1 引言
有“世界屋脊”之称的青藏高原（以下简称高原）是世界上面积最大、 海拔最高的高原， 其平均海拔在4000 m以上（Qiu， 2008）。青藏高原的动力和热力学效应对亚洲夏季季风的形成至关重要（叶笃正和高由禧， 1979； Tao and Ding， 1981）。青藏高原被誉为亚洲的“水塔”， 是长江、 黄河和澜沧江的发源地， 由于拥有丰富的冰川、 雪盖、 湖泊和河流资源， 为亚洲的水循环系统提供了重要的水源支持（Yao et al， 2012）。青藏高原分布着众多山脉， 其北部的昆仑山脉横贯中国西部。昆仑山脉南支的可可西里山脉附近是世界第三大无人区， 也是中国最大的无人区； 高原南部的喜马拉雅山脉是世界海拔最高的山脉； 高原东部的横断山脉是我国最长、 最宽的南北向山系， 这些山脉对天气系统及气候变化都有重要影响。Rangwala（2013）的研究发现， 对于青藏高原海拔3000 m以上的地区， 其水汽含量和对气候变化的响应更加敏感。在青藏高原海拔300~4800 m， 变暖速率呈上升趋势（Qin et al， 2009）。气候变暖是近年来青藏高原上的一个主要现象， 高原的持续增暖加速了水循环， 从而对“亚洲水塔”的水资源补给产生显著影响（Immerzeel et al， 2010； Yao et al， 2012； 张人禾等， 2015）， 其中变暖最明显的为一主要冰川区： 高原东南部和喜马拉雅山脉东部； 而 80°E以西的另一主要冰川区却表现出强烈的冷却（Yang et al， 2014）。
青藏高原地面热量和水分收支状况在很大程度上能够影响并反映天气以及气候的变化（马耀明等， 2021）， 青藏高原同时也是影响其东部下游降水天气的关键区域。高原低涡（以下简称低涡）和对流系统的发生、 发展及东移对高原及其周边地区降水有重要影响（赵平等， 2018）。高原低涡是一种产生于青藏高原主体边界层， 水平尺度为 400~500 km， 垂直厚度为2~3 km的α中尺度低压涡旋系统（叶笃正和高由禧， 1979； 李国平等， 2016）； 低涡主要活动于500 hPa等压面， 通常在高原中西部生成， 沿高原切变线或辐合带东移发展， 并最终在高原东部减弱和消失， 极个别低涡可东移影响到朝鲜半岛和日本（李国平等， 2016； Yu et al， 2014）。以往的研究表明， 高原低涡主要在高原汛期出现， 5 -9月的高原低涡占全年总数的80%， 4月高原低涡出现频次也较高， 高原低涡消亡的高频区域与地形有明显联系， 高频中心位于唐古拉山、 念青唐古拉山和冈底斯山附近（Lin， 2015）。高原低涡的生成与地形导致的辐合和强局地加热有密切关系， 低涡形成后大多在源地附近维持12~24 h之后便减弱消亡（Feng et al， 2014； 王鑫等， 2009）。夏季青藏高原上的低涡对高原天气有重要影响， 是高原的主要降水系统之一， 并且部分低涡与下游地区的其他活跃天气系统相结合时可产生强降水（Lin et al， 2021b， 2021c； Li et al， 2017）。
高原气象学取得突破性进展受阻于高原气象观测数据的缺乏（赖欣等， 2021）， 由于高原的气象观测站少、 观测资料缺乏， 以往主要是通过人工翻阅天气图或再分析资料来研究高原低涡， 这不仅低效， 还会因为天气图分析人员的主观性增加高原低涡分析的不确定性， 并且天气图资料不利于数据共享， 阻碍了高原低涡研究的进一步发展（林志强等， 2013； Lin， 2015）， 通过再分析和其他基于模拟的数据集对高原低涡进行客观识别将是未来的发展方向（Lin et al， 2020）。现有的几种关于高原低涡的客观识别法中， 一些方法可能在识别标准上过于固定， 缺乏根据环境条件自动调整的能力， 导致可重复性较低， 比如Feng et al（2014）的客观识别法与张博和李国平（2017）的客观识别法。经过比对和尝试， Lin（2015）的客观识别法可行性、 可重复性较好， 精确度也较高。Lin et al（2020）采用客观识别法（Lin， 2015）， 根据500 hPa位势高度对高原低涡进行识别和跟踪， 获得了基于多个再分析产品得到的高原低涡数据集， 且多个数据集之间的高相关性表明， 基于再分析数据研究高原低涡具有较高的可行性。
以往的研究大多局限于对高原低涡的个例进行分析或数值模拟， 所分析的低涡特征主要为低涡频数， 所使用的资料也大多局限于天气图资料、 高原低涡年鉴， 或是再分析资料， 而对于长时间序列的高原低涡的强度和路径分析则较少， 尤其是低涡移动过程中的强度变化情况。以往有研究直接根据高原低涡的生成源地分布来选取低涡生成的关键区， 而未结合低涡中心的移动状况及强度来划分影响低涡活动的敏感区域， 并且对于影响低涡活动的敏感区域及其与陆面关键参量变化关系的研究也还有待进一步探索。本研究通过使用由客观识别法（Lin， 2015）得到的长时间序列（1950 -2021年）高原低涡数据集（林志强和郭维栋， 2022）， 以及由欧洲中期天气预报中心（European Centre for Medium-Range Weather Forecasts， ECMWF）发布的第五代大气再分析数据（the fifth generation ECMWF atmospheric Re-Analysis， ERA5）得到的ERA5-land高分辨率资料（Muñoz Sabater， 2019）， 首先从时间和空间上分析了高原低涡的活动特征， 其次根据低涡路径及低涡强度指数（Plateau Vortex Intensity Index， PVII）划分了影响高原低涡活动的敏感区， 并进一步分析了敏感区内陆面关键参量的变化对高原低涡的影响， 为进一步了解高原低涡、 探究敏感区内的陆-气相互作用机理， 以及高原低涡数值模拟和数据同化研究提供理论依据。
2 数据来源与方法介绍
2.1 数据来源
本研究所用到的再分析数据来源于ECMWF， 其提供的再分析数据集被广泛应用于天气气候变化研究中。与天气图分析法相比， 再分析数据集在高原地区具有较高的准确性， 一方面是因为它们同化了大量的观测结果， 具有先进的动力框架， 另一方面是因为同化了卫星数据后， 再分析数据具有很好的连续性（Bao and Zhang， 2013）。在以往的研究中， 由ECMWF发布的其中一套全球再分析数据（the ECMWF Re-Analysis Interim， ERA-Interim）被许多学者用于高原热力研究之中， 且ERA-Interim也被证明在青藏高原地区具有较好的适用性（李黎等， 2019）， 如Gao et al（2014）的研究表明， ERA-Interim可以很好地反映整个青藏高原的年际和季节性气候特征变化； Li et al（2020）的研究表明， ERA-Interim可以较好地揭示高原低涡数量的年际变化。ECMWF的ERA5再分析资料， 基于集合预报系统（Integrated Forecasting System， IFS）中的4D-Var数据同化， 并得益于模式物理学、 核心动力学和数据同化方面的改进， ERA5在分辨率上显著高于ERA-Interim（ERA5的空间分辨率为31 km， 而ERA-Interim的空间分辨率为80 km）； ERA5还使用了更多类型的卫星数据， 包括最新的卫星仪器， 如红外大气探测仪（Infrared Atmospheric Sounding Interferometer， IASI）和跨轨道红外探测器（Cross-track Infrared Sounder， CrIS）（Hersbach et al， 2020）； ERA-Interim数据集的时间范围只涵盖了1979年1月1日至2019年8月31日， 而ERA5数据集涵盖了从1940年1月到现在的数据， 并还在持续实时更新， 所以ERA5数据集逐渐被更广泛地使用于研究之中。本研究所用到的ERA5-Land再分析资料提供了近几十年来有关地表水和能量参数的连续变化。ERA5-Land数据集是通过重新计算ERA5数据集中的陆地部分而得到的新数据集， 其分辨率比ERA5更高。ERA5-Land包含从1950年开始的详细记录， 时间分辨率为1 h， 原始空间分辨率为9 km（0.1°×0.1°）。
本研究所用的高原低涡数据集主要包含低涡的产生时间、 地理位置、 半径和面积等要素， 该数据集使用的再分析数据有： NCEP1（NCEP/NCAR）， NCEP2（NCEP/DOE）， ERA-Interim， ERA-40， ERA-5， CFSR， MERRA2， JRA55， NCEP FNL， CRA40等再分析数据。本研究选取高原低涡数据集中由ERA5再分析资料识别得出的高原低涡统计数据进行研究， 研究的时间序列主要为1950 -2021年， 研究范围主要为青藏高原主体区域： 27°N -40°N， 77.5°E -103°E。由于高原低涡数据集在识别低涡时几乎涵盖了整个东亚（比如部分低涡可东移至朝鲜半岛或日本）， 而本文主要统计青藏高原区域的低涡要素， 故先根据本文的研究时间及研究区域对数据集进行了整理。
青藏高原地形如图1 所示， 其中所使用的地形数据来自“ETOPO1 1 Arc-Minute Global Relief Model”（Amante and Eakins， 2009）， 该数据集提供了1弧分（约1.8 km）的全球地形高程数据， 由美国国家海洋和大气管理局（National Oceanic and Atmospheric Administration， NOAA）的国家环境信息中心（National Centers for Environmental Information， NCEI）制作。
2.2 方法
本研究所使用的方法， 包括气象学统计方法（如一元线性回归）， 相关分析和贝叶斯时间序列分析算法（Bayesian Estimator of Abrupt change， Seasonal change， and Trend， BEAST）。
2.2.1 相关分析
相关分析采用Pearson相关分析法。Pearson相关分析由于需要满足： （1）变量均为连续性变量， （2）不存在明显异常值， （3）均服从正态或近似正态分布， （4）变量之间存在线性关系的条件， 故先通过图形手段和统计量手段对高原低涡的个数和持续时间进行正态检验后再计算二者的相关性。图形手段选择正态QQ图（Normal Quantile-Quantile Plot）， 正态QQ图是以标准正态分布的分位数为横坐标， 样本值为纵坐标的散点图， 若正态QQ图上的点分布在一条直线附近， 则说明样本数据呈正态分布。统计量手段选择Shapiro-Wilk （S-W）这种基于回归和相关且检验效能较高的检验方法（Shapiro and Wilk， 1965）：
式中： 是数量为n的一个样本； 是样本均值； 常量 通过公式（2） 得到：
式中： 矩阵V是n个顺序统计量的协方差矩阵； 是这些变量的期望组成的向量。若样本数据符合正态分布， 统计量W的分子和分母均会趋向一个常数； W的最大值为1， 它的值越高表示样本与正态分布越匹配。
2.2.2 BEAST方法
本研究所用到的BEAST突变检验法相比于传统突变检验方法的优势是： 它不仅可以检测出突变点， 还能给出突变点的概率（Zhao et al， 2019）。传统的参数检验方法以假想数据的抽样分布为依据， 通常基于大样本理论， 并假设数据是来自一个固定但未知的分布（Kruschke and Liddell， 2018）， 传统参数检验方法难以解决的问题现在都可以通过贝叶斯统计来解决（Zhou et al， 2018）， 贝叶斯方法可以更好地处理不确定性和小样本数据， 可以更好地处理复杂模型， 还可以处理缺失数据、 不均衡数据和异常数据等问题， 并可以提供更准确的预测和推断（Kruschke and Liddell， 2018）。BEAST作为贝叶斯方法在时间序列分析领域的一个具体应用， 它允许在特定的时间点分析趋势， 而不是对一整个周期作单一的线性回归， 这使得BEAST可以识别线性分析所遗漏的短期或微弱趋势（White et al， 2021）。White et al（2021）使用BEAST突变检验对阿拉斯加地区降水进行研究， 结果表明BEAST方法有监测和诊断气候变量趋势的潜力， 可推广应用于其他变量。
2.2.3 低涡数据统计标准划分
由于高原低涡数据集识别低涡的空间范围较广， 以识别到低涡的起始时间来记录该低涡属于哪一个月， 如2016年6月30日12:00（世界时， 下同）生成于80°E， 34.5°N的低涡， 在其10个时次（60 h）的生命史中， 只有2个时次在6月30日， 其余持续时间都在7月， 高原低涡数据集将此次低涡归到了6月。根据本文的研究时间和研究区域， 为了对高原低涡数据进行准确的统计和分类， 采用了以下标准和方法：
按月统计时： （1）生命史分配原则： 若由客观识别法识别出来的一次高原低涡过程横跨两个月， 其生命史中超过一半的持续时间属于哪个月， 则把此次低涡过程统计到该月之中； （2）平均强度归属原则： 若低涡在两个月的持续时间相同， 则分别计算此次低涡过程在两个月的平均强度指数， 并将其归入平均强度指数较大的月份。
在按日统计时： （1）对于由客观识别法识别出来的每一次完整的高原低涡过程， 根据日期时间戳来确定哪一天有低涡出现； （2）对于有低涡活动的日期， 再识别当天有几个不同的低涡过程， 并对低涡个数进行计数； （3）如果某一天存在多个低涡活动， 该天的低涡总持续时间是多个低涡的累加时间， 因此可能超过24 h。
为了更好地了解低涡在移动过程中的强度变化， 本研究对低涡强度指数进行了分级： （1）PVII≤10； （2）10<PVII≤20； （3）20<PVII≤30； （4）30<PVII≤40； （5）PVII>40。低涡强度指数公式（林志强等， 2013）如下：
式中： I为低涡强度； 为低涡中心位势高度值； 为与低涡中心同纬度60°E -120°E的平均位势高度值。I的值越大， 表示低涡强度越强； I也可能为负值， 负值表示低涡强度很弱。有一小部分低涡， 如1986年10月27日12:00生成于西藏阿里西部的高原低涡， 由于其所在纬度为两槽一脊形势， 高原地区为脊区， 低涡中心周边槽区的位势高度更低， 故此时的低涡强度为负值（Lin， 2015）。
3 高原低涡活动的时空特征分析
3.1 1950 -2021年高原低涡个数与持续时间变化
1950 -2021年高原低涡的年总个数和年总持续时间都有显著增加的趋势［图2 （a）， （b）］， 气候倾向率分别为0.16个·a-1和1.25 h·a-1， 置信度为95%； 但低涡活跃期（5 -8月）的总个数和总持续时间［图2 （c）， （d）］的增加趋势不显著（P>0.05）， 气候倾向率分别为0.05个·a-1和0.36 h·a-1。低涡年总个数和活跃期总个数的极大值和极小值都分别出现在1965年和1975年； 低涡年总持续时间的极大值出现在2008年， 极小值出现在1958年和1984年； 低涡活跃期的总持续时间的极大值出现在1999年， 极小值出现在1986年。对高原低涡的个数和持续时间进行正态性检验后计算了二者的相关性。图3 （b）的S-W检验结果中， 高原低涡的持续时间和低涡个数的P值均大于0.05（P>0.05服从正态分布）， 分别为0.11和0.39， 统计量W的值分别为0.97和0.98， 表明两变量均服从正态分布； 图3 （d）中P值分别为0.22和0.16， W值均为0.98， 两变量也都服从正态分布， 且从正态QQ图来看， 二者也有较好的线性相关性。从相关性检验的结果来看， 无论是全年还是低涡活跃时期， 高原低涡的个数和持续时间都有着较强的相关性， 相关系数分别为0.81和0.75。
图2 1950 -2021年（a， b）， 1950 -2021年5 -8月（c， d）高原低涡个数（a， c）及持续时间（b， d）变化过程Fig.2 Numbers （a， c） and duration （b， d） of Plateau Vortex during 1950 -2021 （a， b）， and May-August 1950 -2021 （c， d） |
在验证了低涡个数与持续时间的相关性之后， 进一步对这两个变量分别进行了BEAST突变检验。1950 -2021年， 高原低涡年总个数与年总持续时间的突变发生在1997年［图4 （a）， （b）］， 5 -8月总个数的突变发生在1998年［图4 （c）］， 5 -8月总持续时间在1956年和1999年都检测到了突变［图4 （d）］。再结合BEAST突变检验结果（表1 ， 表2 ）来进一步确定突变发生的时间。所研究的时间序列中， 图4 中的四个变量平均约有42.40%的可能性出现一个突变点， 出现多个突变点的概率随突变点个数的增加而减小； 从表2 可以看出， 年总个数和年总持续时间在1997年出现突变的概率分别为14.29%和43.53%， 5 -8月总个数在1998年出现突变的概率为25.18%， 5 -8月总持续时间在1999年出现突变的概率为59.82%， 可以得出： 高原低涡的个数和持续时间在即将进入21世纪时发生了突变。林志强（2021）使用多个再分析数据集对高原低涡进行分析后也得出， 20世纪90年代中期高原低涡呈现显著增加的趋势。
图4 1950 -2021年（a， b）， 1950 -2021年5 -8月（c， d）高原低涡个数（a， c）及持续时间（b， d）的BEAST分解和突变点检测拟合趋势线周围的灰色包络线为95%置信区间 Fig.4 Numbers （a， c） and duration （b， d） of Plateau Vortex - using BEAST decomposition and change point detection during 1950 - 2021 （a， b）， and May-August 1950 -2021 （c， d）.The gray envelope around the fitted trend line are 95% confidence intervals |
表1 各变量通过BEAST分解后可能出现的突变点个数及其概率Table 1 Number of possible change points and their probabilities for each variable by BEAST decomposition |
| 突变点 个数/个 | 1950 -2021年高原低涡可能突变概率 | |||
|---|---|---|---|---|
| 年总 个数 | 5 -8月总 个数 | 年总持续 时间 | 5 -8月总 持续时间 | |
| 0 | 22.90% | 14.80% | 9.70% | 8.00% |
| 1 | 46.30% | 38.50% | 50.10% | 34.70% |
| 2 | 20.10% | 22.50% | 25.20% | 24.40% |
| 3 | 6.50% | 12.90% | 9.00% | 16.20% |
| 4 | 2.50% | 6.90% | 3.90% | 8.00% |
表2 各变量通过BEAST分解后可能出现突变的年份及其概率Table 2 Years and their probabilities of possible change points in each variable by BEAST decomposition |
| 概率 大小 排序 | 1950 -2021年高原低涡可能突变的年份及概率 | |||
|---|---|---|---|---|
| 年总 个数 | 5 -8月 总个数 | 年总持续 时间 | 5 -8月总 持续时间 | |
| 1 | 1997 （14.29%） | 1998 （25.18%） | 1997 （43.53%） | 1999 （59.82%） |
| 2 | 1987 （11.19%） | 1987 （12.79%） | 1956 （14.98%） | 1956 （26.10%） |
| 3 | 2007 （10.60%） | 1966 （12.58%） | 1960 （8.40%） | 1962 （18.73%） |
| 4 | 1965 （6.56%） | 2008 （12.28%） | 2008 （5.62%） | 2008 （9.60%） |
| 5 | 1975 （5.91%） | 1975 （11.43%） | 1984 （5.58%） | 1965 （9.48%） |
3.2 1950 -2021年高原低涡强度及路径分析
在对高原低涡较长时间序列进行分析之后， 结合林志强等（2013）提出的低涡强度指数计算公式计算出来的低涡强度， 以及根据客观识别法识别出来的低涡位置， 进一步对1950 -2021年的高原低涡强度及移动路径进行分析， 以便深入了解低涡的活动特征。其中， 为使研究更加准确合理， 本小节将研究时间由每年的5 -8月（高原低涡活跃期）扩大到了4 -9月， 这一方面是因为除5 -8月活跃期外， 4月、 9月低涡出现频次也较高（Lin， 2015）， 另一方面是尽可能减少月初及月末的数据可能产生的偏差。
图5 1950 -2021年4 -9月高原低涡月均强度指数变化（a）， 强度指数均值与标准差（b）（b）中圆点表示强度指数平均值， 横线左右位置表示平均值±标准差 Fig.5 Variation of monthly average intensity （a） and mean and standard deviation of intensity index （b） of Plateau Vortex from April to September during 1950 -2021.In Fig.5（b）， the dot represents the mean value， while the horizontal line indicates the range of standard deviation |
高原低涡主要可以分为从高原外部移入和在高原区域生成两大类， 其中以高原内部生成的低涡为主（Lin， 2015）， 随西风带从外部移入高原的低压系统很少。由于青藏高原的海拔显著高于其周边区域， 外来低压系统在爬越山脉时， 根据位涡守恒定律， 迎风坡的绝对涡度会减小（吕美仲等， 2004）， 而这不利于低压系统的维持， 故外来低压系统极少进入高原腹地。针对青藏高原主体区域（27°N -40°N， 77.5°E -103°E）， 计算了1950 -2021年4 -9月， 每个空间格点周围200 km（低涡平均水平半径）范围内受低涡影响的频次， 并根据低涡的强度赋予权重， 绘制了低涡活动空间分布图（图7 ）， 以便更清晰地展示低涡的时空分布特征。从图7 可以看出， 青藏高原中西部为低涡的活跃区， 活跃区主要呈纬向带状分布， 高频中心从4 -9月有向西移动的趋势， 并且7月和8月低涡在高原东部地区也相对比较活跃； 从6月开始， 高频中心逐渐分裂为两个中心。Lin et al（2020）指出， 高原低涡生成于青藏高原中西部山区（34°N， 78°E -95°E）和南部海拔5500 m的一条带状区域（30°N， 80°E - 84°E）； 高原低涡生成后主要向东或向东北方向移出高原， 也可能在源地附近生消或是在高原主体打转后消散， 也有少数低涡可以向南移出高原（林志强等， 2013； Lin， 2015）。高原低涡的移动路径会受大气环流状况以及其他天气系统（如西南低涡）的影响， 同时还应考虑移动过程中地形的动力作用和下垫面的热力作用。高原低涡移出过程中， 高原的动力、 热力作用也还有待进一步研究（Lin， 2015）。
4 高原低涡活动的敏感区识别及其与陆面关联的分析
4.1 影响高原低涡活动的敏感区划分
现有的研究还未完全揭示高原低涡在其移动过程中的强度变化、 路径变化以及下垫面对其移动的影响机制， 根据高原低涡1950 -2021年4 -9月的活动路径分布（图7 ）， 对青藏高原主体区域： 27°N - 40°N， 77.5°E -103°E（T）内的低涡中心点及其强度指数进行了概率密度统计， 其中平均约有55.57%的低涡中心途经30°N -38°N， 78°E -90°E区域（M）， 为进一步确定敏感区的范围， 将这一低涡中心点频繁出现的区域划分为9个子区域（S1-S9）（表3 ）。由于高原低涡为中尺度天气系统， 考虑低涡的移速和高原地区的复杂地形等因素可能造成的低涡打转、 停滞等情况， 各子区域的边缘有一定的重合度， 然后分别按月统计每个子区域中低涡中心点经过的概率， 并挑选出每个月中前两个概率最大的子区域（加粗）， 统计结果如表4 所示。最后将S5和S6区域： 32°N -36°N， 82°E -90°E划定为影响高原低涡活动的敏感区（S）， 由于高原低涡是高原边界层内浅薄的中尺度天气系统， 其生命史从几小时到几天不等， 具体持续时间还与大气环境条件和动力过程等有关， 再加上高原地形复杂， 下垫面的动力和热力作用也会直接影响低涡的生命史及其移动路径， 故该区域与李黎等（2019）根据高原低涡生成源地分布所选取的关键区（ 30.75°N -36°N， 81°E - 91.5°E） 较为一致。
表3 高原低涡中心点密集区子区域划分Table 3 Subregional division of the dense zone of Plateau Vortex Center |
| 纬度范围 | 经度范围 | ||
|---|---|---|---|
| 78°E -82°E | 82°E -86°E | 86°E -90°E | |
| 30°N -34°N | S1 | S2 | S3 |
| 32°N -36°N | S4 | S5 | S6 |
| 34°N -38°N | S7 | S8 | S9 |
表4 1950 -2021年4 -9月高原低涡中心点在密集区子区域内出现的概率Table 4 Probability of occurrence of Plateau Vortex Center in the subregion of the dense zone from April to September during 1950 -2021 |
| 区域 | 高原低涡中心点出现概率 | |||||
|---|---|---|---|---|---|---|
| 4月 | 5月 | 6月 | 7月 | 8月 | 9月 | |
| S1 | 0.78% | 1.92% | 2.61% | 5.76% | 5.59% | 4.99% |
| S2 | 6.56% | 9.48% | 14.31% | 13.78% | 14.18% | 8.04% |
| S3 | 9.79% | 13.77% | 16.01% | 15.30% | 18.11% | 9.89% |
| S4 | 3.23% | 5.40% | 6.57% | 11.44% | 10.27% | 14.66% |
| S5 | 13.99% | 14.80% | 18.38% | 15.20% | 14.20% | 13.60% |
| S6 | 19.34% | 20.02% | 22.86% | 15.04% | 16.22% | 19.29% |
| S7 | 3.09% | 3.76% | 3.98% | 5.79% | 4.88% | 9.49% |
| S8 | 8.91% | 7.45% | 6.76% | 4.60% | 4.56% | 7.02% |
| S9 | 15.70% | 13.85% | 13.78% | 7.94% | 8.14% | 13.82% |
| M | 47.65% | 53.43% | 60.90% | 56.41% | 58.49% | 56.51% |
粗体表示每月前两个高原低涡中心点出现概率最大的子区域（Bold indicates the sub regions with the highest probability of occurrence of the center points of the first two plateau vortices per month） |
为验证所划定敏感区（S）的可靠性， 又结合低涡个数和低涡强度指数进行了统计。表5 为经过敏感区（S）的高原低涡个数占同时间段内高原主体区域（T）所生成的低涡总个数的比例， 1950 -2021年4 -9月之中， 平均约有63.90%的低涡会从S区域经过。表6 为经过敏感区（S）且强度指数不低于20 gpm的低涡中心点及其比率情况。表6 中， b/a表示PVII-20/低涡中心， 即T区域中PVII≥20 gpm的低涡中心个数占低涡中心总个数的比率； c/a表示PVII-20S/低涡中心， 即S区域中PVII≥20 gpm的低涡中心个数占低涡中心总个数的比率； c/b表示PVII-20S/PVII-20， 即S区域中PVII≥20 gpm的低涡中心个数占T区域中PVII≥20 gpm低涡中心个数的比率。“低涡中心”为T区域总共识别出来的低涡中心个数， 因高原低涡数据集中所使用的再分析数据时间间隔为6 h， 故每根据客观识别法识别出一次低涡都会有一个低涡中心点； “PVII-20”为T区域中PVII≥20 gpm的低涡中心个数； “PVII-20S”为S区域中PVII≥20 gpm的低涡中心个数。可见在研究时间序列中， 生成的PVII≥20 gpm的高原低涡中， 平均约有72.22%会从敏感区S经过。赵平等（2018）指出， 高原对流活动主要发生在7 -8月， 且主要发生在高原中部地区。作为青藏高原上主要的降水系统， 高原低涡在空间分布上的高频出现区域与青藏高原西部的主要山脉相对应（林志强， 2021）。本文所划定的敏感区则位于青藏高原中西部的藏北高原、 可可西里山脉附近。
表5 1950 -2021年4 -9月经过敏感区的高原低涡个数及比率统计Table 5 Statistics on the number and ratio of Plateau Vortex passing through the sensitive area from April to September during 1950 -2021 |
| 项目 | 1950 -1959年 | 1960 -1969年 | 1970 -1979年 | 1980 -1989年 | 1990 -1999年 | 2000 -2009年 | 2010 -2021年 |
|---|---|---|---|---|---|---|---|
| （a）4 -9月总个数/个 | 538 | 541 | 498 | 512 | 527 | 577 | 708 |
| （b）经敏感区个数/个 | 336 | 360 | 308 | 334 | 353 | 368 | 428 |
| b/a | 62.45% | 66.54% | 61.85% | 65.23% | 66.98% | 63.78% | 60.45% |
表6 1950 -2021年4 -9月经过敏感区且PVII≥20 gpm的高原低涡中心点及比率统计Table 6 Statistics on the number and ratio of Plateau Vortex Center passing through sensitive areas with intensity index not less than 20 gpm from April to September of 1950 -2021 |
| 年份 | 个数/个 | 比率 | ||||
|---|---|---|---|---|---|---|
| （a）低涡中心 | （b）PVII-20 | （c）PVII-20S | b/a | c/a | c/b | |
| 1950 -1959年 | 4375 | 494 | 390 | 11.29% | 8.91% | 78.95% |
| 1960 -1969年 | 4362 | 542 | 436 | 12.43% | 10.00% | 80.44% |
| 1970 -1979年 | 4117 | 589 | 400 | 14.31% | 9.72% | 67.91% |
| 1980 -1989年 | 4058 | 636 | 459 | 15.67% | 11.31% | 72.17% |
| 1990 -1999年 | 4278 | 517 | 351 | 12.09% | 8.20% | 67.89% |
| 2000 -2009年 | 4742 | 699 | 469 | 14.74% | 9.89% | 67.10% |
| 2010 -2021年 | 5613 | 791 | 562 | 14.09% | 10.01% | 71.05% |
4.2 青藏高原陆面关键参量的时空分布特征
下垫面对天气系统的形成和发展有重要影响。地表的非绝热加热与陆面过程中的地表过程密切相关（王澄海等， 2021）， 陆面状况的改变能直接引起大气环流的变化， 以及区域降水的强度、 总量和时空分布变化， 进而引起陆面蒸发和土壤水分等水循环要素的改变（文军等， 2011）。地表感热通量和潜热通量是地面和大气热源的重要组成部分（王树舟等， 2023）； 地表温度和地表长波辐射会影响大气的温度、 湿度和稳定度； 土壤湿度的空间差异性很大， 它能控制有多少水分通过陆-气相互作用回到大气， 还能改变地表反照率、 热容量和向大气输送感热、 潜热等（郭维栋等， 2007； Lü et al， 2020）。在高原持续增暖的背景下， 高原上大多数冰川显著退缩（Yao et al， 2012， 2019）， 高原积雪的变化可以影响高原气温（You et al， 2015）， 积雪还能通过反照率和水文效应造成陆面水热异常， 从而影响高原及周边区域的气候（段安民等， 2018）。
为进一步分析敏感区内下垫面对高原低涡活动的影响， 先对青藏高原地区陆面关键参量的变化趋势进行了分析。图8 为1950 -2021年4 -9月青藏高原各陆面参量的线性变化趋势， 黑色矩形区域为敏感区S， 可见图中所有研究变量在高原的暖季都有较为明显的南北差异或东西差异， 其中南北正负趋势的交界地带大致与藏北高原地形相一致， 而敏感区就位于藏北高原北侧、 可可西里山脉附近。其中， 潜热通量在高原西北部有轻微的下降趋势， 而在高原东部为上升趋势； 感热通量整体呈现上升趋势， 但在高原西南部为下降趋势； 地表长波辐射以及地表0~7 cm土壤湿度在高原北部都为上升趋势， 南部为下降趋势； 地表温度除北部和东部小部分地区为下降趋势， 整体都呈上升趋势； 积雪覆盖率在高原腹地及其南部， 以及横断山脉区域为下降趋势， 其余部分有上升趋势。
图8 1950 -2021年4 -9月青藏高原地表潜热通量（a）、 地表感热通量（b）、 地表长波辐射（c）、 地表0~7 cm土壤湿度（d）、 地表温度（e）、 积雪覆盖率（f）线性变化趋势分布黑色矩形区域为敏感区 Fig.8 Distribution of linear trends in surface latent heat flux （a）， surface sensible heat flux （b）， surface net thermal radiation （c）， surface 0~7 cm soil moisture （d）， surface temperature （e）， and snow cover （f） on the Qinghai-Xizang Plateau from April to September during 1950 -2021.The black rectangular areas are sensitive areas |
4.3 陆面关键参量与高原低涡个数和持续时间的相关性
图9 1950 -2021年4 -9月高原低涡个数、 持续时间分别与各变量的相关系数黑色矩形区域为敏感区， 打点区域为通过了0.05显著性检验 Fig.9 Correlation coefficients of the number and duration of Plateau Vortex with each variable， respectively， from April to September 1950 -2021.The black rectangular areas are sensitive areas.The dotted areas passed the significance test of 0.05 |
为进一步分析地表感热对高原低涡的影响， 对1950 -2021年4 -9月地表潜热通量、 地表感热通量与降水三者之间进行了相关性分析［图10 （a）~（c）］， 其中打点区域通过了0.05显著性检验； 并对它们在敏感区内的区域平均值进行了相关性分析［图10 （d）~（f）］。其中， 潜热与感热在敏感区以及柴达木盆地呈现负相关， 而在高原东南区域呈正相关［图10 （a）］； 感热与降水除了在高原东南区域呈现较弱的正相关外， 在高原其他区域基本都呈负相关［图10 （b）］； 潜热与降水在敏感区及柴达木盆地呈正相关［图10 （c）］。通过计算敏感区内的空间平均值， 发现在年际变化尺度上感热与降水呈负相关［图10 （e）］， 这可能是导致在分析长时间序列高原低涡活动时， 感热与低涡个数和持续时间呈负相关的原因。此外， 对高原低涡的日均个数、 日均持续时间以及日均强度指数与地表感热之间的关系进行了逐月的分析， 结果如图11 ~13 所示。结果表明， 高原低涡日均个数与感热主要在敏感区及其以东地区和东南地区呈正相关。敏感区内， 这种正相关关系主要集中在5 -7月［图11 （b）~（d）］。高原低涡日均持续时间与感热之间的关系在时间和空间上也呈现类似的分布规律［图12 （b）~（d）］， 尤其是6月， 敏感区内低涡持续时间与感热之间存在显著的正相关关系， 并且除帕米尔高原、 喜马拉雅山脉、 柴达木盆地及横断山脉区域外， 高原其余地区基本都表现出正相关关系［图12 （c）］。至于低涡的日均个数和日均持续时间， 它们与感热在7 -9月期间在高原东南部也存在正相关区域｛［图11 （d）~（f）］，［图12 （d）~（f）］｝。高原低涡日均强度与感热主要在敏感区及其以东地区呈正相关， 并且以5月和6月最为显著。这表明感热对高原低涡的影响除了和降水等因素有关外， 还与研究的时间尺度有关， 同时低涡活跃期内不同月份之间也会有一定的差异。
图10 1950 -2021年4 -9月地表潜热与感热通量（a）、 地表感热通量与降水（b）、 地表潜热通量与降水（c）的相关性（a~c）以及敏感区空间平均值相关性（d~f）黑色矩形区域为敏感区， 打点区域为通过了0.05显著性检验 Fig.10 Spatial correlations （a~c） between latent heat and sensible heat fluxes （a）， sensible heat fluxes and precipitation （b）， latent heat fluxes and precipitation （c）， and spatially averaged correlations （d~f） for sensitive area， April-September 1950 -2021.The black rectangular areas are sensitive areas.The dotted areas passed the significance test of 0.05 |
图11 1950 -2021年4 -9月高原低涡的日均个数与地表感热通量的相关系数黑色矩形区域为敏感区， 打点区域为通过了0.05显著性检验 Fig.11 Correlation coefficients between daily mean number of Plateau Vortex and sensible heat fluxes for April-September 1950 -2021.The black rectangular areas are sensitive areas.The dotted areas passed the significance test of 0.05 |
图12 1950 -2021年4 -9月高原低涡的日均持续时间与地表感热通量的相关系数黑色矩形区域为敏感区， 打点区域为通过了0.05显著性检验 Fig.12 Correlation coefficients between daily mean duration of Plateau Vortex and sensible heat fluxes for April-September 1950 -2021.The black rectangular areas are sensitive areas.The dotted areas passed the significance test of 0.05 |
图13 1950 -2021年4 -9月高原低涡日均强度与地表感热通量的相关系数黑色矩形区域为敏感区， 打点区域为通过了0.05显著性检验 Fig.13 Correlation coefficients between daily mean intensity of Plateau Vortex and sensible heat fluxes for April-September 1950 -2021.The black rectangular areas are sensitive areas.The dotted areas passed the significance test of 0.05 |
5 结论与讨论
5.1 结论
本研究利用由客观识别法得到的高原低涡数据集和ERA5-land再分析资料， 对1950 -2021年高原低涡的活动特征进行了统计和分析， 并从时间和空间上分析了低涡的路径和强度， 划定了影响高原低涡活动的敏感区， 并进一步分析了陆面关键参量的变化与高原低涡的关系， 这对深入了解高原低涡活动以及进一步揭示高原气候变化对高原天气系统的影响有着重要意义， 得到的主要结论如下：
（1） 在1950 -2021年， 高原低涡的年总个数和年总持续时间都有显著增加的趋势， 气候倾向率分别为0.16个·a-1和1.25 h·a-1， 而低涡活跃期（5 -8月）的总个数和总持续时间的增加趋势不显著， 气候倾向率分别为0.05个·a-1和0.36 h·a-1； 高原低涡的个数和持续时间在即将进入21世纪时发生了突变， 其中低涡年总个数和年总持续时间在1997年出现突变的概率分别为14.29%和43.53%， 5 -8月总个数在1998年出现突变的概率为25.18%， 5 -8月总持续时间在1999年出现突变的概率为59.82%； 高原低涡个数和持续时间存在较强的线性相关性， 且二者在时间上呈“单峰”状分布， 峰值主要出现在7月。
（2） 通过分析1950 -2021年4 -9月高原低涡的路径和强度后发现， 低涡的月均强度指数在4月和5月波动相对较大， 而在8月相对稳定； 5月的强度指数平均值最大， 且平均值呈现从4 -5月增大， 再从5 -9月逐渐减小的过程； 青藏高原中西部为低涡的活跃区； 其中高频中心从4 -9月有向西移动的趋势， 且从6月开始， 高频中心逐渐分裂为两个中心； 7月和8月低涡在高原东部地区也相对比较活跃。
（3） 对青藏高原主体区域内的低涡中心点及其强度指数进行概率密度统计后发现， 1950 -2021年4 -9月之中， 平均约有63.90%的低涡会从32°N -36°N， 82°E -90°E区域经过， 其中强度指数不低于20 gpm的低涡之中， 约有72.22%会该从该区域经过， 将该区域划定为影响高原低涡活动的敏感区， 敏感区位于青藏高原中西部的藏北高原、 可可西里山脉附近。
（4） 1950 -2021年4 -9月， 地表潜热通量、 地表感热通量、 地表长波辐射、 地表0~7 cm土壤湿度、 地表温度以及积雪覆盖率的变化趋势存在空间差异， 其中影响高原低涡活动的敏感区基本位于这些陆面关键参量的正负趋势交界地带； 同时， 敏感区内潜热、 地表长波辐射及地表0~7 cm土壤湿度与低涡个数和持续时间都存在较强的正相关， 地表感热与低涡个数和持续时间呈负相关。这可能与研究的时间尺度有关， 当分析的时间为年际变化时， 低涡与降水变化相对一致； 而在日尺度上， 地表感热主要在敏感区及其以东地区与低涡个数、 持续时间和强度呈正相关， 其中以5月和6月最为显著。
5.2 讨论
由于本文所使用的数据资料和研究方法可能存在一定的不确定性， 讨论如下：
（1） 在1950 -2021年， 高原低涡的年总个数和年总持续时间都有显著增加的趋势， 而低涡活跃期（5 -8月）的总个数和总持续时间的增加趋势不显著， 说明低涡个数和持续时间的变化与高原低涡非活跃期的变化也有密切关系， 这可能与全球变暖背景下青藏高原地区的暖化有关。Lin et al（2021a）利用 CESM-LW 模拟1.5 ℃和2 ℃升温条件下高原低涡的可能变化， 结果表明暖季增暖会带来更多的高原低涡。气候变化导致亚洲中高纬度的温差减弱， 从而使得气压差减小， 进而导致风速逐渐减弱， 而风速减弱则可能减弱亚洲季风区与青藏高原之间的水汽交换， 而另一方面气候变暖又增强了陆地的蒸发（Yang et al， 2014）， 这些变化都进一步影响了高原地区的水和能量循环， 进而影响高原低涡的生消、 持续时间与活动路径。
（2） 本研究结果表明， 高原低涡的个数和持续时间在即将进入21世纪时发生了突变。许多研究结果也表明， 青藏高原上的部分气象要素在20世纪末期发生过突变， 如段安民等（2016）指出， 全球变暖从1998年开始逐渐减缓， 而青藏高原的气温在1998年前后发生突变， 并显示出加速升温的趋势。Su et al（2017）的研究发现， 20世纪70年代中期以来青藏高原地表温度呈现显著的增暖趋势， 且1998年为一转折点， 1998 -2014年的年平均地表温度相较于1980 -1997 年上升了 1.15 °C。这不仅说明青藏高原的暖化对高原低涡的生成和持续时间有影响， 还说明低涡个数与持续时间的突变与青藏高原气候要素发生突变的时间具有一致性。
（3） BEAST突变检验方法基于贝叶斯方法的思想和原理， Kruschke and Liddell（2018）指出， 传统假设检验方法忽略了先验性和不确定性的度量， 贝叶斯方法则可一定程度弥补这一缺陷。贝叶斯方法的优点在于其能够提供更加准确的概率估计， 同时还能够适应更加复杂的模型和数据结构， 而贝叶斯方法的缺点在于其需要选择合适的先验分布， 这需要领域专家的知识和经验， 同时还需要进行大量的计算。BEAST突变检验方法通过贝叶斯模型平均化方案将所有模型纳入推理， 并对这些模型进行平均， 提高了结果的可靠性和稳定性。BEAST突变检验的结果可能会受到先验分布和模型选择的影响， 同时该方法在不同应用场景下的效果可能存在差异。
（4） 在年际变化尺度上地表感热与降水呈负相关， 这可能是导致在分析长时间序列高原低涡活动时， 地表感热与低涡个数和持续时间呈负相关的原因。自20世纪90年代中期之后， 高原的年平均降水量开始显著增加（段安民等， 2016）。第三次青藏高原大气科学试验（Third Tibetan Plateau Atmospheric Scientific Experiment， TIPEX-Ⅲ）研究表明， 当高原地表对大气的加热增强时， 低层气流辐合也增强， 从而导致低涡降水的增多（赵平等， 2018）。然而， 由于高原西部地区缺乏观测站， 这增加了对高原低涡研究的挑战， 也导致高原低涡的研究缺乏观测数据的支持。虽然再分析数据和卫星遥感数据能在一定程度上弥补高原西部地区探空资料的不足， 但在这一地区建立高空探测系统以填补观测空白， 仍然是最直接和重要的方法， 这将为高原低涡和高原气象研究提供更准确的数据基础（林志强等， 2023）。
本研究中的结论能为进一步分析敏感区内的陆-气相互作用机理， 以及高原低涡数值模拟和数据同化研究提供理论依据。但本文并未讨论高原低涡非活跃期的统计特征， 而在全球变暖这一背景下， 下垫面的变化对低涡强度的影响机制还有待进一步研究。另外， 高原低涡的形成和发展是复杂的过程， 涉及多种动力和热力过程的相互作用。因此， 在对高原低涡强度的影响因素进行研究时， 需要综合考虑多个因素， 并基于可靠的数据和统计分析来得出结论。未来需要深入探究高原低涡与青藏高原地形、 大气环流和水汽输送等因素之间的关系， 探究高原低涡对青藏高原降水和气候变化的响应， 并对其未来的气候变化趋势进行预测， 以便为青藏高原地区的气象预报和灾害防范提供科学依据。