2024-01-01 06:30

南亚夏季风在印度东北部的雨季的现在和未来


下载原文档:

摘要。

印度夏季季风降雨(ISMR)的一个标志性特征是,印度东北部(NEI)的雨季长于6 - 9月,而印度西北部的雨季短得多,预计将受到气候变化的影响,但缺乏对NEI季风雨季(LRS)长度的客观定义。通过客观地定义NEI上的LRS,我们发现El Niño和南方涛动(ENSO)是LRS的主要驱动因素,而LRS期间的降雨与ENSO相关性较差。与历史时期LRS和LRS-降雨量呈显著下降趋势相反,SSP5-8.5情景下预估LRS持续下降,而LRS-降雨量在NEI地区呈显著增加趋势。由于在较短的雨季内极端降雨事件的强度和频率增加,预计未来NEI地区水文灾害的影响将显著增加。

介绍

传统上,6 - 9月(JJAS)是公认的印度夏季风的季节1、2、3、4、5。然而,一些研究表明,印度东北部(NEI)的印度夏季季风雨季可能长达170天,而印度西北部(NWI)的印度夏季季风雨季可能短至70天。NEI地区的年降水周期振幅不仅远大于印度中部(CI),而且NEI地区5月的降雨量也大于CI地区6月的降雨量(图1a)。因此,NEI上空的“雨季”显然比JJAS长得多。问题是五月的降雨是否是“印度夏季季风降雨”的一部分?如果我们将雨季定义为气候日降雨量超过其年变化幅度50%的季节7,NEI的LRS为~155天,而CI的LRS为~122天。传统观点认为,5月的降雨是“季风前”,而印度气象部门(IMD)将NEI季风的“开始”定义为6月5日左右。我们拒绝NEI地区5月降雨为“季风前”的另一个原因是,它出现了持续3-7天的“天气尺度”降雨(图1b-f)。在更广泛的背景下,重要的是要认识到印度季风雨季(LRS)长度的东西不对称性,因为气候变化对NEI的影响可能不同于对CI和NWI的影响。最近的一项研究确实表明,到本世纪末,虽然低海拔高度在新岛屿上将会下降,但预计在新岛屿上将会显著增加。另一个重要的含义是,在“季节性”ISMR量子中排除NEI上的5月降雨是迄今为止ISMR所有变异性和可预测性研究的重大不确定性的来源,需要重新检查这些研究及其与ENSO3、10、11、12、13、14、15等可预测驱动因素的关系。在最近的一项研究中,使用月度数据,认为5月降雨是夏季季风降雨,并证明将5月降雨纳入季节性季风降雨显著影响NEI季节性(5 - 9月,MJJAS)降雨的变异性和可预测性。本研究全面解决了基于每日数据的NEI“客观”定义雨季的问题,并检查了“雨季长度”(LRS)的可变性和可预测性。

图1 850 hPa 5月降水和风异常的年循环及其复合。
figure 1

a计算了1998 - 2019年日降水(TRMM 3B42)的箱平均气候年周期(实线)及其在CI(蓝色)和NEI(绿色)上的平滑周期(虚线,平均值+ 3次谐波)。“A”表示平滑周期的振幅。Wang等人认为,水平虚线(即平滑曲线振幅的一半,“A/2”)与平滑曲线的交点显示了夏季风的“开始”和“结束”日期7。b-f根据1998 - 2019年NEI地区面积平均降水量计算的指数,5月份连续3天或3天以上降水(1 s.d以上)与同期风异常的复合图。这里使用的降水数据来自TRMM 3B42,风数据来自每日ERA5 850 hPa。

在试图定义局部“起病”、“停药”和局部LRS时,Mishra等人估计NEI的LRS可能长达~170天,CI为~ 110天,极端NWI的LRS可能低至~70天。NEI上空的LRS较长,部分原因是季风的“开始”比喀拉拉邦(莫克)上空的“开始”早,以及与印度南端的季风相比,它的撤离时间较晚。然而,人们并没有认识到这一事实,根据最新的官方文件8,NEI作为一个整体的官方气候“开始”是在6月5日左右。因此,研究NEI降水年际变化动态和趋势的研究17、18、19、20都使用JJAS作为季风季节,而这些研究结论的稳健性仍不确定。因此,迫切需要客观地定义NEI的“开始”、“退出”和LRS,并探索它们的潜在驱动因素。Mishra等人6完全根据当地的累积降雨量异常来定义当地的“开始”和“消失”。与喀拉拉邦(莫克邦)季风的开始不同,NEI的开始不是由ITCZ驱动的,因为即使在6月初,ITCZ也没有到达NEI。因此,印度季风在NEI上空开始时的对流组织是由ITCZ以外的过程驱动的。因此,Mishra等人6仅基于降雨定义的NEI的局部发病可能是合理的。在这项研究中,我们使用了一种客观的方法,使用对流层温度梯度(没有使用降雨信息)21来定义印度夏季风热源的开始、停止和LRS,并表明印度季风确实在5月中旬在NEI上空开始(图2a,见方法),加强了Mishra等人的发现6。我们的研究结果确定了NEI的季风季节是从5月的第2周到10月的第2周,这一事实尚未被印度季风界广泛认可。此外,我们还探讨了控制NEI这些关键气候现象的潜在驱动因素。

图2:TT梯度年周期(ΔTT)。
figure 2

气候日平均值ΔTT表示来自观测(NCEP-v3,绿色,1976-2015)和CMIP6模式的总体平均值,包括历史(蓝色,1979-2014)和SSP5-8.5情景的预估(红色,1970-2100)。ΔTT“零点”的开始和结束被定义为夏季季风的“开始”和“结束”日期,它们之间的天数是“雨季长度”(LRS)。计算ΔTT的南北方框如图所示。南亚三个地区的ΔTT分别是NEI、CI和AI。

长时间雨季的高降雨量造成了独特的温度和降雨状况,维持了该地区独特的生物多样性热点22,23。由于LRS和LRS-降雨量(LRS- rf)与NEI气候变化影响的适应和建立复原力密切相关,因此,在温室气体强迫增加的情况下,对未来几十年LRS的预期变化进行可靠的估计是有意义的,因为它可能对该地区的生物多样性、水文灾害和粮食生产产生重大影响。因此,在这里,我们还通过一组高分辨率CMIP6模型,使用相同的季节客观定义,研究了NEI上“开始”、“结束”和“LRS”的预测变化。讨论了研究结果的含义。

结果

“阿NEI上的“开始日期(OD)”、“退出日期(WD)”和“雨季长度(LRS)”

基于OD、WD和LRS的“客观”定义(见方法),对流层温度梯度的符号变化是根据“观测”、“历史模拟”和“预估”计算出来的,如图2所示。在此期间(1901-2015)的气候上,“开始”发生在5月12日,“退出”发生在10月15日,根据NCEP-v3数据,LRS为157天(补充表1)。OD、WD和LRS年际变化的标准差(sd)分别为5、7和9 d。值得注意的是,NEI上的OD、WD和LRS的时间比全印21上的时间短2-3天。值得注意的是,最短的LRS(131天)发生在1987年,这是一次大规模的干旱(标准化ISMR距平= - 1.82),与太平洋强El Niño(标准化MJJAS尼诺3.4海温= +2.15)有关。较长时期(1901-2015)(补充图1)的气候ΔTT与最近时期(1979-2015,补充图2a)的计算结果没有显著差异,NEI的LRS为155天。

NEI的OD、WD和LRS基于NCEP-v的ΔTT(见方法学)计算。1901年至2015年间,OD呈统计学显著(95%置信水平)增加趋势(图3a),表明NEI的“发病”正在系统地延迟。同样,WD有一个微弱的下降趋势,表明在NEI上,“戒断”倾向于比正常情况更早发生(图3b)。因此,LRS有显著的(在95%置信水平下)下降趋势(图3c),在此期间减少了约7天。在过去60年中(1950年以后),NEI上LRS的下降趋势更快,并且似乎与印度季风热力学指数(TISM,见方法)(图3d)的更快下降趋势有关,导致该季节降雨(LRS- rf)的更快减少(图3e)。由于印度季风区的平均降雨量与垂直积分水汽通量辐合(VIMFC)有很强的相关性,因此该区域LRS-RF的下降趋势与VIMFC的下降趋势一致(图3f)。在此期间,区域可降水量(PW)含量随气温升高而增加(图3h),而VIMFC的减少趋势是低层大气风辐合减少趋势加快的结果(图3g)。在同一时期,热带印度洋(IO)变暖更快,使热带印度洋上空的大气变暖,从而减少了整个印度季风区的南北ΔTT,这似乎是这一时期NEI上空LRS和LRS降雨减少的主要驱动因素24。

图3:NEI的年际变化及其趋势。
figure 3

给出了异常a开始日、b停止日、c LRS、d TISM、e累积降雨量、f VIMFC、g 850 hPa风辐合和h可降水量的箱均时间序列及其线性趋势。趋势的95%显著性水平用Mann-Kendall非参数方法检验。趋势p < 0.05显著。在这里,季风开始日的+ve (- ve)异常表示季风开始的“延迟(早)”,而季风结束日的异常表示季风开始的“延迟(早)”。图中使用的数据来自NCEP-v3(1901-2015),除了“降雨量”来自NEI24数据集(1920-2009)。d-h的计算是针对夏季季风季节(即一年中“开始”日和“结束”日之间的天数,如ΔTT所定义)。

使用El Niño和La Niña年期间的每日ΔTT复合材料研究了ENSO对NEI上LRS的影响。它显示了El Niño (La Niña)年期间LRS的收缩(扩张)(图4b),并注意到大大陆尺度季风25。ENSO通过在El Niño期间减弱该地区的南北ΔTT相对于气候ΔTT而在La Niña25期间加强ΔTT来实现这一目标。El Niño和La Niña年的复合TT异常(图4c, d)表明,在大陆尺度上,El Niño到La Niña的TT异常几乎相反,从而减弱(加强)了该地区的南北ΔTT。虽然El Niño (La Niña)期间在CI上空的ΔTT反转较大,但在NEI地区的反转较弱。这表明ENSO对NEI的影响略弱于对CI的影响。因此,在El Niño至La Niña期间,与印度北部和欧亚大陆南部热带外驻波型相关的异常导致该地区ΔTT减弱(加强),并导致LRS缩短(延长)。

图4极端年和ENSO年的ΔTT。
figure 4

a ΔTT季节最长(1964年,蓝色)和最短(1987年,红色)两个极端年的时间演变分别显示了NEI上空LRS的扩张和收缩。b 1901-2015年期间El Niño(红色)和La Niña(蓝色)年ΔTT年周期的复合曲线在NEI上显示,其中“灰色”曲线是长期日平均值ΔTT。南亚季风区的季节性(即一年中“开始”日和“停止”日之间的天数,根据ΔTT的定义)TT异常在El Niño和La Niña年的空间结构。

NEI上真正的“季风季节降雨量”是OD和WD之间区域的累积降雨量(即LRS),我们称之为LRS- rf。利用NEI24的可靠日降雨量,在1920年至2009年间构建了LRS-RF。由于气候OD和WD接近5月15日和10月15日,我们还创建了5月15日至10月15日之间的固定季节降雨时间序列(M15O15)。此外,我们在5月至10月(MJJSO)、MJJAS和JJAS期间创建了固定的季节降雨时间序列。我们注意到LRS-RF与所有季节降雨时间序列的相关性很强(R > 0.8),但与M15O15的相关性最强(R = 0.92),如预期的那样(补充表2)。

NEI的“发病”、“停药”和LRS的潜在驱动因素和可预测性

在与ENSO26密切相关的OD、WD和LRS时间序列(补充图3和4)中,准两年和准四年模式占主导地位,表明与ENSO有潜在的关联。为了进一步探索与ENSO的联系,以及NEI上是否存在其他潜在的OD、WD和LRD驱动因素,我们计算了同年OD、WD、LRS和JJA海温之间的同时相关性(图5a-c)。注意到赤道太平洋海温与OD的相关性较弱,与WD和LRS的相关性较强。大尺度的相关模式表明,NEI上的OD与“年代际ENSO”相关,而WD和LRS与“年际ENSO”的相关性更强。这一发现与El Niño和La Niña之间的OD差异小于OD差异的观察结果一致(图4a, b),正如在全印度(AI)21中所注意到的那样。同样值得注意的是,热带大西洋海温或大西洋纬向模态(AZM)与LRS具有显著的正相关(图5c)。LRS与ENSO海温呈负相关,与AZM海温呈正相关,与全印度夏季风降水与ENSO和AZM海温呈正相关。虽然ENSO和ISMR之间的遥相关已经被广泛研究,但AZM和ISMR之间的遥相关是一个新兴领域28,29,30。下面的研究29表明,与AZM海温相关的热源的Matsuno-Gill响应在印度季风区引入了水汽辐合异常,从而影响了ISMR。与同一远距连接相关的TT异常影响LRS。

图5:夏季莫发作、停药和LRS的潜在驱动因素和预测信号nsoon超过NEI。
figure 5

a开始日、b结束日和c LRS日距平时间序列与JJA(0)海温空间距平时间序列图同时相关的潜在驱动因素点画区域表示相关性在95%水平上显著。LRS的潜在预测信号通过其去趋势时间序列与月海温(去趋势)指数d年代际ENSO指数(170°E、280°E、10°S、10°N) -(130°E、200°E、20°N、50°N)、E Atlantic Niño(320°E、20°E、10°S、10°N)和f Niño3.4(190°E、240°E、5°S、5°N)的超前滞后相关性进行检验。

为了检验任何潜在的预测信号及其对海温本身的潜在影响,计算了D(−1)JF(0)和D(0)JF(+1)期间OD、WD和LRS与海温之间的相关性(补充图5)。我们注意到,通过“年代际ENSO”,北部夏季之前的冬季海温对OD具有微弱的预测信号。“然而,对于WD或LRS并没有明确的预测信号。另一方面,随后的冬季赤道太平洋海温与WD和LRS的相关性非常显著。因此,NEI的OD、WD和LRS似乎与ENSO系统有正反馈。NEI的LRS如何影响ENSO的启动或加强目前尚不清楚,需要进一步调查。我们进一步探讨了NEI LRS与Niño3.4指数、大西洋指数Niño以及领先12个月和滞后12个月的十年代际指数Niño之间的领先-滞后相关性(图5d-f)。与空间相关性图一致(图5a-c),与Atlantic Niño的相关性处于统计显著的边缘。另一方面,与年代际Niño和Niño3.4的相关性同时非常显著,并且可以提前一个季节左右进行潜在预测。

利用CMIP6模型模拟外径、WD和LRS

LRS-RF是农业经济的生命线;一个重要的科学问题是,在未来几十年里,LRS-RF是否会继续下降,或者是否有可能扭转全球变暖的趋势。为此,我们研究了气候模式比较项目第6阶段(CMIP6)在历史时期(1850-2014)的模拟和本世纪末(2015-2100)的预测,对应于高温室气体情景,即共享社会经济路径-5 (SSP5-8.5)。由于该地区的地形(补充图10)是NEI降雨的重要驱动因素,因此在模式中充分代表地形对于合理模拟该地区的平均降雨量,进而模拟观测到的TT至关重要。一般来说,低分辨率CMIP6模式倾向于低估该地区和ΔTT的平均降雨量。考虑到这种偏差,我们从大量的CMIP6模型(见补充表3)中选择了9个模型(见方法)。

在历史期间,CI和AI上的气候ΔTT的集合平均模拟与观测结果非常接近,导致LRS模拟分别为128天和131天(图2b, c)。然而,在NEI上,模式低估了ΔTT,导致LRS低估了144天,而观测到的154天(图2a)。尽管存在这种偏差,但这些模式成功地再现了LRS观测到的东西不对称,NEI的雨季比CI更长。利用这些模型的预测,我们研究了LRS和LRS- rf的未来变化。

CMIP6预估了高温室气体情景下LRS的变化

模式预估的总体平均气候ΔTT表明,在人工智能期间,LRS为132天,与历史期间模拟的131天相比,它与历史期间没有明显变化(图2c)。看来,温室气体强迫并没有改变印度季风的气候雨季。在CI中,预计LRS将从128天增加到131天(图2b),而在NEI中,预计LRS将从144天减少到140天(图2a)。这与最近的研究结果一致,即在历史时期内,LRS在NEI上下降,在NWI上上升。

历史时期内NEI上空的整体平均OD、WD、LRS、TISM、LRS- rf、VIMFC、PW和低层风辐合(850 hPa)以及SSP5-8.5下的预估时间序列(图6)表明,OD持续呈增加趋势,WD呈弱减少趋势,导致LRS呈减少趋势(图6c)。值得注意的是,与历史时期相比,预估的TISM下降速度明显更快(图6d)。然而,最值得注意的发现是,在NEI大温室气体强迫下,LRS-RF呈增加趋势(图6e),与历史时期相比,VIMFC呈增加趋势(图6f)一致。随着温室气体强迫的增加,更大PW的增加趋势(图6g)和低层风辐合的增加趋势(图6h)导致VIMFC的增加趋势更强,LRS-RF的增加趋势也更强。然而,在大气垂直稳定性增加的背景下,低层风辐合趋势增加的原因仍然是一个谜。

图6:CMIP6在NEI上空的年际变率及其趋势模拟。
figure 6

利用CMIP6模式的整体平均,给出了异常a开始日、b停止日、c LRS、d TISM、e累积降雨量、f VIMFC、g 850 hPa风辐合和h可降水量的箱平均时间序列及其线性趋势。趋势的95%显著性水平用Mann-Kendall非参数方法检验。趋势p < 0.05显著。在这里,季风开始日的+ve (- ve)异常表示季风开始的“延迟(早)”,而季风停止日的异常表示季风开始的“延迟(早)”。历史(1850-2014,蓝色)和SSP5-8.5预测(2015-2100,红色)。d-h的计算是针对夏季季风季节(即一年中“开始”日和“结束”日之间的天数,如ΔTT所定义)。在历史期间模拟的总体平均值与2010年总体平均值预估变量之间的偏移量进行了调整以供显示。

为了比较NEI与CI或AI之间OD、WD和LRS的趋势,我们分析了用于NEI的相同9个CMIP6模型的历史数据和预测数据(补充表3)。基于与LRS- rf的强相关性,我们选择了在模拟TISM时偏差最小的模型(补充图6b),我们检查了OD、WD、LRS、TISM和LRS- rf的趋势。结果显示CI和AI的趋势几乎相同,LRS在历史时期呈下降趋势,与NEI相似。然而,预测的LRS在CI上呈微弱的上升趋势(图7c),而在NEI上继续下降(图6c)。在历史和预测期间,在NEI期间,TISM下降趋势比CI更为明显(图6d和7d)。有趣的是,CI从历史时期LRS-RF的微弱增长趋势转变为预测的强劲增长趋势。相反,NEI经历了从LRS-RF在历史时期的下降趋势到预测的显著上升趋势的显著转变。

图7:CMIP6在CI和AI上的年际变化及其趋势模拟。
figure 7

利用CMIP6模型的集合平均值,给出了异常a、f开始日、b、g停止日、c、h LRS、d、i TISM和e、j累积降雨量在CI(左图)和AI(右图)上的箱平均时间序列及其线性趋势。趋势的95%显著性水平用Mann-Kendall非参数方法检验。趋势p < 0.05显著。在这里,季风开始日的+ve (- ve)异常表示季风开始的“延迟(早)”,而季风停止日的异常表示季风开始的“延迟(早)”。历史(1850-2014,蓝色)和SSP5-8.5预测(2015-2100,红色)。“TISM”是在夏季季风季节计算的(即一年中“开始”日和“结束”日之间的天数,定义见ΔTT)。

气候模式在模拟历史LRS时的重大偏差,引发了对预估期间NEI (CI)减少(增加)4(5)天的重要性的质疑。虽然这些变化的绝对值相对较小,但与观测到的年际变化(9天,补充表1和表4)相当,因此意义重大。

在历史时期内,NEI和JJA(0)海温上失趋势模拟OD、WD、LRS和LRS- rf的全球相关模式(图8,中面板)与观测值(图8,左面板)相似,但振幅明显减弱。虽然OD似乎受到年代际ENSO的影响,但与观测结果不同,WD与太平洋ENSO的关系不显著(图5)。因此,模拟的LRS也与年代际ENSO表现出弱相关性。值得注意的是,在观测和模拟中,LRS- rf与赤道太平洋海温的相关性明显弱于LRS与赤道太平洋海温的相关性。在预测中,OD、WD和LRS与ENSO的相关性显著增加(图8,右图),但与观测到的相关性相比仍然较弱(图8,左)。

图8:夏季发病、停药和LRS的潜在驱动因素NEI观测和CMIP6模拟的nsoon。
figure 8

通过将a-c开始日、d-f停止日、g-i LRS日数和j - 1 LRS- rf距平时间序列与JJA(0)海温距平时间序列同时进行相关性分析,将模拟的(Historical -中间图和Projection with SSP-8.5 -右图)潜在驱动因素与观测值(左图)进行比较。点画区域表示相关性在95%水平上显著。


目录

摘要。
介绍
结果
讨论
方法
数据可用性
代码的可用性
参考文献。
致谢。
作者信息
道德声明

补充信息





#####

讨论

由于缺乏对NEI上空的OD、WD和LRS的可接受的客观定义,JJAS也被假定为NEI上空的夏季风季,就像在CI上空一样。这里,基于NEI的年降雨量周期,我们认为NEI上的LRS至少比CI上的LRS长一个月。我们还认为,OD、WS或LRS只能在三个大区域上可靠地定义,即全印度21、印度中部和西部以及NEI。从气候学上看,NEI上的LRS为~155天,而CI上的LRS为~122天(补充图2a)。我们认为,受降雨和低空风的年周期约束,我们对NEI上LRS的估计在定性上是可靠的,以下Mishra等人坚定地确立了NEI上的印度夏季风季节是从5月15日到10月15日(M15O15)。基于ΔTT客观定义的“起病”是“大规模”起病,不能像imd6,8定义的那样,主要基于日降雨量在小网格水平上定义局部起病。一旦在AI、CI和NEI发生大规模暴发,就可以根据日持续降雨量或累积降雨量异常来定义“局地暴发”6。

NEI的发生与北半球季风密切相关。值得注意的是,在6月中旬之前,BoB北部并没有出现有组织的降水,在此之前,BoB箱体上方的热源以缅甸沿海的NEI降水为主。若没有高压带的水汽流入,东北季候风不会在5月12日来临,但高压带北部的低空辐合不够,仍需等待该区的气旋形成。因此,北纬BoB的大尺度爆发与NEI同时发生,而北纬BoB的局地爆发较晚,可通过累积日雨量异常估计6。5月初NEI上空的“开始”是由该地区850 hPa气旋涡度增加3倍驱动的,并在“开始”时由北向水汽通量输送增加4倍维持的。我们已经表明,一个向西传播的准双周振荡经过该地区,在东北东东引起低层气旋涡度,从而将周围的弱气旋涡度增强到约3 × 10−6 s−1,并可能引发东北东东季风的一些“发作”。低层涡度在其他“起降”中的增强可能是由与热带外天气扰动相关的高层潜在涡度侵入所驱动的33。因此,NEI季风和BoB季风彼此密切相关,包括它们的“开始”。

NEI上的OD与年代际ENSO密切相关,而WD与年代际ENSO密切相关,这使得LRS与ENSO总体上具有很强的相关性。而“LRS- rf”(LRS日数累积雨量)与同期海温的相关性较弱。“这表明,虽然ENSO确实控制着LRS,但LRS- rf的潜在可预测性较弱,可能是由于高频对流对LRS- rf的贡献引起的‘内部气候噪声’。”同样值得注意的是,虽然同时的相关性在统计上是显著的,但即使在领先3个月的情况下,潜在驱动因素与LRS- rf之间的相关性往往是不显著的(补充图8)。和JJA Niño3.4海表温度(补充图9)表明,由于ENSO-OD正相关(补充图9a)呈下降趋势,ENSO-LRS负相关呈上升趋势,从1930年至今ENSO-LRS相关性仍然显著(补充图9c)。我们的发现指出了预测NEI上的“季节性降雨”的挑战。值得庆幸的是,LRS-RF的年际变率与固定季节(5月15日至10月15日)的降雨量密切相关(M15O15, R > 0.92)。虽然对于变异性和可预测性的科学研究,我们可以使用LRS-RF,但出于其他实际目的,我们可以安全地使用M15O15作为NEI的雨季。

虽然9个CMIP6模型集合模拟ΔTT,从而模拟CI和AI上的LRS接近观测值,但它们低估了ΔTT,导致NEI上的LRS低估了约8天。由于NEI的降雨在很大程度上取决于该地区的地形,本质上低分辨率CMIP6气候模式低估了该地区的降雨量(补充图10和补充图6)。由于降雨对TT有很大贡献,模式低估了北部大陆TT,导致比观测到的更弱ΔTT。

总体均预测在高温室气体强迫表明气候OD, WD,和LRS预计不会在CI和艾城的明显变化,但在LRS NEI可能会缩短5天,本世纪末(图2)。在NEI的历史时期,LRS显著下降趋势的主要原因是越来越趋势的OD对NEI和LRS-RF与一个下降的趋势(图3)。在未来几十年,然而,NEI上LRS的持续下降趋势预计将与LRS- rf的显著增加趋势相关(图6)。相反,在CI的历史时期,LRS的不显著下降趋势与LRS- rf的不显著增加趋势相关(图7)。然而,在未来几十年,LRS在CI上的不显著增加趋势(图7c)预计将与LRS- rf的显著增加趋势相关(图7e)。

值得注意的是,在历史时期内,热力学指数在NEI上呈下降趋势,在预估中呈较强的下降趋势(图3和图6),而在CI上,这两个时期的下降趋势较温和。我们分析了LRS、LRS- rf和TISM的历史趋势和预测趋势。在年际时间尺度上,LRS与所有地区的TISM呈强正相关(补充表5)。

在开始后,降水是TT的主要贡献者,因此预计TISM在年际时间尺度上与LRS-RF21有很强的相关性。它是否也适用于TISM和LRS-RF的趋势?在NEI上,历史时期的TISM和LRS-RF趋势相似,但预测结果相反。为了理解这种明显的矛盾,以及是什么控制了TISM的趋势,我们检查了北方框(绿色,89°E - 100°E和5°N - 35°N,图9a)上的TT时间序列,南方框(蓝色,40°E - 100°E和15°S-35°N,图9a)上的TT时间序列,两者之间的差异(图9a,红色)以及印度洋(IO)在10°S-10°N和40°E - 100°E之间的赤道海温(图9b,红色)在历史和预测模拟期间的平均值。南方框(图9a,蓝色)上TT的快速增加趋势是赤道海温的快速增加趋势和印度洋上相关的深层对流活动的结果,并导致TISM的快速减少趋势(图9b,蓝色)。预估中赤道印度洋海温以0.4°C/ 10年的速度增长,几乎是历史时期(@ 0.03°C/ 10年)的10倍,这解释了为什么TISM预估中的下降趋势要大得多。尽管赤道海温偏弱,但NEI和北印度洋大气中丰富的水汽含量导致VIMFC显著增加,导致降水增加。

图9:CMIP6对ΔTT上空印度洋(IO)海温的增强。
figure 9

利用CMIP6模式的整体平均值,给出了历史(1850-2014)和SSP5-8.5(2015-2100)下预估的箱平均TT、ΔTT、TISM和IO海温的年际变化及其趋势。a TTNorth(89°E - 100°E和5°N - 35°N,绿色,左y轴),TTSouth(40°E - 100°E和15°S-35°N,蓝色,左y轴)和ΔTT(即TTNorth - TTSouth,红色,右y轴),b TISM(蓝色,左y轴)和IO SST(红色,右y轴)。

随着温室气体强迫的增加(如SSP5-8.5), NEI地区极端日降雨事件的加剧和频繁将增加,LRS (LRS- rf)的缩短(增加)趋势导致洪水和滑坡等水文灾害的显著增加。由于与ENSO的密切联系,季长仍可预测,但季节性降雨(LRS-RF)变得难以预测,特别是在SSP5-8.5期间,其与ENSO的关联减弱。这可能是由于降雨具有来自高频波动的“气候噪声”,而基于ΔTT的LRS过滤掉了这种噪声,正如先前的一项研究所表明的那样21。

方法

观测数据

1901-201534年,NOAA-CIRES-DOE的最新(20CR V3)版本使用了1°× 1°空间分辨率的日压力水平空气温度。对流层温度(TT,由600 hPa至200 hPa之间的垂直平均气温得出)已被用于创建诸如“开始”、“停止”和“降雨原因长度”(LRS)等指数。欧洲中期天气预报中心(ECMWF)35的ERA5(1978-2020)数据集,空间分辨率为0.25°× 0.25°,也用于比较这些指数。使用百年海温原位观测估算(COBE SST2)36(1901-2015)来检验与几个指标的关联。使用IMD37数据集,使用72°E和85°E之间以及18°N和25°N之间的框平均来创建CI日降雨量时间序列(1901-2015)。同样,NEI的面积平均时间序列是通过对该地区24个站点1920-2009年(以下简称ne24)32,38的日降水量进行平均而得到的。还利用热带降雨测量任务(即TRMM-3B42, 1998-2019)39的日降水数据来比较CI和NEI的年周期。航天飞机雷达地形任务数据用于地形测量。

CMIP6型号选择加强标准

除了观测和再分析数据外,耦合模式比对项目第6阶段(CMIP6)的9个高分辨率模拟模型同时用于历史(1850-2014)和预估与社会经济路径-5 (SSP5-8.5)情景(2015-2100)的首次实现(r1i1p1f1)。由于南北向的年周期ΔTT是决定季风(TISM)的OD、WD、LRS和强度的关键参数,因此模拟的日气候年周期ΔTT的接近性至关重要。在补充图6b和7中,我们注意到NEI上空模拟ΔTT的年周期落在两个集群中,一个与观测值接近,另一个在夏季具有正ΔTT的集群太弱(这意味着弱TISM,因此NEI上空的夏季风较弱)。因此,我们将观测到的TISM归一化(即模拟的TISM除以观测到的TISM)作为选择模型的标准。归一化TISM作为模式函数的散点图(补充图6b)清楚地说明了这一点,同一组9个模式模拟的年降水周期更接近观测值(补充图6a)。模型的详细信息列在补充表3中。

对NEI的“发病”、“停药”和LRS的客观定义

NEI的“开始”和“退出”的客观定义以及因此的LRS类似于式(2)21对全印度(AI)夏季风的定义。在这里,我们简要总结一下相同的物理基础。我们注意到,印度夏季风是一个对流耦合系统,其中风的季节性逆转与与降雨相关的热源的季节性逆转密切相关。因此,“喀拉拉邦季风爆发”(MoK)的客观定义是基于该地区南北(N-S)对流层温度梯度(ΔTT),该温度梯度的符号由负变为正,是基于该现象的对流耦合性质21,25。因此,当TT的N-S梯度从正变为负,表明雨带(或热源)移回5°S,并确保北阿拉伯海的风转向东北风时,季风从大陆“撤出”也是有意义的。

我们认为,同样的客观标准可以用来定义NEI的“开始”和“退出”。值得注意的是,在(40°E - 100°E, 5°N - 35°N,北方框)范围内,印度夏季风热源或TT垂直平均在600 hPa - 200 hPa(式1)之间,可分为NEI(89°E - 100°E, 5°N - 35°N)上的东北地区和CI(40°E - 89°E, 5°N - 35°N)上的西北地区两个子部分(图2插入)。这两个地区代表了印度季风降雨量年际变化的两种主要模式42,43。NEI(图1b)的气候季节性降雨量是CI核心季风区的三倍左右,它代表了一个更强的热源,但覆盖的区域相对较小。该热源的松-吉尔响应41将在北半球产生西南风。因此,TT(公式2-4)在区域(东北方框减去南方方框)上由负向正的N-S梯度符号变化可用于定义夏季风的“开始日期(OD)”,而将梯度由正向负的变化可用于定义AI, CI和NEI上夏季风的“退出日期(WD)”。基于1976 - 2015年NCEP-V3再分析35数据的NEI的气候ΔTT(图2a,绿色曲线)表明该地区的气候“开始”于5月14日,“退出”于10月14日,使该地区的LRS为154天。更多细节可在补充在线文本中找到。

为了了解从观测中估计LRS的不确定性,我们从另一种最先进的再分析,即ERA5,计算气候日ΔTT。显示了ERA5在所有三个地区(NEI, AI和CI)的气候日ΔTT,并与NCEPv的气候日ΔTT进行了比较。3见补充图2,OD、WD、LRS统计汇总见补充表1。值得注意的是,虽然ERA5的LRS较NCEPv.3短(147天)(157天),但其年际变异的标准差为9天,在两次再分析中相同。因此,在估计气候平均LRS时存在一定的不确定性,但从任何分析来看,LRS年际变率的估计都是稳健可靠的。

简而言之,TT和ΔTT的计算方法如下:

(1)

其中,TTair为对流层温度。

(2) (3) (4)

补充信息

o网上补充资料