四种全球大洋水汽数据产品的比较分析*

蔡逸男 , 杜岩 , , 陈泽生

1. 热带海洋环境国家重点实验室(中国科学院南海海洋研究所), 广东 广州 510301;

2. 中国科学院大学, 北京 100049;

3. 南方海洋科学与工程广东省实验室(广州), 广东 广州 510301

水汽是描述大气状况的基本特征参数之一。大气中的水汽含量(又称可降水量)虽只占全球水总量的0.001% (Durack et al, 2016), 却是全球水循环过程中最活跃的因子。水汽是形成降水的物质基础, 通过平流和垂直输运驱动大气环流, 影响局地降水量(Zhou et al, 2005; Sherwood et al, 2010; Zhu et al, 2011)。水汽的相态变化影响着全球能量的再分配(Chahine, 1992; Oki et al, 2006)。水汽是大气中重要的温室气体, 在当前全球气温升高的背景下, 根据克拉珀龙-克劳修斯方程, 温度每升高1℃, 水汽增加约7% (Held et al, 2006)。外强迫引起的全球平均气温的增加使地表蒸发增强, 空气中更多的水汽会减弱向外的长波辐射, 使气温增加, 这一过程为水汽反馈(Held et al, 2000)。假设大气的相对湿度保持不变, 水汽可以使由二氧化碳强迫引起的全球地表平均增温加倍(Manabe et al, 1964, 1967), 如果考虑水汽反馈和其他反馈的相互作用, 上述放大效应可达3 倍或以上(Held et al, 2000)。水汽反馈是气候系统中重要的反馈过程(Soden et al, 2006), 对理解全球气候变化至关重要(Lacis et al, 2010)。气候变化中的水汽变化具有相当大的不确定性(Zhang et al, 2020), 在密切监测温度变化的同时, 系统性地观测大气中水汽的长期变化, 对于气候研究和预测具有重要意义。

前人有关水汽的研究主要基于卫星遥感反演资料、无线电探空资料以及再分析资料等。Wentz 等(2000)使用卫星专用传感器微波成像仪(SSM/I)数据对比发现, 在年际和年代际时间尺度上, 海面温度、对流层低层空气温度和大气柱水汽总量之间存在很强的正相关性, 且在1987—1998 年期间海洋大气有持续变暖和变湿的趋势。Trenberth 等(2005a)也认为SSM/I 数据集较为可信, 并指出1988 年以来可降水量大体呈增加趋势。

再分析数据同化融合了多个来源的观测资料, 空间分辨率高, 覆盖时间长, 在水汽的研究中起到重要作用, 广泛应用于区域及全球气候变化研究。但是, 预测模型中残留的系统偏差也带来了极大的不确定性(Kalnay et al, 1996; Kistler et al, 2001; Trenberth et al, 2011)。Schröder 等(2016)评估了气候预报系统再分析数据(CFSR), 现代回顾分析的研究与应用数据(MERRA)和欧洲中期天气预报中心中期再分析数据(ERA-Interim)的大气柱水汽总量(Total Column Water Vapor, TCWV)数据, 揭示出现不同趋势的差别主要由不同数据记录中的断点(即时间序列中的不连续, 出现断点的原因包括传感器的通道变化和校准、算法或其辅助数据的变化, 以及空间采样覆盖率的变化)所引起(Schröder et al, 2016)。Bosilovich 等(2017)发现, 相比于MERRA, MERRA-2 更接近于观测结果, 其时间不连续性或虚假趋势要小得多(Bosilovich et al, 2017)。新一代的再分析产品通过同化观测和模拟, 以及不断改进算法进行数据更新, 使得其输出数据对水汽的描述变得更加准确, 更加接近观测数据, 在描述气候状态、研究气候变化等方面起到了重要的作用。

随着数据的更新换代, 新的观测和再分析数据在水汽气候态分析中的适用性并不十分清楚。本文将重点比较分析常用的4 种水汽数据, 探究不同尺度TCWV 的变化特征和长期趋势, 以及TCWV 在全球气候变化背景下的响应, 并分析数据适用性, 为下一步水汽研究的数据选择提供参考。

1 数据与方法

本文用到的数据包括卫星专用传感器微波成像仪/探测仪(SSM/I&SSMIS)、遥感系统数据集(RSS V7R01)、欧洲中期天气预报中心第5 代再分析数据(ERA5)和现代回顾分析的研究与应用第2 版数据(MERRA-2)数据, 具体介绍如表1 所示。

本文同时使用了来自美国国家海洋和大气管理局(NOAA)的月平均最优插值海表温度(OISST)数据和 ERA5 的海陆掩膜(land-sea mask)数据。由于SSM/I&SSMIS 和RSS V7R01 数据只覆盖60°N— 60°S 的海洋, 为了方便数据间的比较, 我们将所有数据的范围选定为60°N—60°S 的全球大洋, 空间分辨率统一处理成1°×1°, 时间分辨率为月平均, 时间跨度为1988 年1 月—2018 年12 月。

表1 大气柱水汽总量(TCWV)数据介绍 Tab. 1 Introduction of total column water vapor (TCWV) datasets

2 结果与讨论

2.1 大气柱水汽总量的空间分布特征

全球多年平均的TCWV 具有明显的空间分布特征。大部分水汽主要集中于赤道辐合带和暖池地区, 且随纬度升高大气水汽含量降低(图1a)。4 种数据的多年平均TCWV 的空间分布高度相似, 绝大部分海域的偏差不超过 0.3kg·m–2, SSM/I&SSMIS、ERA5、MERRA-2 和RSS V7R01 的空间相关系数分别是0.95、0.99、0.99 (图1)。ERA5 数据和RSS V7R01数据存在一个系统性的负偏差, 在热带海洋以及阿拉伯海和孟加拉湾等沿岸海域, 差异较显著(图1c)。这可能是由于ERA5 采用了4 维变分同化方案, 这一方案同化出的大气是偏干燥的(Bauer et al, 2006)。MERRA-2 的数据和观测数据有一个结构性偏差, 在印太暖池和赤道辐合带, MERRA-2 高于 RSS V7R01, 而在东南太平洋和大西洋南部等海域MERRA-2 较低(图1d)。MERRA-2 的质量约束使得蒸发减去降水的整体平均值基本上为零, 但该数据在印太暖池区域产生过多的降水, 相比观测数据大气水汽增加; 相反的情况发生在东南热带太平洋和西印度洋, 那里的降水量接近观测值, 并且大气水汽较低(Takacs et al, 2015, 2016)。

图1 全球多年平均大气柱水汽总量(TCWV)的分布 a. RSS V7R01; b、c、d 分别为SSM/I&SSMIS、ERA5、MERRA-2 和RSS V7R01 的差值(单位:kg·m–2)。R 是对应的数据和RSS V7R01的相关系数, 打点处是经过95% t-检验的差异显著区 Fig. 1 Distribution of global mean TCWV. (a) RSS V7R01; (b), (c), and (d) are differences between SSM/I&SSMIS and RSS V7R01, ERA5 and RSS V7R01, MERRA-2 and RSS V7R01, respectively (units: kg·m–2). R is the correlation coefficient between RSS V7R01 and other datasets Stippling indicates significant at the 95% confidence level using t-test

在热带辐合带(ITCZ)、南大洋、东北太平洋和东南太平洋等海域, 月平均TCWV 的标准差较小, 说明在这些海域月平均TCWV 的变化较稳定, 与之相反的是孟加拉湾和阿拉伯海等海域(图2a)。这可能是因为这些地区受到强烈的季风影响, 季风转向导致的水汽输送异常影响了局地的TCWV。4 种数据的月平均 TCWV 标准差空间分布高度相似, SSM/I&SSMIS、ERA5、MERRA-2 和RSS V7R01的相关系数分别是 0.91、0.99、0.99 (图 2)。SSM/I&SSMIS 和RSS V7R01 标准差的分布差别不大, 且差异性并不显著(图 2b)。ERA5 的月平均 TCWV 标准差在南半球的热带海洋略高于 RSS V7R01, 而在南北半球中高纬度海洋则略低(图2c)。在热带海洋, MERRA-2 的月平均TCWV 标准差大于RSS V7R01, 这表明MERRA-2 数据表征的水汽随时间波动程度大于观测数据, 并且在海洋大陆区域, 差异较为显著。而在东南太平洋、东南大西洋以及南半球中高纬度大洋, MERRA-2 的标准差小于RSS V7R01 (图2d)。

图2 月平均大气柱水汽总量(TCWV)数据的标准差分布 a. RSS V7R01; b、c、d 分别为SSM/I&SSMIS、ERA5、MERRA-2 和RSS V7R01 的差值(单位:kg·m–2)。R 是对应的数据和RSS V7R01的相关系数, 打点处是经过95% t-检验的差异显著区 Fig. 2 Standard deviation (STD) of monthly mean TCWV. (a) RSS V7R01; (b), (c), and (d) are differences between SSM/I&SSMIS and RSS V7R01, ERA5 and RSS V7R01, MERRA-2 and RSS V7R01, respectively (units: kg·m–2). R is the correlation coefficient between RSS V7R01 and other datasets. Stippling indicates significant at the 95% confidence level using t-test

2.2 TCWV 的季节和年际变化

温度是影响TCWV 的重要因素(Trenberth et al, 2005a, 2005b), 大气温度越高, 能包容的水汽量越高。海表温度(Sea Surface Temperature, SST)和TCWV 之间存在很强的相关性, TCWV 的长期趋势很大一部分可以用 SST 的变化来解释。Wentz等(2000)发现, 1987—1998 年热带地区(20°N—20°S) TCWV 的回归系数是9.2%·K–1。在更长的时间尺度(1988—2003 年)和更广泛的范围(全球海洋), TCWV 的回归系数是8.87%·K–1(Trenberth et al, 2005a)。在我们的研究中, TCWV 和SST 的回归 系 数 分 别 是 11.77%·K–1(SSM/I&SSMIS)、10.71%·K–1(RSS V7R01)、10.55%·K–1(ERA5)和9.99%·K–1(MERRA-2) (图3)。这一结果和前人的研究基本一致。

太阳直射点在南北回归线之间的移动, 引起南北半球夏冬差异, 使得半球的TCWV 具有强的季节特征。北半球的TCWV 最高值位于8 月, 最低值位于2 月, 南半球则恰好相反(图4a、4b)。相比于南半球, 北半球的 TCWV 波动范围更大(可达14.02kg·m–2), 且夏季最大值也更高(40.60kg·m–2)。这可能是受海陆分布、季风效应和地理地形等因素的影响(Trenberth et al, 2007)。

全球大洋平均的TCWV 高值位于7 月(ERA5、MERRA-2)和8 月(SSM/I&SSMIS、RSS V7R01), 低值则出现在11 月, 变化幅度较小(图4c)。这一弱的季节特征可能是由于南北半球海陆分布的不对称性和海陆热力差异。北半球的陆地面积远大于南半球, 南半球的海洋面积大, 陆地的热容量小于海洋。因此在北半球夏季(6—8 月), 北半球升温快, 南半球降温则相对较缓, 全球平均的TCWV 值增强, 并在7、8 月份达到最大值。8 月之后, 北半球降温快, 南半球升温相对慢, 全球平均的TCWV 值缓慢下降, 且在11 月达到最小值。尽管具体数值存在差异, 但4 种数据在描述TCWV 的年循环方面比较一致。

4 个季节TCWV 的逐年时间序列如图5 所示。TCWV 在每个季节都存在长期增加的趋势, 且在强ENSO 盛行的冬季和次年春季出现异常高值, 如1997/1998、2009/2010 以及2015/2016 年(图5a、5d)。ENSO 事件期间, 热带海洋变暖, 降水强度、水汽含量和热带大气温度增加, 水循环更加活跃(Soden, 2000), TCWV 和ENSO 密切相关(Bates et al, 2001; Trenberth et al, 2005a; Shi et al, 2011)。4 种数据都表现出水汽长期增加的趋势, 并且在定性描述TCWV季节变化方面具有较高的一致性。

之前研究表明, 热带海洋上TCWV 的年际变化显著且ENSO 的作用突出, ENSO 的主要作用体现在热带太平洋上。为此, 我们通过经验正交函数分析法(EOF)提取热带太平洋水汽场的主要模态, 来了 解4 种数据在描述水汽场主要变化特征方面的异同。4 种数据在描述水汽场的变化特征方面较为一致, EOF 第一模态都呈现厄尔尼诺型的分布, 方差贡献率在30%左右(图6)。Niño-3.4 指数和TCWV 第一模态的时间系数基本一致, 相关系数分别是0.91 (RSS V7R01、SSM/I&SSMIS、ERA5)和 0.90 (MERRA-2), 且通过 95%的置信度检验(图6e)。

图3 大气柱水汽总量(TCWV)变率和海表温度(SST)变化的散点图 a. SSM/I&SSMIS; b. RSS V7R01; c. ERA5; d. MERRA-2。红线是最小二乘法拟合曲线; R-square 是判定系数; 公式是回归方程 Fig. 3 Scatter diagrams of TCWV anomalies and SST anomalies. (a), (b), (c), and (d) are SSM/I&SSMIS, RSS V7R01, ERA5, and MERRA-2, respectively. The red line represents the curve fitting. R-square and the regression equation are presented

图4 全球平均大气柱水汽总量(TCWV)的年循环 a. 北半球; b. 南半球; c. 全球 Fig. 4 Annual cycle of global mean TCWV. (a), (b), and (c) are the Northern Hemisphere, the Southern Hemisphere, and global, respectively

2.3 TCWV 的长期变化趋势

图7 表示TCWV 月距平值的时间序列及相应的线性趋势拟合结果。从图7 中可知, 全球大洋上空的TCWV 呈现出明显的年际变化特征, TCWV 异常高的年份主要是1998 年、2010 年和2016 年, 也是强ENSO 事件的次年。同时, 全球大洋的TCWV 也存在明显的年代际变化特征。在1988—1998 年期间, SSM/I&SSMIS (RSS V7R01)的TCWV 处于快速增加状态, 趋势为每 10 年增加 0.58kg·m–2(0.63 kg·m–2); 在1999—2008 年期间, TCWV 基本不变, 增加趋势仅为每10 年增加0.13kg·m–2(0.12kg·m–2); 2009 年之后, TCWV 快速增加, 为每10 年增加0.95kg·m–2(0.63kg·m–2)(图7a、7b)。1999—2008 年这一时间段对应了“全球变暖停滞”时期(Trenberth et al, 2013), 温度增长较为缓慢, TCWV 也基本不变。在2000 年之前, 观测数据的TCWV 值总体低于再分析数据, 并且MERRA-2 和ERA5 的数据都出现了一个“虚假”的TCWV 高值年(1991 年)(图7)。在1988— 1998 年期间, ERA5 和MERRA-2 的TCWV 呈下降趋势, 分别为每10 年减少0.20kg·m–2和0.025kg·m–2, 与观测数据的趋势相反(图7c、7d)。在利用再分析数据做短时间(如1991—1997 年)的TCWV 趋势分析的时候, 要慎重使用ERA5 和MERRA-2 的数据, 避免出现“虚假”趋势。

图5 4 种数据的大气柱水汽总量(TCWV)的4 个季节的平均时间序列 a. 3—5 月; b. 6—8 月; c. 9—11 月; d. 12—次年2 月 Fig. 5 Time series of TCWV of the four datasets in four seasons. (a) March—May; (b) June—August; (c) September— November; (d) December—February

图6 赤道太平洋大气柱水汽总量(TCWV)的经验正交函数分析(EOF) a. SSM/I&SSMIS; b. RSS V7R01; c. ERA5; d. MERRA-2。填色是EOF 第一模态的空间分布, 右上角百分比代表第一主成分的方差贡献率; e. 第一模态的时间系数和Niño-3.4 指数(ONI 指数) Fig. 6 EOF analysis of TCWV in the tropical Pacific. (a), (b), (c), and (d) are SSM/I&SSMIS, RSS V7R01, ERA5, and MERRA-2, respectively. Shading indicates the structure of the first mode, numbers at the upper right corner are the variance contributions of the first principal components. e shows the time coefficient of the first mode and Niño-3.4 index (ONI index)

图7 1988—2018 年全球大洋大气柱水汽总量(TCWV)月距平的时间序列(十一点滑动平均)及线性拟合趋势图 各图中的棕色、黄色和黑色虚线分别代表1988—1998、1999—2008、2009—2018 的相应趋势 Fig. 7 Time series (11-month running smoother applied) and the linear fitting trend of global ocean TCWV anomalies from 1988 to 2018. Red, yellow, and black lines represent the linear trends of 1988—1998, 1999—2008, and 2009—2018, respectively

总体来说, 在1988—2018 年期间, 4 种数据的TCWV 均呈上升趋势, SSM/I&SSMIS 的变化趋势最大, 为每10 年增加0.43kg·m–2, RSS V7R01 的增长趋势是每10 年增加0.38kg·m–2。两种再分析数据的上升趋势均低于观测数据, ERA5 和MERRA-2 的增长趋势分别是每10 年增加0.35kg·m–2和0.26kg·m–2。

为了进一步探究全球TCWV 的年际变化和长期趋势是否在全球各个区域普遍存在, 我们做了TCWV 的时间-纬度变化图。结果表明, 4 种数据的水汽纬向平均基本一致(图8)。总体来说, 北半球TCWV 值大于南半球, 且随时间变化, TCWV 增长趋势强于南半球。在1988—2018 年期间, TCWV 的增长趋势表现在所有纬度带上, 在中高纬度区域尤其明显。热带海洋的TCWV 较大且年际变化显著。ENSO 的影响较为突出, 在1997/1998 和2015/2016年这两个强ENSO 年, 热带海洋的TCWV 异常高。值得注意的是, 在1992 年之前, 再分析数据与观测数据的差异较大, 在热带尤其明显。可能是因为在这一时间段, 用于同化的观测资料较少。

图9 给出了长期趋势结果统计显著性超过95%的全球分布图。从图9 中可知, 4 种数据集趋势的空间分布有一定的相似性。热带太平洋、中高纬度大洋、南太平洋以及南印度洋等海域, 水汽呈上升趋势, 其中印太暖池、热带西南印度洋和热带东太平洋的上升趋势较强, 表明这些海域的水循环加快(图9)。将图9 和图1 进行比较, 可以发现在长期趋势上, 热带海洋的TCWV 符合“湿者更湿”, 并呈现出ENSO 型的分布。这是因为在平均态TCWV 较高的海域, 相对湿度也较高, 且随温度升高, 相对湿度的变化很小。当温度升高, 对流增强, 年平均降水增加, 大气更加湿润(Chou et al, 2009; Johnson et al, 2010; Xie et al, 2010; Sobel et al, 2011; Huang et al, 2013)。在1988—2018 年期间, 发生多次强ENSO事件, 如1997/1998 和2015/2016 年的强ENSO 事件, 这一区域的水汽趋势分布记录了这一影响。

在当前全球气候变暖的大背景下, 全球的水循环加快, 大气水汽含量上升, 但是在部分海域, 大气水汽含量仍呈下降趋势, 如东南太平洋和南大西洋海域。由于该海域受东南信风控制, 大气水汽含量的下降可能与气候态的风场有关。我们将在下一 步的研究中探究局地的水循环状况。

图9 全球海洋大气柱水汽总量(TCWV)的长期趋势的空间分布(1988—2018 年) a. SSM/I&SSMIS; b. RSS V7R01; c. ERA5; d. MERRA-2。黑点代表置信度水平超过95% F 检验的区域 Fig. 9 Spatial distribution of long-term trend of global ocean TCWV (1988—2018). (a), (b), (c), and (d) are SSM/I&SSMIS, RSS V7R01, ERA5, and MERRA-2, respectively. Shading indicates long-term trend. Stippling indicates significant at the 95% confidence level using F-test

SSM/I&SSMIS、RSS V7R01 和ERA5 这3 个数据的变化趋势分布较为相似, 而MERRA-2 数据与其他3 个数据差异较大, 在某些区域甚至出现相反的趋势。在热带印度洋和热带大西洋, MERRA-2 的水汽呈下降趋势, 而在印太暖池, 水汽呈弱的增强趋势(图9d)。在研究水汽的长期变化趋势时, 在这些海域要谨慎使用MERRA-2 的数据。

3 结论

水汽是气候系统的重要组成成分, 也是重要的温室气体。监测全球大洋上空的水汽含量对海洋降水和水汽输送研究起重要的作用。使用可靠的水汽 资料可以有效地减少气候分析中的不确定性。本文比较了4 种新一代的观测和再分析水汽数据, 通过分析大气柱水汽总量(TCWV)这一重要的气候诊断量, 我们得出如下结论:

1) 空间分布特征: 多年平均TCWV 呈带状分布, 在热带海洋较高, 随纬度升高, 水汽含量下降。与观测数据相比, ERA5 存在系统性的负偏差, MERRA-2 存在结构性偏差。热带辐合带、南大洋、东北太平洋和东南太平洋等海域, TCWV 随时间变化波动较大, 孟加拉湾和阿拉伯海等海域则相反。4种数据在刻画水汽随时间的波动方面比较一致。

2) 季节和年际变化: 北半球的TCWV 在8 月达到最高值, 2 月达到最低值, 南半球恰好相反。热带海洋上, TCWV 的年际变化显著且ENSO 的作用突出。4 种数据在描述水汽的季节变化和年际变化方面较一致。

3) 长期变化趋势: 从1988 至2018 年, 全球TCWV 的增长趋势为迅速增加→缓慢增加→迅速增加, 总体呈增长趋势。其中热带海洋TCWV 的年际变化显著, 增加趋势较强, 且和ENSO 高度相关。除MERRA-2 外, 其他3 种数据变化趋势的空间分布较一致。在研究热带印度洋和热带大西洋, 热带西太平洋等区域长期水汽变化趋势的问题时, 需要谨慎使用MERRA-2 的数据。

观测资料和再分析资料在描述全球水汽的全球分布特征, 季节和年际变化方面有很高的相似性, 在时间序列及变化趋势等方面仍存在一定的差异。ERA5 数据和观测资料较为接近, 但是在研究短期(如1988—1992 年)的水汽变化趋势时, 需要慎重使用。在研究热带印度洋和热带大西洋, 热带西太平洋等区域长期水汽变化趋势的问题时, 需要谨慎使用MERRA-2 的数据。

热带海洋的TCWV 受ENSO 影响大, 在1988—2018 年期间, 全球TCWV 呈上升趋势, 并且空间分布呈现出“湿者更湿”的形态。在当前气候变化的背景下, 选取恰当的数据, 研究热带海洋的TCWV的变化趋势和机制是下一步工作的重点。

附录

1. 标准差

本文中, 月平均TCWV 数据的标准差的公式如下:

式中: S 是标准差; N 是样本数, 即为月数; A 是变量, 为对应的每个月的TCWV; μ是A 的均值。

2. t-检验

3. F 检验

F 统计量构造如下:

式中: SSR 是回归平方和; SSE 是残差平方和; P 是概率值; n 是样本数。

4. 月距平值

月距平值(去除季节循环)是求各月多年的平均值, 分别得到12 个月的平均值, 再用逐月的TCWV值减去每个月份的多年平均值。