厄尔尼诺(El Nio)现象的说法源于秘鲁,被用来命名南美海岸一带海水每年圣诞节前后的升温现象。目前，专指太平洋赤道一带中部和东部每隔几年发生的海水长期异常偏暖的现象[1]。南方涛动SO(Southern Oscillation)是指在热带东南太平洋与热带西太平洋到印度洋地区,大气中海平面气压场存在的反相关变化的现象[2]。两者是同一现象在两种介质的不同表现,合称为ENSO(El Nio/Southern Oscillation)。当ENSO现象持续时间超过3个月时即称之为ENSO事件[3]。ENSO被认为是导致全球水文气象变化的最重要因素[4-5],鉴于该现象一般可提前6～12个月进行预测,因此研究其对区域降水的影响具有重要的实际意义。1987年,ROPELEWSKI C F和HALPERT M S采用全球1 700个水文站的降水资料研究了全球和区域范围内降水与ENSO的相关关系,并指出ENSO事件会导致降水量的增加和洪灾的发生，同时还指出我国的区域降水与ENSO具有一定的相关性,但并不明显[6]。1989年,他们又强调了19个地区的降水与高SO指数的密切关系[7]。很多学者认为,ENSO当年会出现降水偏少,次年降水偏多的现象，同时会带来雨带的迁移,对我国不同地区的影响略有差异[8-13]。鉴于华北地区严峻的缺水形势,本文选取季节特征明显的华北地区夏、冬两季的月降水量作为研究对象,分析ENSO年的发生对于季节性降水的影响。

1　数据与方法

1.1　ENSO事件的筛选

ONI(Oceanic Nino Index)是表征中东太平洋Nino 3.4区域(170°W～120°W、5°N～5°S)表层水温SST(Sea Surface Temperatures)高低的指数[14]。当ONI指数≥0.5 ℃时显ENSO特性；当ONI指数连续3个月≥0.5 ℃,则可以认为是ENSO事件；当ONI指数≥1 ℃时为强ENSO事件；当ONI指数≥2 ℃时为超强ENSO事件。根据ONI指数的范围可确定ENSO的发生年以及ENSO现象的强弱程度。ONI指数的计算方法为:首先,计算Nino 3.4区SST的3个月滑动平均值;其次,计算该滑动平均值与每月的平均值之差。

3.1.1 代谢途径：苯丙氨酸解氨酶是植物体内木质素和纤维素合成途径的关键酶之一，而在百合玻璃化苗体内能明显发现其活性降低，从而导致粗纤维含量减少，细胞壁膨压下降，细胞吸水过多产生畸变。百合玻璃化苗蛋白质合成和光合作用能力都会下降，对继续生长发育造成阻碍。内源激素合成也有明显变化［11］。

1.2　季节性ARIMA模型的建立

我国华北地区属于典型的季风型气候,夏季降水较为集中,多年平均降水量为614 mm,其中7—8月份的降水量占全年总降水量的比例超过40%。国内学者认为,华北地区7—8月份的降水量具有明显的年际变化特征[15]。冬季降水量的多少是冬春能否发生连旱的关键,会对华北地区冬小麦的种植产生重要影响[16]。因此,本文首先将ENSO年的夏季与冬季的降水事件作为随机事件,筛选出ENSO年,然后按时间先后顺序对华北地区ENSO年的夏季与冬季降水平均值进行排列,最后对新的时间序列进行分析。

选取的时间序列模型为自回归积分滑动平均模型ARIMA(Autoregressive Integrated Moving Average Model),表示为ARIMA(p,d,q)·(P,D,Q)s,具体的表达式为:

ϑQ(Bs)εt。

(1)

式中:p为自回归阶数;d为差分阶数;q为滑动平均阶数;P为季节性自回归阶数;D为季节性差分阶数;Q为季节性滑动平均阶数;φ为自回归系数;B为后移算子;φ为季节性自回归系数;Bs为季节后移算子;s为周期;Δd为d阶差分为季节性D阶差分；Zt为研究的时间序列数据;θ为滑动平均系数;ϑ为季节性滑动平均系数;εt为白噪声序列。

步骤3　参数率定。由SPSS软件导出模型参数,并采用最小二乘估计法对参数进行率定。

步骤1　平稳性检验。观察时间序列的时序图,对不平稳序列进行差分处理,使其随时间变化无明显的上升或下降趋势,最终平稳化。

步骤2　模型定阶。取不同的D值,对0阶及1阶差分模型进行建模尝试,通过不同的P和Q的组合,得到不同的ARIMA模型,根据R2来对模型的拟合优度进行分析。

建模步骤如下:

病理检查：选择80iNIKON正置荧光显微镜、LEICA 2145轮转石蜡切片机、Shandon Pathcentre全封闭脱水机、LEICAST5030染色封片工作站。

步骤4　模型检验。模型检验主要是检验模型对原时间序列的拟和效果,检验整个模型对信息的提取是否充分,即检验残差序列是否为白噪声序列。采用Liung-Box test的检验统计量QLB对残差序列进行检验,判断QLB的概率值是否≥0.05。若符合要求,则说明残差序列εt为白噪声序列,所建模型合适[17-18]。

本文通过网络爬虫的方式，从网络电子地图中抓取了宁波市2017年的POI数据共有41万条，其中研究区域有253320条。每条POI数据有经度、纬度、名称、地址、类型、类别码6条属性。POI数据按照线从属关系可以分为大类、中类和小类三个层次，每个大类下包括多个中类，每个中类下又有多个小类。以购物服务这一大类为例，它包含了商场、超级市场、便利店、专卖店等中类，商场这一类别下面又包括普通商场、购物中心、免税品店等小类。研究获取的POI数据类型众多，其中大类有16种、中类有121种、小类有869种，覆盖了大部分地区中多个类别、规模不等的地理实体。

2　结果与分析

2.1　ENSO年的筛选

基于NOAA网站的海温资料,根据ONI指数的计算方法筛选ENSO年,计算结果见表1和如图1所示。由表1和图1可知:1970—2016年,ENSO事件共发生了11次,超强的ENSO事件共有4次;其中ONI指数最大的2次ENSO事件是1997—1998年和2014—2016年发生的,且2014—2016年发生的ENSO事件是从1970年至今持续时间最长、强度最高的。

截至2011年2月底，开县报账回补世行贷款资金166.85万美元，为总计划数的84.3%；报账回补欧盟赠款资金126.66万元，为总计划数的70.4%。

 

表1　1970—2016年ENSO事件统计结果

  

发生时间终止时间持续时间/月ONI指数/℃等级1972年7月1973年1月72．2超强1982年5月1983年6月142．1超强1986年9月1988年1月171．6强1991年6月1992年6月121．6强1994年10月1995年2月50．9一般1997年5月1998年4月122．3超强2002年6月2003年2月91．3强2004年8月2005年2月70．7一般2006年9月2007年1月51．0强2009年8月2010年3月81．3强2014年11月2016年3月172．3超强

  

图1　1970—2016年的月ONI指数演变及ENSO事件统计

2.2　华北地区ENSO年降水分析

华北地区夏季(首年6—8月)和冬季(首年12月至次年2月)的月降水量采用北京站、天津站、太原站、石家庄站、承德站、大同站、沧州站、运城站8个地区的国际交换站的实测资料。根据国家气象信息中心数据可知,华北地区1970—2016年夏季的月降水量平均值为66.45 mm(6月份)、132.83 mm(7月份)、127.40 mm(8月份);冬季的月降水量平均值为2.98 mm(12月份)、3.05 mm(1月份)、4.90 mm(2月份)。1970—2016年华北地区ENSO年冬、夏两季的月降水量与多年平均值的比较如图2所示。

  

图2　1970—2016年华北地区ENSO年季节性降水距平

2.3.1　参数率定

最强的3次ENSO事件发生年中(1972—1973年、1997—1998年及2014—2016年),1972—1973年、1997—1998年的夏季降水量减少最多,冬季降水量增加最多。ENSO年的夏季月降水量减少、冬季月降水量增加的特点与我国华北地区降水受ENSO影响的分析结论基本一致[8,13]。

对华北地区ENSO发生年夏、冬两季的月平均降水量和对应的月ONI指数进行相关性分析,结果见表2。其中,当显著性水平α≤0.05时,相关系数的相关性表现为极显著；当显著性水平0.05<α≤0.10时,相关系数的相关性表现为显著。由表2可知:大体上,华北地区降水与厄尔尼诺事件呈现负相关关系;1972—1995年前5次ENSO事件中,降水量与相对应的ONI指数的相关系数均达到了显著相关,其中1982—1983年、1991—1992年的达到了极显著相关;1995—2016年近6次的ENSO事件中,降水量与相对应的ONI指数的相关系数仅有2次达到了显著相关,其中2009—2010年的达到了极显著相关。

人脑中的突触比银河系中的恒星还要多。大脑是我们所知道的最复杂的物体，在这个层面上理解它的联系是揭开其神秘面纱的重要一步。

 

表2　1970—2016年华北地区ENSO年相关系数的变化

  

序号时段R2α值显著性11972—19730．6270．097显著21982—1983-0．8780．021极显著31986—19880．7780．068显著41991—1992-0．8850．019极显著51994—1995-0．7680．074显著61997—1998-0．6250．184不显著72002—2003-0．2440．642不显著82004—2005-0．5010．311不显著92006—2007-0．6750．141不显著102009—2010-0．8800．021极显著112014—2016-0．7600．079显著

2.3　ENSO年季节性降水的ARIMA模型模拟

根据已建立的ARIMA模型,对华北地区ENSO年夏、冬两季的月降水量进行模拟和预测,鉴于ARIMA模型预测时间越长预测精度越低的特性,仅对华北地区未来两次ENSO发生年的夏、冬两季月降水量进行预测。结果如图3所示，其中横轴仅列出夏、冬两季的首月时间。

由图2可知:在ENSO事件的发生年,华北地区的夏季降水量普遍偏少,冬季降水量普遍偏多;11次ENSO事件中,夏季降水量有2次正距平,最大值为24.81 mm,出现在ONI指数较小(0.9 ℃)、持续时间较短(5个月)的1994—1995年，9次负距平中,绝对值最大的值为-42.74 mm,出现于ONI指数较大(2.3 ℃)、持续时间较长(12个月)的1997—1998年;冬季降水量距平相对于夏季的值较低,11次ENSO事件中有5次正距平,最大值为3.66 mm。

药事管理层（B3）主要是从医院药学部角度出发，考虑合理用药管理C6、药品采购供应管理C7、药品储备管理C8等几个方面对药品费用的影响。随着医改的进一步深化，医院药学部的职能从药品供应型向临床服务型转变，在某种程度上，药学部已经成为监督临床合理用药、控制药品费用增长的主要部门之一[6]。而药品采购、供应及储备是医院药事管理的重要组成部分[7]，如基本药物储备适宜、无违规采购等都直接影响着医院药品费用。这些指标源于药学部日常工作范畴，有具体的量化依据，可以较为清楚地打分，易于采集、评价。

 

表3　不同ARIMA模型模拟效果的R2对比

  

ARIMA(P，D，Q)12调整后的R2ARIMA(P，D，Q)12调整后的R2ARIMA(0，0，0)120．062ARIMA(0，1，0)120．355ARIMA(0，0，1)120．279ARIMA(0，1，1)120．583ARIMA(0，0，2)120．350ARIMA(0，1，2)120．589ARIMA(1，0，0)120．404ARIMA(1，1，0)120．500ARIMA(2，0，0)120．463ARIMA(1，1，1)120．690ARIMA(1，0，1)120．517ARIMA(1，1，2)120．875ARIMA(1，0，2)120．523ARIMA(2，1，0)120．647ARIMA(2，0，1)120．477ARIMA(2，1，1)120．688ARIMA(2，0，2)120．517ARIMA(2，1，2)120．694

由表3可以明显看出:进行1阶季节差分(D=1时)的模型模拟效果普遍较好;季节性自回归系数P取1,季节性滑动平均阶数Q取2时,模型ARIMA(1,1,2)12的模拟效果最好。

将ARIMA(1,1,2)12模型的参数带入式(1)中展开,化简得:

2.3.2　模型推算

在洪水模拟与预报技术方面，依据“基于陆气耦合的突发性洪水预报技术”的研究成果，该系统每天的实时预报结果均传输至水利部水文局的洪水预报系统中，成为国家洪水预报信息发布的重要依据，并获大禹水利科学技术一等奖。

随着国家相关部门对生猪养殖事业扶持力度的不断增加，对各类生猪防疫、生猪饲养提出全新的补贴要求，对年出栏肉猪5 000头以上的猪场提供100万元的基建费补助。但受区域经济的影响，生猪养殖经济效益较低，使很多养殖户不敢增加投入，因此，相关部门必须加大扶持力度，提升土地审批、养殖贷款方面的便捷性，构建风险基金，全面提升生猪养殖事业的发展。另外，政府部门可为自产自销生猪养殖户提供免费疫苗，定期生产防疫，以督促养殖户全面落实防疫工作。

Zt=　　　Zt-1+φ1Zt-12-φ1Zt-13-ϑ1εt-12-

ϑ2εt-24+εt。

(2)

将式(2)以及对应的数据序列输入SPSS软件中创建出模型,可输出如下参数：φ1=-1.000,ϑ1=-0.242,ϑ2=0.758，代入式(2)可得模型表达式:

Zt=　　　Zt-1-Zt-12+Zt-13+0.242εt-12-

0.758εt-24+εt。

(3)

模型建立后,根据前文所述的步骤4对残差项进行检验。由SPSS软件导出的显著性结果为0.36,远大于0.05,可以认为残差项是白噪声序列,说明模型通过检验。

在实际应用中模型的d和D通常不会超过1,p、q和P、Q通常不会超过2。去除非季节性因子模型中p、d、q均为0的项,为了简化,将ARIMA(p,d,q)·(P,D,Q)s模型表达为ARIMA(P,D,Q)s。根据 1.2节中的建模步骤,对数据序列进行差分平稳化处理,经比对，认为该序列的1阶差分为平稳序列。为了全面考察,令季节性差分D取0或1，Q取0到2，P取0到2，经排列组合,创建了18组模型,计算模型对应的R2并进行比对,结果见表3。

2.3.3　模型的模拟与预测

将1970—2016年华北地区ENSO年的夏、冬两季降水资料录入SPSS软件中,进行ARIMA模型的模拟与分析。

  

图3　华北地区ENSO年月降水量的模拟和预测

根据图3可以看出：ARIMA(1,1,2)12模型在对月降水量的模拟中,2004—2005年、2006—2007年、2014—2016年的模拟效果较好;1991—1992年、1997—1998年、2002—2003年的模拟值略偏大,1994—1995年的模拟值略偏小；未来两次ENSO事件发生年的夏、冬两季月降水量变化与2009—2010年以及2014—2016年的变化情况类似。将预测值与多年平均值进行比较,结果见表4。

 

表4　　　　未来两次ENSO年夏、冬两季降水数据预测值与多年平均值的比较　mm

  

月份未来第一次ENSO年降水量距平未来第二次ENSO年降水量距平685．3618．9153．89-12．567124．59-8．24109．97-22．86871．05-56．35102．05-25．35121．43-1．552．980．001-1．96-5．013．350．3021．83-3．074．50-0．40夏季281．00-45．68265．91-60．77冬季1．30-9．6310．83-0．10

根据表4的计算结果可知：预测的未来第一次ENSO年夏季总降水量减少45.68 mm,冬季总降水量减少9.63 mm;未来第二次ENSO年夏季总降水量减少60.77 mm,冬季总降水量减少0.10 mm。

3　结语

依据ONI指数,对华北地区ENSO年夏、冬两季的月降水量进行分析和预测。得出以下主要结论:

选择2015年3月—2018年1月以瘢痕妊娠合并子宫动脉静脉瘘收治的患者60例作为对象，年龄（22～36）岁，平均（28.58±5.77）岁，距上次剖宫产时间（6～103）月，平均（29.58±3.51）月；流产次数（1～4）次，平均（2.39±0.84）次；患者停经时间（45～93）d，平均（69.93±5.77）d。纳入标准：（1）符合瘢痕妊娠合并子宫动脉静脉瘘临床诊断标准；（2）均经过手术病理检查最终得到确诊；（3）符合多种影像检查适应证[3]。排除标准：（1）合并妊娠期糖尿病、高血压及慢性阻塞性肺疾病等慢性疾病者；（2）合并精神异常或无法配合完成检查者。本研究得到医院伦理委员会监管。

1)在华北地区, ENSO首年夏季月降水量减少,冬季月降水量增多;夏季降水减少最多的年份也是ENSO事件发生强度较大的年份。

2)华北地区ENSO年夏、冬两季的月降水量与对应月份ONI指数存在负相关关系。

3)运用ARIMA(1,1,2)12模型对未来两次ENSO年夏、冬两季月降水量进行预测可知，未来两次ENSO年夏、冬两季月降水量减少以及增加的程度与近两次ENSO年的情况类似。

ENSO年首年与次年对降水的影响存在显著差异,ENSO次年往往会带来月降水量的显著增加和暴雨等现象[8-10],因此对ENSO年与极端降水事件等的关系有待于进一步研究。鉴于ENSO现象的可预测性,本文仅提供了区域性降水量估计的一种研究思路。

参　考　文　献

[1] 翟盘茂,李晓燕,任福民.厄尔尼诺[M].北京:气象出版社,2003:1-23.

[2] 周国良,张建云.厄尔尼诺现象及其对我国水文气候的重大影响[J].水文,2002,22(3):14-15.

[3] 连涛.厄尔尼谱-南方涛动现象的基本类型与成因[D].杭州:浙江大学,2014.

[4] KAHYA E,DRACUP J A.U.S. streamflow patterns in relation to the El Nio/Southern Oscillation[J].Water Resources Research,1993,29(8),2491-2503.

[5] ALLAN R J.ENSO and climatic variability in the past 150 years[M].New York:Cambridge University Press,2000:3-55.

[6] ROPELEWSKI C F,HALPERT M S.Global and regional scale precipitation patterns associated with the EI Nio/ Southern Oscillation[J].Monthly Weather Review,1987,115(8):1606-1626.

[7] ROPELEWSKI C F,HALPERT M S.Precipitation patterns associated with the high index phase of the Southern Oscillation[J].Climate,1989,2(3):268-284.

[8] 史久恩,林学椿,周琴芳.厄尔尼诺现象和我国夏季(6—8月)降水气温的关系[J].气象,1983,9(4):2-5.

[9] 吴娟,林荷娟,吴志勇,等.厄尔尼诺事件对太湖流域降水的影响[J].水文,2017,37(5):60-64.

[10] 李慧敏,徐海明,李智玉.厄尔尼诺年西北太平洋异常反气旋的年际变化特征及其影响[J].气象学报,2017,75(4):581-595.

[11] 许武成,马劲松,王文.关于ENSO事件及其对中国气候影响研究的综述[J].气象科学,2005,25(2):212-220.

[12] 叶正伟,许有鹏,潘光波.江淮下游汛期降水与ENSO冷暖事件的关系[J].地理研究,2013,32(10):1824-1832.

[13] 信忠保,谢志仁.ENSO事件对淮河流域降水的影响[J].气象科学,2005,25(4):4346-4354.

[14] ANDERSON Weston,SEAGER Richard,BAETHGEN Walter,et al.Crop production variability in North and South America forced by life-cycles of the El Nio Southern Oscillation[J].Agricultural and Forest Meteorology,2017,239:151-165.

[15] 陆日宇.华北汛期降水量年际变化与赤道东太平洋海温[J].科学通报,2005,50(11):1131-1135.

[16] 房世波,齐月,韩国军,等.1961—2010年中国主要麦区冬春气象干旱趋势及其可能影响[J].中国农业科学,2014,47(9):1754-1763.

[17] 赵肖肖,朱宁,黄黎平.基于ARIMA模型的时间序列建模算法和实证分析[J].桂林电子科技大学学报,2012,32(5):410-415.

[18] 王红瑞,康健,林欣,等.水文序列ARIMA模型应用中存在的问题与改进方式[J].系统工程理论与实践.2008,28(10):166-176.