中国西南冬季地表气温的次季节模态及其与欧亚积雪覆盖和热带海温的关联

《Atmospheric Research》：Subseasonal modes of Southwest China winter surface air temperature and their connections with Eurasian snow cover and Tropical SST

　　

•中国西南冬季地表气温的季节内变化特征表现为两个主导模态：渐进反转模态（PR 模态）和东西反转模态（EWR 模态）。
•PR 模态受乌拉尔山脉以东的 10 月积雪覆盖和斯堪的纳维亚型正位相的影响。
•EWR 模态由 11 月的 ENSO 和印度洋偶极子通过其对东亚急流和槽的影响共同调制。

引言
在全球变暖的背景下，气候系统的不稳定性大幅增加（Chen 等，2026）。近几十年来，北半球大陆在冬季经历了一系列强烈且范围广泛的极端寒潮（Petoukhov 和 Semenov，2010；Ding 等，2021；Priscilla 等，2024）。中国西南（SWC）位于长江上游和青藏高原东南侧，地形极其复杂。近几十年的冬季，尽管 SWC 呈现明显的增暖趋势，但该地区极端低温事件频发（Dong 等，2022；Zhang 和 Wang，2022；Li 等，2023）（Yan 等，2023；Li 和 Wang，2023；Zhang 和 Liu，2024）。这种变化增加了同一冬季内冷暖交替的频率，从而对能源基础设施、交通系统、农业生产和人类健康构成重大风险（Chen 等，2015；Yin 等，2019；Qi 和 Pan，2021）。因此，加强理解 SWC 冬季地表气温（SAT）的季节内变化，并确定其关键驱动因素和潜在前兆，对于提高冬季气温预测至关重要。

以往研究表明，东亚 SAT 的空间分布通常以北部模态和南部模态为特征。北部模态主要与东亚槽的位置和西伯利亚高压的强度有关，而南部模态主要与东亚槽的强度和蒙古地区的气位势高度异常有关（Wang 等，2010）。东亚冬季风（EAWM）是影响中国冬季 SAT 的直接因素（Wang 等，2010；Yu 等，2018；Pang 等，2020）。SH 是冬季控制亚洲低层对流层的最强且范围最广的环流系统，因此其位置和强度的变化对中国冬季平均 SAT 有实质性影响（Wang 等，2006；Lan 和 Li，2016；Li 等，2023）。此外，冬季乌拉尔山脉上空的气位势高度异常与 EAWM 表现出强相关性（Jian 等，2020；Dong 等，2022）。外部强迫因素，如厄尔尼诺 - 南方涛动（ENSO）（Wang 等，2017；Wang 等，2023；Geng 等，2023）、北大西洋海表温度（SST）（Jian 等，2020；Zhang 等，2023；Shao 等，2025）、北极海冰（Dai 等，2022；Wu 等，2022；Han 等，2023；Xia 等，2024）和欧亚积雪覆盖（Yu 等，2017；Han 和 Sun，2018；He 等，2024），以及内部大气变率，包括大气遥相关型（Wang 等，2015；Liang 等，2019；Song 等，2023；Luo 等，2024；Liang 等，2025）和平流层突然增暖（SSW）事件（Yan 等，2022；Xie 等，2025），共同影响 EAWM，从而调制中国冬季平均 SAT。

观测研究表明，欧亚大陆冬季 SAT 表现出明显的季节内变率（Dai 等，2019；Shen 等，2021；Qi 等，2021；Zhong 和 Wu，2022, 2024；Li 等，2023；Yang 等，2023；Zheng 等，2023；Liu 等，2025）。以往研究表明，这种变率与北极海冰、欧亚积雪覆盖、海表温度异常和大规模大气环流的前兆信号密切相关。大规模环流变率也在 SAT 位相转换中起着重要作用。Qi 和 Pan (2021) 表明，东亚 12 月至次年 2 月之间的 SAT 位相反转与北大西洋涛动（NAO）的位相转换密切相关，后者通过欧亚大陆下游的季节内遥相关变化影响 SAT。此外， Madden-Julian 振荡的位相转换和平流层突然增暖事件也被证明有助于 SAT 反转（Li 和 Fan，2024；Zhong 和 Wu，2024）。此外，Zhong 等 (2024) 进一步确定秋季北极海冰和 AO 是东亚 SAT 反转模态的重要可预测性来源。此外，戴维斯海峡、东亚中东部和北美关键地区的 SAT 异常被发现是东亚 SAT 快速反转模态的关键前兆信号。Yang 等 (2023) 进一步证明，巴伦支海 - 拉普捷夫海的 9 月海冰异常、西欧和东亚的积雪覆盖异常以及 11 月北大西洋海表温度异常是中国冬季月 SAT 变率前三个模态的重要预测因子。典型冬季 SAT 反转事件的案例研究进一步强调了多个关键因素的作用，包括不同区域的北极海冰异常（Dai 等，2022；Yang 和 Fan，2022）、拉尼娜和印度洋偶极子（IOD）共同诱导的异常气旋环流（Zhao 等，2023）、超级厄尔尼诺事件期间的 AO/NAO 位相转换（Cheung 等，2016；Geng 等，2017）、平流层突然增暖事件（Yang 和 Fan，2022；Yan 等，2022），以及太平洋年代际涛动对厄尔尼诺和北极海冰的调制（Xu 等，2018）。

由于其独特的地理位置，SWC 对气候变率特别敏感，影响其年际气候变率的因素相对复杂。以往研究表明，SH 和东亚槽的位置、冷空气的南延伸和路径、南支槽的活动、青藏高原上空的气位势高度以及中东急流都是影响 SWC 冬季 SAT 异常的重要环流系统（Shi 等，2017；Song 和 Wu，2017；Liu 等，2020；Shu 等，2021；Yan 等，2023, 2024）。此外，青藏高原冬季风的强度和位置变化明显影响 SWC 的冬季 SAT（Bai 等，2005；Wang 等，2015）。Zheng 等 (2019) 发现，在年代际时间尺度上，夏季热带西太平洋关键海表温度区域的暖位相转变是影响 SWC SAT 年代际变率的重要强迫因素。Yuan 等 (2022) 进一步揭示了拉尼娜事件在该地区年代际尺度冬季 SAT 上的关键影响。关于 SWC 冬季 SAT 的位相反转，Wu 等 (2024) 表明，2000 年以后，SWC 东部呈现出更普遍的初冬冷、后冬暖异常模式，青藏高原上空 500 百帕气位势高度起关键作用。然而，以往关于 SWC 冬季 SAT 季节内变率机制和前兆信号的研究仍然有限。近期观测表明，该地区冬季 SAT 表现出明显的季节内变率，这增加了季节内气温预测的不确定性（Wu 等，2024）。为了提高 SWC 冬季 SAT 季节内变率的预测技巧，本研究调查了其主导模态及相关前兆信号，旨在阐明其潜在机制。

本文其余部分组织如下。第 2 节描述本研究中使用的数据和方法。第 3 节分析 SWC 冬季季节内 SAT 变化的前两个主导模态的时空特征及相关大气环流异常。第 4 节探究前期欧亚积雪覆盖和热带海表温度影响这两个主导模态的物理机制。最后，第 5 节给出结论与讨论。

片段部分
数据
本研究使用了欧洲中期天气预报中心（ECMWF）提供的 ERA5-Land 再分析资料中的月 SAT 和雪深（SD）数据（Hersbach 等，2020）。这些数据被重网格化为共同的 1° × 1° 空间分辨率。水平分辨率为 2.5° × 2.5° 的月大气场来自美国国家环境预报中心和国家大气研究中心（NCEP/NCAR）再分析资料（Kalnay 等，1996）。周

SWC 冬月 SAT 间月变化模态的特征
图 1 展示了通过 S-EOF 分析得出的 SWC 冬季月 SAT 变化的前两个主导模态。根据 North 准则，这两个模态可以完全分离（North 等，1982）。这两个模态的累积方差贡献率达到 42.2%。SWC 冬季 SAT 的第一个主导模态特征是从西向东发展的渐进性、区域性变化模态（PR 模态）。就空间演变而言，显著暖

10 月欧亚积雪覆盖在 S-EOF1 中的作用
以往研究已经证明，欧亚积雪覆盖对欧亚大陆冬季 SAT 变率起着重要作用，特别是在东亚和中国（Yu 等，2017；Li 等，2017；Yang 等，2023；He 等，2024）。Han 等 (2018) 表明秋季欧亚积雪覆盖对欧亚大陆冬季 SAT 的主导模态产生强烈影响，而 Yang 等 (2023) 强调了 11 月欧亚积雪覆盖与冬季月第二模态之间的密切关系

结论与讨论
本研究调查了 1991–2023 年 SWC 冬季 SAT 季节内变率的主导模态及其与欧亚积雪覆盖和海表温度的联系。主要结果如下。第一个主导模态被确定为 PR 模态，其显著暖异常主要集中在 12 月该地区的西部，增暖信号在 1 月向东扩展以涵盖东部，最终演变为空间一致且显著暖

CRediT 作者贡献声明
罗宇：撰写 – 原稿，正式分析，数据整理。陈超：概念化，方法学，撰写 – 审阅与编辑。杨红清：概念化，方法学，撰写 – 审阅与编辑。陈丽娟：概念化，撰写 – 审阅与编辑。周昌炎：监督，撰写 – 审阅与编辑。刘斯昌：可视化，撰写 – 原稿。庞亦舒：撰写 – 审阅与编辑。

未引用参考文献
Chen 等，2014
Gong 等，2024
He 和 Wang，2013
Li 和 Qi，2025
Li 和 Wu，2023
Liu 和 Song，2018
Ma 和 Zhu，2019
Nie 等，2023
NOAA CDR Program 等，2012
Qiao 等，2023
Shen 等，2022
Tang 等，2022
Wang 和 Zhang，2022
Wang 等，2019
Wang 和 Zhang，2015
Wang 等，2024
Wang 和 Ding，2006
Wang 等，1991
Wu 等，2012
Xiao 等，2018

利益冲突声明
作者声明，他们不知道有任何可能影响本文所报告工作的已知竞争性经济利益或个人关系。

致谢
本工作得到了西藏自治区重大科技项目（项目编号 XZ202402ZD0006）；中国四川省自然科学基金（项目编号 2025ZNSFSC0333）；国家自然科学基金（项目编号 42605049）；四川省气象局关键创新团队（项目编号 SCQXTD202402）；中国气象局创新与发展计划（项目编号 CXFZ2026J024）；暴雨和

罗宇|陈超|杨红清|陈丽娟|周昌炎|刘斯昌|庞亦舒