1 引言
青藏高原（下称高原）地处我国大陆腹地， 山脉纵横， 冰川林立， 地形十分复杂， 气候也呈现多样性。前人研究表明（韩熠哲等， 2017； 李晓英等， 2016； 林厚博等， 2016； 刘晓东和侯萍， 1999； 齐文文等， 2013； 徐丽娇等， 2019； 张宁瑾等， 2018）， 高原降水空间分布差异很大， 年降水量自西北向东南逐渐增大， 西北部为干旱少雨区， 东南部为湿润多雨区。高原降水的季节分配亦不均匀， 雨季和旱季区分显著， 大部分地区降水集中于雨季， 占全年总降水量的90%以上（李晓英等， 2016）。以唐古拉山为界， 夏季高原中东部降水呈现南北反相位变化特征（Liu and Yin， 2001； Liu et al， 2015； 韩熠哲等， 2017； 刘焕才和段克勤， 2012； 刘焕才等， 2015； 刘晓东和侯萍， 1999； 张宁瑾等， 2018）， 即高原北部（青海）降水增加时， 高原南部（西藏中东部）降水减少。受印度洋暖湿气流影响， 高原南部降水远多于北部内陆地区， 在汛期发生强降水的频次也更高（建军等， 2012； 王传辉等， 2010， 2011）， 且受复杂地形影响， 容易发生山洪、 泥石流、 山体滑坡等地质灾害， 威胁人民群众生命财产安全， 给道路交通亦造成极大不便， 因此高原南部汛期降水预测具有十分重要的意义。
因高原地区海拔高、 地形复杂， 位于内陆， 影响降水的物理量与中东部地区明显不同， 预测难度也更大。现有研究表明， 同期北大西洋海温（Gao et al， 2013）、 印度洋海温（周顺武和假拉， 2003）、 北大西洋涛动（Liu and Yin， 2001； Liu et al， 2015； 刘焕才和段克勤， 2012； 刘焕才等， 2015； 刘晓东和侯萍， 1999）和自北大西洋向东传播至东亚的波列（Bothe et al， 2010， 2011； Gao et al， 2013； Zhu et al， 2011）等能够对高原夏季降水产生显著影响。而前期物理因子研究则比较少， 涉及高原降水的预测通常都是针对全国范围， 其中所包含的高原南部站点也比较少（只包括拉萨和昌都两个站点， 陈兴芳和宋文玲， 2000； 刘颖等， 2013， 2017）， 对中东部地区降水具有指示意义的前期物理因子在高原地区并不完全适用， 预测结果也不理想（张丹琦等， 2019）。本文拟利用年际增量法和逐步回归法对高原南部汛期降水进行统计预测， 以期改善高原南部汛期降水的预测效果。年际增量法由范可等（2007）在建立长江中下游夏季降水预测模型时首次提出， 而后应用于华北（范可等， 2008）和西北东部（吕廷珍等， 2015）汛期降水预测、 东北冬季气温（Fan， 2009）和夏季气温（Fan and Wang， 2010）预测、 我国夏季气温预测（李启芬等， 2016）、 西北太平洋台风频次（Fan and Wang， 2009）和大西洋风暴频次（Fan， 2010）预测、 梅雨入梅日期（Hu et al， 2014）以及夏季西太平洋副热带高压指数（贾亚俊等， 2015）预测等， 均取得了良好的效果。利用该方法不仅能够增强预测对象和预测因子之间的异常信号， 也能够减小气候年代际背景造成的影响。
本文以高原南部汛期降水年际增量作为预报量， 通过计算1981 -2010年其与气候指数年际增量的相关系数， 筛选出与降水相关的物理因子， 而后采用逐步回归法确定最优预测因子组合， 建立汛期降水年际增量的预测模型， 在此基础上计算汛期降水量和降水距平（气候平均态为1981 -2010年的平均值）， 并对2011 -2019年的汛期降水进行预测和检验。最后分析了预测因子影响高原南部汛期降水的物理机制。
2 资料来源和方法介绍
采用的降水资料来源于国家气象科学数据中心发布的中国地面气候资料月值数据集， 包括青藏高原南部20个基本气象台站（表1）的月平均降水资料。气候指数资料为国家气候中心发布的88项大气环流指数、 26项海温指数和16项其他指数（下载网址为https： //cmdp.ncc-cma.net/cn/download.htm）。大气环流物理量场资料为NCEP/NCAR再分析月平均资料， 包括位势高度场、 风场和海平面气压场， 水平分辨率均为2.5°×2.5°（下载网址为https： //www.esrl.noaa.gov/psd/data/gridded/data.ncep.reanalysis.html）； 海温资料为NOAA扩展重建的海表温度月平均资料， 水平分辨率为2°×2°（下载网址为https： //www.esrl.noaa.gov/psd/data/gridded/data.noaa.ersst.v5.html）。
表1 青藏高原南部20个基本气象台站站点信息Table 1 Information of 20 basic meteorological stations in the southern Qinghai-Xizang Plateau |
| 站号 | 站名 | 纬度 | 经度 |
|---|---|---|---|
| 55299 | 那曲站 | 31°29′N | 92°04′E |
| 55493 | 当雄站 | 30°29′N | 91°06′E |
| 55569 | 拉孜站 | 29°05′N | 87°36′E |
| 55572 | 南木林站 | 29°41′N | 89°06′E |
| 55593 | 墨竹贡卡站 | 29°51′N | 91°44′E |
| 55597 | 琼结站 | 29°02′N | 91°41′E |
| 55598 | 泽当站 | 29°15′N | 91°46′E |
| 55655 | 聂拉尔站 | 28°11′N | 85°58′E |
| 55664 | 定日站 | 28°38′N | 87°05′E |
| 55680 | 江孜站 | 28°55′N | 89°36′E |
| 56116 | 丁青站 | 31°25′N | 95°36′E |
| 56128 | 类乌齐站 | 31°13′N | 96°36′E |
| 56137 | 昌都站 | 31°09′N | 97°10′E |
| 56223 | 洛隆站 | 30°45′N | 95°50′E |
| 56227 | 波密站 | 29°52′N | 95°46′E |
| 56228 | 八宿站 | 30°03′N | 96°55′E |
| 56312 | 林芝站 | 29°40′N | 94°20′E |
| 56317 | 米林站 | 29°13′N | 94°13′E |
| 56331 | 左贡站 | 29°40′N | 97°50′E |
| 56434 | 察隅站 | 28°39′N | 97°28′E |
首先， 对降水资料进行质量控制， 剔除缺测站点琼结站后， 对剩下19个站点1981 -2010年的月平均降水进行分析比较（图略）， 可知大部分站点自5月开始降水明显增多， 9月以后急剧减少， 6 -9月降水量明显较其他各月大， 占全年降水的80%以上， 故定义6 -9月为汛期。各站点的汛期降水量即为6 -9月的降水量总和， 汛期降水年际增量即为当年汛期降水量与上一年的差值。对19个站点的汛期降水年际增量进行相关性分析， 可以看到大部分站点汛期降水年际变化呈正相关（表略）。挑选出汛期降水年际增量与其他站点显著相关（相关系数能通过95%的显著性检验）的15个站点： 那曲站、 当雄站、 南木林站、 墨竹工卡站、 泽当站、 江孜站、 丁青站、 类乌齐站、 昌都站、 洛隆站、 波密站、 八宿站、 林芝站、 米林站、 左贡站， 作为高原南部汛期降水研究的代表站， 高原南部汛期降水即为这15个站的汛期降水平均值。
文中涉及的地图是基于中华人民共和国自然资源部地图技术审查中心标准地图服务系统下载的审图号为GS（2016）1667的标准地图制作， 底图无修改。
3 预测因子及模型
国家气候中心发布的88项大气环流指数、 26项海温指数和16项其他指数涵盖了有关大气环流和海温的各类物理量场， 物理意义明确， 可将冬、 春季各月和季节平均指数的年际增量作为预测因子库。然而， 除海温指数全年各月均有观测值外， 大气环流指数和其他指数均存在缺测情况。去除缺测指数后， 大气环流指数还剩下65项， 其他指数剩下9项。计算1981 -2010年各指数与高原南部汛期降水年际增量的相关系数， 找出相关性好的指数（相关系数通过95%的显著性检验）作为预选因子， 包括大气环流指数43个， 海温指数和其他指数各5个， 共计53个（表略）。
在53个预选因子中， 相关性最高的前3个因子分别为： 5月东大西洋遥相关型指数年际增量、 春季冷空气次数年际增量和5月北大西洋-欧洲区极涡强度指数年际增量， 与汛期降水相关系数分别达到了-0.74、 0.67和-0.66， 均通过99%的显著性检验。通过因子间的相关性分析发现这3个因子之间也存在较强的相关性， 两两之间的相关系数分别达到了-0.59、 0.81和-0.52。因此， 利用线性回归方法先对标准化后的汛期降水年际增量dy和单因子x进行建模， 并对预测结果进行检验。检验项目为降水年际增量同号率、 距平同号率、 距平百分率均方根误差以及降水相对误差等。其中， 距平百分率均方根误差表达式为：
式中： ai为第i年的预测降水距平百分率； ai 0为第i年的实际降水距平百分率； n为预测年份数。降水相对误差表达式：
式中： yi为第i年的预测降水量； yi 0为第i年的观测降水量。
前3个预选因子建模预测结果见表2。从同号率来看， 第3个因子预测效果最好， 后报年份降水年际增量同号率达到7/9， 距平同号率为6/9； 第1个因子预测效果次之， 两项同号率分别为4/9和5/9； 第2个因子预测效果最差， 两项同号率仅为3/9和2/9。从降水预测误差来看， 第1个因子预测的距平百分率均方根误差最小， 模拟年份和后报年份分别为18%和15%， 后报年份降水相对误差在±15%以内的多达7年， 第3个因子预测效果次之， 第2个预测效果仍是最差。综上分析， 可将第1个和第3个因子作为首选因子， 分别与其他50个因子做相关性分析， 按照各因子与汛期降水年际增量相关系数绝对值大小， 逐步筛选出与汛期降水相关性好且同时与已选因子相互独立的两组因子（表3， 表4）。
表2 前3个预选因子建模预测结果Table 2 Prediction results of the first three pre-selected factors |
| 项目参数 | 前3个预选因子 | ||
|---|---|---|---|
| 第1个因子 | 第2个因子 | 第3个因子 | |
| 预测因子 | 5月东大西洋遥相关型指数年际增量 | 春季冷空气次数年际增量 | 5月北大西洋-欧洲区极涡强度指数年际增量 |
| 预测模型 | dy=-0.02-0.73x | dy=-0.03+0.79x | dy=-0.07-0.78x |
| 回归方程拟合优度 | 0.55 | 0.45 | 0.43 |
| 模拟年份降水年际增量同号率 | 22/30 | 22/30 | 21/30 |
| 后报年份降水年际增量同号率 | 4/9 | 3/9 | 7/9 |
| 模拟年份降水距平同号率 | 24/30 | 23/30 | 20/30 |
| 后报年份降水距平同号率 | 5/9 | 2/9 | 6/9 |
| 模拟年份降水距平百分率均方根误差 | 18% | 20% | 21% |
| 后报年份降水距平百分率均方根误差 | 15% | 23% | 17% |
表3 第1组预测因子及其与高原南部汛期降水年际增量的相关系数Table 3 Group 1 predictors and the correlation coefficients between them and the interannual increments of precipitation in the southern Qinghai-Xizang Plateau during the flood period |
| 序号 | 预测因子 | 与降水相关系数 |
|---|---|---|
| 1 | 5月东大西洋遥相关型指数年际增量 | -0.74** |
| 2 | 12月西藏高原-1指数年际增量 | -0.55** |
| 3 | 4月亚洲经向环流指数年际增量 | -0.50** |
| 4 | 4月太平洋区极涡强度指数年际增量 | 0.46* |
| 5 | 5月冷空气次数年际增量 | 0.42* |
| 6 | 12月850 hPa西太平洋信风指数年际增量 | -0.39* |
| 7 | 1月NINO B区海表温度距平指数年际增量 | 0.38* |
*代表通过了95%的显著性检验， **代表通过了99%的显著性检验 |
表4 第2组预测因子及其与高原南部汛期降水年际增量的相关系数Table 4 Group 2 predictors and the correlation coefficients between them and the interannual increments of precipitation in the southern Qinghai-Xizang Plateau during the flood period |
| 序号 | 预测因子 | 与降水相关系数 |
|---|---|---|
| 1 | 5月北大西洋-欧洲区极涡强度指数年际增量 | -0.66** |
| 2 | 5月亚洲经向环流指数年际增量 | 0.61** |
| 3 | 12月东亚大槽强度指数年际增量 | 0.52** |
| 4 | 1月北美区极涡面积指数年际增量 | 0.50** |
| 5 | 5月冷空气次数年际增量 | 0.42* |
| 6 | 1月大西洋欧洲区极涡面积指数年际增量 | 0.41* |
| 7 | 2月北半球极涡中心纬向位置指数年际增量 | 0.40* |
| 8 | 12月850 hPa西太平洋信风指数年际增量 | -0.39* |
*代表通过了95%的显著性检验， **代表通过了99%的显著性检验 |
对于选出的两组因子， 综合考虑降水距平同号率和距平百分率均方根误差， 采用逐步回归方法， 确定最优预测因子组合。该组合共包括4个因子： 5月东大西洋遥相关型指数年际增量x 1， 4月亚洲经向环流指数年际增量x 2， 4月太平洋区极涡强度指数年际增量x 3和5月冷空气次数年际增量x 4， 均来源于第1组因子。预测方程为：
该预测模型对模拟年份实际降水年际增量的拟合优度为0.70， 降水年际增量同号率达到26/30； 后报年份同号率为7/9， 且大部分年份预测结果与实况几乎相同， 如2011， 2013， 2014， 2016， 2017和 2018年（图1）。从降水预测相对误差图（图2）上可以看到， 在模拟年份， 最大相对误差为36%， 出现在2014年， 相对误差在±15%以内的有19年； 后报年份中2012年的相对误差最大， 为-36%， 其他年份均在±15%以内。从降水距平百分率演变趋势（图3）上看， 预测的降水距平与实况演变趋势基本一致， 模拟年份同号率为27/30， 后报年份为7/9， 距平百分率均方根误差分别为15%和13%。可见， 该模型可用于预测高原南部汛期降水， 能够有效提高该地区汛期降水预测水平。
图1 观测和预测的1981 -2019年高原南部汛期降水年际增量Fig.1 Observed and predicted interannual increments of precipitation in the southern Qinghai-Xizang Plateau during the flood period from 1981 to 2019 |
图2 1981 -2019年高原南部汛期降水预测相对误差Fig.2 The relative errors of predicted precipitation in the southern Qinghai-Xizang Plateau during the flood period from 1981 to 2019 |
需要说明的是， 为了确保预测模型最优， 将预选因子中与这4个因子均无显著相关的其他12个因子（表略）逐一加入， 重新建立预测模型， 并对预测结果进行检验。结果显示， 预测效果没有得到显著提升， 故该模型已是最优。
4 物理机制分析
通过相关性分析和逐步回归法确定了4个预测因子， 并建立预测模型， 基本实现了对2011 -2019年高原南部汛期降水的准确预测， 下面对其物理机制进行探讨分析。
从降水距平百分率实况图（图3）可以看到， 近39年高原南部汛期降水多寡存在显著的年际变化特征， 不过大多数年的降水距平百分率在正常偏多或偏少范围内， 无超出±50%的一级异常。选取距平百分率在±15%以外的年份为降水偏多年和偏少年， 从而得出降水偏多年有1985， 1987， 1991， 1998， 2000， 2003和2004年， 共7年， 偏少年有1981， 1983， 1986， 1992， 1994， 2005， 2006和2009年， 共8年。将降水偏多年和偏少年的物理量场分别进行合成， 二者的差值可反映影响高原南部汛期降水的物理量异常特征。
由表2可知， 5月东大西洋遥相关型（简称EA）指数与高原南部汛期降水年际增量的相关系数高达-0.74， 预测方程中该因子的回归系数为 -0.54， 表明5月北大西洋500 hPa大气环流与高原南部汛期降水关系十分密切。北大西洋上空的大气环流异常往往由海温（Sea Surface Temperature， SST）异常强迫产生（Peng et al， 2002； Sutton et al， 2001）。将高原南部汛期降水与5月北大西洋SST年际增量做相关分析可知， 30°N -50°N为负相关， 其他区域为正相关， 自北向南为“＋、 －、 ＋”分布［图4（a）］， 这种形势为典型的北大西洋“三核型”SST负异常模态（李建等， 2007）。而海洋具有更长的记忆能力， 因此该模态的海洋异常可以持续到汛期［图4（b）］， 并通过海洋对大气的强迫作用影响大气， 使得对应的海平面气压（SLP）偏差在冰岛附近为正值， 在亚速尔群岛附近为负值， 此为典型的北大西洋涛动（North Atlantic Oscillation， NAO）负位相（图略）。而850 hPa（图略）、 500 hPa ［图5（b）， （c）］和200 hPa（图略）上的北大西洋位势高度差值场能与SLP基本保持一致， 从5月到汛期在中高纬也表现出北高南低的型态， 这种贯穿于整个对流层的正压结构表明5月北大西洋SST异常能够通过海气相互作用强迫出NAO型的大气环流异常， 且这种异常会持续到汛期， 对高原南部汛期降水产生影响。经计算可知， 5月NAO指数年际增量与高原南部汛期降水年际增量的相关系数为-0.47， 汛期可达到 -0.70， 说明汛期NAO指数负位相可导致高原南部降水偏多， 很多研究已经证明了NAO对高原南部汛期降水的影响（Gao et al， 2013； Liu and Yin， 2001； Liu et al， 2015； 刘焕才和段克勤， 2012； 刘焕才等， 2015； 刘晓东和侯萍， 1999）。在汛期500 hPa位势高度差值场［图5（c）］上， 由北大西洋向东至欧洲、 中亚、 东亚交替出现了正负异常中心， 500 hPa风矢差值场［图6（c）］则表现为气旋与反气旋环流异常中心相间分布， 表明NAO可通过该波列结构调整高原及其周边地区的大气环流， 进而影响高原南部汛期降水。从5月500 hPa位势高度差值场［图5（b）］上可以看到， 北大西洋500 hPa位势高度差值为正异常， 副热带东大西洋至东欧为负异常， 此为EA指数负位相， 且与NAO指数负位相相对应， 二者的相关系数高达0.83， 故5月EA指数负位相是北大西洋SST异常强迫的结果， 其与5月NAO指数负异常相对应， 且这种异常维持到汛期， 进而导致高原南部汛期降水偏多。
图4 高原南部汛期降水与北大西洋SST年际增量的相关系数（等值线）分布深色阴影区表示通过95%的显著性检验 Fig.4 Distribution of the correlation coefficients （contour） between the interannual increments of precipitation in the southern Qinghai-Xizang Plateau during the flood period and those of SST in North Atlantic Ocean.The dark shaded areas passed 95% significance test |
图5 降水偏多年与偏少年500 hPa位势高度差值（等值线， 单位： gpm）深色阴影区表示通过95%的显著性检验 Fig.5 Differences of geopotential height （contour） at 500 hPa between the flood years and the drought years.Unit： gpm.The light shaded areas indicate land.The dark shaded areas passed 95% significance test |
除了5月EA指数， 4月亚洲经向环流指数、 太平洋区极涡强度指数和5月冷空气次数等也同高原南部汛期降水有密切关系。这3个因子与高原南部汛期降水年际增量的相关系数分别为-0.50、 0.46和0.42， 预测方程中回归系数分别为-0.30、 0.23和0.23， 表明当4月亚洲中纬地区经向环流偏弱， 太平洋区极涡偏强， 5月冷空气偏多时， 有利于高原南部汛期降水偏多。反之， 则有利于高原南部汛期降水偏少。从4月500 hPa风矢差值场［图6（a）］上可以看到， 在降水偏多年， 高原北侧中纬度经向环流偏弱， 为显著的西风异常， 有利于高原反气旋性环流异常加强； 同时， 太平洋高纬度地区为气旋性环流异常， 位势高度偏低［图5（a）］， 说明太平洋区极涡偏强， 而中低纬度的太平洋为反气旋性环流异常， 位势高度偏高［图5（a）］， 这种位势高度异常的分布加大了南北位势高度梯度， 使得中纬度西风进一步增强， 高原反气旋性环流异常亦随之增强。而高原反气旋性环流异常不利于高原西风槽和低涡切变的形成， 使得4月高原降雪偏少。5月［图5（b）， 图6（b）］， 西西伯利亚位势高度偏高， 为反气旋性环流异常， 中西伯利亚位势高度偏低， 为气旋性环流异常， 这种形势有利于二者之间的偏北气流增强， 我国冷空气偏多， 加强高原反气旋性环流异常， 不利于高原西风槽和低涡切变的形成， 使得5月高原降雪亦偏少。因冬春降雪主要集中在4 -5月（邹进上和曹彩珠， 1989）， 故4 -5月高原降雪减少可通过陆气相互作用导致春季高原地面热源作用增强（陈乾金等， 2000； 董敏和余建锐， 1997； 王婷等， 2019）， 地面强热源可持续到汛期。汛期高原低层为热低压， 盛行气旋性环流， 即高原夏季风（白虎志， 2005； 汤懋苍等， 1979）。地面热源增强将使得汛期高原低层气旋性环流增强［图6（c）， 陈悦等， 2019］， 高原夏季风增强。汤懋苍等（1984）指出， 若以90°E为界将高原划分为东、 西两部分， 则在高原夏季风偏强年其降水分布特征为“东多西少”， 而在高原夏季风偏弱年为“西多东少”。本文研究的高原南部所在区域基本位于90°E以东， 因此高原夏季风增强将导致高原南部汛期降水偏多。
综上所述， 4月亚洲经向环流和太平洋区极涡强度以及5月我国冷空气次数异常可引起高原上空500 hPa环流发生异常， 对高原西风槽和低涡切变的形成产生影响， 导致春季高原降雪、 地面热源作用和高原夏季风等发生一系列变化， 使得高原南部汛期降水偏多或偏少； 同时， 5月EA指数异常与NAO指数异常相对应， 且这种异常能够维持到汛期， 亦可对高原南部汛期降水造成影响。预测因子影响高原南部汛期降水的物理机制如图7所示。
5 结论
通过分析1981 -2010年青藏高原南部汛期降水与国家气候中心发布的88项大气环流指数、 26项海温指数和16项其他指数年际增量的相关性， 采用逐步回归法筛选出最优预测因子组合， 建立了高原南部汛期降水年际增量与预测因子的物理统计预测模型， 并对该模型的预测效果进行了检验， 最后研究了预测因子影响汛期降水的物理机制， 得出主要结论如下：
（1） 可用于高原南部汛期降水预测的最优因子为4月亚洲经向环流指数、 太平洋区极涡强度指数， 5月东大西洋遥相关型指数和冷空气次数等的年际增量4个变量。基于这些预测因子建立的预测模型对1981 -2010年降水年际增量的拟合优度为0.70。对2011 -2019年进行独立样本回报检验， 发现该模型预测准确率很高， 降水年际增量和距平同号率均达到7/9， 距平百分率均方根误差为13%， 降水相对误差在±15%以内的年份占比高达8/9。可见， 该模型能够提高高原南部汛期降水预测能力。
（2） 5月北大西洋“三核型”SST负异常通过海气相互作用强迫产生EA指数负位相， 其与NAO指数负异常相对应， 且这种异常能够维持到汛期， 引起高原南部汛期降水偏多。
（3） 4月亚洲经向环流偏弱， 太平洋区极涡偏强， 5月我国冷空气偏多， 有利于加强高原反气旋性环流异常， 不利于高原西风槽和低涡切变的形成， 使得春季高原降雪减少， 高原地面热源作用增强， 地面强热源持续到汛期， 引起高原夏季风偏强， 从而使得高原南部汛期降水偏多。