Abstrak
Analisis data suhu permukaan laut (SST) mendeteksi secara kuat anomali dekade pola dipol di Samudra Atlantik dan Samudra Hindia bagian selatan (SAIO) yang terjadi bersamaan seperti saudara kembar, yang disebut sebagai Atlantic-Indian Twin Dipoles (AITD). Mekanisme yang mengatur AITD diselidiki berdasarkan kumpulan data observasi, simulasi model iklim, dan eksperimen model samudra. Kami menunjukkan bahwa AITD digabungkan dengan perubahan suhu tinggi subtropis yang melibatkan berbagai proses udara-laut regional. Secara khusus, sementara pemanasan radiatif yang dikendalikan awan memainkan peran penting di Atlantik, perubahan fluks panas turbulen yang didorong oleh angin sangat penting di Samudra Hindia. Dinamika samudra yang didorong oleh angin juga penting di dekat batas timur SAIO. Osilasi Pasifik Interdekadal dan Southern Annular Mode mendukung AITD dengan memodulasi suhu tinggi subtropis. Hasil kami menyoroti hubungan lintas cekungan antara SAIO, yang memberikan implikasi untuk memprediksi iklim Belahan Bumi Selatan dan ekstrem regional.
Poin-poin Utama
- Dipole Kembar Atlantik-India (AITD) merupakan gambaran sinkronisasi dekade variabilitas suhu permukaan laut (SST) di Samudra Atlantik Selatan dan Samudra Hindia.
- AITD terutama didorong oleh fluks panas permukaan yang terkait dengan variabilitas dekade suhu tinggi subtropis.
- Baik Interdecadal Pacific Oscillation dan Southern Annular Mode memodulasi tinggi subtropis dan AITD
Ringkasan Bahasa Sederhana
Suhu permukaan laut (SST) di Samudra Atlantik Selatan dan Samudra Hindia (SAIO) menunjukkan variabilitas dipol timur laut-barat daya yang serupa pada skala waktu dekade, yang disebut sebagai Dipol Kembar Atlantik-India (AITD). Kutub timur AITD, yang terletak di sepanjang batas timur SAIO, memainkan peran penting dalam sinkronisasi lintas samudra dari ekstrem SST pesisir pada skala waktu dekade. Meskipun AITD memiliki pola spasiotemporal yang serupa, mekanisme fisik yang mendorong variasi SST berbeda antara cekungan. Di Atlantik Selatan, perubahan tutupan awan yang mengendalikan pemanasan radiasi matahari mendominasi, sedangkan di Samudra Hindia Selatan, anomali kecepatan angin dan adveksi suhu udara lebih menonjol. Dinamika samudra yang digerakkan oleh angin di SAIO timur juga berkontribusi secara signifikan. Variabilitas iklim Samudra Pasifik dan Selatan dapat memengaruhi pembentukan AITD dengan memengaruhi sirkulasi atmosfer di wilayah SAIO.
1 Pendahuluan
Samudra Atlantik Selatan dan Samudra Hindia (SAIO) sangat penting bagi keanekaragaman hayati laut dan perikanan dan rentan terhadap perubahan iklim (Michael et al., 2015 ; S. Wang et al., 2023 ; Yemane et al., 2015 ). Meskipun jauh dari pusat variabilitas iklim alami seperti Atlantik Utara dan Pasifik tropis (Doi et al., 2016 ; C. Wang, 2019 ), SAIO menunjukkan variabilitas suhu permukaan laut (SST) yang menonjol yang timbul dari perubahan pada suhu tinggi subtropis, telekoneksi dari samudra lain, dan pertukaran samudra melalui Arus Sirkumpolar Antartika dan kebocoran Agulhas (Biastoch et al., 2015 ; Doi et al., 2016 ; Le Bars et al., 2016 ; Xue et al., 2018 ). Mode antartahunan yang terkenal mencakup dipol subtropis Samudra Atlantik Selatan dan Samudra Hindia (SASD dan IOSD) (Behera & Yamagata, 2001 ; Morioka et al., 2012 ) dan Benguela dan Ningaloo Niño/Niña (BN dan NN) (Feng et al., 2013 ; Kataoka et al., 2014 ; Shannon et al., 1986 ). Namun, variabilitas SST dekade (>7 tahun) di SAIO cenderung menunjukkan karakteristik yang berbeda. Misalnya, selama 1960–1970, 1975–1985, dan 1995–2005, anomali dipol timur laut-barat daya muncul di kedua cekungan (Gambar S1 dalam Informasi Pendukung S1 ), dengan SST hangat dan dingin terpisah jauh satu sama lain. Pola ini berbeda dari mode terkenal yang disebutkan di atas.
Mode terdepan dalam SAIO (Gambar S2 dalam Informasi Pendukung S1 ), seperti yang diungkapkan oleh analisis fungsi ortogonal empiris (EOF), menggambarkan variasi cekungan multidekade di kedua cekungan (Gao et al., 2023 ). Studi ini mengunjungi mode kedua dari analisis EOF (EOF2) yang menunjukkan anomali dipol barat daya-timur laut dalam SAIO (Gambar 1a dan 1b ), yang selanjutnya disebut sebagai Dipol Kembar Atlantik-India (AITD). Indeksnya (Lihat Bagian 3.1 untuk definisi) menunjukkan korelasi signifikan (keduanya >0,70) dengan variabilitas dekade dipol subtropis (Gambar S3c dalam Informasi Pendukung S1 ). Pada urutan terendah, AITD adalah sinkronisasi dekade dipol subtropis, tetapi menunjukkan pola spasial yang unik. Kutub timur lautnya dekat dengan batas timur, sebagai manifestasi variabilitas dekade BN dan NN (Gambar S3a dan S3b dalam Informasi Pendukung S1 ). Dengan memperhatikan hal ini, AITD dapat dianggap sebagai sinkronisasi skala dekade dari mode antartahunan di SAIO. AITD juga memiliki korelasi 0,32 dengan pola Wavenumber-4 yang baru diidentifikasi (W4; Senapati, Morioka, et al., 2024 ) pada skala waktu dekade (Gambar S4c dalam Informasi Pendukung S1 ). Namun, sementara anomali SST W4 terutama mencakup lautan 25°–55°S, AITD terbatas pada pita 10°–40°S SAIO (Gambar S3a dan S4 dalam Informasi Pendukung S1 ). SAIO menerima dampak telekoneksi dari lautan tetangga dan telah dikaitkan dengan Interdecadal Pacific Oscillation (IPO; Power et al., 1999 ), Atlantic Multidecadal Oscillation (AMO; Kerr, 2000 ), dan Southern Annular Mode (SAM; Kidson, 1999 ) oleh studi yang ada (Frederiksen et al., 2016 ). Bagaimana mode iklim alami yang berevolusi lambat ini dapat memengaruhi AITD masih belum jelas.
Di sini, dengan menganalisis data observasi, simulasi model iklim, dan eksperimen model laut, kami menyediakan investigasi sistematis pertama dari AITD. Kami mengungkap bahwa fluks panas permukaan merupakan pusat pembentukan AITD, dengan dinamika laut memainkan peran penting di dekat pantai barat daya Afrika. Baik IPO maupun SAM memodulasi suhu tinggi subtropis SAIO yang digabungkan dengan AITD melalui berbagai proses udara-laut. Hasil kami menyoroti perubahan SST yang tersinkronisasi dalam SAIO sekaligus menawarkan wawasan baru untuk prediksi dekade ekstrem SST regional melalui karakterisasi mekanisme AITD.
2 Data dan Metode
2.1 Kumpulan Data
Data SST bulanan yang diamati yang digunakan dalam studi ini adalah Hadley Center SST (HadISST) dengan resolusi horizontal 1° × 1° (Rayner et al., 2003 ), yang mencakup periode 1930–2021. Medan atmosfer bulanan yang digunakan dalam studi ini, termasuk angin 10 m dan tekanan permukaan laut (SLP), berasal dari Analisis Ulang 55 tahun Jepang (JRA55; Kobayashi et al., 2015 ), dengan resolusi horizontal 1,25° × 1,25° dan mencakup periode 1958–2013.
2.2 CESM-LE
Simulasi Community Earth System Model Large Ensemble Project (CESM-LE; Kay et al., 2015 ) didasarkan pada Community Earth System Model, versi 1 (CESM1; Hurrell et al., 2013 ), yang mencakup model komponen atmosfer, samudra, daratan, dan es laut yang digabungkan, semuanya dengan resolusi horizontal sekitar 1° × 1°. CESM-LE mencakup ensemble beranggotakan 40 orang, dengan semua anggota mengalami pemaksaan radiatif historis yang sama dari tahun 1920 hingga 2005 tetapi dimulai dari keadaan atmosfer awal yang sedikit berbeda. Kami menggunakan simulasi historis untuk analisis kami.
2.3 Percobaan LICOM3
Hindcast dari Laboratory of Numerical Modeling for Atmospheric Sciences and Geophysical Fluid Dynamics/Institute of Atmospheric Physics (LASG/IAP) Climate System Ocean Model, versi-3 (LICOM3; Y. Li et al., 2020 ; Lin et al., 2020 ; Y. Wang et al., 2022 ), yang mencakup lautan global dengan resolusi horizontal 1° × 1°, digunakan untuk mengonfirmasi hasil CESM-LE. Setelah spin-up 200 tahun dengan medan atmosfer harian berulang tahun 1958 dari JRA55, model tersebut diintegrasikan dari tahun 1958 hingga 2018, menggunakan data harian JRA55 untuk membuat kontrol run (CTRL), wind forcing run (WIND) dan heat flux forcing run (HEAT). Dalam WIND, hanya angin permukaan yang diizinkan untuk bervariasi seperti dalam CTRL, sementara medan gaya atmosfer lainnya ditetapkan pada medan 1958 seperti dalam spin-up. Dalam HEAT, presipitasi dan angin permukaan ditetapkan pada medan 1958, dengan medan gaya lainnya bervariasi seperti dalam CTRL. WIND memberikan wawasan tentang dampak terisolasi dari kecepatan angin dan tekanan angin, sementara HEAT menjelaskan efek fluks panas radiatif (termasuk radiasi gelombang pendek dan panjang) dan turbulen (hanya disebabkan oleh suhu udara dan kelembapan). Perhatikan bahwa efek gaya angin mungkin sangat diremehkan karena suhu udara klimatologis ditentukan dalam WIND (CTRL dan HEAT mengadopsi suhu udara harian yang realistis). Es laut dibiarkan berubah sebagai respons terhadap medan atmosfer, yang memiliki dampak terbatas pada SST SAIO. Jangkauan referensi spin-up yang diperpanjang 100 tahun menunjukkan efek pergeseran model yang dapat diabaikan.
2.4 Indeks dan Statistik
Indeks IPO (Henley et al., 2015 ) dihitung sebagai perbedaan rata-rata anomali SST antara Pasifik tropis tengah (10°S–10°N, 170°E–90°W) dan Pasifik barat laut plus barat daya (25°N–45°N, 140°E–145°W plus 50°S–15°S, 150°E–160°W). Indeks SAM (Gong & Wang, 1999 ) adalah perbedaan SLP rata-rata zonal antara 40°S dan 65°S. Indeks AMO (Trenberth & Shea, 2006 ) adalah rata-rata anomali SST Atlantik Utara (0°–60°N, 75°–5°W). Indeks mode iklim antartahunan juga dihitung (Teks S1 dalam Informasi Pendukung S1 ).
Variabel bulanan dirata-ratakan menjadi rata-rata tahunan. Rata-rata berjalan 7 tahun diterapkan untuk menyoroti perubahan dekade. Signifikansi statistik diestimasikan menggunakan uji- t Student dua sisi , dengan mempertimbangkan derajat kebebasan efektif (Pyper & Peterman, 1998 ). Modus EOF dipisahkan secara signifikan (North et al., 1982 ). Studi ini berfokus pada variabilitas internal dengan menghilangkan tanda-tanda pemaksaan eksternal (Teks S2 dalam Informasi Pendukung S1 ).
3 Hasil
3.1 AITD pada Skala Waktu Dekadal
AITD, yang diidentifikasi sebagai EOF2, menjelaskan 13,9%–14,4% dari total varians di berbagai set data observasional (lihat Gambar 1a, 1b , dan Gambar S5 dalam Informasi Pendukung S1 ). AITD memiliki empat pusat anomali SST: Samudra Atlantik barat daya (SWAO; 25°–35°S, 30°–10°W), sistem Arus Benguela di Samudra Atlantik tenggara (SEAO; 10°–30°S, 5°–15°E), wilayah Samudra Hindia barat daya di tenggara Madagaskar (SWIO; 25°–35°S, 50°–70°E), dan wilayah barat laut Australia di Samudra Hindia tenggara (SEIO; 15°–25°S, 95°–115°E). Indeks AITD didefinisikan oleh perbedaan antara anomali SST rata-rata SWAO plus SWIO dan SEAO plus SEIO, yang menunjukkan korelasi 0,90 dengan komponen utama EOF2 (PC2) (Gambar 1b ). AITD tetap terdeteksi dengan kuat ketika domain dan periode analisis diubah. Misalnya, untuk semua lautan Belahan Bumi Selatan 10°–55°S, AITD terlihat di EOF ke-3 (Gambar S4 dalam Informasi Pendukung S1 ), yang tidak sensitif terhadap pilihan periode waktu (angka tidak ditampilkan). EOF3 juga melihat tanda-tanda SST W4 di lautan 25°–55°S (Gambar S4 dalam Informasi Pendukung S1 ). Spektrum daya menunjukkan bahwa AITD menunjukkan peningkatan daya pada periode 13 dan 38 tahun (tidak ditampilkan), yang lebih panjang daripada periode W4 <12 tahun (Senapati, Dash, & Behera, 2022 ). Studi ini menggunakan indeks AITD dan terutama berfokus pada fase positif, yang sesuai dengan SWAO dan SWIO hangat serta SEAO dan SEIO dingin (Gambar 1c ). Sebelum AITD positif matang, anomali antisiklonik berkembang di atas SAIO.
Simulasi CESM-LE mereproduksi AITD yang diamati. Simulasi historis 1920–2005 dari 40 anggota CESM-LE menyediakan catatan 3440 tahun. AITD muncul sebagai EOF2 dalam 18 anggota dan EOF3 dalam enam anggota, menjelaskan 14,6% ± 2% dari total varians (Gambar S5d dalam Informasi Pendukung S1 ). Regresi SST ke indeks AITD dari CESM-LE selaras secara luas dengan pengamatan, meskipun SST paling diremehkan di SEAO (Gambar 1d ), kemungkinan karena angin yang lebih lemah di atas SEAO di CESM-LE.
3.2 Proses Udara-Laut di SAIO
Dalam CESM-LE, AITD terkait erat dengan perubahan fluks panas permukaan bersih Q net (positif ke bawah), dengan perolehan panas anomali di SWAO dan SWIO serta kehilangan panas di SEIO (Gambar 2a dan 2b ). Khususnya, dengan peningkatan Q net secara keseluruhan di SEAO, hal ini gagal menjelaskan pendinginan SST di sana, yang menunjukkan peran potensial dinamika samudra.
Komponen Q net mencakup radiasi gelombang pendek dan gelombang panjang (SWR dan LWR) dan fluks panas turbulen (THF; fluks panas laten plus sensibel). Q net yang meningkat di SWAO sebagian besar muncul dari SWR (Gambar 2c ). SWR cenderung tidak sefase dengan LWR dan dengan amplitudo yang lebih besar (Gambar 2c dan 2d ), yang mencerminkan efek berlawanan dari tutupan awan pada mereka. Di tiga wilayah lainnya, THF memainkan peran penting dalam menentukan tanda Q net (Gambar 2e ). THF menunjukkan pola dipol timur laut-barat daya di seluruh Samudra Hindia bagian selatan, meniru pola Q net . Ada kemungkinan bahwa sirkulasi laut klimatologis, seperti Arus Madagaskar Timur dan pusaran resirkulasi yang terletak di sebelah timur Arus Agulhas, berkontribusi pada pengangkutan anomali SST yang mungkin dihasilkan oleh fluks panas di wilayah hulu menuju SWIO.
Sementara Q net tidak dapat menjelaskan pendinginan SEAO, terdapat penurunan tinggi permukaan laut (SSH) di SEAO yang terkait dengan perubahan angin permukaan (Gambar 2f ). Anomali angin timur di Atlantik ekuator membangkitkan gelombang Kelvin yang naik (Illig & Bachèlery, 2024 ) yang menjalar ke pantai barat Afrika (Gambar S6 dalam Informasi Pendukung S1 ), yang menyebabkan naiknya gelombang pesisir (ditunjukkan oleh penurunan SSH) dan pendinginan SST di SEAO. Antisiklon juga melibatkan angin selatan yang anomali di dekat batas timur, yang menyebabkan naiknya gelombang pesisir dan pendinginan SST di SEIO.
Perubahan tinggi subtropis (Gambar S7 dalam Informasi Pendukung S1 ) dalam rentang 20°S–40°S (Ohishi et al., 2015 ; Vidya et al., 2020 ) dapat menyebabkan variasi Q net yang kuat dalam SAIO (Behera & Yamagata, 2001 ; Morioka et al., 2012 ). Namun, dalam CESM-LE, anomali SLP dan angin permukaan yang terkait dengan AITD mencakup rentang lintang yang lebih luas yaitu 10°–55°S (Gambar 3a ). Oleh karena itu, kami menganalisis secara terpisah sektor lintang rendah dan menengah dari variabilitas SLP (masing-masing 10°–25°S dan 30°–50°S) untuk mendapatkan pemahaman mendalam tentang proses yang mendasarinya.
SLP tinggi dan antisiklon menginduksi AITD melalui beberapa agen. Pertama, ditumpangkan pada angin klimatologis (Gambar S7 dalam Informasi Pendukung S1 ), angin selatan dekat batas timur ditingkatkan, sementara angin permukaan di SWAO dan SWIO melemah (Gambar 3b ). Dengan demikian, pelepasan THF menuju atmosfer ditekan dalam SWIO dan SWAO dan ditingkatkan di SEAO dan SEIO. Kedua, antisiklon menghasilkan adveksi panas meridional dan uap air asimetris zonal, mengangkut udara hangat dan lembab dari lintang yang lebih rendah ke SAIO barat dan udara dingin dan kering dari lintang yang lebih tinggi ke SAIO timur (Gambar 3c ). Ini menekan pelepasan THF di SWIO melalui modulasi suhu dan perbedaan kelembaban spesifik di antarmuka udara-laut (misalnya, Gambar S8a dalam Informasi Pendukung S1 ), yang tidak signifikan dalam SEIO. Proses Samudra Hindia yang intens mengakibatkan anomali THF keseluruhan yang lebih kuat dibandingkan dengan Atlantik Selatan (Gambar 2e ), karena anomali SLP tinggi dan antisiklon yang lebih lemah di pita 10°–25°S (Gambar 3a ). Hal ini juga dapat menjadi bias model, mengingat bahwa SST di SEAO sangat diremehkan dalam CESM-LE (Gambar 1d ).
AITD juga digabungkan dengan perubahan SWR yang didorong oleh awan. Pengurangan awan rendah di SWAO meningkatkan SWR yang memasuki lautan, yang mendorong pemanasan SST (Gambar 3d , Gambar S8b dan S8c dalam Informasi Pendukung S1 ). SST yang hangat, pada gilirannya, melemahkan stabilitas dan penurunan troposfer bawah, yang mengarah ke pengurangan awan rendah (Clement et al., 2009 ). Yang sebaliknya terjadi di SEAO. Proses-proses ini membentuk lingkaran umpan balik awan-radiasi-SST yang positif, yang didukung oleh korelasi lead-lag yang signifikan dalam data CESM-LE dan observasional (gambar tidak ditampilkan). Namun, di Samudra Hindia bagian selatan, perubahan awan rendah dan tinggi saling berlawanan (Gambar S8b dan S8c dalam Informasi Pendukung S1 ), menghasilkan anomali SWR rata-rata wilayah yang lemah (Gambar 2f ). Pergeseran rezim awan ini mungkin timbul dari SST rata-rata yang lebih hangat di Samudra Hindia (Tozuka & Oettli, 2018 ).
3.3 Konfirmasi melalui Eksperimen LICOM3
Untuk mengonfirmasi analisis CESM-LE, kami melakukan eksperimen sensitivitas menggunakan LICOM3. AITD yang disimulasikan oleh CTRL cocok dengan observasi, meskipun dengan amplitudo yang sedikit lebih kuat (Gambar 3e dan Gambar S10a dalam Informasi Pendukung S1 ) yang mungkin terkait dengan kesalahan dalam medan gaya dan kurangnya atmosfer interaktif. HEAT juga mereproduksi AITD dengan baik (Gambar 3e dan Gambar S10b dalam Informasi Pendukung S1 ). WIND menghasilkan perubahan SST yang jauh lebih lemah daripada HEAT dan CTRL, kecuali untuk SEAO (Gambar 3e dan Gambar S10c dalam Informasi Pendukung S1 ). Ini menunjukkan bahwa variabilitas fluks panas udara-laut dekade sangat penting bagi AITD, sementara angin memainkan peran sekunder.
Kepentingan relatif angin dan fluks panas bervariasi menurut wilayah. Fluks panas (HEAT) berkontribusi hingga ∼90% di SWAO dan SWIO tetapi hanya 17% di SEAO, dengan sisa yang dijelaskan oleh pemaksaan angin (WIND) (Gambar 3f ). Di WIND, angin selatan sepanjang pantai di SEAO dan angin timur dekat khatulistiwa menyebabkan arus naik pesisir (Gambar S10d dalam Informasi Pendukung S1 ) dan pendinginan SST di SEAO. Ini konsisten dengan hasil CESM-LE (Gambar 2f ), yang selanjutnya mengonfirmasi peran penting dinamika samudra di SEAO. HEAT dan WIND sebanding dalam menghasilkan SST dingin di SEIO, dengan kontribusi yang sedikit lebih kecil dari yang pertama.
3.4 Dampak Samudra Pasifik dan Samudra Selatan
Meskipun mengalami sebaran antaranggota yang substansial, variasi SLP dekade berkorelasi kuat dengan AITD (Gambar S11a dan S11b dalam Informasi Pendukung S1 ), dengan SLP lintang rendah menunjukkan korelasi signifikan sebesar 0,49 ± 0,16 dan SLP lintang tengah menunjukkan korelasi sebesar 0,42 ± 0,22 dengan indeks AITD. Ada korelasi lintas cekungan yang signifikan antara SLP SAIO. Korelasi untuk SLP lintang rendah adalah 0,31 ± 0,21, dan untuk SLP lintang tengah adalah 0,36 ± 0,22.
Variabilitas dekade tertinggi SAIO mungkin muncul dari variabilitas iklim samudra lain, dengan IPO, AMO, dan SAM sebagai mode paling berpengaruh di Pasifik, Atlantik Utara, dan Samudra Selatan, berturut-turut. Dalam CESM-LE, SLP lintang rendah di SAIO terkait erat dengan IPO, menunjukkan korelasi sesaat sebesar 0,76 ± 0,10 (Gambar 4a ). SLP yang diregresikan ke indeks IPO menunjukkan bahwa pemanasan Pasifik tropis selama IPO positif memaksa respons tipe Gill (Gill, 1980 ; Matsuno, 1966 ) dari troposfer tropis, memperkuat angin pasat di Samudra Atlantik dan Hindia (Cai et al., 2019 ; Meehl et al., 2021 ) dan menciptakan anomali SLP positif di SAIO lintang rendah 10°–25°S (Gambar 4b ). IPO juga menyebabkan anomali SLP rendah di SAIO lintang tengah 30°–50°S dan melemahkan angin barat Samudra Selatan melalui rangkaian gelombang Rossby (X. Li et al., 2021 ). Oleh karena itu, IPO memiliki korelasi negatif sebesar -0,22 ± 0,24 dengan SLP lintang tengah (Gambar 4c ).
AMO dan SAM memiliki dampak yang lebih lemah pada SLP SAIO lintang rendah, menunjukkan korelasi sebesar 0,19 ± 0,21 dan -0,19 ± 0,22, masing-masing (Gambar 4a dan 4c ). AMO menginduksi pola telekoneksi di SAIO yang mirip dengan IPO tetapi dengan amplitudo yang jauh lebih lemah (Gambar 4d ). SAM positif dicirikan oleh peningkatan SLP tinggi di lintang tengah dan menginduksi anomali SLP negatif yang lemah di Samudra Hindia tropis (Gambar 4f ). Dengan demikian, SLP SAIO lintang tengah memiliki korelasi kuat sebesar 0,63 ± 0,14 dengan indeks SAM; korelasi tertinggi dalam masing-masing anggota model mencapai 0,90. Singkatnya, variabilitas dekade tertinggi regional yang penting bagi AITD terkait erat dengan pola telekoneksi yang didorong oleh IPO dan variabilitas sirkulasi lintang menengah SAM. Hubungan yang diperoleh dari CESM-LE ini berlaku dalam data berbasis observasi (Gambar S12 dalam Informasi Pendukung S1 ).
Studi yang ada mengungkapkan hubungan iklim yang kuat antara Pasifik tropis dan ekstratropis Belahan Bumi Selatan (X. Li et al., 2021 ; Meehl et al., 2016 ; Yang et al., 2020 ). Dalam CESM-LE, IPO dan SAM memiliki korelasi negatif sebesar −0,34 ± 0,19 (Gambar 4e ). Oleh karena itu, mereka cenderung memiliki efek yang berlawanan pada SLP lintang menengah-rendah—ketika IPO positif mendorong SLP tinggi di SAIO lintang rendah, kondisi SAM negatif yang menyertainya di Samudra Selatan menyebabkan SLP rendah di lintang menengah. Oleh karena itu, indeks AITD menunjukkan korelasi rendah dengan IPO atau SAM (Gambar S11c dalam Informasi Pendukung S1 ). Senapati, Dash, dan Behera ( 2022 ) menyarankan dampak pada SST SAIO dari South Pacific Meridional Mode (SPMM). Mengingat korelasi sebesar −0,83 antara indeks SPMM dan IPO pada skala waktu dekade, dampak potensial SPMM pada AITD telah disertakan dalam dampak IPO.
4 Ringkasan dan Implikasi
Sebagai salah satu variabilitas iklim dekade dalam SAIO, AITD mencerminkan kovariasi dipol subtropis dan Niño pesisir. Misalnya, sejak tahun 1940-an, indeks AITD menunjukkan korelasi negatif dengan BN dan NN (pada tingkat kepercayaan 95%; Gambar S13 dalam Informasi Pendukung S1 ). Dengan demikian, BN dan NN menunjukkan korelasi positif >0,5 pada skala waktu dekade di sebagian besar abad ke-20. Korelasi ini juga menurun pada tahun 1990-an dan kemungkinan bangkit kembali pada tahun 2000-an, yang mungkin dipengaruhi oleh peristiwa El Niño/Osilasi Selatan yang kuat (Rouault & Tomety, 2022 ) atau letusan gunung berapi (Gao et al., 2023 ). Selama fase AITD negatif tahun 1959–1974 dan 1995–2015, NN dan BN sering terjadi (Gambar S13a dalam Informasi Pendukung S1 ), yang menimbulkan gelombang panas laut pesisir (Zhang et al., 2023 ), dengan konsekuensi bencana bagi ekosistem laut, ekonomi, dan kehidupan manusia (Imbol Koungue & Brandt, 2021 ; Kathryn et al., 2021 ; Tozuka et al., 2014 ). AITD juga memberikan pengaruh signifikan pada SSH lokal, yang memiliki implikasi penting untuk sirkulasi laut regional dan anggaran energi. Karena AITD mencakup karakteristik berbagai mode iklim, memahami mekanismenya dapat menawarkan wawasan baru ke dalam evolusi keseluruhan mode iklim di bawah pemanasan global.
Senapati dkk. ( 2021 ), Senapati, Deb, dkk. ( 2022 ), Senapati, Dash, dan Behera ( 2022 ), Senapati, Morioka, dkk. ( 2024 ) mengindikasikan bahwa anomali SST W4 didorong oleh variasi THF dan MLD yang timbul dari anomali angin meridional. Hasil kami mengungkap proses alternatif yang melaluinya tekanan tinggi lokal memengaruhi AITD (Gambar S14 dalam Informasi Pendukung S1 ). Di SWAO, SWR yang dikendalikan awan mendominasi (Gambar 3d ), sedangkan dinamika pesisir yang didorong angin lebih penting di SEAO (Gambar 2f ). Baik di SWIO maupun SEIO, anomali THF yang disebabkan oleh kecepatan angin memainkan peran penting (Gambar 3b ). Selain itu, adveksi atmosfer sangat penting di SWIO (Gambar 3c ), sementara arus naik samudra memberikan pengaruh substansial di SEIO (Gambar 2c ). Perbedaan regional ini kemungkinan terkait dengan anomali SLP lintang rendah yang lebih kuat di Samudra Hindia daripada di Samudra Atlantik (Gambar 3a ), yang menghasilkan perubahan yang lebih besar dalam kecepatan angin total dan adveksi atmosfer. Studi ini menyoroti Q net dalam menghasilkan AITD, meskipun proses samudra mungkin juga penting. Proses samudra yang terlibat dalam AITD, seperti dinamika pesisir, arus tembus, dan pusaran, memerlukan penyelidikan lebih lanjut menggunakan model resolusi lebih tinggi.
Lebih jauh lagi, hasil kami menghubungkan perubahan pada titik tertinggi subtropis SAIO dengan iklim Pasifik dan Samudra Selatan. Misalnya, IPO dan SAM berada dalam fase negatif selama tahun 1960-an dan bertransisi ke fase positif pada tahun 1980-an, yang menyebabkan AITD yang kuat selama tahun 1960–1980. Setelah itu, IPO dan SAM lebih lemah dalam amplitudo atau berlawanan fase, menghasilkan AITD yang relatif lemah. Namun, korelasi antara AITD dan SAM tidak signifikan karena efek berlawanan dari IPO pada SLP. Dalam beberapa tahun, anomali AITD yang kuat dapat muncul terlepas dari efek berlawanan dari IPO dan SAM, yang menunjukkan bahwa AITD juga dapat muncul dari proses lain seperti variabilitas internal dalam SAIO (Kataoka et al., 2018 ).
