2024, Vol. 54
2. 中国海洋大学三亚海洋研究院，海南 三亚 572024;
3. 解放军31110部队;
4. 北京应用气象研究所，北京 100000;
5. 解放军61741部队
海表面盐度(Sea surface salinity，SSS)的变化受蒸发降水、地表径流、海洋环流、结冰融冰等过程影响，指示着海气交换、海洋环流、垂向输运、冲淡水分布等过程。南海是中国最大的边缘海，总面积约350万km2，平均深度1 212 m，中部深度超过5 000 m，通过吕宋海峡和马六甲海峡连接着西北太平洋和印度洋[1]。南海环流受季风和黑潮作用显著，同时具有多涡结构，海洋内波频发，台风风暴潮剧烈，海洋动力过程复杂[2]。研究南海SSS变化特征及机制对理解南海海气交换和海洋环流有重要意义。
毛锴等[3]利用海气耦合模式COAWST，结合Argo浮标数据对2016年台风“莎莉”过境时的南海上层盐度变化进行分析，认为台风过境时，海表面蒸发，抽吸及混合作用强烈，SSS显著上升。Shen等[4]利用ARGO浮标数据研究了南海北部次表层盐度的季节变化，结果表明，黑潮入侵的强度、局地风应力旋度等因素是表层最大盐度异常高值的出现的原因。但是南海Argo浮标缺乏浅水区采样，空间分布相对稀疏，时间跨度较短，在前人的研究中大多用于分析南海SSS的短期变化。
Zeng等[5]利用Aquarius卫星数据分析了2012年底开始出现的南海SSS上升现象，认为其受到黑潮入侵和径流量减少的共同影响，并可能与PDO位相由负转正相关。Yi等[6]利用多卫星数据集分析认为，2011—2019年南海SSS的季节变化受到季风降水控制，沿岸SSS变化强烈，2015—2016年的强厄尔尼诺现象使南海整体SSS上升。卫星遥感能够大范围连续获得海表盐度数据，但最早的土壤水分和海洋盐度(Soil moisture and ocean salinity，SMOS)卫星于2009年发射，在10年尺度内得到的南海SSS与PDO和ENSO的相关关系不够可靠。
王鑫[7]利用简单海洋同化数据(Simple ocean data assimilation, SODA)对南海及毗邻的太平洋海域SSS近140 a的长期变化进行分析，认为其存在季节和年际变化，空间分布呈现从南到北“高-低-次高”的分布，但未对SSS的变化机制进行分析。王祥鹏等[8]采用SODA海洋再分析数据分析了南海次表层盐度，认为次表层盐度变化存在11~23 a的低频变化，与PDO呈正相关，但次表层盐度受到水平平流和垂向交换的影响较强，不能够反应海气交换对南海盐度变化的影响。海洋再分析数据结合数据模型的数据和观测数据的优点，具有时空连续性和较高的分辨率，是研究南海SSS长期变化的重要工具。
综上所述，前人大多对南海SSS的季节变化和10年尺度的变化特点和机制进行了研究，对于南海SSS的长期变化前人大多只描述其变化特征。虽然对南海次表层盐度的长期变化机制已经有过一些研究，但次表层盐度和SSS的影响机制不同，因此目前南海SSS长期变化机制还存在争议。本文融合土壤水份主动和被动卫星(Soil moisture active and passive，SMAP) 遥感数据和SODA海洋再分析数据，利用经验正交函法(EOF)分解、相关分析等方法对南海(研究区域如图 1所示)SSS的长期(1871—2021年)时空变化特征进行分析，对PDO和ENSO产生的复合影响机制进行讨论。
|
( 红点为特征点标记。Red dots are characteristic points. ) 图 1 研究区域的水深分布 Fig. 1 Bathymetry of the study area |
卫星遥感数据采用土壤水分主-被动(Soil moisture active and passive，SMAP)探测计划从2015—2021年的南海SSS月平均数据，空间分辨率为40 km*。王艺晴等[9]计算得到西北太平洋区域SMAP L3数据与Argo实测数据的相关系数高达0.91，全年均方根误差为0~0.35 psu，精度较高。
* Meissner T, Wentz F J, Manaster A, Lindsley R. 2019: Remote Sensing Systems SMAP Ocean Surface Salinities[Level 2C, Level 3 Run-ning 8-day, Level 3 Monthly], Version 4. 0 validated release. Remote Sensing Systems, Santa Rosa, CA, USA. Available online at www.remss.com/missions/smap , doi:10.5067/SMP40-3SS .
1.1.2 海洋再分析数据海洋再分析数据采用SODA V2.2.4和V3.3.1。时间跨度分别为1871—2010年和1980—2015年，空间分辨率0.5°×0.5°[10]。该数据集同化了大量观测数据，共约7×106个温盐剖面，采用卡尔曼滤波修正误差，在对2000年SODA最初版本的评估中，对比实测剖面数据，1950—1995年500 m以上的平均温度和盐度误差为0.70 ℃和0.092[11]。
1.1.3 其他辅助数据世界海洋数据地图册(The world ocean atlas 2018，WOA18)[12]是基于世界海洋数据库(World ocean database，WOD)观测的剖面实测数据制作的海洋气候态数据产品，为1955—2017年的每10年平均数据，空间分辨率为1/4°，用于对数据集进行误差评估；美国国家海洋与大气管理局(NOAA)提供的太平洋年代际涛动(PDO)指数和Niño 3.4指数，时间跨度均为1871—2021年；美国国家航空和宇宙航行局(NASA)的全球降水气候学计划(GPCP)提供的1979—2021年分辨率为2.5°×2.5°的降水资料[13]；《中国河流泥沙公报》公示的2001—2020年珠江年径流量数据，为高要、石角和博罗站统计的年径流量数据，分别代表西江、北江和东江，本文将三站流量相加代表珠江总年径流量；日本气象厅提供的1956—2021年137°E断面黑潮流量数据，由日本气象厅海洋气象观测船冬夏观测数据诊断得到，位置位于本州岛下方(137°E，28°N—34°N)。
1.2 数据融合处理本文对SODA再分析数据和SAMP卫星遥感数据重叠部分进行相关性分析和差异性分析，根据分析结果构建1871—2021年分辨率0.5°×0.5°的南海(106.25°E—122.125°E，8.25°N—25.25°N)SSS数据集。
1.2.1 相关性分析对SODA V2.2.4与V3.3.1的1980—2010年共31 a重叠部分数据和SAMP数据与SODA V3.3.1共9个月的重叠数据求全场平均，绘制其SSS变化曲线(见图 2)，相关系数分别为0.85和0.94，置信度超过99%。重叠部分数据相关极高，这说明三组数据反应的南海SSS的变化趋势基本相同。
|
图 2 (a)SODA v2.24和SODA v3.31及(b)2015年SODA v3.31与SAMP数据重叠部分平均盐度时间序列对比 Fig. 2 Comparison of overlapping data average salinity time series between (a)SODA V2.24,SODA V3.31 and (b) SODA V3.31, SAMP in 2015 |
由于三组数据存在一定的差异，对数据进行了以下处理：对SODA V2.2.4与V3.3.1的1980—2010年共31 a重叠部分数据按月求欧拉距离分布并做31 a平均，结果如图 3(a)所示。从图中可以发现南海大部分区域数据匹配度较好，数据差异较大的点出现在河口附近，由此将图中欧拉距离大于0.6 psu的空间点剔除；接着将SAMP数据插值为0.5°×0.5°，将SAMP数据与第一步剔除数据后的SODA V3.3.1重叠共9个月的数据求欧拉距离分布并平均，结果如图 3(b)所示。同样将欧拉距离大于0.6的空间点剔除，最后计算得到在重叠部分的欧拉距离的空间平均值约为0.103和0.264，认为数据差异在可接受范围内。
|
图 3 (a)SODA v2.24和SODA v3.31及(b)SODA v3.31和SAMP重叠部分数据欧拉距离分布 Fig. 3 Euler distance distribution of data from overlapping (a)SODA V2.24, SODA V3.31 and (b) SODA V3.31, SAMP |
综合相关性分析和差异性分析的结论，作者认为经过处理后三组数据重叠部分数据相关性强且数据差异小，可以用于分析南海SSS的变化及机制。考虑到卫星数据和SODA再分析数据间可能存在的系统偏差，我们计算了重叠部分9个月偏差的逐点平均值并用卫星数据逐点减去该平均值。将3组数据按时间相接，对于SODA2.2.4和SODA3.3.1重叠部分数据，选择版本更新的SODA3.3.1数据；对于SODA V3.3.1和SAMP重叠部分数据，选择SAMP数据，得到1871—2021年分辨率为0.5°×0.5°的南海SSS数据集，南海SSS在1871—2021年变化如图 4所示。
|
图 4 研究区域平均SSS时间序列 Fig. 4 Average SSS time series in the study area |
将数据集研究区域在1955—2004年每10年平均值以及2005—2017年的平均值并与WOA2018数据进行误差分析，研究区域内SSS平均均方根误差分别为0.23，0.22，0.17，0.19，0.17和0.16。在1871—1954年由于缺少数据暂时无法验证，但在1955—2017年间经过验证误差较小，可作为本研究的数据支持。
1.3 分析方法经验正交函数法(EOF)分解可以将数据降维，分别对南海SSS的时间和空间特征进行分析。方法如下：按月求距平得到矩阵X，由矩阵X得到协方差矩阵A = XXT/ M (M为总月数)，求A的特征值和特征向量，将特征值从大到小排列，特征值的大小顺序即对应EOF的模态顺序，找到最大几个特征值对应的向量，计算方差贡献并做显著性检验[14]。
小波分析将一个函数用一个衰减的小波函数通过平移伸缩来表示，它可以分析不稳定的信号，对突变信号的处理比傅里叶变换更优秀[15]。
为了了解时间序列之间相关性随时间的变化，研究者定义了局部滑动相关系数Rr(Local running correlation coefficient，LRCC)[16]，LRCC被广泛的应用在各项研究中，其公式如下：
| $ \;\;\;\;{R_r}(i) = \\{\frac{{\sum\limits_{k = i - n}^{i + n} {\left( {{X_k} - \overline {{X_i}} } \right)} \left( {{Y_k} - \overline {{Y_i}} } \right)}}{{\sqrt {\sum\limits_{k = i - n}^{i + n} {{{\left( {{X_k} - \overline {{X_i}} } \right)}^2}} } \sqrt {\sum\limits_{k = i - n}^{i + n} {{{\left( {{Y_k} - \overline {{X_i}} } \right)}^2}} } }}_{i = 1 + n,{\text{ }} \ldots ,N - n}}。$ | (1) |
Zhao等[17]基于LRCC，采用全局不变均值代替原公式中的局部变化均值，得到合成滑动相关系数RS(Synthetic running correlation coefficient, SRCC)的计算公式如下：
| $ \begin{gathered} R_S(i)= \\ {\frac{{\sum\limits_{k = i - n}^{i + n} {\left( {{X_k} - \bar X} \right)} \left( {{Y_k} - \bar Y} \right)}}{{\sqrt {\sum\limits_{k = i - n}^{i + n} {{{\left( {{X_k} - \bar X} \right)}^2}} } \sqrt {\sum\limits_{k = i - n}^{i + n} {{{\left( {{Y_k} - \bar Y} \right)}^2}} } }}_{i = 1 + n,{\text{ }} \ldots ,N - n}}。\end{gathered} $ | (2) |
两式中n要根据时间序列的具体情况，大到抑制高频信号，小到可以表示时间序列的周期性，SRCC既能反映异常变化引起的相关性，也能反映均值变化引起的相关性，代表不同时间点相关性的完全可比性，更能够反应时间序列的低频变化。
2 南海SSS变化特征分析 2.1 长期变化趋势对研究区域1871—2021年SSS数据逐点求标准差，得到图 5(a)所示的标准差分布。从图中可以看到标准差高值出现在珠江口处，SSS变化剧烈；南海大部分海域标准差在0.5以下，说明大部分海域SSS比较稳定。同样，对研究区域SSS数据逐点求变化趋势，得到图 5(b)所示的变化趋势分布。从图中可以发现：吕宋海峡区域SSS呈上升趋势，速度约为每10年0.03，南海北部海域SSS呈上升趋势，速度约为每10年0.02，南海南部与纳土纳海和泰国湾相接的海域SSS呈下降趋势，速度约为每10年-0.03，变化趋势相反。
|
图 5 1871—2021年南海SSS(a)标准差和(b)变化趋势分布 Fig. 5 Spatial distribution of SSS(a) standard deviation and (b) long-termtrend in the South China Sea from 1871 to 2021 |
由南海SSS月平均数据求计算出SSS年平均，为了更好地描述南海SSS变化趋势，根据空间平均SSS的极值点将变化分为4个阶段，分别为1871—1915年、1915—1939年、1939—1958和1958—2021年。在研究区域内取6个特征点(见图 1)，分别位于吕宋海峡、珠江口外、北部湾中心、南海中心、湄公河口外和苏禄海，绘制其SSS变化曲线(见图 6)。
|
图 6 (a)1871—1913年、(b)1914-1938年、(c)1939-1957年及(d)1958-2021年南海平均SSS变化曲线(蓝色)和整体变化趋势(黑色)及6个特征点(其他)的SSS变化曲线 Fig. 6 Mean SSS change curve(dark blue), overall change trend(black) and SSS change curve of six characteristic points(others) in the South China Sea in (a)1871—1913,(b)1914—1938,(c)1939—1957 and (d)1958—2021 |
从图 6(a)中可以发现，在1871—1915年南海SSS总体呈上升趋势，速度为每10年0.09，除北部湾特征点的SSS处于震荡平衡状态外，其他所有特征点SSS均呈上升趋势；从图 6(b)中可以发现，在1915—1939年南海SSS总体呈下降趋势，速度为每10年-0.19，除苏禄海特征点SSS呈振荡平衡状态外，其他特征点SSS均呈下降趋势；从图 6(c)中发现，在1940—1958年南海SSS总体呈上升趋势，速度为每10年0.31，所有特征点SSS均呈上升趋势；从图 6(d)中发现1958—2021年南海SSS总体呈下降趋势，速度为每10年-0.09，所有特征点SSS均呈下降趋势。可以看到南海各特征点和平均SSS的变化趋势基本一致，相比于平均SSS，吕宋海峡SSS偏高而珠江口和北部湾SSS偏低，南海中心点SSS变化基本贴合平均SSS变化，其中珠江河口和北部湾的特征点SSS振荡变化较强，和SSS标准差分布及变化趋势分布显示的结论吻合。
从图 5(b)的南海长期变化趋势分布中可以发现, 南海SSS的变化在南部和北部是反向的。由于在图 6的分段变化中不易看出南海盐度的长期变化，我们选取了位于南海南北部的两个特征点分析在1871—2020年的长期变化(见图 7)，结果显示北部特征点的盐度呈上升趋势(每10年0.03)，而南部特征点呈下降趋势(每10年-0.03)，这种南北变化不一致的原因我们将在后文中进一步讨论。
|
图 7 南海南北部两个特征点的变化趋势 Fig. 7 Variation trend of two feature points in the north and South China Sea |
为进一步研究南海SSS的年际及年代际变化特征，对研究区域(106.25°E—122.125°E，8.25°N—25.25°N)1871—2021年的月平均SSS距平场进行12个月的低通滤波消除季节变化影响，进行EOF分解。表 1展示了前三个模态的特征值及方差贡献率。
|
表 1 EOF前三个模态对应特征值和方差贡献率 Table 1 The first three EOF modes eigenvalues and variance contribution rates |
根据显著性检验条件, 相邻特征值满足[19]：
| $ \lambda_j-\lambda_{j+1} \geqslant e_j, e_j=\lambda_j\left(\frac{2}{n}\right)^{1 / 2} 。$ | (3) |
式中：λ为特征值；n为样本个数。
EOF前三个模态均通过显著性检验，其中前两个模态的累计方差贡献率达到67.78%，可以代表原始场的主要特征，本文主要对前两个模态进行分析。
2.2.1 空间分布特征EOF第一模态的方差贡献率为44.49%，展示了南海SSS变化最主要的特点，其空间分布如图 8(a)所示。EOF第一模态南海北部呈正异常，南海南部和北部湾区域盐度呈负异常，与蒸发降水有关。在南海北部可以发现明显的盐舌，该盐舌在南海北部从吕宋海峡开始向西深入至海南岛附近，这可能是受到黑潮入侵的影响。
|
图 8 EOF(a)第一和(b)第二模态空间分布 Fig. 8 Spatial distribution of EOF (a)first and (b)second modes |
EOF第二模态解释了总方差的23.29%，其空间分布如图 8(b)所示。从图中可以发现第二模态SSS在南海整体呈现正异常，在珠江口、红河口和湄公河口处SSS变化梯度较大，可能是受到包括珠江在内径流的影响。
2.2.2 时间变化特征为探究南海SSS的周期性变化特征，对第一和第二模态的时间序列进行了小波分析并计算小波方差(见图 9)。图中红色圆圈标记了通过95%置信度检验的周期。可以发现第一模态时间序列存在2、7和11 a左右的周期振荡，第二模态时间序列存在2和9 a左右的周期振荡，两个模态的第一主周期都为2 a左右。可以发现南海SSS变化呈现显著的年代及年代际变化特征，其变化机制将在后文予以讨论。
|
( 红色虚线为95%置信度检验线。Red dashed line is 95% confidence coefficient test line. ) 图 9 EOF(a)第一模态和(b)第二模态小波方差 Fig. 9 Wavelet variance of EOF(a) first and (b)second modes |
从第一模态的空间分布中发现，南海SSS可能受到黑潮入侵的影响。将1967—2020年137°E断面黑潮流量与对应时间点的EOF第一模态的时间序列进行对比，二者呈明显的负相关关系，两者相关性系数为-0.41，置信度超过99%(见图 10)。进一步对两个时间序列计算LRCC，滑动窗口选择为10 a(见图 11)，可以发现，除了在1984—1986年间有微弱正相关，在其他大多数年份中都呈现0.4~0.8的中强负相关性，结合图 8(a)的第一模态空间分布，我们认为南海北部受到黑潮入侵作用明显，呈负相关关系。
|
图 10 黑潮流量与EOF第一模态时间序列对比 Fig. 10 Comparison of kuroshio discharge and EOF first mode time series |
|
图 11 黑潮流量与EOF第一模态时间序列LRCC Fig. 11 LRCC of kuroshio discharge and EOF first mode time series |
黑潮流量与南海SSS呈负相关性的原因可以解释为：黑潮向南海的入侵主要通过涡旋和水平平流[19]，在黑潮流量大时，强惯性作用使通过吕宋海峡向南海输送的高盐水变少，在流量较小时，受到地形的影响更加明显，容易产生涡旋和水平平流，向南海输送的高盐水变多，这种效应也称为“茶壶效应”[20]。周艳芳等[21]使用OFES数值模拟数据对吕宋岛东侧(18°N，122.25°E —123.65°E)断面黑潮上游流量与吕宋海峡输运之间的关系进行了研究，认为在一般情况下黑潮上游流量较小，有利于太平洋水入侵南海，而黑潮流量较大时不利于入侵南海，与本文的结论较为一致。
从第一模态的空间分布中发现，EOF在南海南部及北部湾呈现负异常可能是受到降水影响。对GPCP南海区域的降水数据进行EOF分解，得到第一模态的方差贡献率为47.58%，能够代表该区域降水的主要形态。如图 12所示，将归一化的降水时间序列与EOF第一模态的时间序列进行对比，两者呈相关系数为-0.49的负相关关系，置信度超过99%。图中能够观察到明显的负相关关系，这说明降水对南海SSS年际变化的影响非常显著。进一步对二者计算LRCC，滑动窗口选择为10 a，结果如图 13所示。从图中可以发现相关系数在0.45~0.70之间，变化幅度不大。结合图 13的降水第一模态空间分布，当降水第一模态时间序列值增加时，降水量减少，对应南海SSS第一模态时间序列值减少，结合图 8(a)南海南部及北部湾呈现负异常，因此SSS上升。可以认为降水和南海SSS之间呈现稳定的中强负相关性，降水增多时，海表净淡水通量增加，SSS下降，反之SSS上升。
|
图 12 降水时间序列和EOF第一模态时间序列对比 Fig. 12 Comparison of precipitation time series and EOF first mode time series |
|
图 13 降水时间序列和EOF第一模态时间序列LRCC Fig. 13 LRCC of precipitation time series and EOF first mode time series |
为了分析第一模态的空间分布中南北变化相反的原因，进一步讨论南海降水和黑潮对南海盐度的影响。从图 14中可以发现, 1979—2021年南海降水的变化一致，变化高值出现在南海南部，因此南海南部的降水变化更强，根据前文的结论，南海北部受到黑潮入侵的影响明显，因此在南海SSS第一模态在北部呈现正异常，北部湾海域由于地理位置受到黑潮入侵的影响很小，而南海南部SSS受到降水影响强烈，都呈现负异常，因此第一模态呈现南北位相相反的特点。北部湾的盐度变化受到多种因素影响，受到数据量和数据精度的限制，本文定性地认为其盐度变化受到地理位置、降水及径流的影响，未来结合北部湾高分辨率的数据可以进行进一步的研究。
|
图 14 南海降水EOF第一模态空间分布 Fig. 14 Spatial distribution of EOF mode 1 of precipitation in the South China Sea |
从第二模态的空间分布可以发现其主要受到包括珠江在内的径流的影响，作者将年平均后的第二模态时间序列与珠江年径流量进行对比并做相关性分析(见图 15)。从图中可以发现二者有明显的负相关关系，相关系数达到-0.45，置信度超过99%。三个站位中高要站与第二模态时间序列的负相关性最强，相关系数为-0.46，置信度超过99%，因此珠江径流量变化是影响南海陆架及沿岸区域SSS变化的重要因素。结合第二模态的空间分布，珠江径流量增大时，向南海输入淡水增多，导致南海陆架及沿岸区域SSS下降。
|
图 15 珠江年径流量与EOF第二模态时间序列对比 Fig. 15 Comparison of annual runoff in the Pearl River with EOF second mode time series |
太平洋年代际振荡(Pacific decadal oscillation，PDO)周期为10~20 a，ENSO是厄尔尼诺(El Niño)和南方涛动(Southern oscillation)的合称，其发生周期为2~7 a，两者对中国南海气候变化都有重要的影响。从图 9可以看到，南海SSS存在显著的年际和年代际变化，其周期分别与ENSO和PDO相近，南海SSS极有可能受到ENSO和PDO的复合影响。
本文首先在年代际尺度上对PDO与南海SSS进行相关分析及机制讨论，并在年际尺度上分析ENSO和PDO对南海SSS的复合作用。
3.2.1 年代际变化机制分析为获取第一模态时间序列和PDO指数的年代际变化信号，对二者进行了10年低通滤波，在1871—2021年进行对比并做相关分析。如图 16所示，两者相关性系数为0.46，呈正相关关系，南海SSS滞后于PDO 10个月时，二者相关性最强，为0.47。黑潮入侵南海的强度有显著的年代际变化，PDO处于正位相时，阿留申低压南移，西风异常增强，北赤道流分叉点向北移动，导致吕宋海峡东部黑潮流量减小[22]，由于“茶壶效应”，黑潮入侵南海的强度增强，南海盐度上升。PDO负位相时，结果相反。
|
图 16 EOF第一模态时间序列与PDO指数对比 Fig. 16 Comparison of EOF first mode time series with PDO index |
为验证黑潮入侵南海的变化，使用SODA数据绘制了1871—2021年吕宋海峡附近PDO正位相(PDO指数大于0.5) 和负位相(PDO指数小于-0.5)时的流场合成图，图 17(a)中吕宋海峡西侧和南海北部的流场强于图 17(b)，且黑潮流轴更靠近南海，这说明在PDO负位相比PDO正位相时黑潮入侵南海的效应更强。
|
( ) 图 17 PDO正(a)负(b)位相时吕宋海峡周边及南海流场 Fig. 17 Flow fields around Luzon Strait and South China Sea in positive (a) and negative (b) phases of PDO |
前人的研究中已经发现ENSO对南海SSS的影响主要通过两种方式：一是通过沃克环流形成“大气桥”[23], 进而控制降水变化产生的，在厄尔尼诺年降水减少，SSS上升，拉尼娜年反之[24-25]；二是ENSO通过影响黑潮入侵南海产生的，黑潮经吕宋海峡向南海输入的流量在厄尔尼诺年较高，在拉尼娜年较低[26]。ENSO南海SSS的年际变化受到ENSO的影响[6]，但是在以往对ENSO与南海SSS的相关分析中并没有考虑PDO的影响，因此本文对ENSO和PDO对南海SSS复合作用机制进行了研究。
为了讨论PDO和ENSO对南海SSS变化的复合影响，需要获取南海SSS与ENSO的低频变化，因此对NINO3.4和南海SSS的EOF第一模态时间序列计算了SRCC(滑动窗口设为10 a)，绘制了NINO3.4指数和10年低通滤波PDO指数的变化曲线(见图 18中红线和蓝线)。从图中可以发现，SRCC与PDO周期接近，两者呈现正相关关系，相关系数为0.38，在滞后9个月后达到最大值0.43，置信度超过99%，也就是说ENSO与南海SSS的相关关系很可能受到PDO的影响，南海SSS的年际变化受到PDO和ENSO的复合作用。
|
图 18 NINO3.4和EOF第一模态时间序列10 a的SRCC(红色、蓝色阴影)与PDO指数(蓝色)和NINO3.4指数(红色)对比 Fig. 18 The SRCC of NINO3.4 and EOF first mode time series(light red, light blue) compared with PDO index (blue) and NINO3.4 index (red) |
当PDO正位相时，NINO3.4指数与南海SSS整体呈现正相关，在厄尔尼诺年正相关较强，而在拉尼娜年相关性不明显，对于这种相关性的变化，分析并给出了以下解释：当PDO正位相且处在厄尔尼诺年时，赤道西风增强，进而加强了沃克环流，导致太平洋中部的上升运动更强，南海区域下沉运动更强，厄尔尼诺对南海降水的控制加强，导致南海降水大幅减少，其周边河流径流量减少，同时，ENSO和PDO正位相时黑潮入侵强烈，两种因素共同影响使南海SSS上升；而在拉尼娜年，南海降水增强，同时黑潮入侵效应强，两者作用相反，使南海SSS在拉尼娜年变化不明显。
当PDO负位相时，NINO3.4指数与南海SSS整体呈现负相关，在拉尼娜年负相关性较强，而在厄尔尼诺年相关性不明显，对此给出了一部分解释：PDO负位相时，在厄尔尼诺年南海降水减少，同时黑潮入侵效应减弱，两者作用相反，使南海SSS变化不明显。但在拉尼娜年呈现负相关的原因根据现有的结论还无法解释，猜测可能与印度洋偶极子(IOD)的影响有关，但同时分析3种气候变化过程的影响较为困难，具体的影响机制还有待进一步研究。
4 结论本文融合海洋再分析数据和卫星遥感数据，处理生成151 a(1871—2021年)的长期南海SSS数据集，采用EOF和相关分析等方法，分析了南海SSS的长期时空变化特征及机制，得到以下结论：
(1)近150 a(1871—2021年)南海SSS整体变化趋势分为4个阶段，分别为1871—1914年，1915—1939年，1940—1958年，1959—2021年, 变化速度分别为每10年0.09、-0.19、0.31和-0.09。由方差和增长趋势的空间分布可以发现，南海SSS变化剧烈的位置集中在珠江河口，南海SSS的变化在南部和北部反向。
(2)利用EOF和相关性分析方法，发现南海SSS变化呈现显著的年代及年代际变化特征，主要受到黑潮入侵和降水的共同影响，与黑潮流量和降水时间序列分别呈相关系数为-0.41和-0.49的中度负相关性，滑动相关分析结果表明相关性稳定。河口及沿岸SSS变化与珠江径流流量呈负相关，相关系数为-0.45。
(3)PDO通过黑潮入侵变化影响南海SSS，在年代际尺度上呈现正相关，在滞后10个月时正相关性最强，为0.47。ENSO主要通过降水影响南海SSS，受到PDO的调控，相关性呈现与PDO周期相近的年代际变化，在滞后9个月时这种调控效应最强，南海SSS受到PDO和ENSO的复合影响：PDO正位相时，厄尔尼诺现象对南海降水的影响加强，使南海降水量减少，加之黑潮入侵强烈，南海SSS呈现明显上升；而在拉尼娜年，南海降水增强，但同时受到黑潮入侵增强，两者作用相反，南海SSS在拉尼娜年变化不明显；在PDO负位相时，厄尔尼诺现象使南海降水减少，同时黑潮入侵效应减弱，两者作用相反，使南海SSS变化不明显。
本文分析了近150 a南海SSS的变化特征及机制，相比于前人的研究，本文使用的数据时间范围更长，因此南海SSS年际及年代际变化的研究结论更加可靠，且本文讨论了PDO和ENSO两者对南海SSS产生的复合影响, 有助于理解南海SSS的复杂变化机制。
| [1] |
赵焕庭, 王丽荣, 袁家义. 南海诸岛的自然环境、资源与开发——纪念中国政府收复南海诸岛70周年(3)[J]. 热带地理, 2017, 37(5): 659-680. Zhao H T, Wang L R, Yuan J Y. Natural environment, resources and development of the islands of Nanhai: Commemorating the 70th anniversary of the recovery of Nanhai Zhudao by Chinese Government (3)[J]. Tropical Geography, 2017, 37(5): 659-680. (  0) |
| [2] |
Huang R.X, Du Y. Scientific questions about South China Sea ocean dynamics[J]. Acta Oceanologica Sinica, 2015, 34(11): 1-5. DOI:10.1007/s13131-015-0756-y ( 0) |
| [3] |
毛锴, 刘春笑, 李自强, 等. 南海上层盐度对台风"莎莉嘉"的响应研究[J]. 海洋湖沼通报, 2020(4): 7-13. Ma oK, Liu C X, Li Z Q, et al. Research on the response of upper salinity to Typhoon Sarika in the South China Sea[J]. Bulletin of Oceanology and Limnology, 2020(4): 7-13. DOI:10.13984/j.cnki.cn37-1141.2020.04.002 ( 0) |
| [4] |
Shen H, Li L, Li J, et al. The seasonal variation of the anomalously high salinity at subsurface salinity maximum in Northern South China Sea from Argo data[J]. Journal of Marine Science Engineering, 2021, 9: 227. DOI:10.3390/jmse9020227 ( 0) |
| [5] |
Zeng L, Chassignet E P, Schmitt R W, et al. Salinification in the South China Sea since late 2012: A reversal of the freshening since the 1990s[J]. Geophysical Research Letters, 2018, 45: 2744-2751. DOI:10.1002/2017GL076574 ( 0) |
| [6] |
Yi D L, Melnichenko O, Hacker P, et al. Remote sensing of sea surface salinity variability in the South China Sea[J]. Journal of Geophysical Research: Oceans, 2020, 125: e2020JC016827. DOI:10.1029/2020JC016827 ( 0) |
| [7] |
王鑫. 1871—2010年南海及邻近的太平洋海域表层盐度的变化过程[D]. 上海: 上海师范大学, 2020. Wang X. Changes of Surface Salinity in the South China Sea and Adjacent Pacific Ocean During 1871—2010[D]. Shanghai: Shanghai Normal University, 2020. ( 0) |
| [8] |
王祥鹏, 张玉红, 王爱梅, 等. 南海次表层盐度的低频变化及与太平洋年代际振荡的关系[J]. 热带海洋学报, 2019, 38(4): 1-9. Wang X P, Zhang Y H, Wang A M, et al. Low frequency variation of subsurface salinity in the South China Sea and its relationship with the pacific decadaloscillation[J]. Journal of Tropical Oceanography, 2019, 38(4): 1-9. ( 0) |
| [9] |
王艺晴, 韩震, 周玮辰, 等. 基于Argo浮标的西太平洋SMAP卫星海表面盐度数据质量评估[J]. 海洋科学进展, 2019, 37(3): 387-397. Wang Y Q, Han Z, Zhou W C, et al. Evaluation of surface salinity data quality of SMAP satellite Sea in the Western Pacific Based on Argo buoys[J]. Advances in Marine Science, 2019, 37(3): 387-397. DOI:10.3969/j.issn.1671-6647.2019.03.003 ( 0) |
| [10] |
Carton, James A, Benjamin S Giese. A reanalysis of ocean climate using simple ocean data assimilation (SODA)[J]. Monthly Weather Review, 2008, 136(8): 2999-3017. DOI:10.1175/2007MWR1978.1 ( 0) |
| [11] |
Carton J A, Chepurin G, Cao X. A simple ocean data assimilation analysis of the global upper ocean 1950—1995.Part Ⅱ: Resuls[J]. Journal of Physical Oceanography, 2000, 30(2): 311-326. DOI:10.1175/1520-0485(2000)030<0311:ASODAA>2.0.CO;2 ( 0) |
| [12] |
Boyer Tim P, Garcia Hernan E, Locarnini Ricardo A, et al. World Ocean Atlas 2018. [indicate subset used][EB/OL]. NOAA National Centers for Environmental Information. Dataset. 2018. https://www.ncei.noaa.gov/archive/accession/NCEI-WOA18.
( 0) |
| [13] |
Adler R F, Huffman G J, Chang A, et al. The version 2 global precipitation climatology project (GPCP) monthly precipitation analysis (1979—Present)[J]. Journal of Hydrometeorology, 2003, 4: 1147-1167. DOI:10.1175/1525-7541(2003)004<1147:TVGPCP>2.0.CO;2 ( 0) |
| [14] |
郭磊. 基于正交函数分解和SVM的短期气候预测方法[D]. 哈尔滨: 哈尔滨工程大学, 2017. Guo L. Short-Term Climate Prediction Method Based on Orthogonal Function Decomposition and SVM[D]. Harbin: Harbin Engineering University, 2017. ( 0) |
| [15] |
张海. 基于小波分析的气候要素长时间序列分析[D]. 北京: 中国地质大学, 2018. Zhang H. Long Time Series Analysis of Climate Elements Based on Wavelet Analysis[D]. Beijing: China University of Geosciences, 2018. ( 0) |
| [16] |
Kuznets S. On moving correlation of time sequences[J]. Journal of the American Statistical Association, 1928, 23(162): 121-136. DOI:10.1080/01621459.1928.10503005 ( 0) |
| [17] |
Zhao J P, Cao Y, Wang X. The physical significance of the synthetic running correlation coefficient and its applications in oceanic and atmospheric studies[J]. Journal of Ocean University of China, 2018, 17(3): 451-460. DOI:10.1007/s11802-018-3798-x ( 0) |
| [18] |
吴德星, 李强, 林霄沛, 等. 1990—1999年渤海SSTa年际变化的特征[J]. 中国海洋大学学报(自然科学版), 2005(2): 173-176. Wu D X, Li Q, Lin X P, et al. Characteristics of interannual variation of SSTa in Bohai Sea from 1990 to 1999[J]. Periodical of Ocean University of China, 2005(2): 173-176. ( 0) |
| [19] |
孙双文, 万彪. 黑潮对中国近海热盐输运的季节和年际变化[J]. 华东师范大学学报(自然科学版), 2009(3): 98-107. Sun S W, Wan B. Seasonal and interannual variations ofkuroshio heat and salt transport to offshore China[J]. Journal of East China Normal University, 2009(3): 98-107. ( 0) |
| [20] |
Sheremet V A. Hysteresis of a western boundary current leaping across a gap[J]. Journal of Physical Oceanography, 2001, 31: 1247-1259. DOI:10.1175/1520-0485(2001)031<1247:HOAWBC>2.0.CO;2 ( 0) |
| [21] |
周艳芳, 谢强, 陈更新, 等. 基于海洋模式数据的吕宋海峡输运量和菲律宾黑潮流量关系的分析[J]. 海洋与湖沼, 2017, 48(6): 1269-1275. Zhou Y F, Xie Q, Chen G X, et al. Analysis of the relationship between Luzon Strait Transport and Philippine Kuroshio Discharge based on ocean model data[J]. Oceanography and Limnology, 2017, 48(6): 1269-1275. ( 0) |
| [22] |
Yu K, Qu T D. Imprint of the Pacific decadal oscillation on the South China Sea throughflow variability[J]. Journal of Climate, 2013, 26(24): 9797-9805. DOI:10.1175/JCLI-D-12-00785.1 ( 0) |
| [23] |
张萍, 徐峰, 涂石飞, 等. 1979—2017年南海SSTA时空特征及其与沃克环流异常的相关[J]. 海洋气象学报, 2019, 39(1): 15-25. Zhang P P, Xu F, Tu S F, et al. Spatial-temporal characteristics of SSTA in the South China Sea from 1979 to 2017 and its correlation with Walker Circulation Anomaly[J]. Journal of Marine Meteorology, 2019, 39(1): 15-25. DOI:10.19513/j.cnki.issn2096-3599.2019.01.002 ( 0) |
| [24] |
郭敬. 南海混合层盐度变异的特征与机制分析[D]. 青岛: 国家海洋局第一海洋研究所, 2012. Guo Jing. Characteristics and Mechanism Analysis of Mixed Layer Salinity Variation in the South China Sea[D]. Qingdao: First Institute of Oceanography, State Oceanic Administration, 2012. ( 0) |
| [25] |
Wang Lei, Huang Ke. Imprint of the ENSO on rainfall and latent heating variability over the Southern South China Sea from TRMM observations[J]. Journal of Ocean University of China, 2016, 15(2): 219-231. ( 0) |
| [26] |
Qu T, Kim Y Y, Yaremchuk M, et al. Can Luzon Strait transport play a role in conveying the impact of ENSO to the South China Sea?[J]. Journal of Climate, 2004, 17(18): 3644-3657. ( 0) |
2. Sanya Institute of Oceanology, Ocean University of China, Sanya 572024, China;
3. 31110 Units;
4. Beijing Institute of Applied Meteorology, Beijing 100000;
5. 61741 Units