2017, Vol. 41
2 中国科学院大气物理研究所大气科学和地球流体力学数值模拟国家重点实验室, 北京 100029
2 State Key Laboratory of Numerical Modeling for Atmospheric Sciences and Geophysical Fluid Dynamics (LASG), Institute of Atmospheric Physics (IAP), Chinese Academy of Sciences, Beijing 100029
厄尔尼诺-南方涛动 (El Niño-Southern Oscillation，简称ENSO) 是位于热带太平洋最强的年际变化模态，不仅可以造成局地海洋和大气环流异常，而且通过大气遥相关影响到全球的气候变化 (Bjerknes, 1969)。观测表明，热带太平洋存在两种不同类型且相对独立的El Niño事件 (Larkin and Harrison, 2005; Ashok et al., 2007; Kao and Yu, 2009; Yeh et al., 2009; Kug et al., 2009, 2010; Xu et al., 2012)。这两种事件分别表现为：海表增暖出现在赤道东太平洋 (Eastern-Pacific，简称EP) 的东部型El Niño以及海表增暖出现在赤道中太平洋 (Central-Pacific，简称CP) 的中部型El Niño。而且在全球变暖背景下，CP型出现频率增加，强度呈加强的趋势。EP和CP型的转变以及相关原因近年来有了大量工作 (Wittenberg et al., 2006; Wittenberg, 2009; Weng et al., 2009; Kim et al., 2009; Ashok and Yamagata, 2009; Lee and Mcphaden, 2010; Newman et al., 2011; Stevenson, 2012; Xu et al., 2012; Yeh et al., 2014)，EP型和CP型的影响及其机制存在明显差异，有必要对其进行更详细的研究。
盐度作为海洋环流和水循环的重要变量 (Lagerloef, 2002)，可以通过调节海洋密度影响层结和热量的垂向传输，进而调制SST变化 (Delcroix and McPhaden, 2002; Fedorov et al., 2004; Maes et al., 2005; Huang et al., 2008)。热带太平洋表层盐度 (SSS) 异常受到淡水通量 (FWF) 和海洋环流等的影响。FWF作为影响SSS的直接外部强迫因子，主要由降水、蒸发 (E) 等组成 (降水-蒸发)。El Niño期间，降水进入海洋改变SSS，导致上层海水密度改变，影响混合层和形成障碍层厚度异常 (Lukas and Lindstrom, 1991)。位于中-西热带太平洋的障碍层减弱了混合层内夹卷和垂直混合过程，加热SST，调制El Niño (Maes and Belamari, 2011)，而SST会通过影响降水改变SSS (Zheng and Zhang, 2012; Zheng and Zhang, 2015)，因此SSS与SST之间相互影响 (Delcroix and McPhaden, 2002; Zhi et al., 2015)。
两类El Niño由于正SST异常区域的分布差异，导致对应的物理场分布出现变化。CP型中正降水异常和负SSS异常的中心均向西偏移 (Kug et al., 2009; Singh et al., 2011)。盐度的异常不仅在表层，在混合层也很明显。负盐度异常减小了混合层内的海洋密度，使层结稳定。CP型时，盐度异常对密度的作用比EP型更深，同时更加向西扩展 (Zheng et al., 2012b；Hasson et al., 2013)。这些观测事实说明在两类El Niño中，降水和SSS等物理场差异明显，这可能会影响SST差异 (Singh et al., 2011)。因此，对比研究两类El Niño中盐度变化及其差异具有重要意义。
耦合模式是研究气候变化的有力工具。模式可以弥补观测资料的不足，克服海洋观测方面时间和空间覆盖不足的缺陷。但模式的可靠性需要被评估。基于耦合模式比较计划 (The Coupled Model Intercomparison Project, CMIP)，开展多模式比较和评估 (IPCC, 2013) 可以全面理解和探讨模式的共性和差异。最新一代比较计划CMIP5的工业革命前对照试验能够较好地模拟出两类El Niño的特征 (Kug et al., 2012)。CMIP5模式模拟的El Niño振幅与观测值偏差比CMIP3有改进 (Bellenger et al., 2013)，但包括CMIP5在内的耦合模式模拟降水时存在明显的“双赤道幅合带”的偏差 (Davey et al, 2002; Liu et al., 2012; Zhang et al., 2015)，所产生的虚假FWF使SSS的模拟存在较大的不确定性，这反过来可能会影响SST和El Niño的模拟 (Zhang and Busalacchi, 2009; Singh et al., 2011; Liu et al., 2012)。同时，赤道太平洋冷舌过于西伸也是大多数耦合模式中一个顽固偏差 (Zheng et al., 2012a; Wang et al., 2014)，这个偏差与模拟的ENSO空间结构紧密联系 (Guilyardi, 2006; Watanabe et al., 2010; Yeh et al., 2012)。这种SST和降水平均态与ENSO相互影响受到了较大关注，但较少涉及与其相关的SSS变化，特别是不同ENSO类型时SSS变化及模拟技巧。此外，有观测研究发现CP型大于EP型，而且SSS的强迫效应对CP型作用大于EP型 (Zheng et al., 2012b)。这些特征能否被模式模拟及其存在可能原因，值得进一步研究。
本文采用CMIP5多模式模拟结果，评估模式模拟的两类El Niño期间SSS空间结构差异 (空间模拟技巧) 及其与SST和降水关系并探讨SSS模拟技巧高低的可能原因。文章第二部分简单介绍CMIP5模式、相关资料和方法；第三部分为两类El Niño空间结构差异的结果；与El Niño相关的SSS变化及其与SST和降水的关系在文章第四部分；第五部分则通过模式的技巧评分进一步比较各个模式模拟两类El Niño盐度空间结构差异；最后一节对评估进行总结。
2 资料和方法 2.1 资料本文利用NOAA提供的扩展重建的逐月海表温度资料Extended Reconstruction Sea Surface Temperature (ERSST, Smith et al., 2008)，海表温度资料的时段从1854年1月至今，分辨率为5°×5°。盐度资料来自英国气象局哈德利中心 (Met Office Hadley Center) 提供的EN.4.1.1f再分析逐月海表盐度资料 (Ingleby and Huddleston, 2007)，时段从1900年1月至今，分辨率为1°×1°。逐月降水资料来自全球降水气候计划Global Precipitation Climatology Project (GPCP, Adler et al., 2003)，时间段从1979年1月至今，分辨率为2.5°×2.5°。为了与模式比较，本文观测资料选取1981年1月到2010年12月。
本文选取CMIP5的25个耦合模式 (见表 1) 的试验数据，模式试验为工业革命前控制试验 (piControl)，试验设计的目的是在不考虑外界强迫和全球变暖的情形下研究气候本身的内部变率。试验将太阳常数、温室气体、气溶胶和臭氧等强迫资料固定在1850年前后 (Taylor et al., 2012)。本文选取模拟数据时段为最后30年，选取的空间范围是 (20°S~20°N，120°E~90°W) 的热带太平洋区域。为了便于模式之间及与上述观测资料进行比较，把观测资料和模式资料水平线性插值到1°×1°规则网格，同时扣除观测数据的长期趋势。
|
表 1 本文所使用的25个CMIP5模式的名称、机构/国家、海洋和大气水平分辨率等信息 Table 1 The names, institutes/countries, horizontal resolutions of oceanic and atmospheric components of the 25 CMIP5 coupled climate models used in the study |
由于Niño3.4指数不能清晰地区分EP型和CP型E1 Niño，至少需要两个指数来描述 (Trenberth and Stepaniak; 2001)。因此采用美国国家海洋和大气管理局 (NOAA) 对EP型El Niño定义，即当Niño 3.4指数大于其1个标准偏差，定义为EP型El Niño (Ham and Kug, 2014)，其中Niño3.4指数为Niño3.4区域 (5°S~5°N, 170°~120°W) 平均的海温距平；而CP型El Niño的定义，本文采用Ashok et al.(2007)根据EOF第二模态中SST异常的中心位置设计的表征三极型海温异常分布 (即赤道中太平洋SST异常偏高，而热带西、东太平洋SST异常偏冷) 的EMI (El Niño Modoki index) 指数，即EMI大于其1个标准偏差，EMI定义为
| ${\rm{EMI = }}{\left[ {{\rm{SSTA}}} \right]_{\rm{C}}} - {\rm{0}}{\rm{.5}}{\left[ {{\rm{SSTA}}} \right]_{\rm{E}}} - {\rm{0}}{\rm{.5}}{\left[ {{\rm{SSTA}}} \right]_{\rm{W}}},$ | (1) |
其中，[SSTA]C、[SSTA]E和[SSTA]W分别表示热带太平洋中部 (10°S~10°N，165°E~140°W)、东部 (15°S~5°N，110°~70°W) 和西部 (10°S~20°N，125°~145°E) 区域平均的海温距平 (Ashok et al., 2007; Weng et al., 2007, 2009)。EMI指数的优点在于其强调赤道太平洋SSTA梯度，并且EMI指数并未锁相到北半球冬季，因此较其他定义更广且包含更多案例。
为了检验这两个指数区分两类El Niño事件的能力，表 2给出了利用Niño 3.4指数和EMI指数挑选出的EP和CP型El Niño的重叠比例。在观测中，EP和CP型分别发生了7和6次，重叠2次。在多模式中，EP和CP型重叠次数较少的有bcc-csm1-1、bcc-csm1-1-m、FGOALS-g2、HadGEM2-CC、IPSL-CM5B-LR等16个模式，即可以明显的区分出两类El Niño；而ACCESS1-3、CanESM2、CCSM4、CESM1-CAM5、FGOALS-s2、HadCM3、IPSL-CM5A-MR、MPI-ESM-P等9个模式重叠比例较高，其区分出两类El Niño的能力较弱，其可能原因是模拟的中心位置与观测的中心位置偏差较大，而我们采用的Niño 3.4指数和EMI指数均是根据观测来定义的。但总体上，能够区分两类El Niño的模式个数仍多于不能明显区分两类El Niño的模式个数，因此这两个指数仍能较好区分EP和CP型。
|
|
表 2 观测及25个CMIP5模式挑选的EP型和CP型El Niño事件的重叠比例，*表示重叠较多的模式 Table 2 Overlapping ratios of EP and CP El Niño events from observations and the 25 CMIP5 model simulations. The * symbols indicate higher ratio models |
为了更好地评估多模式的性能，进一步描述模式的差异，引入技巧评分方法 (Taylor, 2001; Hirota et al., 2011)，运用以下公式：
| ${\rm{skillscore}} = \frac{{{{\left( {1 + R} \right)}^2}}}{{{{\left( {{\rm{SDR}} + \frac{1}{{{\rm{SDR}}}}} \right)}^2}}},$ | (2) |
其中，R为模式与观测空间相关系数，公式为
| $\begin{array}{l} {\rm{ }}R = \frac{1}{N}\sum\limits_{n = 1}^N {\left( {{x_n} - \bar x} \right)\left( {{y_n} - \bar y} \right)} /\\ \sqrt {\frac{1}{N}\sum\limits_{n = 1}^N {{{\left( {{x_n} - \bar x} \right)}^2}} *\frac{1}{N}\sum\limits_{n = 1}^N {{{\left( {{y_n} - \bar y} \right)}^2}} } \end{array},$ | (3) |
SDR为模式与观测空间标准偏差的比率，公式为
| ${\rm{SDR}} = \sqrt {\frac{1}{N}\sum\limits_{n = 1}^N {{{\left( {{{\rm{x}}_n} - \bar x} \right)}^2}} } /\sqrt {\frac{1}{N}\sum\limits_{n = 1}^N {{{\left( {{y_n} - \bar y} \right)}^2}} } ,$ | (4) |
其中，xn和yn分别为具有N个格点 (可以指时间也可以指空间) 的模式模拟和观测所得的物理量，x和y指的是x和y的平均值。
3 两类El Niño及相关物理场的模拟 3.1 两类El Niño的SST的特征为了表现两类El Niño及差异，本文对1981~2010年观测的SST异常通过合成分析提取出两类El Niño事件，即EP型和CP型El Niño。同样，对于CMIP5模式选取模拟试验的后30年的SST异常，合成出两类El Niño的空间分布模态，即图 1和图 2。两类El Niño的差异主要表现为热带太平洋SST异常的空间差异，即EP型El Niño事件中热带东太平洋SST异常增温, 西太平洋降温；而CP型El Niño事件中热带中太平洋SST增温，热带东、西太平洋SST降温 (Kao and Yu, 2009; Yeh et al., 2009; Yu and Kim, 2010)。从图 1中可看到观测的EP型正SST异常主要出现在东赤道太平洋，且最大异常中心位于120°W附近，中心值为1.97℃。25个CMIP5模式均能模拟出EP型El Niño事件，对于多模式集合 (Multi-model ensemble: MME) 来说，虽然正异常中心位置接近观测，约位于126°W，但正SST异常过于向西延伸 (如大于0.8℃等值线)，同时异常的大值比观测更加局限在赤道。多模式均能模拟出赤道东太平洋SST异常增温，但模拟的SST异常增温高值区的位置、范围和强度存在差异。20个模式的赤道太平洋异常增温过于向西延伸，有5个模式异常增温非常靠近赤道。强度方面，在Niño3.4区，bcc-csm1-1-m、CCSM4、CESM1-CAM5、CMCC-CESM、FGOALS-s2、IPSL-CM5A-MR、MIROC5、MPI-ESM-P等8个模式模拟较观测明显偏强 (8/ 25)，以bcc-csm1-1-m模拟最强；其余模式均偏弱，而MIROC-ESM模拟最弱。
|
图 1 观测、集合平均 (MME) 及25个CMIP5模式模拟的EP型El Niño事件SST异常分布 (单位：℃)。右上角的数值为各个模式模拟SST异常的技巧评分 Figure 1 The composite SST anomalies (units: ℃) corresponding to the EP El Niño events from the 25 CMIP5 model simulations, the multi-model ensemble (MME), and observations. The model skill scores for their simulations of the SST anomaly are given on the top right corner of each panel |
|
图 2 观测、MME及25个CMIP5模式模拟的CP型El Niño事件SST异常分布 (单位：℃)。右上角的数值为各个模式模拟SST异常的技巧评分 Figure 2 The composite SST anomalies (units: ℃) corresponding to the CP El Niño events from the 25 CMIP5 model simulations, the multi-model ensemble (MME), and observations. The model skill scores for their simulations of the SST anomaly are given on the top right corner of each panel |
通过比较空间技巧评分可以发现，多模式的技巧评分介于0.29到0.95之间，GFDL-CM3和NorESM1-M模式模拟最接近观测 (技巧评分为0.95)，其技巧评分大于MME (0.93)；除CanESM2、GISS-E2-H、inmcm4、MIROC-ESM外，模式技巧评分均达到0.7以上 (21/25) 且16/25的模式技巧评分大于0.8。模式技巧评分低可能与异常偏暖过于集中在赤道附近有关。
对于CP型而言，观测的SST异常增温区 (大于0.8℃) 主要在日期变更线以东，中心位于166°W，量值为0.98℃。相比EP型而言，异常中心位置偏西，量值较小。对于MME来说，异常中心位置比观测略为偏东，约位于168°W，但其增温区过于向西延伸且增温区过于集中在赤道附近，特别是位于赤道以北的东北向正异常区不太显著。MME技巧评分为0.89，稍低于EP型的技巧评分0.93。挑选的25个模式有19个模式 (除bcc-csm1-1-m、CanESM2、CNRM-CM5、inmcm4、MIROC-ESM以及MRI-CGCM3) 的总体技巧评分明显低于EP型。CP型所对应的技巧评分介于0.39到0.91之间，其中13个模式技巧评分大于0.7，仅有6个模式技巧评分大于0.8。技巧评分低的模式可能原因是赤道异常中心过于向西延伸，如GISS-E2-H, 也可能是赤道与热带外联系存在不合理之处，例如MIROC-ESM，或者两者均存在，如CSIRO-Mk3-6-0。
3.2 两类El Niño对应的SSS特征图 3和图 4分别为观测和模拟合成的EP和CP型El Niño事件对应的SSS异常空间分布。在观测中，与EP型相联系的负SSS异常 (小于-0.2 psu) 位于赤道中太平洋，负异常中心在日期变更线附近，量值为-0.45 psu；西太平洋暖池 (150°E以西) 及南赤道辐合带地区 (SPCZ) 为正异常。MME大致能够体现观测中SSS的结构，但在赤道中心的位置过于向西延伸，最大负异常中心位于日期变更线以西，约为163°E，使得观测的赤道西太平洋正SSS异常变为负SSS。在赤道东太平洋，MME夸大了观测中不明显的正SSS异常。同时，MME中负SSS异常过于向南延伸，西太平洋暖池区负SSS异常量值较小。从MME技巧评分 (0.6) 也能说明合成的SSS比SST偏差大，多模式模拟SSS空间分布各不相同，使得大部分模式模拟的SSS空间分布明显比SST更加不一致。超过一半模式模拟的赤道负SSS中心比观测明显偏西，空间分布对应的技巧评分介于0.06到0.75之间，大部分小于0.6，且只有8个模式大于0.4。出现明显低技巧评分的原因可能是因为负SSS异常在赤道上过于偏西，如MIROC-ESM、IPSL-CM5A-MR、CESM1-CAM5和MPI-ESM-P等，其他可能原因是向南的负SSS异常太强，如MIROC5、FGOALS-s2和CMCC-CESM。
|
图 3 观测、MME及25个CMIP5模式模拟的EP型El Niño事件SSS异常分布 (单位: psu)。右上角的数值为各个模式模拟SSS异常的技巧评分 Figure 3 The composite the sea surface salinity (SSS) anomalies (units: psu) corresponding to the EP El Niño events from the 25 CMIP5 model simulations, the multi-model ensemble (MME), and observations. The model skill scores for their simulations of the SSS anomaly are given on the top right corner of each panel |
|
图 4 观测、MME及25个CMIP5模式模拟的CP型El Niño事件SSS异常分布 (单位：psu)。右上角的数值为各个模式模拟SSS异常的技巧评分 Figure 4 The composite SSS anomalies (units: psu) corresponding to the CP El Niño events from the 25 CMIP5 model simulations, the multi-model ensemble (MME), and observations. The model skill scores for their simulations of the SSS anomaly are given on the top right corner of each panel |
在观测中，CP型的负SSS异常整体位于165°W以西的赤道，而且向北延伸到20°N附近，中心位置位于日界线以西，大约位于163°E，比EP型更加偏西，中心值为-0.44 psu。SPCZ区域主要为正SSS异常。MME的负SSS异常在赤道上也位于日界线以西，最大负异常中心位于153°E，比观测的中心位置向西偏移10个经度。相比观测，MME的负SSS异常过于局限在南北纬10°之间，同时赤道以南的负SSS异常过于向东南延伸。MME也模拟出了SPCZ的正异常。大部分模式能够模拟出赤道负SSS异常中心在日界线以西，但11个模式负异常中心较观测偏西。MME的CP型技巧评分为0.7，比EP型更接近观测，可能存在负负得正的情形。各模式模拟的CP型SSS技巧评分介于0.19到0.64之间。评分较低的原因与异常SSS中心位置偏西有关，例如GISS-E2-H、bcc-csm1-1、MIROC-ESM、HadCM3、CSIRO-Mk3-6-0、CanESM2、IPSL-CM5A-MR和MPI-ESM-P，其他的原因可能还有负SSS异常过于向南延伸且赤道东太平洋正SSS异常太明显，如ACCESS1-3、FGOALS-s2、MIROC5和inmcm4。
3.3 影响SSS的外部强迫因子根据盐度收支方程，影响SSS的因子可以分为内部调整和外部强迫 (Kim et al., 2006; Qu et al., 2011), 外部强迫主要是FWF的作用。在热带太平洋，降水是决定FWF的主要因子 (Kang et al., 2014)。在El Niño期间，正FWF异常可引起赤道西太平洋的负SSS异常 (Zheng and Zhang, 2012)。图 5和图 6分别为观测和模拟EP和CP型El Niño事件合成的降水异常空间分布。
|
图 5 观测、MME及25个CMIP5模式模拟的EP型El Niño事件降水异常分布 (单位：mm d-1)。右上角的数值为各个模式模拟降水异常的技巧评分 Figure 5 The composite precipitation anomalies (units: mm d-1) corresponding to the EP El Niño events from the 25 CMIP5 model simulations, the multi-model ensemble (MME), and observations. The model skill scores for their simulations of the precipitation anomaly are given on the top right corner of each panel |
|
图 6 观测、MME及25个CMIP5模式模拟的CP型El Niño事件降水异常分布 (单位：mm d-1)。右上角的数值为各个模式模拟降水异常的技巧评分 Figure 6 The composite precipitation anomalies (units: mm d-1) corresponding to the CP El Niño events from the 25 CMIP5 model simulations, the multi-model ensemble (MME), and observations. The model skill scores for their simulations of the precipitation anomaly are given on the top right corner of each panel |
EP型正降水异常出现在日界线以东的赤道中东太平洋，中心位于169°W，而西太平洋及SPCZ区域降水偏少。MME正降水异常较观测偏西且量值较小，中心位于176°W，较观测向西偏移7个经度。11个模式能够较好模拟降水中心在日界线以东的特点，其他模式的中心位置偏西。10个模式正降水异常量值大于观测，其他较弱，特别是CSIRO-Mk3-6-0、GISS-E2-H、inmcm4和MIROC-ESM明显偏弱。此外，模式模拟降水趋于半球对称的特点，即存在双赤道辐合带的偏差问题 (Mechoso et al., 1995; Lin, 2007)。MME降水空间技巧评分为0.74，多模式空间技巧评分介于0.16到0.85之间。评分较低的原因可能是以下几种，异常降水过于西伸，如HadCM3;双赤道辐合带过于明显，如CSIRO-Mk3-6-0；以及降水的响应明显偏弱，如MIROC-ESM、GISS-E2-H和inmcm4。
CP型正降水异常偏多出现在日界线以西的赤道西太平洋及从赤道往东北和西南走向的两分支中 (Kug et al., 2009)，同时东北比西南明显。MME也能刻画出赤道西太平洋的降水中心，存在东北和西南走向分支，但相比观测赤道西太平洋降水稍微偏西 (约4个经度) 且东北和西南两分支过于局限在赤道附近。21个模式能够模拟出日界线以西的正降水异常中心位置，仅有16个模式能模拟出赤道西太平洋正降水异常大于2 mm d-1。MME的技巧评分为0.71，明显高于单个模式，各模式评分从0.22到0.67。评分较低的原因 (＜0.4) 可能与降水对SST的响应偏弱有关，如MIROC-ESM等，也可能与降水偏西和西南分支太强有关，例如CSIRO-Mk3-6-0。
El Niño期间，太平洋中部海盆存在明显的正降水异常。Zhang et al.(2010)研究发现，在海气耦合模式中，由El Niño产生的正降水异常对SST存在正反馈机制。一方面，正降水异常使混合层变淡且层结更稳定，另一方面正降水异常使负的浮力通量异常减弱，进而减小混合层深度和减弱次表层卷夹作用。两者共同作用使上层稳定，进而使中部SST变暖，即El Niño增强 (Zhang et al., 2010)。两类El Niño由于暖SST异常区域的差异，导致对应的降水及其SSS空间分布出现变化，CP型中正降水异常和负SSS异常的区域均向西偏移 (Kug et al., 2009; Singh et al., 2011)。为了进一步说明两类El Niño期间SSS和降水反馈作用的差异，图 7给出了两类El Niño合成的观测和模拟降水和SSS异常值沿赤道平均 (5°S~5°N) 变化。在观测中，EP型的异常SSS负值中心位置在日界线附近，CP型中心位置位于日界线以西。CP型赤道西太平洋 (165°E以西) 负SSS异常量值大于EP型，而日界线以东的中太平洋EP型负SSS异常量值略大于CP型。EP和CP型的降水正异常中心均位于负SSS异常中心位置以东，可能的原因是海洋平流使SSS中心位置向西移动。EP型正降水异常中心量值约为CP型的2倍，但负SSS异常中心量值比较接近。即在EP型中，局地SSS的变化不仅受降水的影响，其他海洋动力过程也起重要作用。
|
图 7 EP和CP型El Niño期间沿赤道 (5°S~5°N) 平均的SSS和降水异常随经度的变化。红线和绿线分别为EP型El Niño期间SSS和降水异常变化，蓝线和黑线为CP型El Niño期间SSS和降水异常变化 Figure 7 Zonal variations of averages (5°S-5°N) of SSS and precipitation anomalies during EP and CP El Niño events. The red and green lines indicate SSS and precipitation anomalies in EP El Niño, respectively; the blue and black lines indicate SSS and precipitation anomalies in CP El Niño, respectively |
MME能够表现出EP和CP型的正降水异常中心分别在日界线以东和以西的特征，但相比观测，正降水异常的中心均比观测偏西。EP型的正降水异常中心量值小于3.5 mm d-1，小于观测量值5 mm d-1。MME的两类El Niño的负SSS异常中心位置均在日界线以西且比观测偏西，同时EP型的负SSS异常中心量值比CP型大，与观测的两类中心量值对比差别不大。MME中EP型的负SSS异常中心量值大于观测，但正降水异常中心却小于观测，这说明大多数模式模拟的SSS与降水之间关系不是很合理，没有真实的反映出SSS与降水的反馈关系。另外，从降水和SSS对应的中心值大小上，模式也夸大了降水对局地SSS的作用。
除CanESM2、FGOALS-s2、GISS-E2-H、inmcm4、IPSL-CM5A-MR、MIROC-ESM和MPI-ESM-P外，其他的18个模式能够模拟出EP和CP型的降水和SSS的差异。大部分模式模拟的EP和CP型负SSS异常区域比观测偏西，正降水异常偏西。其中，bcc-csm1-1、bcc-csm1-1-m、GFDL-CM3和NorESM1-M能够较好刻画EP和CP型SSS和降水之间的关系。由于大部分模式存在着EP型正降水异常中心量值比观测小，而负SSS异常中心量值比观测大，高估了降水对局地SSS的影响。同时，有不少模式正降水异常中心位置和负SSS异常中心位置对应较好，说明海洋向西的平流可能较弱，SSS的变化更直接受正降水异常中心影响。表明在赤道太平洋SSS异常分布，不仅受到FWF的影响，同时赤道的洋流也是影响SSS的一个重要因素。
4 两类El Niño对应的相关物理场之间的关系模拟差异 4.1 相关物理场空间分布为了更清楚地比较EP和CP型的差异，从技巧评分、中心位置及中心强度等的量值出发，讨论EP和CP型之间物理场的对应关系 (图 8)。就技巧评分而言，在两类El Niño中，模拟的空间技巧以SST最高 (＞0.6), 降水次之 (＞0.4)，SSS最差 (＞0.2)。就SST而言，NorESM1-M空间技巧较高，GISS-E2-H和MIROC-ESM水平分布评分较低 (＜0.5)。对SSS而言，CanESM2、FGOALS-s2、GISS-E2-H、HadCM3、IPSL-CM5A-MR和MIROC-ESM的评分较低 (＜0.3)。对降水而言，GISS-E2-H和MIROC-ESM的评分较低 (＜0.4)。上述说明，SST评分较高，降水也较高，如CMCC-CMS、GFDL-CM3、NorESM1-M等，SST评分较低，则降水评分也较低。如GISS-E2-H和MIROC-ESM。这种对应关系在盐度里也有一些体现，即SST评分较高，SSS也较高，如NorESM1-M等；SST评分较低，则SSS评分也较低，如MIROC-ESM等。模式的结果表现出了SSS和降水对SST的依赖性及差异。
|
图 8 观测和CMIP5模式模拟的EP型和CP型El Niño的SST、SSS和降水的技巧评分、最大中心位置及最大中心强度的散点分布图：(a-c) 技巧评分；(d-f) 最大中心位置；(g-i) 最大中心强度。实线为对角线，其中1~25对应表 1中的25个CMIP5模式、26为观测、27为MME；右上角为EP和CP对应的相关系数；SST单位为℃，SSS单位为psu，降水单位为mm d-1 Figure 8 Scatter diagrams of the skill scores, maximal position and maximal intensity of SST, SSS, and precipitation in the EP and CP El Niño events from 25 CMIP5 models and observations: (a-c) Skill scores; (d-f) maximal position; (g-i) maximal intensity. The line in each panel is the diagonal, and No.1-No.25 correspond to the 25 CMIP5 models listed in table 1, No. 26 is for observations and No. 27 is for MME. The correlation coefficients are given on the top right corners of the panels. The units are ℃ for SST, psu for SSS, and mm d-1 for precipitation |
模式模拟的EP型和CP型及对应的物理场的空间技巧存在正相关，相关关系从大到小为降水、SSS和SST，而且EP型技巧评分高的模式一般能较好地模拟出CP型特征。可以看到19个模式模拟的EP型SST和降水技巧评分大于CP型 (对角线下方多于上方)，仅有7个模式模拟EP型SSS技巧评分大于CP型，这说明CMIP5多模式模拟EP型SST和降水的水平分布能力相对优于CP型, 而模式模拟CP型SSS水平分布能力强于EP型。
CP型SST、SSS和降水异常的中心值位置较EP型偏西，且EP和CP型的SSS和降水中心位置的变化存在很好对应关系，其相关系数分别为0.60和0.64，表明模拟EP型的SSS和降水中心位置偏西 (偏东) 的模式在模拟CP型SSS和降水时，中心位置同样偏西 (偏东)。
与观测相比，模式模拟的相关变量的中心位置较观测偏西。其中，对于EP型，SSS中心位置均较观测偏西；除ACCESS1-3、CCSM4、CNRM-CM5、GFDL-CM3和NorESM1-M外，20个模式模拟SST中心位置较观测偏西；除bcc-csm1-1-m、CCSM4、FGOALS-g2、inmcm4和NorESM1-M外，20个模式模拟降水中心位置均较观测偏西。对于CP型，16个模式模拟SST中心位置比观测偏西；除bcc-csm1-1-m、CMCC-CM和FGOALS-s2外，22个模式模拟SSS中心位置比观测偏西；除CCSM4、CMCC-CMS、FGOALS-s2、inmcm4和NorESM1-M外，20个模式模拟降水中心位置比观测偏西。
就中心强度而言，相比两类El Niño，CP型SST中心强度量值弱于EP型。21个模式模拟的SSS中心量值小于EP型，24个模式模拟降水中心量值小于EP型。两类El Niño之间SSS中心量值的变化存在很好的相关性，其相关系数高达0.83，说明在EP型的中心量值大，CP型也大。CP型SST和降水与EP型中心量值有一定关联，但不如SSS明显。
与观测相比，模拟的两类El Niño的相关物理场的异常强度量值比观测普遍偏弱。其中，EP型中，14个模式模拟SST强度量值比观测偏弱；16个模式模拟降水强度量值比观测偏弱；除ACCESS1-3、bcc-csm1-1、GISS-E2-H和inmcm4外，20个模式模拟SSS强度量值比观测偏弱。CP型中，模式模拟SST和SSS强度量值均比观测弱。除bcc-csm1-1、bcc-csm1-1-m、FGOALS-g2、GISS-E2-H、inmcm4和MIROC-ESM外，19个模式模拟降水强度量值比观测偏弱。
4.2 技巧评分与SSS分布的关系El Niño期间，热带太平洋SST异常增暖，使赤道太平洋降水异常增多，而降水异常增多导致日界线附近SSS变淡 (Delcroix and McPhaden, 2002)，SSS变淡影响上层海洋密度，导致障碍层的生成和变厚，反过来影响SST。两类El Niño由于暖SSTA区域的位移，必然导致不同的大气响应 (Hoerling and Kumar, 2002; Yeh et al., 2009)。EP型时赤道中东太平洋降水偏多，西太平洋降水异常偏少；而CP型时，赤道中太平洋降水异常偏多，赤道东、西太平洋降水异常偏少 (Weng et al., 2007)。与CP型相对应的盐度异常的强度和位置也较EP型偏弱偏西 (Singh et al., 2011)。为了直接表现SST、降水和SSS三者之间的关系，图 9a-f及g-l分别从技巧评分和异常中心强度的角度出发，讨论两类El Niño期间降水-SSS、SSS-SST和降水-SST的两两对应关系。
|
图 9 观测和CMIP5模式模拟的EP和CP型El Niño的降水-SSS、SSS-SST以及降水-SST技巧评分和中心强度的散点分布图：(a-c) EP型El Niño的技巧评分；(d-f) CP型El Niño的技巧评分；(g-i) EP型El Niño的中心强度；(j-l) CP型El Niño的中心强度。实线为对角线，其中1~25对应表 1中的25个CMIP5模式，26为观测，27为MME；右上角为各变量之间对应的相关系数；SST单位为℃，SSS单位为psu，降水单位为mm d-1 Figure 9 Scatter diagrams of the skill scores and maximal intensity of precipitation-SSS, SSS-SST, and precipitation-SST in the EP and CP El Niño events from the CMIP5 models and observations: (a-c) Skill scores in the EP El Niño events; (d-f) skill scores in the CP El Niño events; (g-i) maximal intensity in the EP El Niño events; j-l for maximal intensity in the CP El Niño events. The line represents the diagonal, and No.1-No.25 correspond to the 25 CMIP5 models listed in table 1, No. 26 is for observation and No.27 is for MME. The correlation coefficients are given on the top right corners of the panels. The units are ℃ for SST, psu for SSS, and mm d-1 for precipitation |
从图 9a-f可看出热带太平洋SST、降水和SSS三者空间相关的线性一致性在EP和CP型中存在着差异。在EP型中，SST与降水、降水与SSS空间相关的线性关系较好，分别为0.80和0.61，而SST与SSS关系较弱，为0.38。SST水平分布变化决定降水的水平分布变化，降水的水平分布也会影响SSS的水平分布，但SST水平分布与SSS水平分布相互关系可能会受海洋平流等过程作用而使局地作用减弱。在CP型中，SST与降水、降水与SSS及其SST与SSS的空间相关线性一致性均在0.6左右。这种关系说明在CP型中较一致反映出热带太平洋SST异常变化引起局地降水异常，进而直接影响SSS, 说明在CP型中位于中西热带太平洋的FWF对SSS异常的局地作用大于EP型。
在热带太平洋，降水是影响SSS的重要因子 (Kang et al., 2014)，SSS则通过障碍层影响海洋热量的垂向传输，进而影响SST等的变化 (Maes and Belamari, 2011)。为了分析降水及其相联系的SSS以及和SST的联系，图 9g-l给出了EP和CP型SST、降水和SSS三者异常中心强度对应关系，可以看出，CP型降水-SSS、SSS-SST及降水-SST的两两线性相关为 (-0.54、0.76、-0.66) 均大于EP型 (-0.35、0.48、-0.15)。这说明在EP型中，降水增多会引起SSS变淡 (负SSS)，SST升高会引起降水增加，SST增加会使SSS变淡。而在EP中，也有类似关系，但相比CP型而言，这种关系较弱，与海洋水平平流有关。Kug et al.(2010)的研究指出与EP型不同，CP型SST的衰减主要通过蒸发冷却进行，这也进一步说明CP型SST和降水主要通过局地过程来影响SSS。Zheng et al.(2012b)研究发现，SSS的年际变化在CP型El Niño中的作用大于EP型El Niño，CP型中西太平洋区域SSS在改变密度场和混合层深度时的作用更明显，其物理场异常对海洋SST异常的反馈作用更大，本文的结论说明在CP型中，CMIP5多模式中降水-SSS、SSS-SST及降水-SST的两两线性关系更明显，而且SSS局地作用可能更明显。这和CP型的正SST异常区域偏西，更靠近日界线的负SSS异常区域有关，导致相关物理场的局地响应更显著有关，SST异常对SSS变化的影响及其可能机制有待进一步的研究。
5 两类El Niño差异对模式模拟的影响为了进一步分析导致模式的上述偏差的原因，根据SSS技巧评分，将25个模式分为两类：高评分类和低评分类。当EP和CP型SSS技巧评分均大于其平均值时，定义为高评分类，包括CNRM-CM5、NorESM1-M、CCSM4、GFDL-CM3、ACCESS1-3、CMCC-CMS、CMCC-CM和MRI-CGCM3等8个模式；当EP和CP型SSS技巧评分均小于其平均值时，定义为低评分类，包括HadCM3、MIROC5、MIROC-ESM、CSIRO-MK3-6-0、IPSL-CM5A-MR、CanESM2、FGOALS-s2、CMCC-CESM、MPI-ESM-P、GISS-E2-H和inmcm4等11个模式。其中CESM1-CAM5、HadCEM2-CC和FGOALS-g2等3个模式EP型SSS技巧评分偏低，而CP型较高；bcc-csm1-1、bcc-csm1-1-m和IPSL-CM5B-LR等3个模式EP型SSS技巧评分较高，而CP型偏低，均不在上述统计范围内。从图 8可知，技巧评分低的11个模式中，CanESM2、FGOALS-s2、GISS-E2-H、inmcm4、IPSL-CM5A-MR、MIROC-ESM和MPI-ESM-P等7个模式并不能模拟出EP和CP型的降水和SSS的差异 (图 7)。
图 10为根据SSS评分挑选的技巧评分低和高模式合成的SST、SSS和降水异常的空间分布。可以看出在EP和CP型中，SSS技巧评分高的模式明显比技巧评分低的模式的SST更接近观测，而且技巧评分高 (低) 的模式模拟正SST异常高值中心位置向东 (西) 偏，同时EP型中正SST异常较大 (小)。从SSS的合成图也看到，技巧高 (低) 的赤道负SSS异常中心向东 (西) 偏，同时EP和CP中技巧评分低的合成SSS还出现了向东南延伸的负异常，而技巧评分高的合成EP型SSS存在明显的ITCZ北分支的负异常。从合成降水图看，技巧高 (低) 的正降水异常中心位置偏东 (西), 在EP中强度较强 (弱)，同时降水的东南分支较弱 (强)。
|
图 10 挑选的SSS空间技巧评分低的模式 (左) 和SSS空间技巧评分高的模式 (右) 合成的 (a-d) SST、(e-h) 降水和 (i-l) SSS异常的空间分布。SST单位为℃，SSS单位为psu，降水单位为mm d-1 Figure 10 Ensemble mean composites of (a-d) SST, (e-h) precipitation, and (i-l) SSS anomalies based on low (left) and high (right) SSS skill scores of the 25 CMIP5 models. The units are ℃ for SST, psu for SSS, and mm d-1 for precipitation |
根据上述的对应关系，对比发现技巧评分偏低的模式模拟负SSS异常中心向西偏的可能原因是赤道太平洋冷舌过于西伸 (图 11a, b)，导致发生El Niño时SST异常暖区西伸明显，Niño4区域 (5°S~5°N，160°E~150°W) 平均SST偏差与EP和CP型SSS技巧评分之间的相关系数高达0.52和0.54(图 12a, b；通过99%的显著性检验)，说明在Niño4区SST冷偏差越大，SSS空间得分越低。冷舌过于西伸影响降水 (图 12c，d)，使得El Niño期间降水异常增多且西伸明显 (图 10e-h)，进而使SSS淡水中心向西偏 (图 10i-l)，从降水偏差与SSS空间得分的相关也能够看出来，Niño4区降水越少，SSS空间得分越低，Niño4区SST冷偏差越大，该区的降水负偏差量值也越大 (图 12)。这是因为强的冷舌偏差使得赤道上的平均深对流更加向西移动，仅存在西太平洋暖池区域，同时抑制赤道中太平洋对流发展，且很难移至赤道东太平洋。在技巧评分低的模式中，发生El Niño事件时，虽然中东太平洋变暖明显，深对流向东移动，显著SST异常叠加在具有冷偏差的SST之上 (例如平均SST冷偏差-4℃，正异常3℃，SST值仍低于观测，达不到深对流条件)，实际的SST值仍较低，造成深对流位置比技巧评分高的模式仍然更加西伸，且降水中心西伸明显，这与Sun et al.(2016)描述一致。
|
图 11 挑选的SSS空间技巧评分低的模式和SSS空间技巧评分高的模式合成的 (a-b) SST、(c-d)) 降水和 (e-f) SSS气候平均的空间分布。SST单位为℃，SSS单位为psu，降水单位为mm d-1 Figure 11 Ensemble mean composites of climatological (a-b) SST, (c-d) precipitation, and (e-f) SSS based on low and high SSS skill scores of the 25 CMIP5 models. The units are ℃ for SST, psu for SSS, and mm d-1 for precipitation |
|
图 12 观测和CMIP5模式模拟的 (a-b) Niño4区气候平均SST、(c-d) Niño4区气候平均降水以及 (e-f) ITCZ区气候平均降水与EP和CP型SSS技巧评分的散点图。1~25对应表 1中的25个CMIP5模式，26为观测，27为MME；右上角为各变量之间对应的相关系数；SST单位为℃，降水单位为mm d-1 Figure 12 Scatter diagrams of (a-b) climatological SST in Niño4 region, (c-d) climatological precipitation in Niño4 region, and (e-f) climatological precipitation in ITCZ area with the skill scores of SSS in EP and CP El Niño events from the CMIP5 models and observations. No. 1-No. 25 correspond to the 25 CMIP5 models listed in table 1, No. 26 is for observation, and No. 27 for MME. Correlation coefficients are given on the top right corners of the panels. The units are ℃ for SST and mm d-1 for precipitation |
无论EP和CP型, 技巧评分偏低的模式模拟SSS存在明显的向东南延伸的负异常 (图 10i-l)，其可能原因与双赤道辐合带的偏差有关，尤其是东南分支过于明显，即局地的降水偏多，SSS偏淡。有意思的是，ITCZ区域 (2.5°N~12.5°N，140°W~90°W) 平均降水偏差与EP和CP型SSS技巧评分之间的相关系数分别为-0.62和-0.32(图 12e, f)，这说明对于EP型而言，平均态ITCZ降水偏差越多，使SSS变淡，影响EP和CP合成时SSS水平分布，SSS空间得分越低。而CP型这种关系略有减弱。
东南分支和ITCZ北区的降水偏多一方面是因为赤道冷舌过于西伸，使得暖池暖水西撤堆积并往赤道两侧扩展，使得赤道两侧的深对流加强；另一方面是由于冷舌过于西伸，在西太平洋形成强的南北温度梯度，造成了在降水东南分支附近和ITCZ附近北支形成低层风的动力辐合上升。这两方面均会使得降水在东南分支和ITCZ附近北支降水增加，增加的降水使SSS变淡，进而降低SSS空间评分技巧。
6 结论利用CMIP5的25个耦合模式的模拟结果，结合观测和再分析资料，从空间分布、线性相关等方面评估了CMIP5模式模拟两类El Niño对应的热带太平洋SST、SSS和降水的空间分布差异的能力。在此基础上，研究了SST、SSS和降水之间的相互关系，结果如下：
(1) 大部分模式能够模拟出EP和CP型空间结构，两类El Niño中的SST、降水和SSS的空间技巧评分依次减小，其中，EP型SST和降水的水平分布的模拟能力强于CP型, SSS则为CP型强于EP型。EP型中，日界线附近存在降水异常大值中心以及与之相对应的SSS异常中心，与此对应的SST异常中心位于赤道东太平洋。CP型中，降水及SSS异常中心位于日界线以西，SST异常中心位于赤道中太平洋；CP型模拟的SST、SSS和降水异常中心位置较EP型偏西且强度偏弱。
(2) CP型的SST、降水和SSS三者空间分布的线性对应性比EP型好，即在CP型中，SST影响降水，进而影响SSS，同时SSS对SST调制的反馈机制较显著；而对于EP型，虽然SST与降水空间对应关系好，但由于海洋水平平流、非局地效应等因素，使得SST与SSS空间相关技巧对应较差。
(3) 依据各模式模拟的SSS空间技巧评分高低将CMIP5模式分为两类，技巧评分低 (高) 的模式模拟的SST、SSS和降水异常值的中心位置偏西 (偏东)，引起中心位置偏移的原因与赤道太平洋冷舌的位置有关，即赤道太平洋冷舌西伸显著，导致发生El Niño时SST异常变暖西伸显著，进而使得降水异常和SSS异常位置偏西。同时，技巧低的模式还易出现向东南延伸的负SSS异常，原因是双赤道辐合带的东南分支过于明显，即降水偏多，SSS偏淡，而SSS变化会影响ENSO的发生发展。技巧评分高的模式合成的EP型SSS出现了ITCZ北分支向东过度延伸的负异常，其产生原因与平均ITCZ降水强度有关，即平均ITCZ降水越少，SSS技巧评分越高。
致谢: 作者非常感谢两位评审提出的宝贵建议和意见。感谢提供本文使用的参与CMIP5以及PCMDI模式组。| [] | Adler R F, Huffman G J, Chang A, et al. 2003. The version-2 global precipitation climatology project (GPCP) monthly precipitation analysis (1979-present)[J]. J. Hydrometeorol., 4(6): 1147–1167, DOI:10.1175/1525-7541(2003)004<1147:TVGPCP>2.0.CO;2. |
| [] | Ashok K, Yamagata T. 2009. Climate change: The El Niño with a difference[J]. Nature, 461(7263): 481–484, DOI:10.1038/461481a. |
| [] | Ashok K, Behera S K, Rao S A, et al. 2007. El Niño Modoki and its possible teleconnection[J]. J. Geophys. Res., 112(C11): C11007, DOI:10.1029/2006JC003798. |
| [] | Bellenger H, Guilyardi E, Leloup J, et al. 1999. ENSO representation in climate models: From CMIP3 to CMIP5[J]. Climate Dyn., 42(7-8): 1999–2018, DOI:10.1007/s00382-013-1783-z. |
| [] | Bjerknes J. 1969. Atmospheric teleconnections from the equatorial Pacific[J]. Mon. Wea. Rev., 97(3): 163–172, DOI:10.1175/1520-0493(1969)097<0163:ATFTEP>2.3.CO;2. |
| [] | Davey M K, Huddleston M, Sperber K, et al. 2002. STOIC: A study of coupled model climatology and variability in tropical ocean regions[J]. Climate Dyn., 18(5): 403–420, DOI:10.1007/s00382-001-0188-6. |
| [] | Delcroix T, McPhaden M. 2002. Interannual sea surface salinity and temperature changes in the western Pacific warm pool during 1992-2000[J]. J. Geophys. Res., 107(C12): 8002, DOI:10.1029/2001JC000862. |
| [] | Fedorov A V, Pacanowski R C, Philander S G, et al. 2004. The effect of salinity on the wind-driven circulation and the thermal structure of the upper ocean[J]. J. Phys. Oceanogr., 34(9): 1949–1966, DOI:10.1175/1520-0485(2004)034<1949:TEOSOT>2.0.CO;2. |
| [] | Guilyardi E. 2006. El Niño-mean state-seasonal cycle interactions in a multi-model ensemble[J]. Climate Dyn., 26(4): 329–348, DOI:10.1007/s00382-005-0084-6. |
| [] | Ham Y G, Kug J S. 2014. Effects of pacific intertropical convergence zone precipitation bias on ENSO phase transition[J]. Environ. Res. Lett., 9(6): 064008, DOI:10.1088/1748-9326/9326/9/6/064008. |
| [] | Hasson A E A, Delcroix T, Dussin R. 2013. An assessment of the mixed layer salinity budget in the tropical Pacific Ocean[J]. Observations and modelling (1990-2009) [J]. Ocean Dyn., 63(2-3): 179–194, DOI:10.1088/1748-9326/9326/9/6/064008. |
| [] | Hirota N, Takayabu Y N, Watanabe M, et al. 2001. Precipitation reproducibility over tropical oceans and its relationship to the double ITCZ problem in CMIP3 and MIROC5 climate models[J]. J. Climate, 24(18): 4859–4873, DOI:10.1175/2011JCLI4156.1. |
| [] | Hoerling M P, Kumar A. 2002. Atmospheric response patterns associated with tropical forcing[J]. J. Climate, 15(16): 2184–2203, DOI:10.1175/1520-0442(2002)015<2184:ARPAWT>2.0.CO;2. |
| [] | Huang B, Xue Y, Behringer D W. 2008. Impacts of Argo salinity in NCEP global ocean data assimilation system: The tropical Indian Ocean[J]. J. Geophys. Res., 113(C8): C08002, DOI:10.1029/2007JC004388. |
| [] | Ingleby B, Huddleston M. 2007. Quality control of ocean temperature and salinity profiles—Historical and real-time data[J]. J. Mar. Syst., 65(1-4): 158–175, DOI:10.1016/j.jmarsys.2005.11.019. |
| [] | IPCC. 2013. Climate Change 2013: The Physical Science Basis [M]. Stocker T F, Qin D, Plattner G K, et al., Eds. Cambridge, UK and New York, NY, USA: Cambridge University Press, 1535pp. |
| [] | Kang X B, Huang R H, Wang Z G, et al. 2014. Sensitivity of ENSO variability to Pacific freshwater flux adjustment in the Community Earth System Model[J]. Adv. Atmos. Sci., 31(5): 1009–1021, DOI:10.1007/s00376-014-3232-2. |
| [] | Kao H Y, Yu J Y. 2009. Contrasting eastern-Pacific and central-Pacific types of ENSO[J]. J. Climate, 22(3): 615–632, DOI:10.1175/2008JCLI2309.1. |
| [] | Kim S B, Fukumori I, Lee T. 2006. The closure of the ocean mixed layer temperature budget using level-coordinate model fields[J]. J. Atmos. Oceanic Technol., 23(6): 840–853, DOI:10.1175/JTECH1883.1. |
| [] | Kim H M, Webster P J, Curry J A. 2009. Impact of shifting patterns of Pacific Ocean warming on North Atlantic tropical cyclones[J]. Science, 325(5936): 77–80, DOI:10.1126/science.1174062. |
| [] | Kug J S, Jin F F, An S I. 2009. Two types of El Niño events: Cold tongue El Niño and warm pool El Niño[J]. J. Climate, 22(6): 1499–1515, DOI:10.1175/2008JCLI2624.1. |
| [] | Kug J S, Choi J, An S I, et al. 2010. Warm pool and cold tongue El Niño events as simulated by the GFDL 2.1 coupled GCM[J]. J. Climate, 23(5): 1226–1239, DOI:10.1175/2009JCLI3293.1. |
| [] | Kug J S, Ham Y G, Lee J Y, et al. 2012. Improved simulation of two types of El Niño in CMIP5 models[J]. Environ. Res. Lett., 7(3): 034002, DOI:10.1088/1748-/9326/7/3/034002. |
| [] | Lagerloef G S E. 2002. Introduction to the special section: The role of surface salinity on upper ocean dynamics, air-sea interaction and climate[J]. J. Geophys. Res., 107(C12), DOI:10.1029/2002JC001669. |
| [] | Larkin N K, Harrison D E. 2005. On the definition of El Niño and associated seasonal average U.S. weather anomalies[J]. Geophys. Res. Lett., 32(13): L13705, DOI:10.1029/2005GL022738. |
| [] | Lee T, McPhaden M J. 2010. Increasing intensity of El Niño in the central-equatorial Pacific[J]. Geophys. Res. Lett., 37(14): L14603, DOI:10.1029/2010GL044007. |
| [] | Lin J L. 2007. The double-ITCZ problem in IPCC AR4 coupled GCMs: Ocean-atmosphere feedback analysis[J]. J. Climate, 20(18): 4497–4525, DOI:10.1175/JCLI4272.1. |
| [] | Liu H L, Zhang M H, Lin W Y. 2012. An investigation of the initial development of the double-ITCZ warm SST biases in the CCSM[J]. J. Climate, 25(1): 140–155, DOI:10.1175/2011JCLI4001.1. |
| [] | Lukas R, Lindstrom E. 1991. The mixed layer of the western equatorial Pacific Ocean[J]. J. Geophys. Res., 96(S01): 3343–3358, DOI:10.1029/90JC01951. |
| [] | Maes C, Belamari S. 2011. On the impact of salinity barrier layer on the Pacific Ocean mean state and ENSO[J]. SOLA, 7: 97–100, DOI:10.2151/sola.2011-025. |
| [] | Maes C, Picaut J, Belamari S. 2005. Importance of the salinity barrier layer for the buildup of El Niño[J]. J. Climate, 18(1): 104–118, DOI:10.1175/JCLI-3214.1. |
| [] | Mechoso C R, Robertson A W, Barth N, et al. 1995. The seasonal cycle over the tropical Pacific in coupled ocean-atmosphere general circulation models[J]. Mon. Wea. Rev., 123(9): 2825–2838, DOI:10.1175/1520-0493(1995)123<2825:TSCOTT>2.0.CO;2. |
| [] | Newman M, Shin S I, Alexander M A. 2011. Natural variation in ENSO flavors[J]. Geophys. Res. Lett., 38(14): L14705, DOI:10.1029/2011GL047658. |
| [] | Qu T D, Gao S, Fukumori I. 2011. What governs the North Atlantic salinity maximum in a global GCM?[J]. Geophys. Res. Lett., 38(7): L07602, DOI:10.1029/2011GL046757. |
| [] | Singh A, Delcroix T, Cravatte S. 2011. Contrasting the flavors of El Niño-Southern Oscillation using sea surface salinity observations[J]. J. Geophys. Res. Atmos., 116(C6): C06016, DOI:10.1029/2010JC006862. |
| [] | Smith T M, Reynolds R W, Peterson T C, et al. 2008. Improvements to NOAA's historical merged land-ocean surface temperature analysis (1880-2006)[J]. J. Climate, 21(10): 2283–2296, DOI:10.1175/2007JCLI2100.1. |
| [] | Stevenson S L. 2012. Significant changes to ENSO strength and impacts in the twenty-first century: Results from CMIP5[J]. Geophys. Res. Lett., 39(17): L17703, DOI:10.1029/2012GL052759. |
| [] | Sun Y, Wang F, Sun D Z. 2016. Weak ENSO asymmetry due to weak nonlinear air-sea interaction in CMIP5 climate models[J]. Adv. Atmos. Sci., 33(3): 352–364, DOI:10.1007/s00376-015-5018-6. |
| [] | Taylor K E. 2001. Summarizing multiple aspects of model performance in a single diagram[J]. J. Geophys. Res., 106(D7): 7183–7192, DOI:10.1029/2000JD900719. |
| [] | Taylor K E, Stouffer R J, Meehl G A. 2012. An overview of CMIP5 and the experiment design[J]. Bull. Amer. Meteor. Soc., 93(4): 485–498, DOI:10.1175/BAMS-D-11-00094.1. |
| [] | Trenberth K E, Stepaniak D P. 2001. Indices of El Niño evolution[J]. J. Climate, 14(8): 1697–1701, DOI:10.1175/1520-0442(2001)014<1697:LIOENO>2.0.CO;2. |
| [] | Wang C Z, Zhang L P, Lee S K, et al. global perspective on CMIP5 climate model biases[J]. Nat. Climate Change, 4(3): 201–205, DOI:10.1038/nclimate2118. |
| [] | Watanabe M, Suzuki T, O'ishi R, et al. 2010. Improved climate simulation by MIROC5: Mean states, variability, and climate sensitivity[J]. J. Climate, 23(23): 6312–6335, DOI:10.1175/2010JCLI3679.1. |
| [] | Weng H Y, Behera S K, Yamagata T. 2009. Anomalous winter climate conditions in the Pacific Rim during recent El Niño Modoki and El Niño events[J]. Climate Dyn., 32(5): 663–674, DOI:10.1007/s00382-008-0394-6. |
| [] | Weng H Y, Ashok K, Behera S K, et al. 2007. Impacts of recent El Niño Modoki on dry/wet conditions in the Pacific Rim during boreal summer[J]. Climate Dyn., 29(2-3): 113–129, DOI:10.1007/s00382-007-0234-0. |
| [] | Wittenberg A T. 2009. Are historical records sufficient to constrain ENSO simulations?[J]. Geophys. Res. Lett., 36(12): L12702, DOI:10.1029/2009GL038710. |
| [] | Wittenberg A T, Rosati A, Lau N C, et al. 2006. GFDL's CM2 global coupled climate models[J]. Part Ⅲ: Tropical Pacific climate and ENSO [J]. J. Climate, 19(5): 698–722, DOI:10.1175/JCLI3631.1. |
| [] | Xu K, Zhu C W, He J H. 2012. Linkage between the dominant modes in Pacific subsurface ocean temperature and the two type ENSO events[J]. Chinese Sci. Bull., 57(26): 3491–3496, DOI:10.1007/s11434-012-5173-4. |
| [] | Yeh S W, Ham Y G, Lee J Y. 2012. Changes in the tropical Pacific SST trend from CMIP3 to CMIP5 and its implication of ENSO[J]. J. Climate, 25(21): 7764–7771, DOI:10.1175/JCLI-D-12-00304.1. |
| [] | Yeh S W, Kug J S, An S I. 2014. Recent progress on two types of El Niño: Observations, dynamics, and future changes[J]. Asia-Pacific J. Atmos. Sci., 50(1): 69–81, DOI:10.1007/s13143-014-0028-3. |
| [] | Yeh S W, Kug J S, Dewitte B, et al. 2009. El Niño in a changing climate[J]. Nature, 461(7263): 511–514, DOI:10.1038/nature08316. |
| [] | Yu J Y, Kim S T. 2010. Three evolution patterns of central-Pacific El Niño[J]. Geophys. Res. Lett., 37(8): L08706, DOI:10.1029/2010GL042810. |
| [] | Zhang R H, Busalacchi A J. 2009. Freshwater flux (FWF)-induced oceanic feedback in a hybrid coupled model of the tropical Pacific[J]. J. Climate, 22(4): 853–879, DOI:10.1175/2008JCLI2543.1. |
| [] | Zhang X X, Liu H L, Zhang M H. 2015. Double ITCZ in coupled ocean-atmosphere models: From CMIP3 to CMIP5[J]. Geophys. Res. Lett., 42(20): 8651–8659, DOI:10.1002/2015GL065973. |
| [] | Zhang R H, Wang G H, Chen D K, et al. 2010. Interannual biases induced by freshwater flux and coupled feedback in the tropical Pacific[J]. Mon. Wea. Rev., 138(5): 1715–1737, DOI:10.1175/2009MWR3054.1. |
| [] | Zheng F, Zhang R H. 2012. Effects of interannual salinity variability and freshwater flux forcing on the development of the 2007/08 La Niña event diagnosed from Argo and satellite data[J]. Dyn. Atmos. Oceans, 57: 45–57, DOI:10.1016/j.dynatmoce.2012.06.002. |
| [] | Zheng F, Zhang R H. 2015. Interannually varying salinity effects on ENSO in the tropical Pacific: A diagnostic analysis from Argo[J]. Ocean Dyn., 65(5): 691–705, DOI:10.1007/s10236-015-0829-7. |
| [] | Zheng Y X, Lin J L, Toshiaki S. 2012a. The equatorial Pacific cold tongue simulated by IPCC AR4 coupled GCMs: Upper ocean heat budget and feedback analysis[J]. J. Geophys. Res., 117(C5): C05024, DOI:10.1029/2011JC007746. |
| [] | Zheng F, Wan L Y, Wang H. 2012b. Distinguished effects of interannual salinity variability on the development of the central-Pacific El Niño events[J]. Atmos. Oceanic Sci. Lett., 5(2): 123–127, DOI:10.1080/16742834.2012.11446977. |
| [] | Zhi H, Zhang R H, Lin P F, et al. 2015. Quantitative analysis of the feedback induced by the freshwater flux in the tropical Pacific using CMIP5[J]. Adv. Atmos. Sci., 32(10): 1341–1353, DOI:10.1007/s00376-015-5064-0. |