EN中文

地理学报 >

2023 , Vol. 78 >Issue 1: 121 - 138

DOI: https://doi.org/10.11821/dlxb202301008

气候变化与生态环境

基于遥感监测的秦岭南北积雪日数时空变化及影响因素

  • 李双双 ,
  • 胡佳岚 ,
  • 段克勤 ,
  • 何锦屏 ,
  • 延军平
展开
  • 陕西师范大学地理科学与旅游学院，西安 710119

李双双(1988-), 男, 陕西潼关人, 副教授, 硕士生导师, 中国地理学会会员(S110011553M), 研究方向为气候变化与区域灾害防治。E-mail:

收稿日期: 2022-09-04

  修回日期: 2022-11-15

  网络出版日期: 2023-01-16

基金资助

国家自然科学基金项目(42171095)

国家自然科学基金项目(41877519)

国家自然科学基金项目(41771030)

国家自然科学基金项目(41701592)

收起

Spatiotemporal variation of snow cover days and influencing factors in north and south Qinling Mountains based on remote sensing monitoring

  • LI Shuangshuang ,
  • HU Jialan ,
  • DUAN Keqin ,
  • HE Jinping ,
  • YAN Junping
Expand
  • School of Geography and Tourism, Shaanxi Normal University, Xi'an 710119, China

Received date: 2022-09-04

  Revised date: 2022-11-15

  Online published: 2023-01-16

Supported by

National Natural Science Foundation of China(42171095)

National Natural Science Foundation of China(41877519)

National Natural Science Foundation of China(41771030)

National Natural Science Foundation of China(41701592)

Fold

摘要

以海拔依赖型变暖为理论基础，研究山地积雪对气候变暖的响应机制，是当前气候变化研究的热点问题。基于2000—2019年MODIS积雪物候数据，对秦岭南北积雪日数时空变化进行分析，探讨了秋冬两季厄尔尼诺指数（NINO）、青藏高原气压对积雪异常的影响。结果表明：① 2013年后秦岭南北气候由“变暖停滞”转为“增温回升”，积雪日数随之呈现转折下降，积雪日数≥10 d栅格占比由前期的35.1%下降为8.6%。② 在垂直地带规律上，秦岭山地以1950~2000 m为临界点，大巴山区以1600~1650 m为临界点，低海拔地区积雪日数随海拔增加速率要低于高海拔地区。2100~3150 m海拔带是积雪日数的垂直变化的关键带；③ 在影响因素上，NINO C区、NINO Z区秋冬海温和青藏高原冬季高压，是秦岭山地、汉江谷地和大巴山区积雪异常的有效指示信号。当赤道太平洋中部秋冬海温偏低，且青藏高原冬季高压偏低时，上述3个子区积雪日数异常偏多。④ 在环流机制方面，相对于积雪日数偏少年，秦岭南北积雪日数偏多年1—2月0 ℃等温线位置偏南，低温环境为增加冰雪物质积累、延缓冰雪消融提供了气温条件；1月区域存在弱的水汽辐合带，为增加冰雪物质积累提供了水汽条件。

关键词： 气候变化; 积雪日数; 遥感监测; 海拔依赖型变暖; 秦岭南北

本文引用格式

李双双 , 胡佳岚 , 段克勤 , 何锦屏 , 延军平 . 基于遥感监测的秦岭南北积雪日数时空变化及影响因素[J]. 地理学报, 2023 , 78(1) : 121 -138 . DOI: 10.11821/dlxb202301008

Abstract

It is a hot issue in climate change research to study the response mechanism of mountain snow cover to climate warming based on elevation-dependent warming. Based on Terra Moderate Resolution Imaging Spectroradiometer (MODIS) snow cover phenology datasets from 2000 to 2019, we analyzed the spatiotemporal variation of snow cover days in the north and south of the Qinling Mountains by the methods of trend and detrended correlation analysis. Meanwhile, we identified the influencing factors of snow cover days from the perspectives of sea surface temperature (SST) in autumn and winter of the equatorial Pacific, high pressure over the Qinghai-Tibet Plateau, respectively. The results are as follows: (1) after 2013, climate condition in the north and south of the Qinling Mountains shifted from "warming hiatus" to "warming up", followed by declining snow cover days. And the proportion of areas with snow cover more than 10 days decreased from 35.1% to 8.6%. (2) We identified 1950-2000 m in the Qinling Mountains and 1600-1650 m in the Daba Mountains as transition zones of snow cover days. Above the transition zone, the increasing rate of snow cover days with altitude is higher than that of the low altitude area. Particularly, the altitudinal belt between 2100 m and 3150 m is the sensitivity zone of snow cover days to climate change. On the basis of the reference period of 2000-2004, we find that the elevation with 40, 60 and 80 days of snow cover increased by 100 m, 100 m and 150 m for the period of 2015-2019. (3) The SST in autumn and winter over NINO C and NINO Z regions and the winter high pressure over Qinghai-Tibet Plateau are two effective indicators of snow cover days anomaly in the Qinling Mountains, Hanjiang Valley and Daba Mountains. The lower SST of the central equatorial Pacific in autumn and winter, or the lower the winter high pressure over the Qinghai-Tibet Plateau is, the more excessive snow cover days would occur. (4) In terms of circulation mechanism, during the years with more snow cover days, the 0 ℃ isotherm in January and February was southerly, providing the proper temperature for increasing snow and ice accumulation and delaying snow and ice melting. Moreover, there was a weak water vapor convergence zone in January, which provided water vapor conditions for increasing snow and ice accumulation. The findings can enrich our understanding of winter climate change and provide early warning information of snow anomaly in the subtropical and warm-temperate zones in China.

Key words： climate change; snow cover days; remote sensing monitoring; elevation-dependent warming; north and south of Qinling Mountains

1 引言

冰川、冻土和积雪是冰冻圈主要的组成要素[1]。高原变暖放大效应、海拔依赖型变暖，以及山地积雪、高原冰川、冻土对气候变暖的响应机制，是当前气候变化研究的热点问题[2]。其中，海拔依赖型变暖（Elevation-dependent warming）是变暖速率随着海拔高度增加，系统性变化的空间模态与物理现象[3]。与青藏高原“亚洲水塔”类似，中国许多山地系统也承载着区域水资源调控的作用[4⇓-6]。气候迅速变暖，导致高山积雪融化，会降低山地淡水资源储存能力[7]，增加了区域水安全的风险，也易诱发山体滑坡、流域洪水、生态退化等自然灾害事件[8⇓⇓⇓-12]。因此，关注山地积雪时空变化规律，量化海拔依赖型变暖与积雪响应的关系，成为“山地—平原”城市群科学适应气候变化和有效制定水资源管理措施的前提条件和关键领域。
秦岭是中国重要的地理分界线，属于中国常年多雪带，也是南水北调和引汉济渭工程的核心区[13⇓-15]。秦岭山地积雪，是汉江流域和渭河流域水资源的重要补给来源。前期秦岭南北积雪研究中，以高山站点（华山、太白山）积雪规律研究较多[16⇓-18]，以高分辨率遥感数据为基础，对比南北地理单元积雪响应规律的研究相对较少，研究秦岭南北积雪异常的环流机制相对较少[19]。许多学者对秦岭气温、夏季降水、植被垂直地带规律、气候分界意义和山体效应进行了探索[20⇓⇓⇓-24]，但是积雪日数垂直变化规律尚不明晰，亟需量化海拔依赖型变暖与积雪响应的关系。
东亚冬季风是中国中东部积雪异常的重要影响因素之一[25]。1999年后东亚冬季风由偏弱转为偏强，中国冬季气温变化从“全国一致型”转变为“北冷南暖型”，中国冬季低温、暴雪、冷冻灾害发生呈现极端化[26]。例如，2008年南方低温冰冻雨雪天气影响中国20个省（区、市），灾害影响涉及电力、交通、农业以及人民生活等方面，直接经济损失和受灾人口为历史同期同类灾害之最[27]。2016年雨雪冰冻天气再袭南方，中国76个站点低温破极值，两广、港澳台等地出现气象记录以来仅有的一次降雪天气，刷新了中国降雪最南界线[28]。2020年冬季风异常在季节内存在强弱转换，造成中国气候呈现“前冬冷干、后冬暖湿”，其中陕西西北部、西藏东南部冬季降水偏多2倍以上[29]。可见，全球变暖背景下变暖趋势毋容置疑，冬季气候也呈现极端化。因此，从遥感监测出发，关注近年来秦岭南北积雪日数时空变化规律，也是对中国南北过渡带冬季气候是否呈现极端化的验证。
作为东亚冬季风年代际变化的遥相关调控因素，厄尔尼诺—南方涛动（ENSO）与东亚冬季风强弱具有明显的负相关关系[30]。同时，青藏高原积雪异常与ENSO呈显著的正相关，两者与东亚季风区海陆热力差异呈现显著的负相关[31]。20世纪初，青藏高原积雪偏少，耦合赤道中东太平洋海温偏低，增强中国东部季风区海陆热力差异，将导致冬春环流改变[32⇓-34]。在环流年代转变下，中国南北过渡带积雪日数如何响应，是否呈现增加趋势需进一步验证。需要说明的是，近年来，学界对ENSO研究呈现精细化，即空间上关注赤道中东太平洋不同海区海温异常与中国气候的响应差异性，时间上更加重视前秋或冬季ENSO对东亚气候的影响滞后效应[35⇓-37]。基于上述认识，综合ENSO对东亚气候影响的滞后性和青藏高原环流影响的持续性，挖掘秦岭南北积雪异常的遥相关预警信号，将有助于中国南北过渡带冬季区域综合风险防范体系构建。
基于此，本文利用2000—2019年MODIS积雪物候数据，对中国南北过渡带积雪日数时空变化进行分析；以海拔依赖型变暖为理论基础，量化积雪日数的垂直地带规律；以不同海区厄尔尼诺指数（Oceanic Niño Index, NINO）和青藏高原环流异常为切入，识别积雪日数异常的遥相关信号，以期为中国南北过渡带科学适应气候变化提供理论依据。

2 数据来源与研究方法

2.1 数据来源

本文数据主要包括遥感监测积雪产品、环流指标和大气环流再分析数据。
在遥感数据方面，2000—2019年秦岭南北积雪日数数据为郝晓华等[38]根据高空间分辨率无云Landsat-5 TM/Landsat 8 OLI影像，使用隐马尔可夫时空建模和微波雪深数据插值两步去云，在中国的林区和非林区分别改进MODIS产品标准的积雪提取算法，并结合温度数据、水体数据开发的2000—2020年MODIS中国积雪物候数据集。该数据集来源于国家冰川冻土沙漠科学数据中心（http://www.ncdc.ac.cn），空间分辨率为500 m。数据集识别时间尺度为9月1日—次年8月31日。数字高程（DEM）数据来自中科院计算机网络信息中心国际科学数据服务平台提供的90 m分辨率SRTM产品，重采样为500 m，与积雪产品数据分辨率相匹配。
地表2 m气温、大气比湿、纬向、经向风等大气环流资料来源于美国国家环境预报中心和国家大气研究中心（https://psl.noaa.gov）的月尺度再分析数据。
积雪日数具有跨季节性，秦岭南北积雪时段主要为11月—次年3月。为了分析秦岭南北积雪日数变化的影响，综合考虑3方面因素，即海温—大气环流影响因子对东亚冬季气候影响的滞后性、遥相关机制的清晰性及积雪异常前期预警的实践意义，本文在已有研究结果基础上[19]，选取两类与秦岭南北积雪变化密切相关的环流因子，作为积雪日数变化的影响因素。
9个表征不同海区的厄尔尼诺指数（NINO）为：NINO 1+2区、NINO 3区、NINO 4区、NINO 3.4区、NINO W区、NINO C区、NINO A区、NINO B区、NINO Z区；青藏高原南部气压指数（TPI-S）和北部气压指数（TPI-N）为两个表征青藏高原气压异常的环流指数（图1），上述数据来源国家气候中心变化与预测研究室发布的130项环流指数数据集。
图1 厄尔尼诺指数和青藏高原气压指数空间位置分布

Fig. 1 Spatial location of Oceanic Niño indexes and Tibetan Plateau pressure indexes

不同海区海温异常相关分析目标是识别中部型、东部型或综合海区海温异常与积雪日数相关性强弱，挖掘秦岭南北积雪异常的ENSO遥相关预警信号。
青藏高原气压指数相关的环流基础为青藏高原积雪异常，是解释东亚气候年代际变化的重要机制之一[31]。青藏高原南北积雪存在异常，加之高原面不对称增温，导致积雪异常空间差异影响周边大气环流、下游气候的机制不同[40]。在积雪初期，地面反射通量增加起主导作用；积雪融化后，融雪吸热、加之“偏湿土壤”会延长高原积雪与大气互馈作用，导致青藏高原环流异常影响时效可以持续到6月[41]，这也是本文选择青藏高原秋季、冬季气压异常与秦岭南北积雪相关分析的物理基础。

2.2 研究方法

2.2.1 趋势分析法

结合Sen+Mann-Kendall趋势分析方法[39]，对秦岭南北积雪日数变化趋势进行分析，计算公式如下：
β = m e d i a n x j - x i t j - t i ,       ∀ j > i
式中：β 为积雪日数趋势度；xi和xj为逐像元积雪日数；ti和tj分别为年份。若β值为正，表示积雪日数逐年增多；若β值为负，表示积雪日数逐年降低。积雪日数变化趋势显著性通过Mann-Kendall趋势值检验。

2.2.2 积雪日数海拔依赖规律分析

为了对比中国南北过渡带积雪日数空间特征，以1000 m等高线为划分标准，在保证山地与流域的完整性基础上，将研究区划分为关中平原、秦岭山地、汉江谷地和大巴山区等4个子区（图2）。进而从空间剖面线和时间演变两个角度，对秦岭南北积雪日数的垂直地带规律进行分析。
图2 秦岭南北地理环境与典型剖面线位置

Fig. 2 Geographical environment and four typical profiles in the north and south of Qinling Mountains

选取107.6°E、109.9°E经线和32.8°N、33.9°N纬线，统计4个典型剖面线不同高度积雪日数。其中，107.6°E自北向南经过主要地形单元为：渭北旱塬→关中平原→秦岭北麓→太白山→秦岭南麓→汉江谷地→大巴山区；109.9°E自北向南经过主要地形单元为：关中平原→秦岭北麓→华山→丹江河谷→流岭→鹘岭→汉江谷地→竹溪→大巴山区；32.8°N自西向东经过主要地形单元为：嘉陵江谷地→米仓山→大巴山→安康盆地→汉江谷地；33.9°N自西向东经过主要地形单元为：两当盆地→嘉陵江上游→太白山→终南山→丹江河谷→东秦岭。
以5年为时间段，划分2000—2004年、2005—2009年、2010—2014年和2015—2019年4个时段；以50 m为等高度间隔，统计500~3600 m范围内，秦岭南北全区、秦岭山区、大巴山区逐海拔段积雪日数均值。识别3个积雪日数40 d、60 d、80 d不同时段对应海拔高度变化，分析2015—2019年和2000—2004年不同海拔高度积雪日数差值规律，计算2000—2019年积雪日数与海拔高度相关性时间变化规律，定量分析山地效应对积雪日数的影响。

2.2.3 积雪日数与海气异常的去趋势相关分析

借助相关分析方法，分析秦岭南北4个子区积雪日数与秋季、冬季不同海区海温异常、青藏高原气压异常的相关特征。
首先，计算2000—2019年11个海温、大气环流秋冬两季指数，以及秦岭南北4个子区积雪日数。建立20年秦岭南北4个子区积雪日数yi、11个海温—大气环流秋冬指数xi,与所对应时刻ti一元线性回归方程。
x i = a 1 + b 1 t i
y i = a 2 + b 2 t i
式中：a1和a2为回归常数；b1和b2为回归系数；利用最小二乘法，计算a和b。
其次，对积雪日数yi和海温、大气环流指数xi进行去趋势，获得积雪日数去趋势序列Yi以及海温、大气环流指数去趋势序列Xi。去趋势目的为：滤除趋势信息，保留时间序列的年代际波动信息。
X i = x i - a 1 - b 1 t i
Y i = y i - a 2 - b 2 t i
去趋势相关系数计算方法如下：
r = ∑ i = 1 n ( X i - X - ) ( Y i - Y - ) ∑ i = 1 n ( X i - X - ) 2 ∑ i = 1 n ( Y i - Y - ) 2
式中：r为积雪日数与9个NINO指数、2个青藏高原气压指数的去趋势相关系数；Xi为第i年海温或大气环流去趋势指数；Yi为第i年秦岭南北4个子区积雪去趋势日数； X -为海温或大气环流秋季、冬季去趋势指数多年均值； Y -为秦岭南北4个子区积雪去趋势日数多年均值；n为研究时段长度。

2.2.4 积雪日数异常水汽条件分析

水汽输送通量指单位时间内，流经单位截面积的水汽质量，分为水平、垂直水汽输送通量，其数值和方向，表示水汽来源、输送路径和强弱。水汽通量散度，可描述水汽的辐合辐散状况。
在单位气柱内，整层水汽输送通量Q和水汽通量散度D计算公式如下：
Q = - 1 g ∫ p s p t q V → d P
D = - 1 g ∫ P s P t ∇ ( q V → ) d P
式中：g为重力加速度；q为大气比湿；P为气压；Ps为积分下界气压，取地面气压；Pt为300 hPa；V为该单位气柱内各层大气风速；Q包括纬向qu和经向qv的水汽通量。其中，水汽通量散度为正时，表征区域水汽辐散，不利于区域降水形成；水汽通量散度为负时，表征区域水汽辐合，有利于区域降水形成。
为了减少文章内容冗余，选取受人类活动影响较小的秦岭山地为代表，以±0.5标准差为标准，识别积雪偏多和偏少年；计算积雪偏多（偏少）年对应11月—次年3月逐月气温、水汽通量和散度均值，提取0 ℃等温线分布位置，对比秦岭南北积雪异常年气温、水汽通量空间格局的差异性。

3 结果与分析

3.1 秦岭南北积雪日数时间变化特征

冬季，南下冷空气受秦岭山地阻挡，加之秦岭南坡下坡风引起的绝热下沉增温，抑制了冷空气进入汉江谷地，导致关中平原积雪日数（9.5 d）远高于汉江谷地（5.1 d），低于秦岭山地（10.9 d）和大巴山区（10.3 d）。在波动程度上，秦岭南北4个子区积雪日数标准差关系为：汉江谷地<大巴山区<秦岭山地<关中平原，说明关中平原和秦岭山地积雪日数年际波动性较大，更易出现极端降雪天气（表1）。
表1 秦岭南北不同分区积雪日数变化统计特征

Tab. 1 The statistics of snow cover days change in the north and south of Qinling Mountains

积雪日数 关中平原 秦岭山地 汉江谷地 大巴山区 秦岭南北
2000年(d) 8.2 11.0 4.6 9.6 8.3
2010年(d) 4.7 13.2 6.7 14.9 9.9
2019年(d) 2.4 6.8 2.4 8.4 5.0
均值(d) 9.5 10.9 5.1 10.3 9.0
标准差(d) 7.8 6.3 3.4 5.7 5.3
变化率(%) -70.9 -38.4 -47.4 -12.5 -40.1
趋势值(d/10a) -2.7 -1.0 -0.5 -1.3 -1.3

注：均值、标准差、变化率和趋势值计算时段均为2000—2019年。

在变化速率上，关中平原积雪日数由2000年的8.2 d下降到2019年的2.4 d，20年间变化速率为-2.7 d/10a，高于大巴山区（-1.3 d/10a）和秦岭山地（-1.0 d/10a）；汉江谷地积雪日数下降幅度最小，为-0.5 d/10a。说明全球变暖背景下，受人类活动影响较大、纬度更偏北的关中平原，积雪日数下降响应更为明显。
在年代际变化上，秦岭南北积雪日数变化存在明显的转折性。以2013年为分界，前期秦岭山地、汉江谷地和大巴山区积雪日数呈上升趋势；后期秦岭南北积雪日数呈现断崖式下降。除2017—2018年积雪日数偏多之外，2014—2019年积雪日数多为负距平（图3）。近年来，秦岭南北增温再回升，是区域积雪日数出现年代转折的重要原因。
图3 2000—2019年秦岭南北积雪日数变化特征

Fig. 3 Variation of snow cover days in the north and south of Qinling Mountains during 2000-2019

3.2 秦岭南北积雪空间变化特征

为了对比2000—2013年和2014—2019年两阶段秦岭南北积雪空间变化特征，将积雪日数划分3个等级，即低值区（<8 d）、中值区（8~10 d）和高值区（≥10 d）。具体变化特征为：
（1）空间格局特征。2000—2013年秦岭南北积雪日数高值区栅格比重为35.1%，空间连片分布于秦岭分水岭以北、渭河南岸以及大巴山区；积雪日数中值区栅格比重最小，为15.3%，空间集中分布于渭河中段北岸；积雪日数低值区栅格比重为49.6%，分布于汉江谷地、嘉陵江流域海拔1000 m以下的区域（图4a）。
图4 秦岭南北积雪日数空间格局与趋势变化特征

Fig. 4 The average and trend pattern of snow cover days in the north and south of Qinling Mountains

随着中国南北过渡带气温由“增温减缓”转为“再次变暖”，2014—2019年区域积雪日数高值区栅格比重下降为8.6%，空间上以秦岭山地分水岭为中心呈线性分布，大巴山区积雪日数已降低到4 d以下。全区积雪日数低值区栅格比重上升为84.5%，从图4b可以看出，除秦岭山地东段和渭河南岸部分区域积雪日数维持在6~10 d之外，其他区域积雪已少有超过4 d的长时间积雪保持。
（2）空间趋势特征。空间栅格尺度揭示秦岭南北积雪变化规律，与前文4个子区趋势分析结果基本变化一致，即近20年区域积雪日数并未呈现出明显的线性趋势，变化过程以年代波动为主，97.9%区域积雪日数变化趋势不显著（图4c、4d）。
细致分析2000—2013年积雪日数空间格局，可以清晰看到，尽管秦岭南北积雪日数变化仍不显著（图4f），但是空间格局呈现出明显的“南增北减”分异特征（图4e）。其中积雪减少区（<-3 d/10a）栅格占比为6.1%，空间主要位于关中平原，增加区（>3 d/10a）栅格占比为46.5%，空间集中分布于秦岭以南。秦岭山地中段、嘉陵江、大巴山区东段、汉江谷地下游部分区域积雪日数增加速率可达到5~7 d/10a。

3.3 秦岭南北积雪日数时空变化的影响因素

3.3.1 典型地形剖面海拔与积雪日数对应规律

“山谷南北交替”的地形对积雪日数变化具有重要的影响。除东西穿越大巴山的32.8°N剖面线之外，其他3个剖面积雪日数与海拔拟合分析，均呈现出显著的相关关系（图5）。
图5 秦岭南北典型剖面海拔与积雪日数的对应关系

Fig. 5 Corresponding relationship between snow cover days and altitude from west to east (33.9°N and 32.8°N), and from north to south (107.6°E and 109.9°E) in the north and south of Qinling Mountains

对于秦岭南北西段而言，在107.6°E剖面线上，太白山是区域积雪日数高值点，多年积雪日数超过80 d；汉江谷地和关中平原积雪日数大致相当，多年积雪日数在20天左右（图5a）。对于秦岭南北东段而言，109.9°E剖面线穿过更多岭谷交替区，华山与大巴山为海拔高值点，积雪日数均超过25 d；空间上，沿“丹江河谷—汉江谷地—竹溪谷地”一线自北向南积雪日数逐渐下降（图5b）；
在33.9°N剖面线上，以太白山为界，从两当盆地到太白山，积雪日数变化曲线相对平稳；越过107.0°E经线，积雪日数陡然增加；从太白山到东秦岭，随着海拔降低，积雪日数呈现下降趋势（图5c）；在32.8°N剖面线上，受大巴山“西北—东南”山体走向影响，在109.0°E以西地区，海拔和积雪日数匹配度较高；在109.0°E以东地区，地形由山地过渡为宽阔的河谷。地形虽然陡然下降，积雪日数与安康盆地相差并不多，说明汉江谷地积雪日数东西差异相对较小（图5d）。

3.3.2 量化秦岭南北地形与积雪日数的变化规律

前文以剖面为基础，线性拟合海拔与积雪日数的关系，无法有效揭示垂直地带规律的非线性特征。本文以50 m为等高距，统计秦岭、大巴山区不同海拔带积雪日数多年均值，回答“积雪日数垂直递增率转折是否存在关键海拔带”“秦岭山地和大巴山垂直递增规律是否存在差异”等问题（图6）。
图6 秦岭山地与大巴山区海拔与积雪日数相关关系

Fig. 6 Correlation analysis between snow cover days and altitude for the Qinling and Daba Mountains

结果表明，秦岭山地和大巴山区积雪日数随海拔变化呈现指数分布。其中，秦岭山地以1950~2000 m为临界点，1950 m以下区域海拔每升高100 m积雪日数上升0.012 d；2000 m以上高海拔地区，积雪日数垂直递增率上升为0.10 d/100m（图6a）。大巴山区海拔相对较低，以1600~1650 m为临界点，1600 m以上区域积雪日数垂直递增率（0.054 d/100 m）是低海拔地区（0.012 d/100 m）的4.5倍（图6b）。
从年代变化分析，2000—2019年秦岭南北积雪日数与海拔相关系数均高于0.90，相关性先增加后减少，说明区域积雪日数与海拔垂直变化的关系受气温、降水等因素影响，并非一成不变，而是存在明显的年际波动（图7a）。
图7 秦岭南北积雪日数垂直地带规律的时间变化特征

Fig. 7 Vertical zonality change of snow cover days in the north and south of Qinling Mountains

统计3个积雪日数40 d、60 d、80 d的4个时段对应海拔高度变化，发现不同时期积雪日数指数分布的垂直地带规律依然明显，不同积雪日数所处海拔高度也在波动上升。以2000—2004年为基准期，其他3个阶段中，积雪日数为80 d的高度变化过程为：升高（200 m）→降低（-100 m）→升高（150 m），60天高度变化过程为：升高（50 m）→降低（-200 m）→升高（100 m），40 d高度变化过程为：升高（50 m）→降低（-200 m）→升高（100 m）。整体而言，秦岭南北积雪日数海拔高度处于波动变化（图7b~7e）。
对2015—2019年与2000—2004年不同海拔带积雪日数差值进行分析，2100~2150 m是第一个海拔转折点，2100 m以下区域，积雪日数差值在-4 d以下，随海拔变化增加，积雪差值增加速率相对较缓；3100~3150 m是第二个海拔转折点，2100~3150 m高度带随着海拔增加，积雪日数差值增加速率明显增大。3150 m以上区域，积雪日数差值随海拔高度增加先减少后增大（图7f）。
由此可见，2100~3150 m海拔带是积雪日数（静态）垂直增加带，也是积雪日数（动态）加速减少带，符合变暖海拔依赖性规律（Elevation-dependent Warming）的认知，即海拔越高，积雪日数对增温响应速率越快。

3.3.3 识别秦岭南北积雪异常的海气异常指数

图8为2000—2019年秦岭南北4个分区积雪日数与秋季/冬季ENSO、青藏高原气压异常的相关性分析。将线性趋势滤除，以秋季和冬季相关关系为基础，划分4种环流异常组合关系：秋季信号主导型、冬季信号主导型、秋冬持续主导型和弱相关型。
图8 秋季/冬季ENSO、青藏高原气压指数与秦岭南北积雪日数去趋势相关性分析

Fig. 8 Detrended correlation analysis between snow cover days and ENSO, Tibetan Plateau pressure index in the north and south of Qinling Mountains

秦岭南北4个子区积雪日数与秋季、冬季海气异常均呈现出负相关，不同分区相关显著程度存在差异。其中，关中平原积雪日数与秋季/冬季9个海温、2个大气环流指标相关性均未通过0.05显著水平检验，秦岭山地、汉江谷地和大巴山区为海温、大气异常的显著相关集中分布区。
在季节主导类型上，秋季信号主导型的海气指数为：NINO 1+2区、NINO 3区；冬季信号主导型的海气指数为：NINO 4区、NINO W区和青藏高原气压指数；秋冬持续主导型海气指数为：NINO C区和NINO Z区。对于衡量西太平洋海温异常的NINO A区、赤道印度洋海温异常的NINO B区海温指数而言，秋冬两季指数与区域积雪日数变化的相关性整体偏低。
以海气异常信号持续时间最长、相关性最高为判断标准，识别秦岭山地、汉江谷地和大巴山积雪异常响应最敏感的前兆海气异常信号。由此推论，当赤道太平洋NINO C区和NINO Z区秋冬海温持续偏低，青藏高原冬季气压偏低时，秦岭以南3个子区积雪日数往往异常偏多。
基于遥感积雪日数的栅格平均，导致上述海温、环流相关分析损失了空间信息，使得结论存在不确定性。在此，本文绘制了赤道太平洋NINO C区和NINO Z区秋冬海温异常指数、冬季青藏高原南/北气压指数与秦岭南北积雪日数相关性分布图，更加精细地识别显著相关的区域（图9）
图9 秋季NINO C/Z区海温异常、冬季青藏高原气压指数与秦岭南北积雪日数相关性空间格局

Fig. 9 Detrended correlation analysis between snow cover days and NINO C/Z sea surface temperature anomaly, Tibetan Plateau pressure index in the north and south of Qinling Mountains

结果表明：① 整体上，秦岭南北积雪日数与秋季NINO C区和NINO Z区海温、冬季青藏高原南部和北部气压呈现显著的负相关关系，与前文分析结果一致。② 4个海温、大气指数显著负相关空间格局相对一致，仅是显著程度略有差异。其中，青藏高原冬季气压指数显著栅格占比（TPI—S：59.0%；TPI—N：73.7%）要高于赤道太平洋中部海温指数（NINO C区：36.9%；NINO Z区：32.3%），青藏高原冬季北部气压指数（TPI—N：73.7%）显著栅格占比要高于南部气压指数（TPI—S：59.0%）。对于极显著栅格占比而言，4个海温、大气指数显著相关比重分别为：TPI—N（58.5%）>TPI—S（41.4%）>NINO C区（13.1 %）>NINO Z区（10.3 %）。
空间上，以青藏高原北区气压指数为例，显著栅格占比关系为汉江谷地（32.9%）>秦岭山地（24.6%）>大巴山区（10.6%）>关中平原（5.7%）。可以清晰看出，当青藏高原北部冬季气压异常偏低时，秦岭以南积雪日数显著偏长，而关中平原的渭河北岸、秦岭山地东段，是积雪日数相关性偏弱的集中分布区。
青藏高原积雪偏少，导致高原面感热热源增加，高原面气压降低。耦合赤道中部太平洋海温偏低，增强中国东部季风区海陆热力差异，有利于沿海暖湿水汽向内陆输送，增加了雨雪概率，为遥感监测积雪日数延长提供了物质基础[31]。
值得一提的是，ENSO对中国冬季气候影响并非简单的线性关系。当太平洋海温年代尺度振荡（PDO）处于正位相时，ENSO对东亚冬季风影响并不显著；当PDO处于负位相时，ENSO对东亚冬季风的影响增强[30]。本文积雪日数研究时段为：2000—2019年恰处于PDO转为负位相，这意味着ENSO与东亚季风关联在增强。ENSO与PDO位相配置年代转折，可能是NINO C区、NINO Z区秋季海温与秦岭以南积雪日数异常显著相关的关键环流机制，未来需要深入探索。

3.3.4 秦岭南北积雪异常的气温与水汽条件分析

为了深入地分析秦岭南北积雪异常的气温与水汽条件，以±0.5标准差为标准，本文对秦岭山地积雪日数异常年进行识别。其中，积雪日数偏多年为2004年、2007年、2011年和2013年，偏少年为2001年、2003年、2006年、2008年、2012年、2014年、2015年、2016年和2019年。计算降雪偏多（偏少）年对应11月—次年3月逐月气温、水汽通量和散度均值，并提取0 ℃等温线分布位置（图10）。
图10 秦岭南北积雪日数异常年0 ℃等温线和水汽通量、水汽通量散度异常的空间分布

注：图中青藏高原范围为张镱锂等绘制的2021年版青藏高原界线，详见参考文献[42]。

Fig. 10 Spatial changes of the 0 ℃ isotherm, integrated moisture flux and its divergence for snow cover days anomaly in positive and negative years over the north and south of Qinling Mountains

从气温角度分析，1月和2月积雪日数偏多年0 ℃等温线明显向南偏移，空间上跃过大巴山，0 ℃等温线南移至30°N附近，秦岭南北气温均较低（图10c、10d）。值得关注的是，积雪偏少年，2月0 ℃等温线处于横穿黄土高原，秦岭南北温度明显偏高。随着3月0 ℃等温线持续北移，区域气温偏高，加速积雪消融，导致遥感监测积雪日数减少（图10e）。
从水汽输送角度分析，与偏少年相比，除在1月积雪日数偏多年，秦岭南北存在一个弱水汽辐合区，其他月份水汽通量散度、水汽输送强度没有明显的差异，也无明显的由南向北的水汽输送异常。
上述结果说明，1月和2月是气温影响积雪日数异常的关键月，低温是积雪偏多年的主导气象因素。冷空气南下，秦岭南北气温偏低，减缓了积雪消融，有利于区域冰雪的物质积累，延长冷季遥感监测积雪日数。

4 结论与展望

基于2000—2019年MODIS中国积雪物候产品，本文对秦岭南北积雪时空变化特征进行分析，探讨了积雪日数的垂直地带规律；综合考虑ENSO对东亚气候影响的滞后性，青藏高原冬季积雪异常对中国中东部气候影响的持续性，识别了积雪日数异常的遥相关前秋或冬季预警信号。得到主要结论如下：
（1）空间格局上，受秦岭山脉对冷空气屏障作用的影响，2000—2019年汉江谷地是秦岭南北积雪日数的低值区，关中平原年平均积雪日数略低于秦岭山地、大巴山区。2013年前后，秦岭南北积雪日数高值区比重由35.1%下降为8.6%，空间上以秦岭山地分水岭为中心呈线性分布。
（2）地形效应上，“山谷南北交替”的地形对秦岭南北积雪日数空间分异具有重要的影响。秦岭山地和大巴山区积雪日数随海拔变化呈现指数增加。秦岭山地以1950~2000 m为临界点，大巴山区以1600~1650 m为临界点，低海拔地区积雪日数随海拔升高速率低于高海拔地区。
（3）响应关键区，2100~3150 m海拔带是秦岭南北积雪日数随海拔增加，呈指数变化的加速带，也是年代波动的积雪日数变化的关键带。以2000—2004年为基准期，2015—2019年，3个积雪日数40 d、60 d、80 d对应海拔高度分别升高了100 m、100 m和150 m。
（4）影响因素上，NINO C区和NINO Z区秋冬海温、青藏高原冬季高压是秦岭山地、汉江谷地和大巴山区积雪异常的有效指示信号。当赤道太平洋NINO C区和NINO Z区秋冬海温持续偏低，对应拉尼娜事件；青藏高原积雪偏少，对应冬季高压偏低时，秦岭山地、汉江谷地和大巴山区积雪日数往往异常偏多。
（5）融雪条件上，与积雪日数偏少年相比，秦岭南北积雪日数偏多年1月和2月0 ℃等温线位置偏南，为增加冰雪物质积累、延缓冰雪消融提供了气温条件。积雪日数偏多年1月存在一个弱水汽辐合区，增加了降雪可能性，有利于区域冰雪物质积累，延长冷季遥感监测积雪日数。
关于秦岭南北积雪日数时空变化特征及其影响因素研究，尚有许多工作值得探索。
（1）秦岭遥感积雪监测局限性。与1980—2020年中国AVHRR逐日无云5 km积雪面积产品数据相比[43]，本文使用2000—2019年MODIS中国积雪物候数据集优势在于较高的空间分辨率；不足在于时间序列过短。李双双等[13]研究秦岭南北气温时空变化及其气候意义指出，1994—2002年为气温快速上升期，2003—2015年为增温停滞期。本文积雪“变暖海拔依赖性规律”仅是增温停滞期的展示，对气温快速上升期“积雪垂直地带规律”尚刻画不足。
同时，相比平坦地表，山地环境具有复杂性，以遥感为基础的积雪产品，遥感影像几何和光谱畸变问题始终存在[44]。遥感“病态”反演在山区尤为严重，对积雪“变暖海拔依赖性规律”揭示带来不确定性。《秦岭国家气候观象台建设发展方案（2022—2027年）》为认识山地积雪变化提供了机遇，建议在建成“一横三纵”秦岭气象剖面观测系统中，应加强秦岭山地积雪观测，为认识中国南北过渡带冬季气候变化提供数据基础。
（2）积雪垂直地带规律的启示。张百平等[23]提出带幅是地理地带性因素和区域因素综合作用的结果，是山地垂直带谱结构特征的关键参数。通过秦岭中部山地落叶阔叶林带内部结构分析，发现中国南北过渡带存在世界最宽的山地垂直带—山地落叶阔叶林垂直带。该垂直带超过正常山地垂直带1000 m阈值，上限可达2800 m。本文研究发现，秦岭山地2100~3150 m海拔带，是积雪日数（静态）垂直增加带，也是积雪日数（动态）加速减少带，且山地海拔越高，积雪日数对增温响应速率越快。可以看出，秦岭山地超级垂直带与积雪日数变化敏感带具有重合性。在未来研究中，需要关注气候变暖背景下，积雪“变暖海拔依赖性规律”是否影响山地落叶阔林垂直带结构变化。
（3）积雪日数异常分析的概念模型。本文将积雪日数影响因素初步分为4个层次：① 积雪日数异常本质是受“积累—消融”机制影响，直接影响因素为降雪与气温；② 局地地形（阴坡、阳坡、谷地等）、下垫面性质（草地、林地等）、人类活动强度等；③ 域内因素（局地降温、水汽输送异常等）；④ 域外因素（海气遥相关机制）。基于上述4个层次，可以构建秦岭南北积雪异常分析的概念模型，系统阐释积雪日数异常的影响因素。
本文仅对秦岭南北积雪日数异常气温、水汽条件进行分析，属于概念模型的第二层次；同时，探讨了不同海区厄尔尼诺指数、青藏高原气压异常对研究区积雪异常的相关关系，属于概念模型的第四层次，即域外遥相关分析。值得一提的是，积雪日数异常，本研究分析时间尺度为年代际。积雪遥感物候数据集在一定程度上，限制了次季节或季节尺度大气环流分析。在未来研究中，需要结合典型的降雪异常事件，对域内环流机制进行系统研究。
（4）秦岭南北积雪消融机制具有复杂性。本文揭示秦岭南北积雪日数偏多年，1月和2月0 ℃等温线明显偏南，为增加冰雪物质积累、延缓冰雪消融提供了气温条件。12月、2月和3月中国东部沿海向内陆输送的水汽，提供了降雪形成的水汽条件。可以看出，积雪偏多年气温异常偏低和水汽输送组合关系在时间上并不匹配，即气温偏低不完全对应水汽输送异常，这加剧了中国南北过渡带积雪异常变化机制研究的复杂性。在未来，需要结合典型的降雪事件，利用数值模拟方法，对秦岭山脉的冷空气屏障作用进行分析；丰富相对湿度、气温、水汽量、近地面风速等气象因子，从冰雪物质积累和消融两个视角，识别影响秦岭南北冷季积雪异常的关键气象因子。

：感谢匿名评审专家对本文积雪垂直地带规律、影响因素分析和论文框架的修改建议，使本文获益匪浅。感谢任涛涛同学对本文遥感数据处理的帮助。感谢中国气象数据网、国家冰川冻土沙漠科学数据中心提供的气象、积雪数据支持。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
Qin Dahe, Yao Tandong, Ding Yongjian, et al. Introduction to Cryosphere Science. Beijing: Science Press, 2018.

[ 秦大河, 姚檀栋, 丁永建, 等. 冰冻圈科学概论. 北京: 科学出版社, 2018.]

[2]
You Qinglong, Kang Shichang, Li Jiandong, et al. Several research frontiers of climate change over the Tibetan Plateau. Journal of Glaciology and Geocryology, 2021, 43(3): 885-901.

DOI

[ 游庆龙, 康世昌, 李剑东, 等. 青藏高原气候变化若干前沿科学问题. 冰川冻土, 2021, 43(3): 885-901.]

DOI

[3]
Pepin N, Bradley R S, Diaz H F, et al. Elevation-dependent warming in mountain regions of the world. Nature Climate Change, 2015, 5(5): 424-430.

DOI

[4]
Peng Li, Deng Wei, Tan Jing, et al. Restriction of economic development in the Hengduan Mountains Area by land and water resources. Acta Geographica Sinica, 2020, 75(9): 1996-2008.

DOI

[ 彭立, 邓伟, 谭静, 等. 横断山区水土资源利用与经济增长的匹配关系. 地理学报, 2020, 75(9): 1996-2008.]

DOI

[5]
Zhou Peng, Deng Wei, Peng Li, et al. Spatio-temporal coupling characteristic of water-land elements and its cause in typical mountains. Acta Geographica Sinica, 2019, 74(11): 2273-2287.

DOI

[ 周鹏, 邓伟, 彭立, 等. 典型山地水土要素时空耦合特征及其成因. 地理学报, 2019, 74(11): 2273-2287.]

DOI

[6]
Viviroli D, Kummu M, Meybeck M, et al. Increasing dependence of lowland populations on mountain water resources. Nature Sustainability, 2020, 3(11): 917-928.

DOI

[7]
Musselman K N, Addor N, Vano J A, et al. Winter melt trends portend widespread declines in snow water resources. Nature Climate Change, 2021, 11(5): 418-424.

DOI

[8]
Bormann K J, Brown R D, Derksen C, et al. Estimating snow-cover trends from space. Nature Climate Change, 2018, 8(11): 924-928.

DOI

[9]
Pulliainen J, Luojus K, Derksen C, et al. Patterns and trends of Northern Hemisphere snow mass from 1980 to 2018. Nature, 2020, 581(7808): 294-298.

DOI

[10]
Lievens H, Demuzere M, Marshall H P, et al. Snow depth variability in the Northern Hemisphere mountains observed from space. Nature Communications, 2019, 10(1): 4629. DOI: 10.1038/s41467-019-12566-y.

DOI PMID

[11]
Notarnicola C. Hotspots of snow cover changes in global mountain regions over 2000-2018. Remote Sensing of Environment, 2020, 243: 111781. DOI: 10.1016/j.rse.2020.111781.

DOI

[12]
Smith T, Bookhagen B. Changes in seasonal snow water equivalent distribution in High Mountain Asia (1987 to 2009). Science Advances, 2018, 4(1): e1701550. DOI: 10.1126/sciadv.1701550.

DOI

[13]
Li Shuangshuang, Lu Jiayu, Yan Junping, et al. Spatiotemporal variability of temperature in northern and southern Qinling Mountains and its influence on climatic boundary. Acta Geographica Sinica, 2018, 73(1): 13-24.

DOI

[ 李双双, 芦佳玉, 延军平, 等. 1970—2015年秦岭南北气温时空变化及其气候分界意义. 地理学报, 2018, 73(1): 13-24.]

DOI

[14]
Long D, Yang W T, Scanlon B R, et al. South-to-North Water Diversion stabilizing Beijing's groundwater levels. Nature Communications, 2020, 11(1): 3665. DOI: 10.1038/s41467-020-17428-6.

DOI PMID

[15]
Liu Yulian, Ren Guoyu, Yu Hongmin. Climatology of snow in China. Scientia Geographica Sinica, 2012, 32(10): 1176-1185.

DOI

[ 刘玉莲, 任国玉, 于宏敏. 中国降雪气候学特征. 地理科学, 2012, 32(10): 1176-1185.]

DOI

[16]
Lei Xiangjie, Li Yali, Li Qian, et al. The characteristics and causes of the snow cover variation in the Taibai Mountains during 1962-2014. Journal of Glaciology and Geocryology, 2016, 38(5): 1201-1210.

[ 雷向杰, 李亚丽, 李茜, 等. 1962—2014年秦岭主峰太白山地区积雪变化特征及其成因分析. 冰川冻土, 2016, 38(5): 1201-1210.]

[17]
Han Ting, Lei Xiangjie, Li Yali, et al. Analysis on the variation characteristics of regional alpine snow cover events in the Qinling Mountains. Journal of Glaciology and Geocryology, 2021, 43(4): 1040-1048.

DOI

[ 韩婷, 雷向杰, 李亚丽, 等. 秦岭区域性高山积雪事件变化特征分析. 冰川冻土, 2021, 43(4): 1040-1048.]

DOI

[18]
Li Yali, Lei Xiangjie, Li Qian, et al. The variation characteristics of snow cover in the Mount Hua from 1953 to 2016 and its relationship to air temperature and precipitation. Journal of Glaciology and Geocryology, 2020, 42(3): 791-800.

DOI

[ 李亚丽, 雷向杰, 李茜, 等. 1953—2016 年华山积雪变化特征及其与气温和降水的关系. 冰川冻土, 2020, 42(3): 791-800.]

[19]
Li Shuangshuang, Duan Keqin, Wang Ting, et al. Spatio-temporal variation of cold-season snowfall in the south and north of the Qinling Mountains during 1970-2018. Scientia Geographica Sinica, 2022, 42(1): 163-173.

DOI

[ 李双双, 段克勤, 王婷, 等. 1970—2018年秦岭南北冷季降雪量时空变化及其影响因素. 地理科学, 2022, 42(1): 163-173.]

DOI

[20]
Liu Junjie, Pan Ziwu, Qin Fen, et al. Estimation of air temperature based on MODIS and analysis of mass elevation effect in the Qinling-Daba Mountains. Geographical Research, 2020, 39(3): 735-748.

DOI

[ 刘俊杰, 潘自武, 秦奋, 等. 基于MODIS的秦巴山地气温估算与山体效应分析. 地理研究, 2020, 39(3): 735-748.]

DOI

[21]
Bai Hongying, Ma Xinping, Gao Xiang, et al. Variations in January temperature and 0 ℃ isothermal curve in Qinling Mountains based on DEM. Acta Geographica Sinica, 2012, 67(11): 1443-1450.

[ 白红英, 马新萍, 高翔, 等. 基于DEM的秦岭山地1月气温及0 ℃等温线变化. 地理学报, 2012, 67(11): 1443-1450.]

[22]
Zhao Fang, Zhang Baiping, Zhu Lianqi, et al. Spatial structures of altitudinal belt and their significance for determining the boundary between warm temperate and subtropical zone in Qinling-Daba Mountains. Acta Geographica Sinica, 2019, 74(5): 889-901.

[ 赵芳, 张百平, 朱连奇, 等. 秦巴山地垂直带谱结构的空间分异与暖温带—亚热带界线问题. 地理学报, 2019, 74(5): 889-901.]

DOI

[23]
Zhang Baiping, Yao Yonghui, Xiao Fei, et al. The finding and significance of the super altitudinal belt of montane deciduous broad-leaved forests in central Qinling Mountains. Acta Geographica Sinica, 2022, 77(9): 2236-2248.

DOI

[ 张百平, 姚永慧, 肖飞, 等. 秦岭中部山地落叶阔叶林超级垂直带的发现与意义. 地理学报, 2022, 77(9): 2236-2248.]

DOI

[24]
Li Dawei, Duan Keqin, Shi Peihong, et al. The finding and significance of the super altitudinal belt of montane deciduous broad-leaved forests in central Qinling Mountains. Acta Geographica Sinica, 2022, 77(7): 1762-1774.

DOI

[ 李大伟, 段克勤, 石培宏, 等. 秦岭中部山地降水的垂直变化研究. 地理学报, 2022, 77(7): 1762-1774.]

DOI

[25]
Zhou B T, Wang Z Y, Sun B, et al. Decadal change of heavy snowfall over northern China in the mid-1990s and associated background circulations. Journal of Climate, 2021, 34(2): 825-837.

DOI

[26]
Huang Ronghui, Liu Yong, Huangfu Jingliang, et al. Characteristics and internal dynamical causes of the interdecadal variability of East Asian winter monsoon near the late 1990s. Chinese Journal of Atmospheric Sciences, 2014, 38(4): 627-644.

[ 黄荣辉, 刘永, 皇甫静亮, 等. 20世纪90年代末东亚冬季风年代际变化特征及其内动力成因. 大气科学, 2014, 38(4): 627-644.]

[27]
Zhou B Z, Gu L H, Ding Y H, et al. The great 2008 Chinese ice storm: Its socioeconomic-ecological impact and sustainability lessons learned. Bulletin of the American Meteorological Society, 2011, 92(1): 47-60.

DOI

[28]
Hu Yuling, Zhao Zhongjun, Kang Caiyan, et al. A comparative study of the two weather processes with cold and snowing in southern China in 2008 and 2016. Journal of Glaciology and Geocryology, 2017, 39(6): 1180-1191.

[ 胡钰玲, 赵中军, 康彩燕, 等. 中国南方2008年与2016年两次低温雨雪冰冻天气过程对比分析. 冰川冻土, 2017, 39(6): 1180-1191.]

[29]
China Meteorological Administration. China Climate Bulletin (2021) http://www.cma.gov.cn/zfxxgk/gknr/qxbg/202203/t20220308_4568477.html. 2022-11-07.

[ 中国气象局. 2021年中国气候公报. http://www.cma.gov.cn/zfxxgk/gknr/qxbg/202203/t20220308_4568477.html. 2022-11-07.]

[30]
Ding Yihui, Liu Yanju, Liang Sujie, et al. Interdecadal variability of the East Asian winter monsoon and its possible links to global climate change. Acta Meteorologica Sinica, 2014, 72(5): 835-852.

[ 丁一汇, 柳艳菊, 梁苏洁, 等. 东亚冬季风的年代际变化及其与全球气候变化的可能联系. 气象学报, 2014, 72(5): 835-852.]

[31]
Si D, Ding Y H. Decadal change in the correlation pattern between the Tibetan Plateau winter snow and the East Asian summer precipitation during 1979-2011. Journal of Climate, 2013, 26(19): 7622-7634.

DOI

[32]
Wang Z B, Wu R G, Yang S, et al. An interdecadal change in the influence of ENSO on the spring Tibetan Plateau snow-cover variability in the early 2000s. Journal of Climate, 2022, 35(2): 725-743.

DOI

[33]
Li W K, Guo W D, Qiu B, et al. Influence of Tibetan Plateau snow cover on East Asian atmospheric circulation at medium-range time scales. Nature Communications, 2018, 9(1): 4243. DOI: 10.1038/s41467-018-06762-5.

DOI PMID

[34]
You Q L, Wu T, Shen L C, et al. Review of snow cover variation over the Tibetan Plateau and its influence on the broad climate system. Earth-Science Reviews, 2020, 201: 103043. DOI: 10.1016/j.earscirev.2019.103043.

DOI

[35]
Chen Wen, Ding Shuoyi, Feng Juan, et al. Progress in the study of impacts of different types of ENSO on the East Asian monsoon and their mechanisms. Chinese Journal of Atmospheric Sciences, 2018, 42(3): 640-655.

[ 陈文, 丁硕毅, 冯娟, 等. 不同类型ENSO对东亚季风的影响和机理研究进展. 大气科学, 2018, 42(3): 640-655.]

[36]
Wang Ting, Li Shuangshuang, Yan Junping, et al. Spatial-temporal variation of summer precipitation in China based on ENSO development process. Journal of Natural Resources, 2022, 37(3): 803-815.

DOI

[ 王婷, 李双双, 延军平, 等. 基于ENSO发展过程的中国夏季降水时空变化特征. 自然资源学报, 2022, 37(3): 803-815.]

[37]
Yang X K, Huang P. The diversity of ENSO evolution during the typical decaying periods determined by an ENSO developing mode. Journal of Climate, 2022, 35(12): 3877-3889.

DOI

[38]
Hao Xiaohua, Sun Xingliang, Ji Wenzheng, et al. China MODIS daily 500 m snow area product dataset. National Data Center for Glacial and Frozen Desert Science, 2020.

[ 郝晓华, 孙兴亮, 纪文政, 等. 中国MODIS逐日无云500 m积雪面积产品数据集. 国家冰川冻土沙漠科学数据中心, 2020.]

[39]
Sen P K. Estimates of the regression coefficient based on Kendall's tau. Journal of the American Statistical Association, 1968, 63(324): 1379-1389.

DOI

[40]
Yang Kai, Yang Tiantian, Wang Chenghai. A numerical study on the relationship between the spring-winter snow cover anomalies over the northern and southern Tibetan Plateau and summer precipitation in east China. Chinese Journal of Atmospheric Sciences, 2017, 41(2): 345- 356.

[ 杨凯, 胡田田, 王澄海. 青藏高原南、北积雪异常与中国东部夏季降水关系的数值试验研究. 大气科学, 2017, 41(2): 345-356.]

[41]
Zhu Yuxiang, Ding Yihui, Xu Huaigang. The decadal relationship between atmospheric heat source of winter and spring snow over the Tibetan Plateau and rainfall in east China. Acta Meteorologica Sinica, 2007, 65(6): 946- 958.

[ 朱玉祥, 丁一汇, 徐怀刚. 青藏高原大气热源和冬春积雪与中国东部降水的年代际变化关系. 气象学报, 2007, 65(6): 946-958.]

[42]
Zhang Yili, Li Bingyuan, Liu Linshan, et al. Redetermine the region and boundaries of Tibetan Plateau. Geographical Research, 2021, 40(6): 1543-1553.

DOI

[ 张镱锂, 李炳元, 刘林山, 等. 再论青藏高原范围. 地理研究, 2021, 40(6): 1543-1553.]

DOI

[43]
Hao Xiaohua, Zhao Qin, Ji Wenzheng, et al. A dataset of snow cover phenology in China based on AVHRR from 1980 to 2020. National Data Center for Glacial and Frozen Desert Science (www.ncdc.ac.cn), 2021.

[ 郝晓华, 赵琴, 纪文政, 等. 1980—2020年AVHRR中国积雪物候数据集. 国家冰川冻土沙漠科学数据中心(www.ncdc.ac.cn), 2021.]

[44]
Li Ainong, Bian Jinhu, Zhang Zhengjian, et al. Progresses opportunities and challenges of mountain remote sensing research. Journal of Remote Sensing, 2016, 20(5): 1199-1215.

[ 李爱农, 边金虎, 张正健, 等. 山地遥感主要研究进展、发展机遇与挑战. 遥感学报, 2016, 20(5): 1199-1215.]

Options
文章导航

/

〈 〉