Regionale und zeitliche Variabilität der Monsunniederschläge im indischen Sommer im Verhältnis zur südlichen El-Niño-Schwingung

Scientific Reports Band 13, Artikelnummer: 12643 (2023) Diesen Artikel zitieren

2112 Zugriffe

58 Altmetrisch

Details zu den Metriken

Der Indische Sommermonsunregen (ISMR) weist erhebliche Schwankungen auf und beeinträchtigt die Ernährungs- und Wassersicherheit des dicht besiedelten indischen Subkontinents. Die beiden vorherrschenden räumlichen Modi der ISMR-Variabilität hängen mit der El Niño Southern Oscillation (ENSO) und der Stärke des semipermanenten Monsuntrogs zusammen mit der damit verbundenen Variabilität bei Monsundepressionen zusammen. Obwohl die robuste Fernverbindung zwischen ENSO und ISMR seit mehreren Jahrzehnten gut etabliert ist, sind die Haupttreiber, die zu den zeitlich variierenden Beziehungen zwischen ENSO und ISMR-Mustern in verschiedenen Regionen des Landes führen, nicht genau verstanden. Unsere Analyse zeigt einen stetigen Anstieg von einer mäßigen bis hin zu einer erheblich starken Fernverbindungsstärke zwischen ENSO und ISMR von 1901 bis 1940. Diese verstärkte Beziehung blieb zwischen 1941 und 1980 stabil und stark. In der jüngsten Zeit von 1981 bis 2018 nahm die Fernverbindung jedoch wieder kontinuierlich ab bis zu einer mäßigen Stärke. Wir stellen fest, dass die ENSO-ISMR-Beziehung eine ausgeprägte regionale Variabilität mit zeitlich variierender Beziehung über Nord-, Zentral- und Südindien aufweist. Insbesondere zeigt die Fernverbindung eine zunehmende Beziehung für Nordindien, eine abnehmende Beziehung für Zentralindien und eine konsistente Beziehung für Südindien. Warme SST-Anomalien über dem östlichen Pazifik entsprechen einem allgemeinen Rückgang des ISMR, während warme SST-Anomalien über dem Indischen Ozean einem Rückgang der Niederschläge im Norden und einem Anstieg im Süden Indiens entsprechen.In der zentralindischen Region gab es die größten Unterschiede in der ENSO-ISMR-Beziehung. Diese Variation entspricht der Variabilität des Monsuntals und der Monsuntiefen, die stark von der Pazifischen Dekadischen Oszillation und der Nordatlantischen Oszillation beeinflusst werden, die die relative Dominanz der beiden räumlichen ISMR-Modi regulieren. Durch die Anwendung der PCA-Biplot-Technik hebt unsere Studie die erheblichen Auswirkungen verschiedener Klimafaktoren auf die beiden vorherrschenden räumlichen Modi von ISMR hervor, die für die sich entwickelnde Natur der ENSO-ISMR-Beziehung verantwortlich sind.

Der indische Subkontinent erhält jedes Jahr etwa 78 % seines jährlichen Niederschlags während der Südwest-Monsunzeit von Juni bis September1. Die zwischenjährlichen Schwankungen der Regenfälle des Indischen Sommermonsuns (ISMR) betragen nur etwa 9 % des Mittelwerts, haben jedoch erhebliche sozioökonomische Auswirkungen2,3, insbesondere auf den Agrarsektor, die Wasserverfügbarkeit und das BIP des Landes4,5. Auf den zwischenjährlichen Zeitskalen wird ISMR von mehreren ozeanisch-atmosphärisch gekoppelten Klimaphänomenen beeinflusst, wie der El Niño Southern Oscillation (ENSO), dem Dipol des Indischen Ozeans (IOD), der Pacific Decadal Oscillation (PDO), der Atlantic Meridional Oscillation (AMO) und der Atlantic Zonal Oscillation Modus (AZM)6,7,8,9,10,11,12,13,14. Als größter tropischer Modulator des indischen Monsuns ist ENSO auch das größte zwischenjährliche Klimasignal in den Tropen15,16. Die Veränderungen in der zonalen Walker-Zirkulation während El Niño führen zu anomalen Absenkungen über der indischen Landmasse, wodurch die Monsun-Zirkulation unterdrückt wird und in der Folge eine Verringerung der Niederschläge über dem indischen Subkontinent erfolgt17,18. Die gesamten Westküstengürtel, die Monsunzone und die östlichen Regionen sind von Dürren im Zusammenhang mit El Niño betroffen.

Im Allgemeinen gibt es zwei Hauptfaktoren für die zwischenjährliche Variabilität von ISMR7. Einer davon ist der externe Antrieb, der als Reaktion auf Klimaschwankungen und -veränderungen entsteht. Die zweite ist die interne Komponente aufgrund der intrasaisonalen Aktivität, die sich in den aktiven Phasen und Pausen des Monsuns manifestiert10,19,20. Die zwischenjährliche Variabilität des ISMR ist teilweise auf externe Faktoren und teilweise auf interne Faktoren zurückzuführen21.

ISMR weist eine große räumliche Variabilität mit Über- und Defizitniederschlägen in verschiedenen Regionen des Subkontinents auf. Die zwischenjährliche Variabilität des ISMR wird deutlicher, wenn wir die räumliche Variabilität des Niederschlags berücksichtigen. Mishra et al.22 identifizierten zwei große räumliche Muster der ISMR-Variabilität und stellten fest, dass diese beiden ISMR-Modi hauptsächlich mit ENSO bzw. der Stärke des semipermanenten Monsuntrogs zusammenhängen. Sie stellen fest, dass die Bedeutung des Monsuntrogs eng mit der Häufigkeit von Monsundepressionen zusammenhängt, die sich über dem Golf von Bengalen bilden. Bemerkenswert ist, dass das zweite ISMR-Muster im Laufe des letzten Jahrhunderts (1901–2018) aufgrund der Abschwächung der Monsunzirkulation und der rückläufigen Anzahl von Monsundepressionen an Stärke abgenommen hat23,24,25,26,27. Infolgedessen kommt es zu einem Rückgang der Niederschläge in den zentralen Monsungebieten im zentralen Osten Indiens und an der Westküste Indiens23,24. Ihre Studie untersucht jedoch nicht, wie sich diese Variabilität und die damit verbundenen Fernverbindungen regional, in verschiedenen Teilen des Landes und in unterschiedlichen Zeiträumen manifestieren. Die Stärke des Monsuntals und die Häufigkeit von Tiefdruckgebieten hängen auch mit den Bedingungen der Meeresoberflächentemperatur (SST) nach ENSO zusammen. Chowdary et al.28 fanden heraus, dass El-Niño-Ereignisse im darauffolgenden Sommer zu einer Erwärmung des nördlichen Indischen Ozeans führen. Diese Erwärmung wird hauptsächlich durch Luft-Meer-Wechselwirkungen im tropischen Indischen Ozean verursacht. Während diese Studien hilfreich sind, um allgemeine Einblicke in die ENSO-ISMR-Beziehung zu gewinnen, sind die regionale Variabilität und ihre langfristigen Veränderungen weniger verstanden29,30,31,32. Da die Wirkung von ENSO für verschiedene Regionen des Landes nicht gleich ist, ist das Verständnis der regionalen ENSO-ISMR-Beziehung auch wichtig, um Fähigkeiten zur Monsunvorhersage zu identifizieren und zu verbessern.

Die umgekehrte Beziehung zwischen ENSO und ISMR ist die Hauptquelle für die Vorhersagbarkeit von ISMR32,33,34. Die inverse ENSO-ISMR-Beziehung zeigt jedoch im letzten Jahrzehnt nach den 1980er Jahren einen schwächeren Trend, der auf mehrere Faktoren zurückzuführen ist, wie z. B. eine zunehmende Oberflächenerwärmung über Eurasien35, eine Verstärkung und Polverschiebung der Jetstreams über dem Nordatlantik36 sowie eine erhöhte Treibhausgaskonzentration37 und -verschiebung im Oberflächenwindzirkulationsmuster über der indopazifischen Region38. Wichtig ist, dass sich die umgekehrte ENSO-ISMR-Beziehung im letzten Jahrhundert auch räumlich veränderte. Mahendra et al. (2021)39 untersuchten diese räumliche Variation und schlugen vor, dass sich die ENSO-ISMR-Beziehung in verschiedenen Epochen verändert, wobei die Beziehung im nördlichen Zentralindien und auf der südlichen Halbinsel stabil ist und die Beziehung in Zentral- und Ostindien abnimmt. Diese räumliche Variabilität hängt mit der anomalen Aufwärtsbewegung zusammen, die mit dem Dipol des Indischen Ozeans (IOD) und der Ausbreitung der zyklonischen Zirkulation auf niedrigem Niveau aus der Region West-Nord-Pazifik nach Westen verbunden ist.

In dieser Studie liegt unser Hauptaugenmerk auf der Untersuchung der Veränderungen in der Beziehung zwischen ENSO und ISMR während der Sommermonsunmonate (JJAS). Wir untersuchen insbesondere, wie die Haupttreiber von ISMR diesen Zusammenhang beeinflussen. Unser erstes Ziel besteht darin, die Zusammenhänge zwischen den vorherrschenden räumlichen Moden von ISMR und verschiedenen Klimaprozessen zu analysieren, darunter IOD, PDO, Nordatlantische Oszillation (NAO), Quasi-Biennial Oscillation (QBO), Interdecadal Pacific Oscillation (IPO), AMO und Atlantischer Niño. Unser Ziel ist es zu verstehen, wie sich diese verschiedenen Klimamodi lokal auf die ENSO-ISMR-Beziehung auswirken. Unser zweites Ziel besteht darin, einen umfassenden Überblick über die Gründe für die sich verändernde ENSO-ISMR-Beziehung in verschiedenen Regionen des Landes (Süd-, Zentral- und Nordindien) zu geben.

Die vorherrschenden Modi des räumlichen Variabilitätsmusters von ISMR werden durch den Einsatz einer EOF-Analyse auf standardisierten Niederschlagsdaten isoliert22. Abbildung 1a–b zeigt die ersten beiden führenden EOFs des standardisierten ISMR von 1901 bis 2018. Der erste Modus zeigt Niederschlagsanomalien in ganz Indien, insbesondere in den zentralen und nordwestlichen Teilen Indiens, und erklärt 15 % der Gesamtvarianz. Im zweiten EOF-Modus ist ein Dipolmuster zu erkennen, bei dem positive Niederschlagsanomalien in den Gangesebenen und negative Anomalien in Südindien auftreten oder umgekehrt (Abb. 1b). Ein Rückgang der Niederschläge ist auch in den zentralen Monsungebieten im zentralen Osten Indiens und in den meisten Teilen der Westküste zu beobachten, wie von Roxy et al.23 und Vishnu et al.24 beobachtet. Darshana et al.40 bemerkten positive Niederschlagsanomalien über der West-Süd-Halbinsel Indiens und negative Niederschlagsanomalien über den östlichen Indo-Gangetic-Ebenen und führten dies auf den Indo-Western Pacific Ocean Capacitor (IPOC)-Modus zurück. EOF2 erklärt 8,5 % der Gesamtvarianz. Die Zeitreihen, die diesen ersten beiden Modi (Hauptkomponenten) entsprechen, werden als PC1 und PC2 bezeichnet (Abb. 1c, d). PC1 gibt den ersten EOF-Modus an. Die Niño 3,4-Zeitreihe wird ebenfalls zusammen mit PC1 dargestellt und es besteht eine starke Korrelation zwischen ihnen mit einem Koeffizientenwert von 0,54, der bei einem Konfidenzniveau von 95 % statistisch signifikant ist (Abb. 1c). PC2 zeigt den zweiten EOF-Modus an und zeigt einen zunehmenden Trend (Abb. 1d). Dies bedeutet, dass das Muster negativer und positiver Niederschlagsanomalien über der Gangesebene und der südlichen Halbinsel jeweils zunimmt. Zusammen mit dieser PC2-Zeitreihe sind in Abb. 1d die Wirbelstärke bei 850 hPa im Durchschnitt über 80°E–100°E, 10°N–30°N (was die Stärke des Monsuntrogs darstellt) und die Häufigkeit der Monsundepression dargestellt . Die Korrelation von PC2 mit der Vorticity bei 850 hPa und der Depressionshäufigkeit beträgt -0,36 bzw. -0,28, was bei einem Konfidenzniveau von 95 % statistisch signifikant ist.

(a) EOF1 (b) EOF2 des standardisierten ISMR. (c) Zeitreihe von EOF1, dargestellt als PC1, korreliert mit der Niño 3.4-Zeitreihe. (d) Zeitreihe von EOF2, dargestellt als PC2, korreliert mit der Zeitreihe der Depressionshäufigkeit und der Zeitreihe der Vorticity bei 850 hPa. (e) und (f) Korreliertes globales SST-Muster von ISMR EOF1 bzw. EOF2 (g) und (h) Korrelation von PC1 und PC2 sowohl mit dem Wind (durchschnittlich 700–1000 hPa) als auch mit der Vertikalgeschwindigkeit bei 850 hPa. Die Farbskala gibt den Korrelationskoeffizienten und die standardisierte Niederschlagsanomalie an. Diese Abbildung wurde mit der Python 3.8.0-Software (https://www.python.org/downloads/release/python-380/) erstellt.

In Abb. 1e zeigt PC1 eine positive Korrelation mit dem SST über der Niño 3,4-Region, was bedeutet, dass eine Verringerung der Niederschläge über Indien im EOF1-Modus mit den warmen SSTs über der Niño 3,4-Region verbunden ist, was den Einfluss von El Niño bei der Verursachung eines Rückgangs anzeigt Monsunregen. In Abb. 1f zeigt PC2 eine positive Korrelation mit den SSTs über dem nördlichen Indischen Ozean (Arabisches Meer und der Golf von Bengalen) und dem Südchinesischen Meer. Dies weist darauf hin, dass eine Verringerung der Niederschläge über den Gangesebenen und eine Zunahme der Niederschläge über der südlichen Halbinsel mit warmen SSTs über dem nördlichen Indischen Ozean (Arabisches Meer, Golf von Bengalen) und dem Südchinesischen Meer zusammenhängt. Diese warmen SSTs weisen außerdem auf den Einfluss der Erwärmung des Indischen Ozeans hin, die diesen Zustand auf langfristige Trends in der ISMR herbeiführt.

Um die Haupttreiber der ISMR-Variabilität entsprechend EOF1 und EOF2 zu identifizieren, wird eine Korrelationsanalyse für PC1 und PC2 mit mittleren Winden bei 700 – 1000 hPa durchgeführt, um die damit verbundenen Tiefströmungen und Omega bei 500 hPa zu untersuchen. In Abb. 1g korreliert PC1 (was auf eine verringerte ISMR hinweist) positiv mit dem Omega bei 500 hPa, was bedeutet, dass der Rückgang der Niederschläge über Indien mit dem erhöhten Omega bei 500 hPa zusammenhängt. Aus derselben Abbildung lässt sich auch erkennen, dass PC1 in Korrelation mit den Tiefwinden ein schwaches Zirkulationsmuster aufweist, das mit den geringeren Niederschlägen zusammenhängt. In ähnlicher Weise korreliert PC2 in Abb. 1h negativ mit dem Omega bei 500 hPa über der südlichen Halbinsel, was bedeutet, dass eine Zunahme der Niederschläge dort mit einer Abnahme des Omega zusammenhängt. Darüber hinaus korreliert PC2 positiv mit dem Omega bei 500 hPa über den Ganges-Ebenen, was bedeutet, dass ein Rückgang der Niederschläge über den Ganges-Ebenen mit der Zunahme von Omega zusammenhängt. Außerdem zeigt PC2 in Korrelation mit Tiefwinden anomale Westwinde, die mehr Feuchtigkeit vom Arabischen Meer in den Golf von Bengalen befördern können, was die Bildung von Monsuntiefen begünstigt.

Neben ENSO gibt es verschiedene andere Klimamodi, die von zwischenjährlichen bis hin zu multidekadischen Zeitskalen reichen, wie z. B. IOD7,41,42, IOB43, PDO44,45, Interdecadal Pacific Oscillation (IPO)46, QBO47, NAO48,49, Atlantic Niño50 und AMO51,52 , beeinflussen auch ISMR. Um die Rolle dieser verschiedenen Klimatreiber auf die ISMR-Variabilität zu untersuchen, werden Korrelationsmatrix und Biplot-Analyse verwendet. Die Haupttreiber, ENSO und die Stärke des Monsuntrogs, weisen Korrelationskoeffizientenwerte von 0,5 (Abb. 1c) und – 0,36 (Abb. 1d) mit dem ISMR auf. Während diese beiden Faktoren bei der Regulierung der ISMR-Variabilität dominant sind, ist dies auch ein Hinweis darauf, dass es andere Faktoren gibt, die zu ISMR-Variationen führen. Daher werden die verschiedenen Klimamodi berücksichtigt und ihre Rolle in der ISMR-Variabilität mithilfe der Korrelationsmatrix und des Biplots analysiert. Wir stellen fest, dass die Korrelationswerte zwischen den ersten beiden ISMR-Variabilitätsmustern und dem AMO und dem Atlantic Niño-Index schwach und unbedeutend sind (p > 0,05). Daher werden diese beiden Klimamodi in unserer Studie nicht weiter diskutiert. Unabhängig davon kann ein nachfolgender Modus der ISMR-Variabilität im Zusammenhang mit der atlantischen Niño-Variabilität nicht vollständig ausgeschlossen werden. Abbildung 2a stellt die Korrelationsmatrix verschiedener Klimaindizes dar. Dies ergibt die Korrelation zwischen verschiedenen Klimaindizes mit PC1 und PC2. PC1 und PC2 im PCA-Biplot unterscheiden sich von PC1 und PC2 der ISMR-Variabilität. Hier im Biplot beziehen sich PC1 und PC2 auf einen führenden Kovariabilitätsmodus zwischen verschiedenen Klimamodi. Da PC1 und PC2 zwei unabhängige Prozesse sind, ist ihre Korrelation sehr gering (-0,03). Der PCA-Biplot (Abb. 2b) stellt die Wechselbeziehung zwischen verschiedenen Klimamodi dar. Im zweidimensionalen Biplot-Raum stellt ein Pfeil eine Variable dar und seine Länge gibt den Prozentsatz der Varianz an. Der Einheitskreis impliziert den maximalen Korrelationswert eins. Es gibt zwei unabhängige Prozesse ISMR PC1 und ISMR PC2. Die Prozesse, die sich um ISMR PC1 gruppieren, stehen miteinander in Beziehung, und diejenigen, die sich um ISMR PC2 gruppieren, sind miteinander verbunden. Die Prozesse in der Nähe der x-Achse werden in einer Kategorie gruppiert und die Prozesse in der Nähe der y-Achse werden in einer anderen gruppiert. Wir beobachten, dass PC1 mit ENSO, IOD, PDO und IPO verbunden ist. Mittlerweile ist PC2 mit dem NAO-, IPO-, PDO- und IOB-Modusindex zusammen mit der Stärke des Monsuntrogs (MT) und der Depressionshäufigkeit (MDF) verbunden. MT ist sowohl mit PC1 als auch mit PC2 verbunden. Physikalisch bedeutet dies, dass MT sowohl mit ENSO als auch mit internen Faktoren im Zusammenhang mit der Monsunvariabilität zusammenhängt. PDO, IPO und MT tragen sowohl zu den räumlichen Niederschlagsmustern PC1 als auch PC2 bei. Der Biplot-Raum erklärt den QBO nicht gut (die Länge des Pfeils ist kurz). Aus dem Biplot können wir schließen, dass der MDF-Vektor und der PDO-Vektor eine phasenverschobene Beziehung haben. Dieser Befund steht im Einklang mit der Studie von Vishnu et al.13, dass die Monsundepressionen, die sich in den letzten sieben Jahrzehnten über dem Golf von Bengalen gebildet haben, aufgrund der Schwankungen der relativen Luftfeuchtigkeit in einer phasenverschobenen Beziehung zum PDO stehen. Die natürliche Klimavariabilität wird durch verschiedene Klimaschwankungen bestimmt und das Verständnis des physikalischen Mechanismus für die Variation der räumlichen und zeitlichen Skalenvariabilität des ISMR ist immer noch komplex, da er von großräumigen atmosphärischen, ozeanischen und gekoppelten Klimaphänomenen beeinflusst wird53.

(a) Korrelationsmatrix und (b) PCA-Biplot verschiedener Klimamodus-Indizes, d. h. (IPC1) (PC1 mit ISMR), (IPC2) (PC2 mit ISMR), Niño 3.4-Index, jährliche Monsun-Depressionshäufigkeit (MDF), Monsun Trogindex (MT), definiert als Vorticity-Anomalien bei 850 hPa, gemittelt über 80˚E-100˚E, 10˚N-30˚N, Modusindex des Indischen Ozeanbeckens (IOB), berechnet aus dem ersten EOF des SST des Indischen Ozeans, Dipolmodus Index (DMI) für den Dipol des Indischen Ozeans, Tripol-Index für die Interdecadal Pacific Oscillation (IPO), Index der Pacific Decadal Oscillation (PDO), Index für die North Atlantic Oscillation (NAO), Index der Quasi Biennial Oscillation (QBO) für den Zeitraum 1901 – 2018. Die Achsen stellen die Hauptkomponenten der PCA der Korrelationsmatrix dar. PC1 und PC2 erklären 21,22 % bzw. 19,95 % Varianz der Gesamtvarianz (zusammen 41 % Variabilität). Diese Abbildung wurde mit Python 3.8.0 (https://www.python.org/downloads/release/python-380/) erstellt.

Um die physikalische Interpretation des Biplots bereitzustellen, haben wir eine zusammengesetzte Analyse unter Berücksichtigung der Phasen der EOF-Modi (PC1 und PC2) durchgeführt. Hier stellt Abb. 3a – c die Zusammensetzung aus ISMR, SST und Geopotentialhöhe dar, wenn PC1 größer als seine positiven Standardabweichungswerte ist und umgekehrt, wenn sich PC1 in der negativen Phase befindet (Abb. 3d – f). Wir stellen fest, dass die ENSO- und PDO-Muster in den ISMR PC1-Verbundwerkstoffen vorhanden sind. In ähnlicher Weise stellen Abb. 3g – i die Verbundstoffe dar, wenn PC2 größer als seine positiven Standardabweichungswerte ist und umgekehrt, wenn sich PC2 in der negativen Phase befindet (Abb. 3j – l). Hier wird ein Nord-Süd-Dipolmuster in der Niederschlagsanomalie beobachtet, das auf die Stärke des Monsuntals und die Variabilität der Monsundepressionen hinweist. In den Verbundwerkstoffen von ISMR PC2 spielen NAO und IOB eine herausragende Rolle.

Zusammengesetzte saisonale (JJAS-Mittelwert) ISMR-, SST- und Z500-Anomalien (Geopotentialhöhe bei 500 hPa) für die Jahre, in denen (a–c) PC1 größer als sein positiver Standardabweichungswert und (d–f) PC1 kleiner als seine negative Standardabweichung ist Wert, (g–i) PC2 größer als seine positive Standardabweichung, (j–l) PC2 kleiner als seine negative Standardabweichung. Diese Abbildung wurde mit der Python 3.8.0-Software (https://www.python.org/downloads/release/python-380/) erstellt.

Um den Zusammenhang zwischen ENSO und ISMR zu verstehen, wird eine Korrelationsanalyse zwischen ihren repräsentativen Indizes durchgeführt. Abbildung 4a zeigt die räumliche Korrelation zwischen der Anomalie Niño 3.4 SST (JJAS (Juni, Juli, August, September)) und der ISMR-Anomalie im Zeitraum 1901 – 2018. Insgesamt besteht für die meisten Teile Indiens eine negative Korrelation, während sie sehr schwach ist Für die Western Ghats, Ostindien und Nordostindien besteht eine negative Korrelation. In Südindien, Zentralindien und Teilen Nordindiens schwankt die Korrelation zwischen ENSO und Niederschlag zwischen -0,2 und -0,6, was bei einem Konfidenzniveau von 95 % statistisch signifikant ist.

(a) räumliche Karte der Korrelation zwischen ISMR und ENSO von 1901 bis 2018 (b) 30-jährige Korrelation zwischen ISMR und Niño 3.4 SST. (c–e) räumliche Karte der Korrelation zwischen ISMR und ENSO in den Jahren 1901–1940, 1941–1980 und 1981–2018. (f) Die Variabilität (Standardabweichung) in der laufenden Korrelation zwischen ISMR und der Niño 3,4-Zeitreihe (g) 30-jährige laufende Korrelation zwischen dem mittleren Niederschlag in den drei Boxen (Nord, Mitte und Süden) und Niño 3,4 SST. Diese Abbildung wurde mit der Python 3.8.0-Software (https://www.python.org/downloads/release/python-380/) erstellt.

Um zu sehen, ob diese ENSO-ISMR-Beziehung konsistent ist oder variiert, wird eine laufende Korrelation durchgeführt, die uns hilft, die Entwicklung der ENSO-ISMR-Beziehung im Laufe der Zeit zu verstehen. Abbildung 4b stellt die 30-jährige Korrelation der ENSO-ISMR-Beziehung für den Zeitraum 1901 bis 2018 dar. Die Korrelation zwischen ENSO und ISMR variiert zwischen -0,4 und -0,7. Basierend auf der Änderung der ENSO-ISMR-Beziehung wird der gesamte Zeitraum von 1901 bis 2018 in drei Zeiträume unterteilt; 1901–1940, 1941–1980 und 1981–2018. Ab 1901 begann die Korrelation zwischen ENSO und ISMR von -0,41 bis 1940 anzusteigen. Die ENSO-ISMR-Beziehung wurde dann für den Zeitraum 1941 bis 1980 stabil mit einer sehr starken negativen Korrelation zwischen den Werten -0,6 bis -0,7. Nach 1980 begann die Korrelation dann von einem Koeffizientenwert von -0,6 auf -0,4 zu sinken, was darauf hindeutet, dass sich die ENSO-ISMR-Beziehung nach 1980 abschwächt, was mit Seetha et al.32 übereinstimmt. Diese Epochen fallen auch mit positiven, negativen bzw. positiven PDO-Phasen zusammen.

Abb. 4c – e zeigt die räumliche Karte der Korrelation zwischen ISMR-Anomalien und SST-Anomalien (JJAS) der Niño 3.4-Region für verschiedene Zeiträume. Dies zeigt, dass die ENSO-ISMR-Beziehung nicht nur zeitliche Variabilität aufweist, sondern auch eine starke räumliche Variabilität aufweist. Von 1901 bis 1940 war die Beziehung in Südindien, Teilen West- und Nordindiens ausgeprägt. In der mittleren Periode von 1941 bis 1980 war die Beziehung zwischen ENSO und ISMR in den meisten Teilen des Landes stark, wie aus den hohen negativen Korrelationswerten hervorgeht. Nach 1980 schwächt sich die Beziehung zwischen ENSO und ISMR mit Ausnahme von Süd- und Nordindien ab. In Zentralindien und den Western Ghats gibt es keine negative Wechselbeziehung und es kann auch eine schwache positive Korrelation beobachtet werden. Chakravorty et al.54 wiesen darauf hin, dass Zentralindien in den letzten Jahren während der Entwicklungsphase von El Niño eine schwache El Niño-ISMR-Beziehung aufwies, während für Südindien eine starke negative Korrelation beobachtet wurde. Vergleicht man die ENSO-ISMR-Beziehung für alle drei Zeiträume, kann man sagen, dass die Beziehung für Südindien für alle drei Zeiträume stabil ist. Für Zentralindien ist die ENSO-ISMR-Beziehung in jüngster Zeit zurückgegangen, und für Nordindien ist von 1901 bis 2018 ein allmählicher Anstieg der Beziehung zu verzeichnen.

Diese Variabilität in der ENSO-ISMR-Beziehung für verschiedene Regionen Indiens kann in der räumlichen Karte der laufenden Korrelation visualisiert werden. In Abb. 4f wird zusammen mit der Standardabweichung eine 30-jährige laufende Korrelation zwischen der monatlichen JJAS-Niederschlagsanomalie an jedem Gitterpunkt in der indischen Region und der Niño 3.4 SST-Anomalie während JJAS von 1901–2018 durchgeführt, um die Regionen deutlich hervorzuheben der Variabilität. Die Standardabweichung der laufenden Korrelation bezeichnet die Variabilität der Korrelation über die Zeit. Wir identifizieren die Regionen, in denen die Variabilität der Korrelation groß und klein ist, und wählen dementsprechend drei Kästchen aus (Abb. 4f). Diese drei Kästchen entsprechen Nord- (71˚E–84˚E, 27˚N–31˚N), Zentral- (72˚E–89 ˚E, 21˚N–26˚N) und Südindien (73˚N). E–81˚E, 13˚N–19˚N) stellen eine moderate, weitgehend variable bzw. geringe Korrelation mit der Niño 3,4-Zeitreihe dar. Wir beobachten eine geringe Variabilität in der ENSO-ISMR-Beziehung auf der südlichen Halbinsel. In der nordindischen Region ist eine moderate Variabilität zu beobachten. Die höchste Variabilität in der ENSO-ISMR-Beziehung wird in der zentralindischen Region beobachtet.

Um die ENSO-ISMR-Beziehung für drei verschiedene Regionen in unterschiedlichen Zeiträumen zu untersuchen, wird eine Zeitreihenanalyse der laufenden Korrelation für die drei Regionen durchgeführt. Abbildung 4g zeigt die 30-jährige Korrelation zwischen dem mittleren Niederschlag in den nördlichen, zentralen und südlichen Regionen und Niño 3,4 SST. Über Südindien ist die ENSO-ISMR-Beziehung über das letzte Jahrhundert (1901–2018) konsistent, wie die nahezu konstante laufende Korrelation über diese Region zeigt (der Korrelationswert variiert zwischen -0,3 und -0,6). Die Beziehung zwischen ENSO und den Niederschlägen in Nordindien hat mit der Zeit zugenommen, wie aus den Korrelationswerten hervorgeht, die im gleichen Zeitraum von -0,4 auf -0,7 anstiegen. Die ENSO-ISMR-Beziehung weist in Zentralindien die größte Variabilität auf. Von 1901 bis 1940 war die Korrelation zwischen den Niederschlägen in Zentralindien und Niño 3,4 schwach (ungefähr -0,3 bis -0,5). Im Zeitraum 1941 bis 1980 wurde eine starke Korrelation beobachtet (ungefähr -0,5 bis -0,6). Auch in der jüngsten Zeit (1981 bis heute) ist die Korrelation mit Niño 3,4 SST schwach geworden (ungefähr zwischen -0,1 und -0,3). Vor 1980 variierte die Korrelation in allen drei Regionen ähnlich, wobei die Werte bis 1980 zunahmen, was auf eine starke ENSO-ISMR-Beziehung hindeutet. Aber nach 1980 gibt es eine signifikante Veränderung in der ENSO-ISMR-Beziehung für Nord-, Zentral- und Südindien, wo es eine zunehmende, schwächere bzw. stabile Korrelation gibt. Für Nordindien wird die Beziehung zwischen ENSO und ISMR nach 1980 stärker, was an einem Anstieg der Korrelationswerte zu erkennen ist. Für Zentralindien hat sich die ENSO-ISMR-Beziehung in den letzten Jahren abgeschwächt. Südindien weist für den gesamten Zeitraum eine stabile negative Korrelation zwischen -0,3 und -0,6 auf, was darauf hindeutet, dass die ENSO-ISMR-Beziehung in dieser Region während des gesamten Untersuchungszeitraums nahezu konstant bleibt.

Abb. 5 zeigt die 30-jährige Korrelation der Niederschläge in jeder der drei Regionen über Indien, in Bezug auf die beiden Treiber ENSO und das Monsuntal. -1*Niño 3,4 repräsentiert den La-Niña-Zustand und zeigt daher eine positive Korrelation mit den Niederschlägen in Südindien, Zentralindien und Nordindien. Für Südindien (Abb. 5a) ist der Einfluss beider Faktoren dominant, was bedeutet, dass der Niederschlag in Südindien von der ENSO-Variabilität sowie der Stärke des Monsuntrogs und der damit verbundenen Variabilität in Monsundepressionen abhängt. In Abb. 5b ist für Zentralindien der Beitrag von ENSO sowie von Monsuntiefen und -tiefen bis 1980 gestiegen, und dann begann der Beitrag von ENSO drastisch zu sinken. Der Einfluss von Monsuntiefen und Tiefdruckgebieten blieb jedoch stark. Daher kann ein Rückgang der Anzahl der Monsundepressionen24 die Niederschläge in Zentralindien erheblich beeinträchtigen. (Der abnehmende Einfluss von ENSO und der zunehmende Einfluss der Monsun-Trogstärke und der Depressionsbedingten Variabilität für Zentralindien können leicht interpretiert werden, indem man die beiden Zeitreihen der laufenden Korrelation vergleicht. Daher wird Niño 3,4 mit -1 multipliziert). Im scharfen Gegensatz zu Zentralindien nimmt der Einfluss von ENSO auf die Niederschläge in Nordindien zu (Abb. 5c) und ist in der jüngsten Zeit stärker geworden, während der Einfluss von Monsuntiefen und Tiefdruckgebieten auf die Niederschläge in dieser Region abnimmt. Dies könnte auf die in den letzten Jahrzehnten abnehmende Reichweite des Monsuntiefs in der nordindischen Region zurückzuführen sein24,55. Mahendra et al.39 fanden auch eine ähnliche räumliche Inhomogenität in der ENSO-ISMR-Beziehung für Nord-, Zentral- und Südindien, haben diese räumliche Variabilität jedoch als Reaktion auf IOD und die Ausbreitung der Tiefzirkulation vom westlichen Nordpazifik nach Westen in Verbindung gebracht. Sie beobachteten in allen Epochen sowohl für Nord- als auch für Südindien eine stabile und stärkere ENSO-ISMR-Beziehung. Unsere Studie zeigt jedoch eine zunehmende Beziehung für Nordindien und eine stabile Beziehung für Südindien und eine abnehmende Beziehung für Zentralindien. Wir führen diese Variation in der ENSO-ISMR-Beziehung für verschiedene Teile des Landes auf das Monsuntief und die damit verbundene Variabilität bei Monsundepressionen zurück. Da PC2 auch in erheblichem Zusammenhang mit anderen NAO-Phasen als Monsuntrog und Depression steht, untersuchen wir auch die sich ändernde NAO-ISMR-Beziehung (ergänzende Abbildung S1). Dieses Diagramm zeigt, dass die NAO-ISMR-Beziehung wie die ENSO-ISMR-Beziehung über Zentralindien, insbesondere über Zentral-Ost-Indien, maximal variabel (verändert) ist. Ähnlich wie in Abb. 4g zeigt die ergänzende Abb. S1 (e) die zeitliche Entwicklung der NAO-ISMR-Beziehung über Nord-, Süd- und Zentralindien. Es wurde festgestellt, dass die NAO-ISMR-Beziehung in den Jahren 1901–1940 und 1981–2018 relativ stark war und ein entgegengesetztes Vorzeichen hatte. Die Beziehung war zwischen 1941 und 1980 schwach, als die ENSO-Dominanz stark war. Die NAO-ISMR-Korrelation für die drei Zeiträume 1901–1940, 1941–1980 und 1981–2018 zeigt, dass in den Jahren 1901–1940 und 1981–2018 Nord-Süd- bzw. Ost-West-Dipolstrukturen vorhanden sind. Allerdings war die NAO-ISMR-Beziehung während der negativen PDO-Phase zwischen 1941 und 1980 schwach. Die Variabilität der NAO-ISMR-Beziehung ist in der Region Zentralindien am größten, wo auch die Variabilität der ENSO-ISMR-Beziehung am größten ist. Die NAO-ISMR-Beziehung ist in positiven PDO-Phasen stark und in negativen PDO-Phasen schwach, im Gegensatz zur ENSO-ISMR-Beziehung. Wichtig ist, dass Goswami et al.56 auch die Bedeutung von NAO für die Vorhersagbarkeit von ISMR betonten, da die Beziehung zwischen nordatlantischem SST und ISMR komplex ist und die Rolle von NAO auf ISMR mit dem Einfluss extratropischer Rossby-Wellen auf ISMR verknüpft werden kann.

30-jährige Korrelation von (a) Box-Niederschlägen in Südindien (b) Box-Niederschlägen in Zentralindien (c) Box-Niederschlägen in Nordindien mit Niño 3,4 SST (rote Linie) und der durch Monsun-Täler/Depressionen verursachten Variabilität, dargestellt durch PC2 (blaue Linie). Diese Abbildung wurde mit der Python 3.8.0-Software (https://www.python.org/downloads/release/python-380/) erstellt.

Der Einfluss der beiden Haupttreiber auf die Niederschlagsmenge in den drei Regionen wird auch im Leistungsspektrum und in der Wavelet-Analyse deutlich. Die in der Zeitreihe vorhandene Periodizität und die entsprechende Zeitskala können anhand des Leistungsspektrums bzw. der Wavelet-Analyse identifiziert werden (Abb. 6). Für PC2 zeigt das Leistungsspektrum sowohl eine 2–4-Jahres-Periodizität als auch eine dekadische Variabilität (Abb. 6a). Aus der Wavelet-Analyse ist ersichtlich, dass diese 2–4-jährige Variabilität im Jahr 1960 zu beobachten ist und die dekadische Variabilität nach 1980 zu beobachten ist (Abb. 6b). Das Leistungsspektrum von Niño 3.4 SST (Abb. 6c) weist auf eine Periodizität von 2–7 Jahren und die mit ENSO verbundene dekadische Variabilität hin. Die Wavelet-Analyse von Niño 3.4 SST (Abb. 6d) zeigt, dass die 2–7-Jahres-Periodizität nach 1960 stärker ausgeprägt ist. Die dekadische Variabilität ist für PC2 stärker ausgeprägt als für Niño 3.4.

Leistungsspektrum und Wavelet von: ISMR PC2 (a) zeigt 2–4 Jahre und eine dekadische Variabilität, (b) 2–4 Jahre Variabilität in den 1960er Jahren und dekadische Variabilität nach 1980er Jahren, Niño 3,4-Index (c) zeigt 2–7 Jahre und eine dekadische Variabilität (d) von 2–7 Jahren Variabilität, beobachtet in den 1980er Jahren, JJAS-Niederschlag in Südindien. Box (e) zeigt 2–7 Jahre und eine dekadische Variabilität (f) 2–7 Jahre Variabilität, beobachtet in den 1980er Jahren, Zentralindien Kasten (g) zeigt 2–4 Jahre und eine dekadische Variabilität (h) 2–4 Jahre Variabilität in den 1960er Jahren und Nordindien. Kasten (i) zeigt nur 2–7 Jahre Variabilität (j) 2–7 Jahre Variabilität beobachtet in den 1910–1940er Jahren. Diese Abbildung wurde mit der Python 3.8.0-Software (https://www.python.org/downloads/release/python-380/) erstellt.

Um die Frequenz zu identifizieren, die mit der Zeitreihe der Regionen Nord-, Zentral- und Südindien verbunden ist, wird das Leistungsspektrum gezeichnet (Abb. 6a, c, e, g, i). Um die Zeitskala zu ermitteln, in der diese Frequenzen vorhanden sind, wird eine Wavelet-Analyse durchgeführt (Abb. 6b, d, f, h, j). Für Südindien ist eine Periodizität von 2 bis 7 Jahren (Abb. 6e) in den Jahren bis 1920 und dann von 1980 bis 2000 (Abb. 6f) auffällig, was der von Niño 3.4 SST ähnelt und die Beziehung zu ENSO zeigt. Im Leistungsspektrum von Niño 3.4 und Südindien-Niederschlägen wird eine 2–7-jährige Variabilität beobachtet, die nach den 1960er Jahren deutlich hervortritt (aus der Wavelet-Analyse von Niño 3.4 und Südindien-Niederschlägen). Dies impliziert, dass der Niederschlag in Südindien mit ENSO zusammenhängt. Eine dekadische Variabilität wird auch für Südindien beobachtet, was auf einen Zusammenhang mit der in PC2 dargestellten dekadischen Variabilität hinweist. Zentralindien zeigt ein Frequenzsignal zwischen 2 und 4 Jahren (Abb. 6g) von 1910 bis 1920 und 1960 bis 1980 (Abb. 6h). Das Leistungsspektrum Zentralindiens ähnelt dem von PC2, was bedeutet, dass der Niederschlag über Zentralindien von PC2 abhängt. Für Nordindien ist eine 8-jährige Periodizität (Abb. 6i) in den Jahren 1910 bis 1940 zu erkennen (Abb. 6j). Ein Vergleich mit dem Leistungsspektrum und der Wavelet-Analyse von Niño 3.4 SST und PC2 zeigt, dass der Niederschlag in Nordindien von Niño 3.4 SST und nicht von PC2 abhängt, da er keine dekadische Variabilität aufweist. Aus dieser Analyse geht klar hervor, dass die Niederschläge in Südindien einen Zusammenhang sowohl mit ENSO als auch mit Monsuntiefen und -tiefen aufweisen, während die Niederschläge in Zentralindien nur mit Monsuntiefen und -tiefen in Zusammenhang stehen und dass die Niederschläge in Nordindien nur mit ENSO in Zusammenhang stehen. Daher bestätigen das Leistungsspektrum und die Wavelet-Analyse den Einfluss der beiden Haupttreiber auf Nord-, Zentral- und Südindien, der in der laufenden Korrelation gezeigt wird.

Die aktuelle Studie untersucht erneut die vorherrschenden räumlichen Variabilitätsmuster von ISMR und ihre zeitliche Entwicklung in verschiedenen Teilen des Landes und untersucht die Treiber dieser Variabilität. Hier untersuchen wir, wie sich die sich ändernden Einflüsse von ISMR-Treibern auf deren Variabilität auswirken, wobei wir uns vor allem auf den sich ändernden Einfluss von ENSO auf ISMR konzentrieren. Es gibt zwei große räumliche Muster der ISMR, die etwa 24 % der gesamten zwischenjährlichen Variabilität erklären. Der erste Modus (PC1) impliziert verringerte Niederschläge auf dem gesamten indischen Subkontinent, insbesondere in den zentralen und westlichen Teilen Indiens, was 15,11 % der Gesamtvariabilität ausmacht. Der zweite Modus (PC2) zeigt ein Dipolmuster mit verringerten Niederschlägen über der Indo-Ganges-Ebene und erhöhten Niederschlägen über Südindien, die 8,48 % der Gesamtvariabilität ausmachen. Das PC1-Muster von ISMR wird maßgeblich von ENSO, IOD, PDO, IPO und Variationen im Monsuntal beeinflusst. Während das PC2-Muster maßgeblich mit NAO, IOB, PDO, IPO, MDF und der Stärke des Monsun-Trogs verbunden ist.

Es ist bemerkenswert, dass es zwei unterschiedliche Gruppen von Klimaprozessen gibt, nämlich ENSO und IOD, die PC1-ähnliche räumliche Niederschlagsmuster beeinflussen, und NAO und IOB, die PC2-ähnliche räumliche Niederschlagsmuster begünstigen. Wie bereits in anderen Studien diskutiert, kann die Rolle von NAO auf ISMR mit dem Einfluss extratropischer Rossby-Wellen auf ISMR in Verbindung gebracht werden (Goswami 2022). Interessanterweise tragen PDO, IPO und Variationen in der Monsuntrogstärke (MT) sowohl zu den räumlichen Niederschlagsmustern PC1 als auch PC2 bei. Die dekadische Variation der Häufigkeit von Monsundepressionen und ihr Zusammenhang mit PDO wurden von Vishnu et al. untersucht13,24. In ähnlicher Weise können beide Hauptmodi der ISMR-Variabilität durch die Stärke des Monsuntrogs beeinflusst werden.

Darüber hinaus untersuchen wir die Veränderungen in der ENSO-ISMR-Beziehung im letzten Jahrhundert und die Rolle zweier dominanter räumlicher Variabilitätsmuster bei der Antriebskraft dieser Veränderungen. Wie bereits von Mahendra et al.39 diskutiert, beobachten wir auch eine signifikante räumlich-zeitliche Variabilität in der ENSO-ISMR-Beziehung. Die Beziehung zwischen ENSO und ISMR ist im gesamten Zeitraum von 1901 bis 2018 nicht konsistent geblieben. Wir stellen fest, dass die umgekehrte Beziehung zwischen ENSO und ISMR von 1901 bis 1940 stärker wurde, von 1941 bis 1980 stabil wurde und sich dann in letzter Zeit abschwächt Epoche (ab 1981). Diese Epochen fallen auch mit positiven, negativen bzw. positiven PDO-Phasen zusammen. Diese Änderung der ENSO-ISMR-Beziehung ist jedoch räumlich uneinheitlich. Wir stellen fest, dass es in Südindien keine nennenswerten Unterschiede in der ENSO-ISMR-Beziehung gibt. Während in Nordindien die ENSO-ISMR-Beziehung in den letzten Jahrzehnten immer stärker wird und erhebliche multidekadische Unterschiede aufweist. Im Gegenteil, der Zusammenhang zwischen den Niederschlägen in Zentralindien und ENSO hat in den letzten Jahrzehnten abgenommen. Wir stellen fest, dass sich die Rolle der Variabilität im Zusammenhang mit Monsuntiefen und Depressionen als Hauptursache für die Niederschlagsvariabilität über Zentralindien herausgestellt hat und die Rolle der ENSO-bedingten Variabilität übertrifft. Zuvor haben wir gezeigt, dass NAO und IOB signifikant mit der Variabilität im Zusammenhang mit Monsuntiefen und Depressionen zusammenhängen. Auf dieser Grundlage stellen wir auch eine zunehmende Beziehung zwischen NAO und ISMR in der zentralindischen Region fest. Für die Niederschläge über Südindien waren der Einfluss von ENSO und die Stärke des Monsuntals sowie die Variabilität im Zusammenhang mit Monsundepressionen über den gesamten Zeitraum hinweg konsistent. Über Nordindien hängt die Niederschlagsvariabilität zunehmend von ENSO ab, während die Rolle des Monsuntals und des Monsuntiefs abnimmt. Dies könnte auf die in den letzten Jahrzehnten abnehmende Reichweite des Monsuntiefs in der nordindischen Region zurückzuführen sein24,55. Unsere Studie verdeutlicht den sich verändernden Einfluss der Monsuntreiber auf verschiedene Teile des Landes. Die aktuelle Studie diskutiert jedoch nicht die spezifischen Mechanismen, die an der sich ändernden ISMR-Variabilität beteiligt sind, die durch Klimamuster wie NAO beeinflusst wird, sondern empfiehlt sie für zukünftige Forschung.

In der vorliegenden Studie verwenden wir eine Korrelationsanalyse, um die Beziehung zwischen ENSO und ISMR zu untersuchen, eine EOF-Analyse, um die Haupttreiber der ISMR-Variabilität zu identifizieren, eine Leistungsspektrumanalyse, um die in den Zeitreihen für den Niederschlag verschiedener Regionen vorhandene Häufigkeit zu unterscheiden, und eine Wavelet-Analyse um die entsprechende Zeitskala zu identifizieren, in der diese Frequenzen in der Zeitreihe vorhanden sind. Für die EOF-Analyse an jedem Gitterpunkt werden standardisierte Niederschlagsdaten an jedem Gitterpunkt verwendet. Die statistische Signifikanz der hier durchgeführten Analyse wird anhand des Student-T-Tests ermittelt. Eine Biplot-Analyse der Hauptkomponentenanalyse (PCA) wird durchgeführt, um den Einfluss verschiedener Phänomene auf die beiden Hauptvariabilitätsmuster der ISMR zu identifizieren. Die Konzepte der PCA-Biplot-Technik wurden von Jollife und Cadima57 erläutert. Der PCA-Biplot stellt sowohl Beobachtungen als auch Variablen in einer zweidimensionalen bivariaten Ebene dar und gibt die Richtung der maximalen Variabilität an. In einem PCA-Biplot stellen senkrechte Vektoren unabhängige Prozesse dar. Die Amplitude des Vektors repräsentiert die Varianz des Prozesses. Die nahe beieinander liegenden Prozesse sind statistisch ähnlich. Die PCs und alle Analysen basieren auf der JJAS-Saison.

Niederschlagsdaten werden vom India Meteorological Department (IMD) bezogen. Für die Analyse werden monatliche und tägliche gerasterte Niederschlagsdaten mit einer Auflösung von 0,25˚ × 0,25˚58 von 1901 bis 2018 in den Monaten Juni bis September verwendet, die 118 Jahre abdecken. Bei den verwendeten SST-Daten handelt es sich um den Hadley Center Sea Ice and Sea Surface Temperature-Datensatz (HadISST), der aus den Beobachtungsdatensätzen des Met Office Hadley Center mit einer Auflösung von 1˚ × 1˚59 für denselben Zeitraum gewonnen wurde. NOAA-CIRES-DOE Twentieth Century Reanalysis (V3) wird zum Abrufen der monatlichen horizontalen und vertikalen Geschwindigkeit, der meridionalen Windkomponente, der zonalen Windkomponente und des Geopotential-Höhendatensatzes verwendet. Dieser Datensatz hat eine Auflösung von 1˚ × 1˚. Der Niño 3.4-Index, der Dipole Mode Index (DMI) für IOD, der Tripole Index (TPI), der die dekadische Variabilität von SST im Zusammenhang mit IPO verfolgt, und die Indizes für PDO, NAO und Quasi-Biennial Oscillation (QBO) werden von World Meteorological erhalten Archiv der Klimaindizes der Organisation (WMO) und der National Oceanic and Atmospheric Administration (NOAA). Daten zur Depressionshäufigkeit werden aus dem IMD-Datenarchiv abgerufen. Wir haben den Modusindex des Indischen Ozeanbeckens (IOB) aus der ersten empirischen orthogonalen Funktion (EOF) von SSTs im Indischen Ozean (40˚E–80˚E, 20˚S–40˚N) abgeleitet und er stellt den ersten Modus dar zwischenjährliche Variabilität im tropischen Indischen Ozean60. Der IOB-Modus ist durch eine beckenweite Erwärmung oder Abkühlung gekennzeichnet und kann das Klima der umliegenden Regionen beeinflussen61. Der IOB-Index erreicht in den Jahren nach ENSO seinen Höhepunkt. Der Niño 3.4-Index ist definiert als die flächengemittelten SST-Anomalien in der Niño 3.4-Region (5˚S–5˚N, 170˚W–120˚W). DMI misst die Stärke des IOD, dargestellt durch die anomale SST-Differenz zwischen dem westlichen äquatorialen Indischen Ozean (50˚E–70˚E und 10˚S–10˚N) und dem südöstlichen äquatorialen Indischen Ozean (90˚E–110). ˚E und 10˚S–0˚N). Der TPI-Index wird aus den SST-Anomalieunterschieden zwischen dem zentralen äquatorialen Pazifik (170˚E–90˚W und 10˚S–10˚N) und dem Nordwesten (140˚E–145˚W und 25˚N–45˚N) abgeleitet N) und Südwestpazifik (140˚E–145˚W und 25˚N–45˚N). Der PDO-Index ist definiert als die führende Hauptkomponente der monatlichen Schwankung der Meeresoberflächentemperatur im Nordpazifik polwärts von 20˚N. Der NAO-Index besteht aus einem Nord-Süd-Dipol bei Atmosphärendruckanomalien, wobei sich ein Zentrum über Grönland befindet und das andere Zentrum mit entgegengesetztem Vorzeichen die zentralen Breiten des Nordatlantiks zwischen 35˚N und 40˚N überspannt. Der Index basiert auf einer rotierten Hauptkomponentenanalyse monatlicher standardisierter 500-MB-Höhenanomalien im Nordatlantik polwärts von 20˚N. Der QBO-Index ab 1948 basiert auf dem zonengemittelten (5˚N – 5˚S) u-Wind bei einem Druckniveau von 30 hPa. Vor 1948 stammt der QBO-Index aus der Datenbank der Freien Universität Berlin (FUB). Alle diese Indizes werden für die JJAS-Saison gemittelt. Die Definition verschiedener Indizes ist in Tabelle 1 zusammengefasst.

Wir haben tägliche und monatliche gerasterte Niederschlagsdaten verwendet, um die Niederschlagsvariabilität zu untersuchen58. Der Hadley Centre Sea Ice and Sea Surface Temperature (HadISST)-Datensatz wird vom Met Office Hadley Centre59 bezogen und ist unter https://www.metoffice.gov.uk/hadobs/hadisst/data/download.html verfügbar. Die Daten zur monatlichen Vertikalgeschwindigkeit, meridionalen Windkomponente, zonalen Windkomponente und geopotentiellen Höhe stammen aus der NOAA-CIRES-DOE Twentieth Century Reanalysis (V3), verfügbar unter https://psl.noaa.gov/data/gridded/data.20thC_ReanV3.html . Verschiedene Klimaindizes wie der Niño 3.4 Index, der Dipole Mode Index (DMI), der Tripole Index (TPI), die Indizes für die Pacific Decadal Oscillation (PDO), die North Atlantic Oscillation (NAO) und die Quasi – Biennial Oscillation (QBO) werden daraus ermittelt Das Archiv der Klimaindizes der Weltorganisation für Meteorologie (WMO) und der National Oceanic and Atmospheric Administration (NOAA) ist unter https://psl.noaa.gov/data/climateindices/list/ verfügbar. Daten zur Depressionshäufigkeit sind im Zyklon-E-Atlas auf der IMD-Website http://14.139.191.203/ verfügbar.

Die in der aktuellen Analyse verwendeten Codes sind unter https://github.com/paninidasgupta/ENSO-Monsoon-Relation/tree/main verfügbar.

Roxy MK & Chaithra S. Auswirkungen des Klimawandels auf den Indischen Sommermonsun. Ministerium für Umwelt, Wald und Klimawandel (MoEF&CC), indische Regierung. (2018).

Xavier, PK, Marzin, C. & Goswami, BN Eine objektive Definition der Monsunzeit im Indischen Sommer und eine neue Perspektive auf die ENSO-Monsun-Beziehung. QJR Meteorol. Soc. 133, 749–764 (2007).

Artikel ADS Google Scholar

Singh, B., Cash, B. & Kinter, JL III. Prognosen zur Variabilität des Altsommermonsuns im nordamerikanischen Multimodell-Ensemble. Aufstieg. Dyn. 53, 7321–7334 (2019).

Artikel PubMed Google Scholar

Rajeevan, M. & Pai, DS Über die Vorhersagebeziehungen zwischen El Niño und dem indischen Monsun. Geophys. Res. Lette. 34, (2007).

Saha, A. & Ghosh, S. Kann die Abschwächung des indischen Monsuns auf anthropogene Aerosole zurückgeführt werden? Umgebung. Res. Komm. 1, 061006 (2019).

Artikel Google Scholar

Hrudya, PH, Varikoden, H. & Vishnu, R. Ein Überblick über den Monsunniederschlag im indischen Sommer, seine Variabilität und seinen Zusammenhang mit ENSO und IOD. Meteorol. Atmosphäre. Physik. 133, 1. https://doi.org/10.1007/s00703-020-00734-5 (2021).

Artikel ADS Google Scholar

Ashok, K. & Saji, NH Über die Auswirkungen von ENSO und Dipolereignissen im Indischen Ozean auf subregionale Monsunniederschläge im indischen Sommer. Nat. Hazards 42, 273–285 (2007).

Artikel Google Scholar

Saji, NH, Goswami, BN, Vinayachandran, PN & Yamagata, T. Ein Dipolmodus im tropischen Indischen Ozean. Nature 401, 360–363 (1999).

Artikel ADS CAS PubMed Google Scholar

Webster, PJ, Moore, AM, Loschnigg, JP & Leben, RR Gekoppelte Ozean-Atmosphäre-Dynamik im Indischen Ozean im Zeitraum 1997–98. Nature 401, 356–360 (1999).

Artikel ADS CAS PubMed Google Scholar

Goswami, BN, Madhusoodanan, MS, Neema, CP & Sengupta, D. Ein physikalischer Mechanismus für den Nordatlantik-SST-Einfluss auf den Indischen Sommermonsun. Geophys. Res. Lette. 33, (2006).

Chen, W., Dong, B. & Lu, R. Einfluss des Atlantischen Ozeans auf die multidekadischen Schwankungen der Beziehung zwischen El Niño, Südoszillation und südasiatischem Monsun in einem gekoppelten allgemeinen Zirkulationsmodell. J. Geophys. Res. Atmosphäre. 115, (2010).

Krishnan, R. & Sugi, M. Pazifische dekadische Oszillation und Variabilität der Monsunniederschläge im indischen Sommer. Clim Dyn 21, 233–242 (2003).

Artikel Google Scholar

Vishnu, S., Francis, PA, Shenoi, SC & Ramakrishna, SSVS Über die Beziehung zwischen der pazifischen dekadischen Oszillation und Monsundepressionen über dem Golf von Bengalen. Atmosphäre. Wissenschaft. Lette. 19, e825 (2018).

Artikel ADS Google Scholar

Sabeerali, CT, Ajayamohan, RS, Bangalath, HK & Chen, N. Atlantischer Zonenmodus: Eine aufkommende Quelle der Variabilität des Indischen Sommermonsuns in einer sich erwärmenden Welt. Geophys. Res. Lette. 46, 4460–4467 (2019).

Artikel ADS Google Scholar

Pandey, V., Misra, AK & Yadav, SB Auswirkungen von El-Niño und La-Niña auf das indische Klima und die Pflanzenproduktion. in Climate Change and Agriculture in India: Impact and Adaptation 11–20 (Springer International Publishing, 2018). doi:https://doi.org/10.1007/978-3-319-90086-5_2.

Roy, I., Tedeschi, RG & Collins, M. ENSO-Fernverbindungen zum Indischen Sommermonsun unter sich änderndem Klima. Int. J. Climatol. 39, 3031–3042 (2019).

Artikel Google Scholar

Ummenhofer, CC, Gupta, AS, Li, Y., Taschetto, AS & England, MH Multidekadische Modulation der El Niño-Indischen Monsun-Beziehung durch die Variabilität des Indischen Ozeans. Umgebung. Res. Lette. 6, 034006 (2011).

Artikel ADS Google Scholar

Chowdary, JS et al. Variabilität der Monsunniederschläge im Altsommer als Reaktion auf Unterschiede in der Abklingphase von El Niño. Aufstieg. Dyn. 48, 2707–2727 (2017).

Artikel Google Scholar

Sinha, A., Berkelhammer, M., Stott, L., Mudelsee, M., Cheng, H. und Biswas, J. Der führende Modus der Niederschlagsvariabilität des indischen Sommermonsuns während des letzten Jahrtausends. Geophys. Res. Lette. 38, (2011).

Gusain, A., Ghosh, S. & Karmakar, S. Mehrwert von CMIP6 gegenüber CMIP5-Modellen bei der Simulation von Monsunniederschlägen im indischen Sommer. Atmosphäre. Res. 232, 104680 (2020).

Artikel Google Scholar

Kulkarni, A. Abschwächung der Monsunniederschläge im indischen Sommer in einer sich erwärmenden Umgebung. Theor. Appl. Klimatol. 109, 447–459 (2012).

Artikel ADS Google Scholar

Mishra, V., Smoliak, BV, Lettenmaier, DP & Wallace, JM Ein markantes Muster der jährlichen Variabilität der Monsunniederschläge im indischen Sommer. Proz. Natl. Acad. Wissenschaft. USA 109, 7213–7217 (2012).

Artikel ADS CAS PubMed PubMed Central Google Scholar

Roxy, MK, Ritika, K., Terray, P., Murtugudde, R., Ashok, K. und Goswami, BN Austrocknung des indischen Subkontinents durch schnelle Erwärmung des Indischen Ozeans und einen schwächeren Land-Meer-Wärmegradienten. Nat. Komm. 6, (2015).

Vishnu, S., Francis, PA, Shenoi, SSC & Ramakrishna, SSVS Über den abnehmenden Trend der Anzahl von Monsundepressionen im Golf von Bengalen. Umgebung. Res. Lette. 11, 014001 (2016).

Artikel ADS Google Scholar

Wang, YV et al. Die höhere Meeresoberflächentemperatur im Indischen Ozean während der letzten Warmzeit schwächte den südasiatischen Monsun. Proz. Nat. Acad. Wissenschaft. 119(10), e2107720119. https://doi.org/10.1073/pnas.2107720119 (2022).

Artikel CAS PubMed PubMed Central Google Scholar

Ayantika, DC et al. Verständnis der kombinierten Auswirkungen der globalen Erwärmung und des anthropogenen Aerosolantriebs auf den südasiatischen Monsun. Aufstieg. Dyn. 56, 1643–1662 (2021).

Artikel Google Scholar

Kumar, PV, Naidu, CV & Prasanna, K. Jüngste beispiellose Abschwächung des Altweibersommermonsuns in einer sich erwärmenden Umgebung. Theor. Appl. Klimatol. 140, 467–486 (2020).

Artikel ADS Google Scholar

Chowdary, JS et al. Interdekadische Variationen der ENSO-Fernverbindung zum Indo-Westpazifik für 1870–2007. J. Clim. 25, 1722–1744 (2012).

Artikel ADS Google Scholar

Ashok, K., Guan, Z. & Yamagata, T. Einfluss des Dipols im Indischen Ozean auf die Beziehung zwischen dem indischen Monsunregen und ENSO. Geophys. Res. Lette. 28, 4499–4502 (2001).

Artikel ADS Google Scholar

Chang, CP, Harr, P. & Ju, J. Mögliche Rollen der atlantischen Zirkulationen bei der Abschwächung des indischen Monsunregens – ENSO-Beziehung. J. Clim. 14, 2376–2380 (2001).

2.0.CO;2" data-track-action="article reference" href="https://doi.org/10.1175%2F1520-0442%282001%29014%3C2376%3APROACO%3E2.0.CO%3B2" aria-label="Article reference 30" data-doi="10.1175/1520-0442(2001)0142.0.CO;2">Artikel ADS Google Scholar

Pai, DS Ein möglicher Mechanismus für die Schwächung der El Niño-Monsun-Beziehung im letzten Jahrzehnt. Meteorol. Atmosphäre. Physik. 86, 143–157 (2004).

Artikel ADS Google Scholar

Seetha, CJ, Varikoden, H., Babu, CA & Kuttippurath, J. Signifikante Änderungen in der ENSO-Monsun-Beziehung und den damit verbundenen Zirkulationsmerkmalen auf einer multidekadischen Zeitskala. Aufstieg. Dyn. 54, 1491–1506 (2020).

Artikel Google Scholar

Srivastava, G., Chakraborty, A. & Nanjundiah, RS Multidekadische Variationen in der ENSO-Monsun-Beziehung im indischen Sommer auf subsaisonalen Zeitskalen. Theor. Appl. Klimatol. 140, 1299–1314 (2020).

Artikel ADS Google Scholar

Yang, Die Innovation 2, 100102 (2021).

Artikel PubMed PubMed Central Google Scholar

Kumar, KK, Rajagopalan, B. & Cane, MA Über die schwächelnde Beziehung zwischen dem indischen Monsun und ENSO. Science 1979(284), 2156–2159 (1999).

Artikel Google Scholar

Chang, CP, Harr, P. & Ju, J. Mögliche Rollen der atlantischen Zirkulationen auf die schwächelnde Beziehung zwischen dem indischen Monsunniederschlag und dem ENSO. http://journals.ametsoc.org/jcli/article-pdf/14/11/2376/3768782/1520-0442 (2000).

Ashrit, RG, Kumar, KR & Kumar, KK ENSO-Monsun-Beziehungen in einem Szenario der Treibhauserwärmung. Geophys. Res. Lette. 28, 1727–1730 (2001).

Artikel ADS Google Scholar

Feba, F., Ashok, K. & Ravichandran, M. Rolle der veränderten indopazifischen atmosphärischen Zirkulation bei der jüngsten Trennung zwischen dem Indischen Sommermonsun und ENSO. Aufstieg. Dyn. 52, 1461–1470 (2019).

Artikel Google Scholar

Mahendra, N. et al. Interdekadische Modulation zwischenjährlicher ENSO-Monsun-Niederschlagsverbindungen im Indischen Sommer in Beobachtungen und CMIP6-Modellen: Regionale Muster. Int. J. Climatol. 41, 2528–2552 (2021).

Artikel Google Scholar

Darshana, P., Chowdary, JS, Gnanaseelan, C., Parekh, A. & Srinivas, G. Interdekadische Modulation des Kondensatormodus im indisch-westlichen Pazifik und sein Einfluss auf den Monsunniederschlag im Indischen Sommer. Aufstieg. Dyn. 54, 1761–1777 (2020).

Artikel Google Scholar

Behera, SK & Ratnam, JV Quasi-asymmetrische Reaktion des Monsunregens im indischen Sommer auf entgegengesetzte Phasen des IOD. Wissenschaft. Rep. 8, (2018).

Hrudya, PH, Varikoden, H., Vishnu, R. & Kuttippurath, J. Veränderungen in den ENSO-Monsun-Beziehungen von frühen bis letzten Jahrzehnten während der Beginn-, Spitzen- und Rückzugsphasen des Indischen Sommermonsuns. Aufstieg. Dyn. 55, 1457–1471 (2020).

Artikel Google Scholar

Yang, J., Liu, Q., Xie, S., Liu, Z. & Wu, L. Einfluss des SST-Beckenmodus im Indischen Ozean auf den asiatischen Sommermonsun. Geophys. Res. Lette. 34, (2007).

Krishnamurthy, L. & Krishnamurthy, V. Einfluss von PDO auf den südasiatischen Sommermonsun und die Monsun-ENSO-Beziehung. Aufstieg. Dyn. 42, 2397–2410 (2014).

Artikel Google Scholar

Bhatla, R., Sharma, S., Verma, S. & Gyawali, B. Einfluss der pazifischen dekadischen Oszillation in Bezug auf QBO auf den Monsunniederschlag im indischen Sommer. Araber. J. Geosci. 13, 1–9 (2020).

Artikel Google Scholar

Joshi, MK & Kucharski, F. Einfluss der interdekadischen pazifischen Oszillation auf den Monsunregen im indischen Sommer: Eine Bewertung anhand von CMIP5-Klimamodellen. Aufstieg. Dyn. 48, 2375–2391 (2017).

Artikel Google Scholar

Bhatla, R. et al. Einfluss der Nordatlantik-Oszillation auf den Monsunniederschlag im Indischen Sommer im Verhältnis zur Quasi-Binneal-Oszillation. Reine Appl. Geophys. 173, 2959–2970 (2016).

Artikel ADS Google Scholar

Kakade, SB & Dugam, SS Die gleichzeitige Wirkung von NAO und SO auf die Monsunaktivität über Indien. Geophys. Res. Lette. 27, 3501–3504 (2000).

Artikel ADS Google Scholar

Pandey, P., Dwivedi, S. & Goswami, BN Trend und Variabilität in der langfristigen Beziehung zwischen der eurasischen Schneedecke und dem Monsunregen im indischen Sommer. Int. J. Climatol. 42, 7751–7765 (2022).

Artikel Google Scholar

Yadav, RK, Srinivas, G. & Chowdary, JS Atlantische Niño-Modulation des indischen Sommermonsuns durch asiatischen Jet. NPJ Clim. Atmosphäre. Wissenschaft. 1, (2018).

Li, S., Perlwitz, J., Quan, X. & Hoerling, MP Modellierung des Einflusses der multidekadischen Wärme des Nordatlantiks auf die Niederschläge im Altweibersommer. Geophys. Res. Lette. 35, (2008).

Sandeep, N. et al. Über den schwächelnden Zusammenhang zwischen dem südasiatischen Monsun und der multidekadischen atlantischen Oszillation. Clim Dyn 59, 2531–2547 (2022).

Artikel Google Scholar

Chowdary, JS, Xie, SP & Nanjundiah, RS Treiber der Klimavariabilität des Altweibersommer-Monsuns. im Indian Summer Monsoon Variability 1–28 (Elsevier, 2021).

Chakravorty, S., Gnanaseelan, C. & Pillai, PA Kombinierter Einfluss von entferntem und lokalem SST-Antrieb auf die Niederschlagsvariabilität des Monsuns im indischen Sommer. Aufstieg. Dyn. 47, 2817–2831 (2016).

Artikel Google Scholar

You, Y. & Ting, M. beobachteten Trends in den südasiatischen Monsun-Tiefdrucksystemen und Niederschlagsextremen seit den späten 1970er Jahren. Geophys. Res. Lette. 48, e2021GL092378 (2021).

Artikel ADS Google Scholar

Goswami, BN, Chakraborty, D., Rajesh, PV & Mitra, A. Vorhersagbarkeit südasiatischer Monsunniederschläge über das Erbe des Tropical Ocean Global Atmosphere Program (TOGA) hinaus. NPJ. Aufstieg. Atmosphäre. Wissenschaft. 5, 58 (2022).

Artikel Google Scholar

Jollife, IT & Cadima, J. Hauptkomponentenanalyse: Ein Rückblick und aktuelle Entwicklungen. Philos. Trans. R. Soc. Eine Mathematik. Physik. Ing. Wissenschaft. https://doi.org/10.1098/rsta.2015.0202 (2016).

Artikel MATH Google Scholar

Pai, DS, Sridhar, L., Badwaik, MR & Rajeevan, M. Analyse der täglichen Niederschlagsereignisse über Indien unter Verwendung eines neuen gerasterten Niederschlagsdatensatzes mit hoher Auflösung (0,25° × 0,25°) für einen langen Zeitraum (1901–2010). Aufstieg. Dyn. 45, 755–776 (2015).

Artikel Google Scholar

Rayner, NAA, Parker, DE, Horton, EB, Folland, CK, Alexander, LV, Rowell, DP, Kent, EC und Kaplan, A. Globale Analysen der Meeresoberflächentemperatur, des Meereises und der nächtlichen Meereslufttemperatur seit spät neunzehntes Jahrhundert. J. Geophys. Res. Atmosphäre. 108, (2003).

Yang, J., Liu, Q., Xie, SP, Liu, Z. & Wu, L. Einfluss des SST-Beckenmodus des Indischen Ozeans auf den asiatischen Sommermonsun. Geophys. Res. Lette. 34, (2007).

Guo, F., Liu, Q., Yang, J. & Fan, L. Drei Arten von Beckenmodi im Indischen Ozean. Aufstieg. Dyn. 51, 4357–4370 (2018).

Artikel Google Scholar

Referenzen herunterladen

Der Erstautor dankt IISER Mohali für die Unterstützung. Der Erstautor würdigt die aufschlussreichen Vorschläge von Dr. MR Ramesh Kumar, Chefwissenschaftler (aD), National Institute of Oceanography, Goa, für eine frühe Version der Studie und die Unterstützung von Dr. PO Nameer, Dekan, College of Climate Change und Umweltwissenschaften (CCES) und Dr. M. Rajeevan, ehemalige Sekretärin des Ministeriums für Geowissenschaften (MoES), für ihren Besuch am Indian Institute of Tropical Meteorology (IITM). Die Autoren würdigen anonyme Gutachter für ihr konstruktives Feedback, das zur Verbesserung der Arbeitsqualität beigetragen hat.

Zentrum für Klimaforschung, Indisches Institut für Tropenmeteorologie, Ministerium für Geowissenschaften, Pune, Indien

KS Athira, MK Roxy, Panini Dasgupta, JS Saranya und Vineet Kumar Singh

Abteilung für Erd- und Umweltwissenschaften, Indisches Institut für naturwissenschaftliche Bildung und Forschung Mohali, Punjab, Indien

KS Athira & Raju Attada

Hochschule für Klimawandel und Umweltwissenschaften, Kerala Agricultural University, Thrissur, Indien

KS Athira & JS Saranya

Abteilung für Meteorologie und Ozeanographie, Hochschule für Wissenschaft und Technologie, Andhra University, Visakhapatnam, Indien

Panini Dasgupta

Seoul National University, Seoul, Südkorea

Panini Dasgupta & JS Saranya

Abteilung für Atmosphären- und Weltraumwissenschaften, Savitribai Phule Pune University, Pune, Indien

Vineet Kumar Singh

Taifun-Forschungszentrum, Jeju National University, Jeju, Südkorea

Vineet Kumar Singh

Sie können diesen Autor auch in PubMed Google Scholar suchen

MKR war an der Konzeption und Gestaltung der Studie beteiligt. AKS, PD und SJS führten die Analyse durch. AKS hat den Artikel geschrieben. Die Überprüfung und Bearbeitung erfolgte durch MKR, VKS und RA. Alle Autoren lasen und genehmigten das endgültige Manuskript.

Korrespondenz mit KS Athira.

Die Autoren geben an, dass keine Interessenkonflikte bestehen.

Springer Nature bleibt neutral hinsichtlich der Zuständigkeitsansprüche in veröffentlichten Karten und institutionellen Zugehörigkeiten.

Open Access Dieser Artikel ist unter einer Creative Commons Attribution 4.0 International License lizenziert, die die Nutzung, Weitergabe, Anpassung, Verbreitung und Reproduktion in jedem Medium oder Format erlaubt, sofern Sie den/die ursprünglichen Autor(en) und die Quelle angemessen angeben. Geben Sie einen Link zur Creative Commons-Lizenz an und geben Sie an, ob Änderungen vorgenommen wurden. Die Bilder oder anderes Material Dritter in diesem Artikel sind in der Creative-Commons-Lizenz des Artikels enthalten, sofern in der Quellenangabe für das Material nichts anderes angegeben ist. Wenn Material nicht in der Creative-Commons-Lizenz des Artikels enthalten ist und Ihre beabsichtigte Nutzung nicht durch gesetzliche Vorschriften zulässig ist oder über die zulässige Nutzung hinausgeht, müssen Sie die Genehmigung direkt vom Urheberrechtsinhaber einholen. Um eine Kopie dieser Lizenz anzuzeigen, besuchen Sie http://creativecommons.org/licenses/by/4.0/.

Nachdrucke und Genehmigungen

Athira, KS, Roxy, MK, Dasgupta, P. et al. Regionale und zeitliche Variabilität der Monsunniederschläge im indischen Sommer im Verhältnis zur südlichen El-Niño-Schwingung. Sci Rep 13, 12643 (2023). https://doi.org/10.1038/s41598-023-38730-5

Zitat herunterladen

Eingegangen: 07. Dezember 2022

Angenommen: 13. Juli 2023

Veröffentlicht: 04. August 2023

DOI: https://doi.org/10.1038/s41598-023-38730-5

Jeder, mit dem Sie den folgenden Link teilen, kann diesen Inhalt lesen:

Leider ist für diesen Artikel derzeit kein Link zum Teilen verfügbar.

Bereitgestellt von der Content-Sharing-Initiative Springer Nature SharedIt

Durch das Absenden eines Kommentars erklären Sie sich damit einverstanden, unsere Nutzungsbedingungen und Community-Richtlinien einzuhalten. Wenn Sie etwas als missbräuchlich empfinden oder etwas nicht unseren Bedingungen oder Richtlinien entspricht, kennzeichnen Sie es bitte als unangemessen.