两广地区以及江淮地区是水汽通量负异常，相应地这些地区也是降水正异常。因此，可以很明显看出，随着热带对流活动的向北传播，相应的异常环流场形势也向北推进，最终也导致了降水异常分布的向北移动。

PC2的同期回归结果显示，在我国南海及西北太平洋区域是一个显著的OLR正异常，伴随着850 hPa风场的反气旋异常以及500 hPa位势高度场的显著正异常。整层水汽通量在该区域异常辐散，水汽通量散度是一个正异常，覆盖区域包含了我国华南沿海地区以及海南岛和台湾岛，而在其北面和西北面是一个显著的水汽通量散度正异常。与水汽通量散度相对应，我国华南沿海地区以及海南岛和台湾岛是降水负异常，而北边长江流域是显著的降水正异常。由于PC2在时空上超前PC1约(1/4)位相，此后PC2的回归结果与PC1的演变较为一致。

3 我国夏季降水次季节预报模型及检验

在上一节中，EOF分解得到的前两个模态能够很好地反映北半球夏季热带季节内振荡(BSISO)，并且这一次季节振荡信号能够显著地调制我国夏季降水次季节变化。鉴于这两个EOF模态的时空正交性，本文将利用这两个EOF模态作为预报因子，利用多元线性回归方法构建我国夏季降水次季节(旬)预报模型。根据(1)式关于旬异常相对倾向的定义，对降水旬距平的预报可以转换为降水旬异常相对倾向的预报，即预报的降水旬距平(等于预报的降水旬异常相对倾向)与观测已知的近期背景异常之和：

Δxfcst=ΔxRBA+δΔxfcst。

(2)

降水旬异常相对倾向的预报则采用上一节中热带OLR异常相对倾向前两个EOF模态对应的标准化时间序列即PC1和PC2作为前期(提前1～3旬)预报因子，利用多元线性回归方法和40 a历史观测资料，构建我国夏季降水旬异常相对倾向与前期PC1和PC2之间的统计关系模型，即：

Δδxfcst=x0+c1x1+c2x2，

(3)

其中：c1和c2分别为标准化的时间序列PC1和PC2，x0、x1和x2是我国夏季降水旬异常相对倾向与前期(提前1～3旬)标准化PC1和PC2的多元线性回归系数(场)，这些回归系数场可根据过去40 a观测资料确定。

实际预报流程如下：(1)利用公式(1)，计算前期(提前1～3旬)OLR异常相对倾向；(2)将该OLR异常相对倾向分别投影到图2给出的EOF两个模态上获得投影系数，分别作为带入回归模型公式(3)，从而获得我国夏季旬降水异常相对倾向的预报结果；(3)利用公式(2)，将预报的旬降水异常相对倾向加上观测已知的近期背景异常，即可获得我国夏季旬降水异常的预报结果。利用上述思想和方法建模，分别构建了提前1旬、2旬和3旬的我国夏季降水次季节预报模型。其中需要指出的是，在降水近期背景异常的计算上，提前1旬时，该背景异常完全为观测已知；但提前2旬时需要用到提前1旬的降水预测结果，提前3旬时需要同时用到提前1旬和提前2旬的降水预测结果。

利用交叉检验方法对构建的多元回归预报模型的次季节预报能力进行了评估。将1979—2018年中的每一年夏季逐旬降水距平作为预报对象，而将剩下的39 a作为建模样本，利用前述方法构建了次季节降水多元回归预报模型并给出相应的预报结果。分别计算观测与预报之间的时间相关系数(Temporal Correlation Coefficient, TCC)和空间相关系数(Anomaly Correlation Coefficient, ACC)来评估该方法对我国夏季尤其是梅雨期江淮地区旬尺度降水的次季节预报能力利用上述交叉检验方法，可以得到40 a每年夏季每一旬的降水距平预报结果。计算每一格点每一旬预报和观测距平之间的相关系数，可得到夏季9个旬时间相关系数(TCC)空间分布。对于特定区域，计算每年夏季每一旬预报和观测距平之间的相关系数，可得到每年夏季每一旬空间相关系数(ACC)。历史回报结果表明，本文建立的次季节降水预报模型对我国南方地区夏季降水次季节变化具有较好的预报技巧。下文将重点以江淮梅雨期(6月下旬至7月上旬)降水为例，给出预测能力评估。

图7 (a)近40 a(1979—2018年)夏季6月下旬降水距平提前1旬(a)、2旬(b)和3旬(c)预报和观测的时间 相关系数空间分布(打点部分通过了α=0.05显著性检验)；(d)近40 a夏季6月下旬长江中下游地区(红色方框区域) 降水预报技巧ACC的逐年变化(其中红、蓝和黄线分别表示提前1～3旬的预报)Fig.7 Distribution of temporal correlation coefficient (TCC) skills of the precipitation forecasts of the third ten-day of June for 1979-2018， with one (a)， two (b)， and three ten-day (c) lead. The regions with values passing 95% significance test are dotted；(d) Interannual variations of ACC skills of the precipitation forecasts of the third ten-day of June in the middle-lower reaches of the Yangtze River which is indicated with a red rectangular area for 1979-2018(the red，blue， and yellow lines indicate the forecasts with one， two， and three ten-day leads， respectively)

图7a给出了40 a夏季6月下旬回报和观测降水距平的时间相关系数空间分布。可见，长江中下游地区(红色框线区域)，提前1～3旬的次季节降水预报均有较好的预报能力。在此基础上，对红色框线区域的长江中下游地区每年的预报值和观测值求空间相关，进一步分析在这个区域该次季节预报模型的预报能力。图7b 给出了40 a夏季6月下旬长江中下游地区降水距平预报的空间相关系数(ACC)变化曲线。计算近40 a的平均，提前1旬预报的ACC平均值可达0.23，说明提前1旬对6月下旬长江中下游地区降水具有较好的预报能力。而提前2旬以及提前3旬的ACC平均值均为0.03，预报能力明显减弱。

图8a给出了近40 a夏季7月上旬回报和观测降水距平时间相关系数空间分布。可见，不论是提前1旬还是提前2旬或3旬，次季节降水预报模型在江淮地区(图中红色框线区域)都表现出了一定的预报技巧。图8b给出的是40 a夏季7月下旬江淮地区降水回报空间相关系数(ACC)变化曲线。40 a平均提前1旬ACC平均值为0.10，表明提前1旬7月上旬江淮地区降水距平具有较好预报能力。而提前2～3旬的ACC平均值分别是-0.07和-0.02，基本没有预报技巧。

2020年梅汛期，我国长江流域出现了特大降水事件，尤其是在整个6、7月长江地区的降水具有明显雨带南北摆动的次季节变化特征，并且这种雨带移动与副高南北振荡有密切关系。这种次季节降水变化是否与热带BSISO有关以及本文建立的次季节预报模型对其是否具有预报能力是一个值得评估的问题。本文将2020年6、7月热带OLR旬异常相对倾向数据投影到图2给出的两个EOF模态上得到时间序列PC1和PC2，并将其与同期降水、副高西段脊线等时间序列对比，我们发现在梅雨期时段三者之间有很好对应关系(图略)，这说明前期热带对流活动是造成雨带南北移动的重要原因之一。在此基础上，我们利用构建的次季节降水预报模型对2020年梅汛期降水距平进行提前1旬回报，并计算出了2020年6、7月各旬主要降水范围地区的预报和观测的ACC。由图9可见，除了在6月第2旬的预报和观测降水距平空间分布存在较大出入外，其它各旬提前1旬都较好地预报出了观测的旱涝季节内分布。进一步针对长江流域降水距平预报技巧计算ACC可知，除6月第2旬ACC为负值，其余各旬ACC均达到了0.3以上。总体而言，本文建立的预报模型提前1旬对2020年梅汛期长江流域降水次季节变化具有较好的回报能力。

4 结论

图8 与图7类似，但为 7月上旬预报的结果Fig.8 As inFig. 7， but for the forecasts of the first ten-day of July

图9 观测(左列)和提前1旬预报(右列)的2020年(a)6月和(b)7月各旬降水距平空间分布；(c) 长江流域(见图9a、b中红框所示)2020年6—7月各旬降水距平提前1旬预报的ACC技巧Fig.9 Observed (left) and one ten-day lead predicted (right) ten-day precipitation anomalies for (a) June and (b) July of 2020;(c) ACC skills of ten-day precipitation anomalies in Yangtze River valley from June to July in 2020

本文利用1979—2018年夏季逐日观测和再分析数据，对北半球夏季热带次季节信号影响我国夏季降水的规律和预测方法开展了研究。利用非传统滤波即异常相对倾向(Anomalous Relative Tendency， ART)方法获取了气象要素的次季节变化分量，并采用EOF分析方法提取了北半球夏季热带主要次季节振荡信号，结果表明OLR异常相对倾向EOF前两个模态共同反映了北半球夏季起源于印度洋并向东和向北传播的、周期大约是30～60 d左右的季节内振荡(BSISO)信号。该信号由EOF前两个模态共同反映，其中PC2大约超前于PC1四分之一周期。这一次季节内振荡信号能够对我国夏季降水产生显著影响。基于PC的回归分析结果表明，该季节内振荡信号能够导致当地及其北面地区低层风场和位势高度场异常，影响该地区及其北面地区的水汽辐合辐散，从而能引起我国尤其是我国南方地区季节内旱涝变化，并一定程度上反映了我国异常雨带的向北推进过程。

利用北半球夏季热带季节内振荡信号及其影响我国夏季降水的规律，研制了我国夏季降水次季节预测方法。将提取的热带主要次季节振荡信号作为预测因子，将对降水距平的预报转换为对降水异常相对倾向的预报，利用多元线性回归方法和近40 a观测数据构建了提前1～3旬的我国夏季旬降水异常相对倾向的预报模型，将预报的旬降水异常相对倾向加上观测已知的降水近期背景距平，从而得到旬降水距平的预报结果。通过近40 a的历史回报和交叉检验，评估了该模型对梅汛期我国江淮流域降水(包括2020年梅汛期异常降水)的次季节预测能力，表明该模型对于6月下旬和7月上旬我国江淮地区梅雨降水(包括2020年梅汛期降水)次季节变化具有较好的回报能力。

当然，本文所构建的次季节预报模型主要考虑了热带地区30～60 d次季节信号的影响，而热带地区还存在着10～30 d的次季节振荡现象。此外，中高纬地区次季节信号也能对我国夏季降水产生重要影响。因此，进一步在次季节预报模型中引入其它预报因子，提高次季节预报能力，是未来需要不断完善的工作。