全球变化条件下，极端事件频繁发生^[1,2,3,4]，这种极端的气候事件被许多学者归因于气候变暖^[5,6]，而区域极端气候事件对全球气候变化的响应机理尚不清晰，极端气候灾害的归因问题也存在诸多疑点^{[7,8,9,10,11]}。海洋是热量和水汽输送的重要动力，其海温的异常变化将导致全球气候的变化，澜沧江-湄公河流域纵贯13个纬度，最大相对高差近5000 m，跨 6 种气候带，是一个特殊的环境变化敏感区，探讨海温异常的变化规律与澜沧江-湄公河流域降水特征之间的关联性，对于探究区域暴雨干旱灾害的成因机理及其对气候变化下的区域气候灾害响应机理等重大问题具有重要的意义。

本文资料来源于中国气象局国家气象信息中心，气象资料研究时段为1960—2010年时间序列。海温资料为1911—2011年时间序列。为选择足够数量的典型站，使采用的降水资料能够代表研究区降水情况并满足后续分析计算的基本要求，根据多步迭代估计方法^[12]对站点最优个数进行估计，共选取了澜沧江流域及其周边35站，数据经严格订正，对于站点个别年份资料缺失问题均经过等距离插值法处理。

图1 澜沧江流域站点分布图 Fig.1 The Map of Lancang River Site

图选项

(1)EDM法

本文借鉴Huang 等^[11,12,13]提出的经验模态分解方法(Empirical Mode Decomposition,EMD)，对站点降水量序列进行分解。EMD可将时间信号在不同尺度(频率) 的波动或趋势进行逐级分解，得到一系列具有不同特征尺度的数据序列，称为本征模函数(Intrinsic Mode Function，IMF)，它是目前处理非平稳、非线性信号，特别是分析时间序列趋势的最好方法，相比传统的傅立叶谱分析、小波分析等具有明显的优势^[14,15]。每个IMF必须满足下列两点：

1 )零点数目与极值点数目相同或者至多相差1；

2)函数由局部极大值点构成的包络线和由局部极小值构成的包络线的均值为零。

计算公式为：

点击浏览公式

EMD分解过程就是依次提取各个IMF分量的过程,每次提取都将高频信号分离出,最后得到趋势分量或者是定常值。无论是数字滤波器、小波变换、还是EMD/HHT方法,都存在如何处理边界问题^[16]，本文采用镜像对称延伸方法解决这一问题。

(2)SVD分析

奇异值分解(SVD)用于分析两个气象要素场序列之间的相关关系^[17,18]，可最大限度地从两个要素场分离出多个相互独立的耦合模态，从而揭示出两要素场所存在的时域性的空间联系。

前K个模态的累计平方协方差贡献百分率为：

点击浏览公式

奇异值按降序排列，即<a₁,b₁≥max，第1模态对交叉协方差的贡献率最大，其余第2，第3，…，一次递减。第K个模态异类相关系数分布性表示第k个左(右)场的展开系数所反映的右(左)气象场时间变化程度大小的分布，显著相关区则代表了两气象场相互影响的“关键区”，在一定程度上代表了左、右气象场的遥相关性。

(3)均生函数预测模型

均生函数预测模型(MGF)是在多元回归方程的过程中，按照偏相关系数的大小次序把自变量依次的引入均生函数延拓矩阵即多元方程，对引入方程中每个自变量的偏相关系数做统计检验，效应显著的自变量就留在回归方程内，以此循此继续选下一个自变量。如果效果不显著，则停止引入新的自变量。由于引入新的自变量，原来己经进入方程的自变量由于变量之间的相互作用的影响，可能会变得不显著，经过统计检验确认后要随时从方程中剔除，把效应显著的自变量保留下。一直到方程不再引入和剔除自变量为止，进而获得最优的回归方程。

均生函数预测模型的流程：选取时间序列—均生函数的构造外延—逐步回归预测模型—构造预报方程—预报方程拟合值和实际值对比—预测中应用。

根据气候的时间序列也即混沌时间序列同时包含不同的变化周期和尺度的震荡性特征，均生函数做为时间序列的预测方法可以完善部分时间序列预测模型的缺陷，能够得到序列极值的预测和拟合比较理想的效果。

已有研究发现^{[19,20,21,22]}，EMD 分解可能产生虚假分量，只有相关系数较大、图像相似性较好的分量才是最主要的分量。本文计算了各序列 EMD 分解得出的IMF分量和原序列的相关系数，对各个分解出的IMF项与原序列进行相关系数统计，此外对相关系数进行了t检验，给定显著性水平α=0.05，其中表格中带* *部分为未通过显著性检验，同时设置相关系数1/10为门限值，未通过显著性检验和未达到门限值的均看做虚假分量。

分析结果表明，前两个分量与原序列相符程度比较高，除春季IMF7、秋冬IMF8外，各IMF1与原序列相关系数均大于门限值，且绝大部分达到 0. 05显著性水平(表1)，显示 EMD 分解的结果比较理想。澜沧江流域降水量序列 EMD 分解的结果显示，澜沧江流域降水量总体来说振幅逐渐变小，而平均周期由短变长。暴雨频次序列 IMF1—IMF5 的平均周期分别为2.8、4.2、6.2、9.4、16.7、25a，降水序列的平均周期分别为 2.9、7.1、15.4、30.8a(图2)，二者周期对应关系较好，暴雨频次序列的变化周期小于降水序列周期。从各模态和趋势项的方差贡献率来看，IMF1 的贡献率最大，2.8a和4.2a是暴雨频次的主周期，2.9a和7.1a为暴雨降雨量的主周期，即准 2a 周期是澜沧江流域洪灾的稳定主周期，同时也是中国洪灾变化的最主要周期(表2) 。进一步将暴雨变化划分为年际信号(IMF1、IMF2) 、年代际信号(IMF3) 和几十年际信号(IMF4、IMF5),则各信号的方差贡献率基本上是递减的，且年际信号(前两个分量) 包括了最主要的方差贡献率，暴雨频次和降水量序列年际信号的累计方差贡献率分别达 51. 3%和 84. 1%(表3)。

图2 夏季降水量EMD分解与暴雨频次EMD分解量示意图 Fig.2 EMD about precipitation in summer and EMD about rainstorm frequency decomposition of decomposition volume diagram

图选项

气象上把拉尼娜和厄尔尼诺合称为ENSO(El Niño/La Niña-Southern Oscillation，简写ENSO，音“恩索”)。拉尼娜期间，印度尼西亚和澳大利亚的气压减弱，东南太平洋气压明显升高。厄尔尼诺期间的情况正好相反。这种海洋与大气的相互作用和关联，全球尺度的气候振荡被称为ENSO循环。海温变化引起大气环流和洋流的变化，从而改变影响水汽输送的驱动力，最终导致海陆之间水汽和热量交换和输送的变化，从而造成区域极端天气灾害的发生。

ENSO是导致全球各地破坏性干旱、暴风雨和洪水的罪魁祸首，然而，ENSO波动规律以及引起区域灾害的相关性以及相关机理尚不十分清晰。本研究采用澜沧江流域气象资料、全球海温资料以及灾害资料，探讨暴雨、干旱极端天气灾害与ENSO指数之间有何种联动性。

海洋是影响陆面气候的一个重要的因素，它具有非常明显的持续性和非常强的“记忆力”。 由于海洋与陆地存在着滞后性，本文选用超前1个月的海温与澜沧江流域的季节性降水做相关性分析。根据我国澜沧江流域的四季降水量和全球海温的年平均温度分别做相关性分析(图3，蓝色区域负相关，红色区域正相关)。经过计算，发现澜沧江流域的年降水量和全球SST(sea surface temperature)无显著相关，故在此不做陈述。

图3 全球前月海温的标准化距平场与澜沧江流域春季旱涝Z指数的SVD异质相关 Fig.3 SVD heterogeneity related global before winter SST anomaly field of standardization in the Langcang River Valley and the spring drought index of Z

图选项

澜沧江流域春季的降水主要与热带太平洋以及印度洋流域南纬30°到60°之间海温有显著性相关；夏季澜沧江流域的相关区域主要是在印度洋，从赤道到南纬30°之间，呈现负相关，说明夏季该海域温度升高时，降水减少；秋季澜沧江流域的降水与海洋温度的相关主要位于北太平洋，从30°N到60°N有两处中心点，呈现的是负相关；冬季澜沧江的降水显著相关区位于澳洲以东的南太平洋，这表明当该地区SST异常偏高时，西南地区春季降水易偏多，同时它与南大西洋是呈现的负相关。

夏季海温场与澜沧江流域旱涝Z指数场的SVD第一模态对比显示，太平洋海温分布主要呈现南北向的分布，当赤道中东太平洋海温偏高，北太平洋海温偏低时，澜沧江流域夏季中部地区偏涝。反之亦然。第二模态显示，澜沧江流域呈现暴雨洪涝时，全球海温呈现厄尔尼诺类型的分布，中东太平洋是负相关，而在西太平洋为显著负相关。

EMD方程的分解量IMF值显示，NINO的春、夏、秋、冬以及年际变化IMF1、IMF2、IMF3、平均值分别为3.03、2.78、2.94、2.94、3.32；5.56、4.76、5.56、5.56、5.56；11.11、8.33、10、10、11.11(图4)；春季和年际IMF4值还显示出20a的波动，从均生函数预测模型(MGF)运行结果来看，过去55a历史数据以及延至2050年气候变化趋势来看，春季表现平稳，夏季和年际变化表现为上升趋势，而秋冬两季则表现出下降趋势(图5)，它的均方根误差为0.32。而以上研究结果显示，暴雨频次序列 IMF1—IMF5 的平均周期分别为2.8、4.2、6.2、9.4、16.7、25a，而降水序列的平均周期分别为 2. 9、7. 1、15. 4、30. 8a，可见二者之间都存在近3a、10a的周期，未来NINO频率呈现微弱下降趋势，这与该区域暴雨灾害的趋势也表现出一定的一致性趋势，同时，降水量和暴雨频度序列的 IMF1 和 IMF2 周期在2 —7a 之间，与NINO在年际变化上的信号相吻合。ENSO 是海气耦合系统中最强的年际变化信号，它对东亚夏季风的强弱变化和中国夏季降水的分布有重要影响，可以推断澜沧江流域暴雨和干旱灾害与ENSO有重要联系。

图4 NINO指数EMD分解IMF分析图 Fig.4 NINO EMD index decomposition analysis diagram of IMF

图选项

图5 NINO指数年际波动及未来50a的趋势模拟 Fig.5 NINO simulation of interannual fluctuations and the trend of future 50 years

图选项

一些学者在分析中国近500a 旱涝时发现^{[23,24,25,26,27]}，中国东部夏季降水有世纪周期存在，认为 1873—2000 年东亚夏季风有显著的 80a 周期，其次尚有 40a 周期、8 —10a 周期及准2a 周期等。这些结论与本文的分析结果得出的结论有一定差异，主要原因在于前者是从中长期时间序列得出的长期波动规律，而本文研究结果更多的是对中短期震荡规律的研究。

为了进一步研究澜沧江区域暴雨及旱灾的归因问题，探讨海温异常与气象灾害的关联，选择澜沧江流域100年来暴雨日数、暴雨量、大旱频次分别与西太平洋海表温度NINO指数以及SOI指数做相关分析。研究发 现，NINO指数无论春夏秋冬或年际都与暴雨和干旱灾害频次呈现负相关，与SOI指数则呈现正相关，其中，NINO指数与干旱相关性在秋冬和年际接近-0.3，春夏没有通过T值检验，与暴雨负相关性也是在秋冬以及年际表现明显；相对的，SOI指数与该区域暴雨的相关性表现较弱，与暴雨的相关系数仅在冬季通过了相关检验，与干旱的相关系数呈现正相关，且超过了0.3(表5)。

可见，NINO指数与暴雨相关性与SOI指数与暴雨的相关性均表现为负相关性明显，而SOI指数与干旱的正相关性明显，据此，可以推断，该流域的暴雨可能受ENSO影响，而SOI则是干旱的重要制约因素之一。海温对旱涝的影响，实际上是通过海温对大气环流的响应产生的，大量的统计、诊断以及数值试验的结果也证明海温的热力异常对中、高纬大气环流异常有非常重要的影响，是对以上结论的重要佐证。

(1) 夏季海温场与澜沧江流域旱涝Z指数场的SVD第一模态表明，与澜沧江流域春季的降水有显著性相关的是热带太平洋以及印度洋流域在南纬30°到60°之间海温，当赤道中东太平洋海温偏高，北太平洋海温偏低时，流域夏季中部地区偏涝。第二模态，全球海温呈现厄尔尼诺类型的分布，中东太平洋、西太平洋为显著负相关。

(2) 降水量和暴雨频度序列的 IMF1 和 IMF2 周期在2—7a之间，与ENSO在年际变化上的信号相吻合，NINO指数无论春夏秋冬或年际都与暴雨和干旱灾害频次呈现负相关，而SOI指数则呈现正相关，其中，NINO指数与干旱相关性在秋冬和年际接近-0.3，SOI指数与该区域暴雨的相关性表现较弱，与干旱的相关系数呈现正相关，且超过了0.3，可见，在与暴雨相关性中NINO指数相关性比SOI指数相关性明显，可推断澜沧江流域暴雨和干旱灾害与ENSO有重要联系。

澜沧江区域气候变化和灾害天气的波动规律与全球海温的极端变化具有联动性，区域灾害与全球气候变化具有一定程度的关联性，其两者之间的定量关联和相关作用机理是下一步研究的方向。