华北—东北地区南部汛期降水影响因子分析及季节预报模型的建立.pdf

华北东北地区南部汛期降水影响因子分析及季节预报模型的建立*唐筱1陶丽1,2邓敏君3,4TANGXiao1TAOLi1,2DENGMinjun3,41.南京信息工程大学大气科学学院，南京，2100442.南京信息工程大学气象灾害教育部重点实验室，南京，2100443.中国气象局旱区特色农业气象灾害监测预警与风险管理重点实验室，银川，7500024.宁夏气象服务中心，银川，7500021.School of Atmospheric Sciences，Nanjing University of Information Science and Technology，Nanjing 210044，China2.Key Laboratory of Meteorological Disasters，Ministry of Education（KLME），Nanjing University of Information Science andTechnology，Nanjing 210044，China3.Key Laboratory for Meteorological Disaster Monitoring and Early Warning and Risk Management of Characteristic Agriculture in AridRegions，China Meteorological Administration，Yinchuan 750002，China4.Ningxia Meteorological Service Center,Yinchuan 750002，China2022-10-25 收稿，2023-05-22 改回.唐筱，陶丽，邓敏君.2023.华北东北地区南部汛期降水影响因子分析及季节预报模型的建立.气象学报，81（5）：741-763Tang Xiao，Tao Li，Deng Minjun.2023.Screening of predictors and development of a statistical prediction model for flood-seasonprecipitation in Northsouthern Northeast China.Acta Meteorologica Sinica，81（5）:741-763AbstractDroughtandflooddisastersoccurfrequentlyinNorthChina,wheresummerprecipitationisunderstronginfluenceoftheEastAsiansummermonsoon.FurtherstudiesarenecessarytoanalyzepredictorsofsummerprecipitationanditsseasonalpredictioninNorthChina.Thefirsttwoleadingmodesofsummer(JulyAugust)precipitationinNorthChinaduring19812020arethewholeanomalymodeanddipolemodeobtainedbyempiricalorthogonalfunction(EOF)analysis.Basedonthecausalityoftheinformationflowmethod,thepredictorsofthefirsttwoleadingmodesofsummerprecipitationinNorthChinaareselectedfirstandfurtherscreened by multiple stepwise regression,and a statistical prediction model for summer precipitation in North China is thenestablished.Threepredictorsareselectedforthefirstleadingmode,i.e.,5-month-leadseasurfacetemperature(SST)inthewesterntropicalIndianOcean,6-month-lead850hPameridionalwindintheWestSiberianplain,and2-month-lead850hPameridionalwindinthetropicalmidPacific.Fourpredictorsareselectedforthesecondleadingmode,i.e.,2-month-leadSSTinthecentralsouthernIndianOcean,3-month-leadoutgoinglongwaveradiation(OLR)intheSeaofOkhotsk,2-month-lead850hPameridionalwindinthetropicalWestPacific,and9-month-leadNorthAtlanticOscillation(NAO).Theareaaveragedtimecorrelationcoefficient(TCC)betweenthereconstructedfieldbasedonthehindcast/forecastPCsofthefirsttwomodesandobservationsis0.46.Thepatterncorrelation coefficient(PCC)between the reconstructed field based on the hindcast/forecast PCs of the first two modes andobservationsshowalargeinterannualvariation,andthe40-yearaveragePCCis0.35,whichissimilartotheinter-annualvariationofPCCbetweenthereconstructedfieldbasedonactualPCsofthefirsttwomodesandobservations.Itisfoundthattheprediction*资助课题：国家自然科学基金重点项目（42230105）。作者简介：唐筱，主要从事短期气候异常成因及预测研究。E-mail：通信作者：陶丽，主要从事短期气候异常成因及预测研究。E-mail：doi:10.11676/qxxb2023.20220178气象学报modelperformswellintheyearswhentheprecipitationcanbereconstructedbythefirsttwomodes.Finally,possiblemechanismsfortheimpactsofthesepredictorsonsummerprecipitationinNorthChinaarepreliminarilydiscussed.Key wordsSummerprecipitationinNorthChina，Statisticalprediction，Informationflow摘要华北东北地区南部夏季受东亚夏季风的影响，频繁发生干旱和洪涝等灾害，但华北东北地区南部汛期降水成因复杂，其季节预测因子的选择和预报模型还需进一步研究。由经验正交函数分解（EOF）得到 19812020 年华北东北地区南部汛期（78 月）降水前两个模态（分别为整体一致型、南北相反型的空间结构），基于信息流特有的因果关系挑选前两个模态的预报因子，并通过多元逐步回归进一步筛选预报因子、建立季节统计预报模型。第一模态降水对应的主成分时间序列（PC1）的预报因子经过筛选有 3 个，分别为超前 5 个月的热带西印度洋海表温度（SST）、超前 6 个月的西西伯利亚平原 850hPa 经向风以及超前 2 个月的热带中太平洋 850hPa 经向风。第二模态降水对应的主成分时间序列（PC2）的预报因子经筛选有 4 个，分别为超前2 个月的南印度洋中部 SST、超前 3 个月的鄂霍次克海地区向外长波辐射（OLR）、超前 2 个月的热带西太平洋 850hPa 经向风以及超前 9 个月的北大西洋涛动指数（NAO）。基于前两模态的回报/预报时间序列的重构场与观测场的时间相关系数（TCC）全场平均达到 0.46，实际两个模态的时间序列重构场与观测场空间相关系数（PCC）的年际变化较大，而回报/预报时间序列重构场和观测场年际变化与其类似，其 40a 平均 PCC 为 0.35，说明前两个模态重构拟合较好的年份预报技巧也较高。关键词 华北东北地区南部汛期降水，季节预报模型，信息流中图法分类号P456.11引言华北东北地区南部位于东亚季风区北部，降水受东亚夏季风影响较强，全年降水集中在夏半年，尤其是 78 月盛夏时节，频繁遭受干旱、洪涝等灾害，严重影响社会经济和人民生活（姚亚庆等，2017）。因此，关于华北东北地区南部汛期降水的时空变化特征以及成因的研究十分重要。已有研究表明，华北东北地区南部受海表面温度（SeaSurfaceTemperature，SST）异常（Huang，etal，1989；Chang，etal，2000a，2000b；Gong，etal，2002；Wu，etal，2009，2012）、季风环流变化（郭其蕴，1992；张人禾，1999；黄樱等，2003；王遵娅等，2004；Ding，etal，2009；Wei，etal，2014）、中高纬度系统（Lu，2004；Sampe，etal，2010）、青藏高原雪盖（Zhang，etal，2004；朱玉祥等，2007）和遥相关型（Dai，etal，2020）等的综合影响，夏季降水成因复杂。SST 异常对华北东北地区南部汛期降水起着至关重要的作用，而太平洋 SST 异常对华北东北地区南部汛期降水影响最显著，主要通过影响副热带高压脊来影响东亚季风降水（Chang，etal，2000a，2000b）。在厄尔尼诺-南方涛动（ElNio-SouthernOscillation，ENSO）的发展阶段，夏季热带西太平洋 SST 较低，中国南海和菲律宾海附近对流活动较弱，西太平洋副热带高压（以下简称西太副高）南移，江淮流域夏季降水偏多，华北夏季降水偏少（Huang，etal，1989）。Wen 等（2020）区分了不同类型厄尔尼诺对东亚夏季降水的影响：夏季东太平洋（EasternPacific，EP）厄尔尼诺对应中国东部南涝北旱的偶极型，混合型（Mixed-typePacific，MP）厄尔尼诺的降水对应江淮降水偏多，华南东北地区降水偏少的三极型，中太平洋（CentralPacific，CP）厄尔尼诺对应华南和华北偏湿润、江淮和东北偏干的三角型。大西洋 SST 异常也会对华北东北地区南部汛期降水产生影响，Wu 等（2009，2012）研究发现春季北大西洋涛动（NorthAtlanticOscillation，NAO）异常会引起北大西洋的SST 呈三极型并持续到夏季，通过副极地遥相关的下游发展影响东亚副热带锋从而影响东亚夏季风。另外，印度洋 SST 变化也会通过西太副高来影响华北夏季降水（Gong，etal，2002）。Liu 等（2022）研究了 2021 年 9 月中国中北部异常洪涝现象，发现热带印度洋太平洋大西洋海温异常对降水具有综合效应，西太平洋副高向西延伸与海洋性大陆和印度半岛北部的对流呈显著正相关。季风环流与华北东北地区南部汛期降水变化有密切的联系，包括东亚夏季风及其组成部分，如西太副高和东 亚 副 热 带 西 风 急 流（East Asian Westerly Jet，EAWJ）等。20 世纪 70 年代末以来东亚夏季风减弱，导致华北夏季降水明显减少（王遵娅等，2004）。东亚副热带西风急流的南北移动（Sampe，etal，2010）和强度变化（Lu，2004）也会导致华北东北742Acta Meteorologica Sinica气象学报2023，81（5）地区南部汛期降水异常。除了东亚夏季风之外，华北东北地区南部降水还受到印度夏季风的影响，两者存在显著的正相关（郭其蕴，1992；张人禾，1999），且其强弱变化会影响南亚高压的东西移动进而影响华北夏季降水（黄樱等，2003；Wei，etal，2014）。Zhao 等（2020）指出华北夏季降水还受到印度夏季风和青藏高原加热的协同调节作用。还有研究表明积雪、遥相关型等对华北东北地区南部汛期降水也有重要影响。20 世纪 70 年代中期以后高原积雪深度增加与印缅槽加深、副热带西风急流加强同时发生，长江流域夏季降水偏多，华北夏季降水偏少（Zhang，etal，2004）。当高原冬、春季积雪偏多，高原大气春、夏季热源偏弱，导致华北降水偏少（朱玉祥等，2007）。还有学者认为华北地区夏季干旱是由欧亚遥相关（Eurasian，EU）（Wallace，etal，1981）和太平洋-日本遥相关（Pacific-Japan，PJ）（Nitta，1987）的正相共同导致，并受到北半球环全球遥相关（Circum-globalTeleconnection，CGT）的调制（Dai，etal，2020）。张若楠等（2018）研究发现，当前期春季至同期夏季巴伦支海北部和巴芬湾一带海冰持续偏少，使得中高纬度存在欧亚遥相关型，中国东北地区北部、长江和黄河之间降水明显偏少。当前华北东北地区南部汛期降水季节预报的方法有统计方法、动力统计结合方法以及机器学习方法等。Fan 等（2009）考虑到华北降水年际和年代际信号不一致的问题，使用年际增量法预报华北汛期降水，拟合相关系数达到 0.8，均方根误差为19%，独立预报期间的均方根误差为 21%，并再现了 19652006 年华北汛期降水下降的趋势。Guo等（2012）建立了时间尺度分离的统计降尺度模型来预报华北汛期降水，指出华北汛期降水年际尺度上和 6 月的 Nino3 指数密切相关，年代际尺度上和6 月西南印度洋海平面气压密切相关，并在独立预报期间具有较好的预测能力，相关系数为 0.82。阮成卿等（2016）对此模型进一步改进，找到新的预报因子，即 6 月北大西洋-欧亚遥相关，该因子与北大西洋三极子有关。在独立检验阶段，预报降水与观测降水的相关系数达到 0.77，符号一致率为 87%。Dai 等（2021）利用气候预报系统（ClimateForecastSystemversion2，CFSv2）建立混合降尺度模型，采用了 6 个预测因子冬季东亚地区海平面气压（SeaLevelPressure，SLP）、春季热带大西洋 SST、冬季热带印度洋 SST、冬季巴芬湾和秋季喀拉海的海冰浓度以及冬季热带 OLR，该模型的预测效果优于 CFSv2，时 间 相 关 系 数（Temporal CorrelationCoefficient，TCC）和平均距平相关系数（AnomalyCorrelationCoefficient，ACC）达到 0.45，同号率达到 77.8%。考虑到多元线性回归建立的预报方程可能会忽略气候系统中的非线性关系的原因，Tong 等（2019）利用基于递归随机森林方法，给出了一组对华北汛期降水影响最大的指数，包括极地-欧亚遥相关、北非副热带高压脊位置、印度缅甸槽、南极涛动、北半球极涡中心纬度、北大西洋涛动和西太副高北部边界，并使用这些指数建立决策树预报模型，但预报模型效果如何文中并未给出。而中国气象局每年发布全国汛期预测，华北东北地区南部预测和观测降水的时间相关系数基本在 0.2 以下，还有部分地区为负，区域平均距平相关系数基本接近于 0，距平符号预测正确年数百分率基本低于50%（赵俊虎等，2020），这说明各预测模型在实际业务应用中是不理想的，对华北东北地区南部降水 的 季 节 预 测 还 有 待 提 高。近 年 来 周 洁 安 等（2022）采用信息流方法分析影响因子并利用多元逐步回归建立预报模型，方法较为简单且有效，并能清楚地表示出因果关系。因此，本研究利用信息流特有的因果关系来寻找华北东北地区南部降水的预报因子并建立季节预报模型。综上所述，华北东北地区南部汛期降水变化复杂，既有年际变化也有年代际变化，因其和 ENSO发展密切相关，以前寻找到的预报因子大多是 6 月或者 78 月的大气环流因子，只能提前 1 个月进行预报。是否能找到至少提前 2 个月的预报因子，且如何寻找，是文中重点关注的内容。通过对由经验正交函数分解（EmpiricalOrthogonalFunction，EOF）得到华北东北地区南部汛期降水前两个主导模态的研究，利用信息流特有的因果关系来寻找两个主导模态的有效预报因子，并利用超前相关分析确定预报因子的提前月份，进而利用多元逐步回归方法对华北东北地区南部汛期降水预报因子进行筛选、建立预报模型以及对预报结果进行检验，最后分析其物理机制。唐筱等：华北东北地区南部汛期降水影响因子分析及季节预报模型的建立7432资料与方法 2.1 使用数据采用中国气象数据网提供的 19812020 年中国地面降水逐月格点资料，空间分辨率为 0.50.5，该数据集来源于国家气象信息中心基础资料专项最新整编的 2472 个台站降水资料。2021 和2022 年的降水数据采用中国气象局国家气候中心八千多站（包括自动站）逐月降水站点资料，将其处理成空间分辨率 0.50.5的格点资料。文中还采用了美国国家海洋和大气管理局（NationalOceanicandAtmosphericAdministration，NOAA）气候预测中心（TheClimatePredictionCenter，CPC）水平分辨率为 2.52.5的逐月降水（MergedAnalysisofPrecipitation，CMAP）资料（Xie，etal，1997）。华北东北地区南部汛期降水主要集中在 78 月，因此只关注 78 月盛夏时节华北东北地区南部降水影响因子分析及其季节预报模型的建立。选择 的 华 北 东 北 地 区 南 部 范 围 为（33 47N，105128E），选择比较大的范围是为了能得到更有物理意义的预报因子，这些预报因子可能与中国东部长江流域、华南地区夏季降水的影响因子不尽相同。为了提取预报因子，采用了以下数据，包括英国气象局哈得来中心（BritishMeteorologicalOfficeHadleyCenter）提供的空间分辨率为 11的逐月全球 SST 资料（Rayner，etal，2003）；美国国家环境预报中心（NationalCenterforEnvironmentalPrediction，NCEP）和美国国家大气研究中心（NationalCenterforAtmosphereResearch，NCAR）提供的空间分辨率为 2.52.5的逐月再分析资料（Kalnay，etal，1996）；NOAA 提供的空间分辨率为 2.52.5的逐月向外长波辐射（OutgoingLongwaveRadiation，OLR）资料（Lee，etal，2007）；罗格斯大学全球积雪实验室（RutgersUniversityGlobalSnowLab，GSL）提供的空间分辨率为 0.50.5的逐周北半球雪盖资料（Estilow，etal，2015），将其处理成逐月资料。以上资料所选取时间范围均为 19812022 年。采用的遥相关指数包括来自 CPC 的北极涛动（ArcticOscillation，AO）、北大西洋涛动（NAO）、太平洋-北美遥相关（PacificNorthAmerican，PNA）、海洋尼诺（OceanicNinoIndex，ONI）、东亚/俄罗斯西部遥相关（EasternAsia/WesternRussia，EA/WR）指数；来自 NOAA 物理科学实验室（PhysicalScien-ces Laboratory，PSL）的 Nino1+2、Nino3、Nino4、Nino3.4、大 西 洋 多 年 代 际 振 荡（Atlantic Multi-decadalOscillation，AMO）、印度洋偶极子（IndianOceanDipole，IOD）、太平洋年代际振荡（PacificDecadalOscillation，PDO）、太平洋经向模（PacificMeridional Mode，PMM）、准 两 年 振 荡（Quasi-BiennialOscillation，QBO）、太平洋多年代际振荡（InterdecadalPacificOscillation，IPO）指数；来自中国国家气候中心的暖池（NinoWP）、冷舌（NinoCT）、西太副高（包括面积和强度）、北大西洋 SST三极子模态（NorthAtlanticTriple，NAT）指数。对上述各类资料和指数均去掉了季节循环和线性趋势，使用的显著性检验方法除特殊说明外均为 t 检验。2.2 研究方法2.2.1信息流方法X2X1华北东北地区南部降水有明显的年际和年代际变化，影响华北东北地区南部降水异常的因子很多，包括各大洋 SST 异常、青藏高原雪盖、副热带西风急流、NAO 等。众所周知，两个时间序列之间存在相关并不意味着两者具有因果关系，Liang（2014）基于“信息流”物理概念，给出两个物理量的时间序列在单位时间内传递的信息流的严谨表达式，而不必如传统方法那样以半经验的形式出现。在线性假设下，时间序列到的单位时间的信息流公式可以简化如下T21=C11C12C2,d1C212C1,d1C211C22C11C212（1）CijXiXjCi,djXiXjXjdXjdt式中，是与的样本协方差，是与的样本协方差，为的欧拉前差差分近似Xj(n)=Xj(n+1)Xj(n)n（2）T21=0X2X1X2X1若，则不是的因，反之是的因，信息流结果清楚地表明因果关系意味着相关，但相关不一定存在因果。信息流使用的是显著性 t 检验，详见 Liang（2014）。744Acta Meteorologica Sinica气象学报2023，81（5）2.2.2预报模型的建立及检验首先利用 EOF 方法提取华北东北地区南部汛期降水距平的主导模态 EOF1、EOF2 及其对应的时间序列（PrincipalComponent，PC）。为了利用Liang（2014）提出的信息流方法挑选预报因子，将19812015 年（共 420 个月）的华北东北地区南部降水距平场分别投影至 EOF1 场和 EOF2 场，形成新的逐月时间序列并做标准化处理。进而利用信息流方法从 SST、OLR、风场、雪盖、ENSO 指数及各种遥相关指数中来挑选 PC1 和 PC2 的预报因子，并根据超前相关系数确定合适的预报因子及其超前月份。进一步利用多元逐步回归方法对华北东北地区南部汛期降水预报因子进行筛选，并对 20162022 年的华北东北地区南部汛期降水进行回报。为防止过度拟合，基于留一法（Leave-one-outcross-validationmethod）（Michaelsen，1987）对预报模型进行交叉检验。留一法的内容是将整个数据集里的每个数据划分单独的小数据集，每次只使用一个作为测试集，剩下的作为训练集，这种方法得出的结果与训练整个测试集的期望值最为接近。具体做法是将 19812015 年某一年单独剔除，利用剩下的 34a 进行逐步回归建立预报模型，统计各因子的出现频次，从而检验统计预报模型。文中最后初步探讨了预报因子影响华北东北地区南部汛期降水的物理机制。3华北东北地区南部汛期降水主导模态及影响因子 3.1 华北东北地区南部汛期降水主导模态为了提取汛期华北东北地区南部降水主导模态，对 19812020 年华北东北地区南部盛夏（78 月）降水进行 EOF 分解。图 1 为 EOF 分解所得的前两个模态。华北东北地区南部汛期降水第一模态呈现整体一致的空间结构，降水异常负值中心在渤海湾一带，包括山东、北京、天津、辽宁一带，解释方差为 25.7%，第二模态呈现南北相反的偶极型结构，南边界 33N 处为降水异常负值中心，辽宁、吉林一带为降水异常正值中心，解释方差为13.7%。前两个主导模态占到场的方差 40%左右，(a)47N125E4144383547N4144383510519813.03.02.02.01.0PC11.0PC2019851990199520002005201020152020 Year1981 19851990199520002005201020152020 Year110404020200404020200115120125E105110115120(b)(c)(d)图119812020 年华北东北南部汛期（78 月）平均降水 EOF 分解第一（a）、第二（b）模态空间型（单位：mm）和对应的标准化时间序列（c、d）Fig.1Spatialpatternsofthe（a）firstand（b）secondEOFmodesofsummer（JulyAugust）averageprecipitationinNorthChinaduring19812020（unit:mm）;（c）and（d）arenormalizedPC1andPC2，respectively唐筱等：华北东北地区南部汛期降水影响因子分析及季节预报模型的建立745较好地反映了华北东北地区南部汛期降水异常的空间型态。两主导模态主要以年际变化为主，但第二模态在 2002 和 2010年前后曾出现较明显的年代际转变，呈现 19852002、20102019 年降水北多南少，20032009 年南多北少的特征。为了分析影响华北东北地区南部汛期降水异常的原因，首先将 PC1 和 PC2 与赤道印度洋太平洋 SST 异常进行超前滞后相关（图 2）。由图 2a可见，华北东北地区南部汛期降水的第一主导模态与 512 月的热带中太平洋、热带印度洋（主要是热带西印度洋）SST 有显著的正相关关系，与热带西太平洋有显著的负相关关系，前期冬季印度洋和中东太平洋 SST 稍偏低、西太平洋 SST 稍偏高，即华北东北地区南部汛期降水整体偏少与厄尔尼诺发展有密切关系，这与张人禾（1999）的研究发现一致。由图 2b 可见，华北东北地区南部汛期降水的第二主导模态与 612 月的热带中太平洋SST 存在显著的正相关，与 710 月热带东印度洋存在显著的负相关，6 月以前在热带印度洋至太平洋无明显信号，即华北东北地区南部汛期降水南旱北涝的偶极子模态与中部型厄尔尼诺发展有密切的关系。由以上分析可知，虽然华北东北地区南部汛期降水与 ENSO 联系密切，但是两者几乎是同时发展的。进一步分析华北东北地区南部汛期降水两个主导模态对应的 200 和 850hPa 环流场（图 3）。由图 3a、c 可见，第一主导模态高层风场在亚洲大陆部分表现出明显的 CGT 负位相特征，即在西亚和华北上空为气旋异常，中间为弱的反气旋异常，副热带西风急流偏南，华北低层为异常东北风，即东亚夏季风减弱，水汽和动力条件都不利于降水发生。由图 3b、d 可见，对于第二主导模态对应的高层风场表现为西风急流不明显，高层主要受日本海上空的反气旋和中国中南部的气旋控制。华北位于气旋的北部，上升运动不利，且低层为弱偏北风，水汽输送较弱，相反东北南部位于反气旋西部，上升条件较好，低层为偏南风，从渤海输送水汽，导致华北东北地区南部出现南旱北涝的偶极子降水结构。同时也发现第一模态对应中国东部降水的偶极子型，第二模态对应中国东部降水的三极子型。60Dec(a)(b)NovOctSepAugJulJunMayAprMarFebJanDecNovOctSepAugJulJunMayAprMarFebJan180120E0.4030.4030.3120.3120.2640.2640.2070.2070120W60180120E120W图2PC1（a）、PC2（b）与 112 月赤道（10S10N 平均）印度洋太平洋（40E90W）SST 异常相关（色阶上的数值分别表示通过 0.2、0.1、0.05、0.01 显著水平检验）Fig.2CorrelationcoefficientsofPC1（a）andPC2（b）withtheequatorial（10S10Naverage）Indian-Pacific（40E90W）SSTanomaliesduringJanuarytoDecember（valuesonthecolorbararethesignificancelevelsof0.2，0.1，0.05and0.01，respectively）3.2 预报因子为便于运用信息流寻找华北东北地区南部汛期降水两个主导模态的预报因子，首先将 19812015 年各月（共 420 个月）华北东北地区南部降水距平场分别投影至 EOF1 场和 EOF2 场，形成新的逐月时间序列并做标准化处理（图 4），投影指数越大表示该月的降水与主导模态的空间分布越相似。进而利用信息流方法计算了 SST、OLR、200和 850hPa 风场、青藏高原雪盖、ENSO 指数及各种遥相关指数到降水投影时间序列（Proj1 和 Proj2）的全年和夏半年（510 月）信息流。图 5a、c 是 SST 对全年和夏半年 Proj1 信息流分布，图 5b、d 是 SST 对全年和夏半年 Proj2 信息流分布。可以看出，SST 对华北东北地区南部汛746Acta Meteorologica Sinica气象学报2023，81（5）期降水的信息流分布主要集中在夏半年，全年信息流不明显。由图 5 可见，影响降水第一模态和第二模态的 SST 完全不同：影响降水第一模态的 SST 主要分布在热带中太平洋、热带西太平洋（区域 6）、热带大西洋（区域 1）、南大西洋（区域 2、3）、热带西印度洋（区域 4）、南印度洋（区域 5）等，这些地区的 SST 与降水第一模态存在显著的因果关系；影响降水第二模态的 SST 主要分布在南印度洋中部（区域 7）、热带太平洋中部（区域 9）、北太平洋中部（区域 8）、南太平洋中部（区域 10）、北大西洋北部（区域 11）等地，这些区域的 SST 与降水第二模态存在显著的因果关系。结合全年及夏半年信息流分布，对各显著区域进行划分，进行区域平均得到海温指数。由于热带中东太平洋地区海温显著区域与 Nino 指数区域重合，故不对该区域进行计算。计算各海温指数到全年及夏半年投影序列 Proj1、Proj2 的信息流，得到的结果如表 1 所示（表中“通过”表示通过 0.1 显著水平检验，下同）。根据以上信息流结果，初步挑选区 域 1 6 的 SST 为 PC1 的 预 报 因 子，区 域 4、711 的 SST 为 PC2 的预报因子。OLR 对降水两个主导模态的投影时间序列的(a)(b)(c)(d)60N5040302010EQ60N504030201060801003.53.5 mm/d2 m/s3.03.02.52.52.02.01.51.51.01.00.50.50120140160E1806080100120140160E180EQ图3标准化的 PC1（a、c）、PC2（b、d）与 78 月降水场（色阶）和风场（箭矢；a、b.200hPa，c、d.850hPa）的回归分布（风场黑色箭矢表示通过 0.1 显著水平检验）Fig.3Regressedprecipitation（shaded）andwind（vectors；a，b.200hPa，c，d.850hPa）inJulyAugustontothenormalizedtimeseriesofPC1（a，c）andPC2（b，d）（windvaluesexceeding0.1significancelevelaredenotedbyblackarrows）(a)(b)198164202Proj14664202Proj2461985199019952000200520102015 Year1981 1985199019952000200520102015 Year图419812015 年华北东北地区南部汛期降水距平场与 EOF 分解第一（a）、第二（b）模态空间型标准化投影时间序列Fig.4NormalizedtimeseriesofprojectionfromsummerprecipitationanomaliesoverNorthChinaduring19812015tothespatialpatternsofthefirst（a）andsecond（b）EOFmodes唐筱等：华北东北地区南部汛期降水影响因子分析及季节预报模型的建立747全年及夏半年信息流见图 6。与 SST 场类似，夏半年的因果关系较显著。影响降水第一模态的 OLR主要分布在地中海（区域 1）、非洲东部（区域 2）、印度洋北部（区域 3）、华北至蒙古高原（区域 4）、海洋性大陆（区域 5）、热带中东太平洋（区域 6）、南太平洋（区域 7）、亚马孙地区（区域 8）。OLR 对降水第二模态降水信息流显著区域较少且较为分散，南大西洋中部和南部（区域 9、10）、印度洋北部和西部（区域 11、12）、贝加尔湖以北地区（区域 13）、鄂霍次克海地区（区域 14）的 OLR 与降水第二模态存在显著的因果关系，其他区域平均的 OLR 与 Proj1、Proj2 的信息流未通过检验或与 PC1、PC2 的超前相关不够显著且不持续，所以没有选取。对信息流显著区域进行区域平均形成新的 OLR 指数，对各OLR 指数与全年及夏半年的投影序列 Proj1、Proj2进行信息流计算，得到的结果如表 2 所示。根据以上信息流结果，初步挑选区域 19 的 OLR 为 PC1的预报因子，区域 7、914 的 OLR 为 PC2 的预报因子。图 7 是 850hPa 经向风场（V850）对全年和夏(a)(b)(c)(d)60N60S3030EQ60N60S0.0200.0160.0160.0200.0120.0120.0080.0080.0040.00403030EQ006060120E120W180006060120E120W180图5SST 对全年（a、b）和夏半年（c、d）降水投影时间序列 Proj1（a、c）、Proj2（b、d）的信息流分布（打点区域表示通过0.1 显著水平检验）Fig.5InformationflowfromSSTtomonthlyProj1（a，c）andProj2（b，d）ofthewholeyear（a，b）andthesummerhalfyear（c，d;dottedareasareforvaluesstatisticallysignificantatthelevelof0.1）表1区域平均 SST 对 Proj1、Proj2 信息流结果Table1TheresultsofinformationflowfromareaaveragedSSTtoProj1andProj2序号区域范围Proj1Proj2全年夏半年全年夏半年1热带大西洋（5S5N，50W10E）通过通过未通过未通过2南大西洋中部（535S，10W10E）通过通过未通过未通过3南大西洋南部（4555S，10W10E）通过通过未通过未通过4热带西印度洋（5S10N，4555E）未通过通过未通过通过5南印度洋（5060S，100140E）通过通过未通过未通过6热带西太平洋（5S10N，120160E）未通过通过未通过未通过7南印度洋中部（1535S，7595E）未通过未通过通过通过8太平洋北部（2030N，160E160W）未通过未通过未通过通过9太平洋中部（515N，170E140W）未通过未通过未通过通过10太平洋南部（1