北印度洋孟加拉湾海域是世界上风暴潮灾害最严重的区域之一, 其中热带气旋引起的风暴潮具有移动速度快, 灾害强度大的特点。例如1970年的热带气旋“Bhola”引起的风暴潮直接夺去了孟加拉湾沿海约25万人(Wahiduzzaman et al, 2020)的生命。北印度洋连接大西洋与太平洋, 同时该海域位于我国的“海上丝绸之路”沿线, 是我国“海上丝绸之路”的必要通道。因此对北印度洋风暴潮的研究具有十分重要的现实意义。

作为风暴潮产生的主要原因, 北印度洋气旋在起源位置、登陆位置、持续时间、移动轨迹、累积能量和强度等方面都具有独特的特点。在移动轨迹方面, 西向和西北向的热带气旋占总气旋数的近一半(韩晓伟等, 2010)。由于地形的影响, 孟加拉湾产生的气旋多在孟加拉国和缅甸南部登陆, 而阿拉伯海产生的气旋多沿西高止山脉向西北方向运动, 最终在巴基斯坦南部登陆(吴风电等, 2011)。另外, 热带气旋产生的时间具有明显的年周期变化, 呈现双峰分布, 在5~6和11~12月之间频次较高, 与海温密切相关。7、8月北印度洋海水温度降低, 热带气旋出现频率环比呈现下降趋势, 而9月的热带气旋出现频率增加了20% (Singh et al, 2001)。除了热带气旋的强度, 风暴潮受正面登陆的热带气旋影响较大, 更与其自身有利的地理位置及海岸地形密不可分(张海燕, 2019)。在热带气旋的空间分布方面, 气旋总频数呈现增加趋势, 强烈气旋风暴(风速≥64节)主要生成在孟加拉湾海域的中东部和阿拉伯海海域的中部海域; (强)气旋风暴(风速范围34~63节)主要集中在孟加拉湾海域的西部海域和阿拉伯海海域的东部海域; 热带低压(风速≤33节)主要集中在孟加拉湾海域的西部和北部海域(梁梅等, 2020)。

鉴于北印度洋热带气旋与海温之间密切的相关程度, 而厄尔尼诺-南方涛动(EI Niño-Southem Oscillation, ENSO)等大尺度气候指数作为体现海表温度与气压震荡的重要指标, 在此基础上可以假设北印度洋的年际最大热带风暴潮(annual maximum tropical cyclone storm surge, AMTSS)可能表现出与大尺度气候指数相关的年际变化。如要验证该假设成立, 需要首先利用可靠的观测记录检验各指数与风暴潮之间的统计关系。前人做过一些类似的研究, 例如Colle等(2010)通过分析纽约市1959~2007年的风暴潮事件, 发现在El Niño事件期间发生的弱风暴潮事件多于La Niña事件; Oey等(2016)通过对西北太平洋热带气旋所引起的风暴潮研究发现, 其所用的风暴潮变量与ENSO、太平洋年代际振荡(Pacific Decadal Oscillation, PDO)之间的联系很弱且在统计上不显著; Feng等(2021)用中国沿岸23个验潮站的水位数据研究AMTSS对大尺度海洋信号的响应发现, 在中国大陆东南部北部, 只有强台风风暴潮事件受到ENSO的显著调节, 弱风暴潮事件与ENSO事件之间没有显著的相关性, 等等。

尽管已有上述研究, 但北印度洋风暴潮与大尺度气候指数的关系却尚未明确。为了解其中潜在的物理过程, 需要进行更深层次的探究。本研究利用北印度洋阿拉伯海与孟加拉湾共23个验潮站的水位记录, 首先分析北印度洋热带风暴潮的时空分布特征, 之后进一步分析了AMTSS与大尺度气候指数的关系, 并探讨了其相关性的原因。旨在研究风暴潮对气候变化的响应, 从而对风暴潮的长期预测提供参考。

1 北印度洋热带风暴潮的时空分布特征

为了探究北印度洋热带气旋风暴潮的分布规律, 利用美国联合预警中心(the Joint Typhoon Warning Center, JTWC)公布的1950~2020年热带气旋资料、美国国家海洋和大气管理局(NOAA)公布的1950~2020年热带气旋资料、夏威夷大学海平面中心(University of Hawaii Sea Level Center, UHSLC)公布的北印度洋各个站点每小时的水位数据(图 1a)分别在风暴潮的时间与空间分布方面进行了探索, 并从北印度洋热带气旋的产生及分布方面给出了解释。

1.1 ATMSS与热带气旋影响位置的相关性

在北印度洋热带气旋与强风暴潮事件的空间分布上, 分别对两者进行统计分析。各站位风暴潮大于1 m小时数如图 1b所示。结果显示, 大于1 m的风暴潮事件全部集中在孟加拉湾, 其中绝大部分在孟加拉湾北部发生。

为了对上述结果进行解释, 将各热带气旋轨迹半径3°以内设置为气旋有效影响区域, 以此计算1950~2020年北印度洋所有热带气旋对该海域的影响时间(图 2)。研究发现, 孟加拉湾在热带气旋影响时间方面明显高于阿拉伯海; 而在孟加拉湾内, 北部区域受热带气旋影响更大。正是因为热带气旋分布的差异导致了孟加拉湾北部(S12至S16验潮站)风暴潮大于1 m时间多于其他站位。

1.2 北印度洋AMTSS月际分布特征

北印度洋23个验潮站共统计到341次年际最大热带风暴潮值。基于该数据统计了AMTSS发生时间的月际分布特征, 结果见图 3。结果显示, 北印度洋风暴潮发生时间多集中在5~6月与11~12月、1月, 其他月份也有少量分布。由风暴潮发生频次的月际分布特征(图 3a)可见, 11~12月、1月风暴潮发生频次最多, 占全年总频次的30.79%; 5~6月风暴潮发生频次占全年总频次的28.45%。其他月份AMTSS发生的比重明显减小, 各在2.9%~10%。

为解释风暴潮的这种月际分布特征, 统计了北印度洋热带气旋个数的月际变化, 从图 3a可以看出, 热带气旋出现频次的月际分布与AMTSS发生月份的分布呈现正相关, 相关系数R达到0.65, 显著性为98%。陈联寿(2010)研究表明, 海水表面温度(sea surface temperature, SST) ≥26.5 ℃是热带气旋生成所需的条件。根据据梁梅等(2020)的研究, 4~5月北印度洋海域海表温度有利于热带气旋的生成。7~9月高温区相对偏南, 整个北印度洋海域海表温度较5~6月低。11月整个北印度洋的海表温度再次升高, 对热带气旋的生成起到促进作用。这可能是北印度洋的热带气旋与风暴潮均呈现双峰型结构的分布的原因之一。

为了进一步理解AMTSS强度与热带气旋强度的关系, 通过对热带气旋强度的月际分布分析(图 3b)发现, 4~6月生成的热带气旋平均最大风速分别为40.29、39.13、29.94 m/s; 10~12月生成的热带气旋月平均最大风速分别为37.18、35.23、28.5 m/s。由于4~6月生成的热带气旋的强度普遍大于10~12月生成的热带气旋的强度, 因此, 虽然5~6月生成的热带气旋相比11~12月、1月较少, 但风暴潮极值出现在5~6月的频次较高。

简而言之, 5~6月与11~12月、1月是北印度洋风暴潮频发期, 且5~6月风暴潮的强度更强。这主要取决于北印度洋产生的热带气旋的强度。

2 AMTSS对大尺度信号的响应

大尺度海洋信号是全球气候预测中的重要影响因子, 其中ENSO (EI Niño-Southern Oscillation)、IOD (Indian Ocean Dipole)、NAO (North Atlantic Oscillation)、ONI (Ocean Niño Index)等是全球范围内年际、年代际气候变化的显著信号, 对全球气候具有重要影响(Santoso et al, 2012; 吕学珠等, 2012; 冯兴如等, 2018; Sinha et al, 2020; Saha et al, 2021)。利用NCAR网站(https://climatedataguide.ucar.edu/data-type/climate-indices)各研究机构发布的大尺度气候指数数据, 分析北印度洋AMTSS与大尺度气候指数的关系, 对于风暴潮的长期预测具有参考价值。

2.1 AMTSS对ENSO信号的响应

一些研究人员通过研究ENSO事件对热带气旋频率的影响(Kuleshov et al, 2008; Ramsay et al, 2008), 发现热带气旋的年频率相对涡度和垂直切变密切相关。为了研究ENSO对AMTSS的影响, 对北印度洋各个验潮站AMTSS及AMTSS出现月份的Niño3.4值进行相关性分析(图 4a, 图 5)。

由图 4可知, 北印度洋AMTSS与Niño3.4指数具有显著相关性, 阿拉伯海验潮站的AMTSS与对应月份的Niño3.4指数大多呈正相关, 而孟加拉湾验潮站的AMTSS与对应月份的Niño3.4指数大多呈负相关。在阿拉伯海海域与孟加拉湾海域各选取相关系数较高的三个验潮站, 相关系数为分别达到0.79、0.38、0.73、−0.61、−0.48、−0.63, 显著性分别达到99%、65%、99%、100%、92%、98% (图 5)。也就是说, 孟加拉湾北部在La Niña事件期间更容易有较强的AMTSS出现。以S12验潮站为例, 在1988年La Niña事件与1997年超级EI Niño事件期间, AMTSS分别为294.7和77 cm, 具有明显差异。

由于热带气旋登陆位置的不确定性, 采用整个孟加拉湾北部验潮站的最大风暴潮值来计算与Niño3.4指数的相关性, 以此规避热带气旋登陆位置的随机性带来的误差。结果显示, 孟加拉湾北部AMTSS与Niño3.4指数的相关性达到−0.6, 显著性达到100% (图 6)。这进一步说明ENSO事件对孟加拉湾北部风暴潮的影响是比较显著的。

为进一步了解孟加拉湾北部AMTSS与Niño3.4指数呈负相关的原因, 选取JTWC提供的热带气旋资料(图 7)进行数量统计、NCAR网站的ONI指数, 作为EI Niño、La Niña事件判别标准(图 8), 进行更深入的探究。图 7所示区域在EI Niño事件、正常年份与La Niña事件期间每月平均生成0.323 0、0.303 3、0.380 9个热带气旋, 所产生的热带气旋最大风速分别为23.73、25.33、26.68 m/s。La Niña期间产生的热带气旋数量与最大风速分别比EI Niño期间多17.8%、12.43%, 与以往的研究结论一致(Nath et al, 2015; Wahiduzzaman et al, 2019)。在登陆位置方面, 逆时针旋转的热带气旋更多的在孟加拉湾北部偏西的位置登陆, 而该区域存在许多河口以及半封闭式海湾(图 2b), 特殊的地形导致了海水在河口与海湾内聚集, 带来了更强的风暴潮, 这可能部分解释了孟加拉湾北部地区普遍存在的AMTSS与Niño3.4的负相关性。

我们在统计风暴潮极值与Niño3.4指数的相关性时发现, 孟加拉湾北部S12至S15验潮站的AMTSS与Niño3.4的相关性较显著, 而其他站则不显著。出现这个现象的原因可能是: (1) 风暴潮的形成比较复杂, 除了受热带气旋强度影响外, 还受地形以及站位与热带气旋路径间相对位置的影响; (2) 部分热带气旋过程中, 有些站位数据缺测, 这也会对统计结果造成影响。

2.2 AMTSS和SOI、IOD、NAO指数相关性分析

之前的一些研究表明, 印度洋环境气候与SOI、IOD、NAO也有不同程度的联系。例如, Goswami等(2006)通过NAO建立了北大西洋和印度夏季风之间的联系; Li等(2015)研究发现负IOD主要影响东南印度洋热带气旋数量的增加与减少; Sinha等(2020)通过研究SOI与印度洋风速的关系发现, 印度西海岸南部的风速与SOI呈负相关。考虑到SOI、IOD、NAO对印度洋气候的较大影响, 因此, 本节还统计研究了这三种信号与北印度洋AMTSS的关系。

通过对AMTSS与SOI指数进行相关性分析发现, 位于孟加拉湾北部的S12、S13、S14、S15验潮站的AMTSS都与SOI指数有很强的相关性(图 9)。相关系数为分别达到0.68、0.47、0.55、0.59、显著性分别达到100%、91%、99%、96%。SOI指数与Niño3.4指数均同孟加拉湾北部的AMTSS有极强的相关性和极好的显著性, 而风暴潮主要由热带气旋引起, 这也反映出ENSO对孟加拉湾气候有较大的影响, 进而影响到热带气旋和风暴潮的产生及强度。在与Niño3.4系数有较好正相关性的S1、S2、S7验潮站, AMTSS与SOI的相关性不高, 这可能与两片海域的地理位置以及东、西高止山脉阻碍了ENSO信号的纬向传播有关。

在统计IOD与AMTSS的相关性(图 10a)时发现S18、S23验潮站与IOD的相关性都具有95%以上的显著性(图 10a); 在S16、S17站位处, AMTSS与NAO指数的有较强的负相关(图 10b), 相关性分别为−0.814 1、−0.5233, 显著性分别为99%、91%。说明IOD、NAO信号对研究区的风暴潮有一定影响。

3 结论

本文利用北印度洋沿岸23个验潮站小时序列的水位资料及1950~2020年的热带气旋资料, 统计分析了北印度洋热带气旋风暴潮的时空分布特征与北印度洋AMTSS对Niño3.4、PDO、IOD等信号的响应。结果表明: 在北印度洋区域, 孟加拉湾海域相较于阿拉伯海海域受热带气旋影响更频繁。在孟加拉湾内, 热带气旋的影响区域多集中在偏西、偏北海域, 逆时针旋转的热带气旋以及众多的河口、海湾也导致位于孟加拉湾北部的地区受风暴潮影响最为严重; 北印度洋AMTSS多发生在每年5~6月与11~12月、1月, 两者分别占总AMTSS的28.45%, 30.79%, 但4~6月生成的热带气旋的平均强度大于其他月份。较高的出现频次及热带气旋强度是5~6月AMTSS的出现频次更高的重要原因; 北印度洋AMTSS与Niño3.4、SOI相关性较高并具有极高的显著性, 其中孟加拉湾北部S12至S15验潮站位置的AMTSS与Niño3.4、SOI指数的显著性均达到90%以上, 但Niño3.4指数与阿拉伯海AMTSS多与呈正相关、与孟加拉湾AMTSS多呈负相关, 可能与两片海域的地理位置以及东、西高止山脉阻碍了ENSO信号的纬向传播有关。AMTSS也受到IOD、PDO信号的影响, 但影响不大。

目前对ENSO的预报可以提前几个月(Zhou et al, 2009), 这对提高风暴潮的概率预测相当有用, 并为预警、预防和缓解措施的准备提供宝贵的时间窗口, 但ENSO只是调节热带气旋和风暴潮的众多过程之一, 若要更详尽地了解ENSO对风暴潮的影响, 在未来的研究中, 用可靠的数值模拟来获得更多更详尽的风暴潮数据, 从而进一步了解风暴潮对ENSO信号的响应。