Download Empirical evidence for Thailand surface temperature changes and

Empirical evidence for Thailand surface air temperature change :
Possible causal attributions and impacts
Dr. Atsamon Limsakul
Environmental Research and Training Center
Department of Environmental Quality Promotion
August 2004
1
CONTENTS
Abstract
บทสรุปสำหรับภำษำไทย
i
1. Introduction
1
2. Analytical methods and data sources
2.1. Basic concepts of EOF analysis
2.2. Data sources
2.3. EOF computation using the scatter matrix method
5
10
13
3. Results
3.1. Physical interpretation of EOF analysis
3.2. Temporal variability of EOF1 coefficient series and its relation
to ENSO signature
3.3. Linear trends in surface air temperature in Thailand
4. Discussion
4.1. Analytical methodology
4.2. Possible causal attribution of interannual and long-term changes
in surface air temperatures in Thailand
4.3. A reduction of diurnal temperature ranges
4.4. Changes in temperature extreme events
4.5. Possible biophysical and socio-economic impacts
17
32
51
54
55
58
58
59
5. Implications for future research
62
6. Acknowledgement
63
References
64
2
Abstract
This study attempts to investigate the dominant spatio-temporal structure of mean,
maximum and minimum surface air temperatures (T mean , T max , T min ), dewpoint
temperature (T dew ) and computed mean, maximum and minimum apparent temperatures
(T amean , T amax , T amin ) in Thailand. The atmospheric data used in this study are based on
monthly data collected from 33 stations for period of 1951-2003. Empirical Orthogonal
Functions (EOF) analysis and other multivariate statistical techniques were used to
reveal the dominant modes and temporal patterns.
B
B
B
B
B
B
B
B
B
B
B
B
B
B
B
B
An analysis indicates that the EOF1 mode of all temperature variables accounts
for substantial amount of the total variance ranging from 61.2% to 71.3%. The EOF1
mode of all temperature variables is characterized by a monopole of spatial patterns,
which correlations coefficients are positive and relatively high and about the same
magnitude at all stations. Such a unique pattern implies a high intercorrelation and a
relatively uniform variance distribution of surface air temperatures at all stations. Hence,
the EOF1 mode is a robust representative of the dominant spatio-temporal structure of
surface air temperatures in Thailand that probably share a common influence from the
same origins.
On the basis of the EOF results, the time variability of the EOF1 mode of all
temperature variables in Thailand has oscillated at three dominant timescales over the
last 53 years: interannual/decadal timescales and long-term trends. The El Niño-Southern
Oscillation (ENSO) cycles are the most prominent timescale of interannual variability in
surface air temperatures in Thailand. There is a significant indication that all temperature
variables tend to be higher (lower) than normal during the El Niño (La Niña) years. The
possible linking pathway between ENSO event and interannual changes in surface air
temperature in Thailand may be through the “atmospheric teleconnections”, establishing
by the shifts in the location of the organized rainfall in the tropics and the associated
latent heat release.
The EOF1 coefficient series of T max , T amax , T min and T amin also exhibit salient
decadal changes which are significantly related to the low-frequency component of
ENSO cycles. The overall warming trends of T max , T amax , T min and T amin since the late
1970s have been in phase with the persistent and exceptionally strong warm phase of
ENSO cycles. Furthermore, the EOF1 coefficient series of T min and T amin have
monotonically increased at a faster rate than those of T max , and T amax since the mid 1950s
that resemble the greenhouse warming fingerprint observed in instrumental records and
predicted by some models. At this point, however, it is unclear whether the recent
changes in T max , T amax , T min and T amin are in direct response to greenhouse gas forcing, or
whether these changes are associated with the natural decadal timescale variation in the
atmospheric circulation. Another conspicuous feather is that there is a significant
narrowing for diurnal temperature ranges over most parts of Thailand, resulting from the
differential changes in maximum and minimum temperatures.
B
B
B
B
B
B
B
B
B
B
B
B
B
B
B
B
B
B
B
B
B
B
B
B
B
B
B
B
B
B
B
B
The results from this study provide a vital clue of some key aspects of short-andlong term climate change in Thailand that has important implications for future
prediction and environmental management. There is little doubt that climate change is an
active and critical component of “our Earth System” as current and future threats for
3
human and environmental systems that is now happening even on regional/local scales
and will likely continue or even intensify in the near future.
4
บทสรุ ปสำหรับภำษำไทย
ความแปรปรวนหรื อการเปลี่ยนแปลง
เป็ นสิ่ งปกติที่เกิดขึ้นในระบบภูมิอากาศและสภาวะสมดุลแทบจะไม่เกิดขึ้นทุกคาบเวลา
(Timescale)
หรื อแม้กระทัง่ คาบเวลาใดเวลาหนึ่งในระบบดังกล่าว หลักฐานจาก palaeo-records
ระบุชดั เจนว่า
ภูมิอากาศของโลกมีการเปลี่ยนแปลงอย่างต่อเนื่องทุกคาบเวลา
โดยสภาวะเฉลี่ยของโลกอยูภ่ ายใต้ความแปรปรวนที่สูงของระบบภูมิอากาศในระดับภูมิภาค
ความแปรปรวนของอุณหภูมิอากาศ
จัดว่าเป็ นดัชนีที่สาคัญของการเปลี่ยนแปลงสภาพภูมิอากาศของโลกที่มีการศึกษาวิจยั กันมาก
เนื่องจากอุณหภูมิมีบทบาทที่สาคัญในการควบคุมและกาหนดขบวนการระเหยและการคายน้ าของพืช
ซึ่งมีการเชื่อมโยงโดยตรงกับวัฎจักรของน้ าและสมดุลของความร้อนที่พ้นื ผิว
นอกจากนี้
การเปลี่ยนแปลงอุณหภูมิท้ งั อัตรา ทิศทาง และความรุ นแรงยังมีบทบาทและอิทธิพลอย่างสูงต่อหน้าที่ พลวัตร
และโครงสร้างของระบบนิเวศน์วทิ ยา ตลอดจนสุขภาพและความสะดวกสบายของมนุษย์ Intergovernmental Panel
on Climate Change (IPCC) รายงานไว้ในปี ค.ศ 2001 .ว่าอุณหภูมิเฉลี่ยของโลกในช่วงศตวรรษที่ 20 เพิ่มขึ้น 0.60.2
องศาเซลเซียส และอุณหภูมิเฉลี่ยของโลกเพิ่มขึ้นสูงสุดในช่วงทศวรรษที่ 1990 IPCC ยังยืนยันด้วยว่า
"มีหลักฐานที่เชื่ อได้ ว่า
กิจกรรมของมนุษย์ ได้ มสี ่ วนทาให้ ภูมิอากาศโลกเปลีย่ นแปลงไปอย่ างมาก
โดยเฉพาะอย่ างยิ่งการปล่ อยก๊ าซเรื อนกระจก
ที่เกิดจากการใช้ เชื อ้ เพลิงฟอสซิ ลในภูมิภาคต่ างๆ
ของโลกที่เพิ่มอย่ างรวดเร็ วในช่ วงศตวรรษที่ผ่านมา"
ได้มีการคาดการณ์กนั ไว้วา่
ในปี
ค.ศ2100
.
อุณหภูมิเฉลี่ยของโลกจะสูงขึ้นประมาณ
1.4-5.8
องศาเซลเซียส
ซึ่งเป็ นอัตราการเพิ่มที่สูงสุดตั้งแต่สมัยสิ้นยุคโลกน้ าแข็ง (Ice Age) นอกจากนี้ยงั มีหลักฐานทางวิทยาศาสตร์ที่บ่งชี้วา่
การเปลี่ยนแปลงของอุณหภูมิอากาศในระยะสั้นและระยะยาว
(ปี ต่อปี ถึงทศวรรษต่อทศวรรษ)
ในหลายภูมิภาคของโลก
เช่น
ทวีปอเมริ กาเหนือ-ใต้
ทวีปเอเซียและทวีปแอฟริ กา
ยังได้รับผลกระทบจากปรากฎการณ์เอนโซ่ (El Niño-Southern Oscillation; ENSO) หรื อเอลนิโน่ความผันแปรของระบบอากาศในซีกโลกใต้
ซึ่งเป็ นปรากฎการณ์ธรรมชาติระดับโลกที่เกิดจากการเชื่อมโยงระหว่างการเปลี่ยนแปลงที่ผิดปกติของอุณหภูมิผิวน้ า
ทะเลบริ เวณเส้นศูนย์สูตรทางมหาสมุทรแปซิฟิก
และความผันแปรที่ผิดปกติของระบบอากาศในซีกโลกใต้
ถึงแม้วา่ หลักฐานทางวิทยาศาสตร์บ่งชี้อย่างชัดเจนถึงการเปลี่ยนแปลงสภาพภูมิอากาศของโลก
การพยากรณ์ผลกระทบที่อาจจะเกิดขึ้นในอนาคตจากการเปลี่ยนแปลงดังกล่าว
ยังมีความไม่แน่นอนและมีขอ้ จากัดค่อนข้างมากในช่วงที่ผา่ นมา
เนื่องจากยังขาดรู ้ความเข้าใจอย่างถ่องแท้ถึงกลไกการเชื่อมโยง ปั จจัยภายนอกที่บงั คับ (Forcings) การตอบสนอง
(Responses) และผลที่ตามมา (Consequences) ของการเปลี่ยนแปลงสภาพภูมิอากาศของโลก
ดังนั้น
การศึกษาวิจยั เรื่ องการเปลี่ยนแปลงของอุณหภูมิอากาศ
โดยเฉพาะอย่างยิง่ การเปลี่ยนแปลงในระดับภูมิภาค
เป็ นประเด็นที่ทา้ ทายและได้รับความสนใจจากนักวิทยาศาสตร์เป็ นจานวนมาก
รวมทั้งเป็ นวัตถุประสงค์หลักของโครงการวิจยั การเปลี่ยนแปลงของโลก
(Global
Change
Research)
สาหรับประเทศไทย
ประเด็นดังกล่าวยังไม่ค่อยได้รับความสนใจและมีการศึกษามากนัก
P
5
P
รวมทั้งไม่มีหลักฐานที่แน่ชดั ของการเปลี่ยนแปลงอุณหภูมิอากาศทั้งระยะสั้นและระยะยาว
ตลอดจนกระทบที่อาจจะเกิดขึ้น
ดังนั้น
การศึกษานี้มีวตั ถุประสงค์หลัก
เพื่อศึกษา
1)
รู ปแบบความแปรปรวนในเชิงพื้นที่และเชิงเวลาที่มีลกั ษณะโดดเด่นของอุณหภูมิอากาศในประเทศไทย
2)
กลไกการเชื่อมโยงทั้งในระยะสั้นและระยะยาวระหว่างความแปรปรวนดังกล่าวกับพฤติกรรมของความแปรปรวนตา
มธรรมชาติของสภาพภูมิอากาศของโลก หรื อความผันแปรของสภาพภูมิอากาศที่เกิดจากกิจกรรมของมนุษย์ 3)
ผลกระทบที่อาจจะเกิดขึ้นต่อสภาพแวดล้อม
นิเวศน์วทิ ยา
สภาพเศรษฐกิจและสังคมรวมทั้งสุขภาพอนามัยและความเป็ นอยูข่ องมนุษย์ ข้อมูลที่นามาวิเคราะห์ทางสถิติในเชิงลึก
ได้แก่ ข้อมูลรายเดือนของอุณหภูมิอากาศเฉลี่ย สูงสุด และต่าสุด (T mean , T max , T min ) และอุณหภูมิจุดน้ าค้าง (T dew )
จากกรมอุตุนิยมวิทยา จานวน 33 สถานี ซึ่งคลอบคลุมทัว่ ทุกภาคของประเทศไทย ในระหว่างปี ค.ศ. 1951-2003
ตลอดจนอุณหภูมิปรากฎ (Apparent Temperature) เฉลี่ย สูงสุด และต่าสุด (T amean , T amax , T amin )
ซึ่งคานวณจากข้อมูลอุณหภูมิอากาศและอุณหภูมิจุดน้ าค้างดังกล่าวข้างต้น เทคนิคทางสถิติที่ใช้ในการวิเคราะห์ขอ้ มูล
ประกอบด้วย Empirical Orthogonal Functions (EOFs), ค่าเฉลี่ยแบบเคลื่อนที่ (Moving Average),
การวิเคราะห์ความแปรปรวน (Variance Analysis), การวิเคราะห์สหสัมพันธ์ (Correlation Analysis),
และการวิเคราะห์การถดถอยแบบเชิงเส้น
(Linear
Regression
Analysis)
EOFs
นับว่าเป็ นเทคนิคทางสถิติเชิงตัวแปรพหุ
(Multivariate)
ที่นิยมใช้กนั อย่างแพร่ หลาย
ในการวิเคราะห์ความแปรปรวนเชิงพื้นที่และเชิงเวลาของชุดข้อมูลที่มีขนาดใหญ่
โดยเฉพาะอย่างยิง่ ตัวแปรที่เกี่ยวกับภูมิอากาศ
บรรยากาศและมหาสมุทร
ที่มีจุดเก็บตัวอย่างเป็ นจานวนมาก
ความถี่ในการเก็บตัวอย่างสูงรวมทั้งระยะเวลาในการเก็บข้อมูลที่ยาวนาน
ซึ่งทาให้มีชุดข้อมูลในเชิงพื้นที่และเชิงเวลาเป็ นจานวนมากยากต่อการจัดการและวิเคราะห์โดยใช้เทคนิคอื่น
ๆ
ในกรณี ขอ้ มูลอุณหภูมิอากาศในประเทศไทย ที่ทาการตรวจวัดทุกเดือนตลอดระยะเวลา 53 ปี ณ 33 สถานี
จัดว่าเป็ นชุดข้อมูลที่ค่อนข้างใหญ่ เนื่องจากมีจานวนข้อมูลทั้งหมดเท่ากับ 20998 ชุดข้อมูล
B
B
B
B
B
B
B
B
B
B
B
B
B
B
ระเบียบวิธีของเทคนิค
EOFs
อาศัยหลักการของการแปลงเชิงเส้นตรงของชุดข้อมูลเดิมที่มีขนาดใหญ่และมีตวั แปรจานวนมาก
ไปสู่ชุดขนาดเล็กของตัวแปรแต่เป็ นตัวแทนความแปรปรวนทั้งเชิงพื้นที่และเชิงเวลาส่วนใหญ่ของชุดข้อมูลเดิม
โดยทัว่ ไปวิธีการวิเคราะห์ EOFs จะคานวณจากเมตริ กซ์ความแปรปรวนร่ วม (Covariance Matrix)
หรื อเมตริ กซ์ความสัมพันธ์ร่วม (Correlation Matrix) ของข้อมูล เพื่อจาแนกข้อมูลเดิมออกเป็ นค่า Eigenvalue,
Eigenvector
และอนุกรม
Time
Coefficient
(TC)
โดย
Eigenvector
คือชุดขนาดเล็กของตัวแปรที่ถูกแปลงมาจากชุดข้อมูลเดิม ซึ่งแต่ละชุดของ Eigenvector เรี ยกว่า EOF โหมด (EOF
Mode) และจานวน EOF โหมดทั้งหมดจะเท่ากับจานวนตัวแปรในชุดข้อมูลเดิม สาหรับค่า Eigenvalue
โดยปกติจะเรี ยงลาดับจากมากไปหาน้อยและแต่ละค่าของ
Eigenvalue
จะเป็ นสัดส่วนกับเปอร์เซ็นต์ของความแปรปรวนในข้อมูลเดิมที่อธิบายได้จากแต่ละ
EOF
โหมด
ทั้งนี้การเปลี่ยนแปลงเชิงเวลาหรื ออนุกรม
TC
ของแต่ละชุดของ
Eigenvector
สามารถคานวณได้จากผลรวมทั้งหมดของข้อมูลเดิมฉายา (Projection) บนแต่ละชุดของ Eigenvector หรื อแต่ละ EOF
โหมด ในแต่ละชุดของ Eigenvector หรื อแต่ละ EOF โหมด มีคุณสมบัติพิเศษคือ เป็ นอิสระหรื อตั้งฉากต่อกัน
6
(Orthogonality)
ในเชิงพื้นที่
เช่นเดียวกับอนุกรม
TC
ของแต่ละ
EOF
โหมดมีคุณสมบัติเป็ นอิสระหรื อตั้งฉากต่อกันในเชิงเวลา
จากคุณสมบัติดงั กล่าว
ความแปรปรวนในข้อมูลเดิมที่อธิบายได้จากแต่ละ EOF โหมด มีคุณสมบัติที่เป็ นอิสระต่อกัน
ดังนั้น
ผลรวมทั้งหมดของความแปรปรวนที่อธิบายได้จากทุก
EOF
โหมด
จะเท่ากับผลรวมทั้งหมดของความแปรปรวนในข้อมูลเดิม โดยปกติ
EOF โหมดแรก ๆ
เท่านั้น
จะอธิบายความแปรปรวนส่วนใหญ่ในข้อมูลเดิม
ดังนั้น
ชุดข้อมูลใหม่ที่มีความแปรปรวนใกล้เคียงกับความแปรปรวนในข้อมูลเดิม
แต่มีจานวนตัวแปรน้อยกว่ามากเมื่อเปรี ยบเทียบกับข้อมูลเดิม สามารถสังเคราะห์ได้จากผลรวมของอนุกรม TC
คูณด้วย EOF โหมดในโหมดแรก ๆ เท่านั้น
ผลลัพธ์ของการวิเคราะห์
EOFs
ประกอบด้วย
1)
ค่า
Eigenvalue
รวมทั้งเปอร์เซ็นต์ของความแปรปรวนที่อธิบายได้จากแต่ละ EOF โหมด 2) ชุดของ Eigenvector สาหรับแต่ละ EOF
โหมด
โดยแต่ละชุดของ
Eigenvector
ประกอบด้วยค่าที่เรี ยกว่า
Component
Loading
ซึ่งปกติจะแสดงในรู ปค่าสัมประสิ ทธิ์สหสัมพันธ์
(Correlation
Coefficient)
และเป็ นค่าที่บ่งชี้ถึงอานาจความสัมพันธ์ของอนุกรมข้อมูลในแต่ละสถานีหรื อจุดของข้อมูลเดิมใน
EOF
โหมดที่ถูกแยกออกมา และ 3) อนุกรม TC ซึ่งแสดงการเปลี่ยนแปลงเชิงเวลาของแต่ละ EOF โหมด
ผลการวิเคราะห์ EOFs สาหรับข้อมูลอุณหภูมิอากาศในประเทศไทยในระหว่างปี ค.ศ. 1951-2003 ปรากฎว่า
EOF โหมดที่ 1 ของอุณหภูมิอากาศทั้งเจ็ดตัวแปร (T mean , T max , T min , T dew , T amean , T amax และ T amin )
สามารถอธิบายความแปรปรวนในข้อมูลเดิมได้ถึงร้อยละ 61.2 % ถึง 71.3% สาหรับ EOF โหมดที่เหลือ
สามารถอธิบายความแปรปรวนของข้อมูลเดิมได้นอ้ ยมากเมื่อเปรี ยบเทียบกับ
EOFโหมดที่
1
และร้อยละของความแปรปรวนที่อธิบายได้ในแต่ละ EOF
โหมดมีค่าใกล้เคียงกัน จากลักษณะดังกล่าว
แสดงว่าความแปรปรวนโดยส่วนใหญ่ของข้อมูลเดิมสามารถอธิบายได้จาก
EOF
โหมดที่
1
ส่วนความแปรปรวนที่เหลือส่วนน้อยที่ถูกแยกตามสัดส่วนใน EOF โหมดที่เหลืออาจจะเกิดจาก “noise”
หรื อความแปรปรวนปลีกย่อยของแต่ละสถานีในข้อมูลเดิม สาหรับแต่ละตัวแปรของอุณหภูมิอากาศ Component
Loading ซึ่งแสดงในรู ปของค่าสัมประสิ ทธิ์สหสัมพันธ์ระหว่างชุดข้อมูลในแต่ละสถานีกบั EOF โหมดที่ 1
มีค่าที่สูงและใกล้เคียงกันเกือบทุกสถานี
ยกเว้นบางสถานีในภาคใต้ตอนล่างที่มีค่าค่อนข้างต่า
นอกจากนี้
ชุดข้อมูลทุกสถานีมีความสัมพันธ์ทางสถิติในเชิงบวกอย่างมีนยั สาคัญกับ EOF โหมดที่ 1 จากผลดังกล่าว
สามารถสรุ ปได้วา่
ความสัมพันธ์ของอุณหภูมิอากาศระหว่างสถานีมีค่าสูงและความแปรปรวนของอุณหภูมิอากาศทุกสถานีมีการกระจา
ยตัวค่อนข้างสม่าเสมอ
ดังนั้น
ความแปรปรวนเชิงพื้นที่ที่อธิบายได้จาก
EOF
โหมดที่
1
ไม่ได้เกิดจากความแปรปรวนของข้อมูลอุณหภูมิอากาศเฉพาะสถานีใดสถานีหนึ่งหรื อภาคใดภาคหนึ่งเท่านั้น
แต่เกิดจากความแปรปรวนของข้อมูลอุณหภูมิอากาศเกือบทุกสถานีร่วมกัน
โดยความแปรปรวนดังกล่าว
อาจจะเกิดจากปรากฎการณ์หรื อแหล่งกาเนิดเดียวกัน
ที่มีขนาดใหญ่เพียงพอที่จะสามารถมีอิทธิพลต่ออุณหภูมิอากาศทัว่ ทุกภาคของประเทศไทย ดังนั้น เพียง EOF โหมดที่
1
สามารถใช้เป็ นตัวแทนที่เหมาะสม
B
7
B
B
B
B
B
B
B
B
B
B
B
B
B
เพื่อนาไปอธิบายการเปลี่ยนแปลงเชิงพื้นที่และเชิงเวลาของอุณหภูมิอากาศในประเทศไทยโดยส่วนใหญ่และภาพรวม
ได้
การเปลี่ยนแปลงในเชิงเวลาของ EOF โหมดที่ 1 ดังแสดงในอนุกรม TC จากการสังเกต พบว่า EOF
โหมดที่
1
ของอุณหภูมิอากาศทั้งเจ็ดตัวแปร
มีลกั ษณะการเปลี่ยนแปลงในเชิงเวลาที่ค่อนซับซ้อน
ระยะเวลาของการแกว่งไปมาระหว่างค่าสูงสุดและค่าต่าสุดไม่แน่นอนและไม่สม่าเสมอ
โดยที่การเปลี่ยนแปลงคาบเดือนต่อเดือนหรื อการเปลี่ยนแปลงที่ความถี่สูงปรากฎโดดเด่นใน TC นอกจากนี้
การเปลี่ยนแปลงที่ความถี่ปานกลางถึงต่า
คือตั้งแต่
2-3
ปี
ถึงคาบ
10
ปี
ยังเป็ นองค์ประกอบสาคัญของการเปลี่ยนแปลงใน TC อีกด้วย เนื่องจาก TC คือ การเปลี่ยนแปลงในเชิงเวลาของ EOF
โหมดที่
1
โดยภาพรวม
ซึ่งประกอบด้วยการเปลี่ยนแปลงของทุกคาบเวลารวมกัน
ดังนั้นจึงไม่สามารถระบุได้ชดั เจนว่า
EOF
โหมดที่
1
มีลกั ษณะการเปลี่ยนแปลงที่ชดั เจนหรื อโดดเด่นในช่วงคาบเวลาใดบ้าง
นอกจากนี้
การหาความสัมพันธ์หรื อการเชื่อมโยงของ
EOF
โหมดที่
1
กับความผันแปรของสภาพภูมิอากาศของโลกทั้งในระยะสั้นหรื อระยะยาว
อนุกรม
TC
ดังกล่าวควรที่จะถูกจาแนกออกเป็ น
ช่วงคาบเวลาของการเปลี่ยนแปลงที่ใกล้เคียงหรื อสอดคล้องกับคาบเวลาที่โดดเด่นของความผันแปรของสภาพภูมิอาก
าศของโลก ด้วยเหตุผลดังกล่าว อนุกรม TC จึงถูกจาแนกออกเป็ นสองคาบเวลาของการเปลี่ยนแปลง คือ น้อยกว่า 5
ปี และมากกว่า
5
ปี
สาเหตุที่เลือกสองคาบเวลาดังกล่าว
เพราะคาบเวลาที่นอ้ ยกว่า
5
ปี
แทนการเปลี่ยนแปลงระยะสั้นที่สอดคล้องกับวงจรของปรากฎการณ์เอนโซ่ (El Niño-Southern Oscillation; ENSO)
หรื อเอลนิโน่-ความผันแปรของระบบอากาศในซีกโลกใต้ ซึ่งวงจรการเกิดแต่ละครั้งจะมีช่วงระยะเวลาประมาณ 2 ถึง
6
ปี
ปรากฎการณ์เอนโซ่เป็ นปรากฎการณ์ทางธรรมชาติของความแปรปรวนของสภาพภูมิอากาศของโลก
ที่เกิดจากการเชื่อมโยงระหว่างการเปลี่ยนแปลงที่ผิดปกติของอุณหภูมิผิวน้ าทะเลบริ เวณเส้นศูนย์สูตรทางมหาสมุทรแ
ปซิฟิก
และความผันแปรที่ผดิ ปกติของระบบอากาศในซีกโลกใต้
เป็ นที่ทราบกันดีวา่ ปรากฎการณ์เอนโซ่มีผลกระทบต่อสภาพภูมิอากาศ
และสภาพแวดล้อมของโลกทั้งพื้นที่ใกล้เคียงและพื้นที่ห่างไกลในหลายทวีป
โดยเฉพาะประเทศในเขตร้อน
(Tropical) และกึ่งร้อน (Subtropical) ส่วนคาบเวลาที่มากกว่า 5 ปี แทนการเปลี่ยนแปลงในระยะยาว
(ทศวรรษต่อทศวรรษ)
ที่อาจจะมีความสัมพันธ์หรื อเชื่อมโยงกับการเปลี่ยนแปลงภูมิอากาศของโลกที่เกิดจากกิจกรรมมนุษย์
เช่น
การเพิ่มขึ้นของปริ มาณก๊าซเรื อนกระจกหรื อเกิดจากปรากฎการณ์ทางธรรมชาติอื่น
ๆ
เทคนิคที่ใช้ในการแยกคาบเวลาของการเปลี่ยนแปลงของอนุกรม TC คือ ค่าเฉลี่ยแบบเคลื่อนที่ (Moving Average)
โดยใช้ 60 เดือน อนุกรมเวลา สาหรับคาบเวลาที่มากกว่า 5 ปี ส่วนการหาค่าเฉลี่ยแบบเคลื่อนที่ที่นอ้ ยกว่า 5 ปี
ทาได้โดยนาค่าเฉลี่ยแบบเคลื่อนที่ที่มากกว่า 5 ปี ลบด้วย อนุกรม TC เดิม ซึ่งจะได้ผลลัพธ์คือ ค่าผิดสภาพ (anomalies)
ของอนุกรม
TC
จากอนุกรมของค่าเฉลี่ยแบบเคลื่อนที่ที่มากกว่า
5
ปี
หลังจากนั้นนาค่าผิดสภาพดังกล่าวไปคานวณหาค่าเฉลี่ยแบบเคลื่อนโดยใช้ 10 เดือน อนุกรมเวลา
จากผลการวิเคราะห์เพิ่มเติม
ปรากฏว่า
ของอุณหภูมิอากาศทั้งเจ็ดตัวแปรสาหรับค่าเฉลี่ยแบบเคลื่อนที่ที่นอ้ ยกว่า
8
อนุกรมของ
5
TC
ปี
แสดงการเปลี่ยนแปลงในระยะสั้นที่ชดั เจน
โดยระยะเวลาการแกว่งไปมาระหว่างค่าสูงสุดและค่าต่าสุดซึ่งอยูใ่ นช่วงประมาณ
1
ถึง
4
ปี
เป็ นลักษณะเด่นของอนุกรมดังกล่าว
ผลการวิเคราะห์ความแปรปรวน
(Variance
Analysis)
แสดงให้เห็นว่าการเปลี่ยนแปลงที่นอ้ ยกว่า
5
ปี ของอุณหภูมิอากาศทั้งเจ็ดตัวแปร
มีเปอร์เซ็นต์ความแปรปรวนอยูใ่ นช่วงของ 17.6 ถึง 25.8 % ของความแปรปรวนทั้งหมดของอนุกรม TC
โดยเปอร์เซ็นต์ความแปรปรวนของอุณหภูมิอากาศทั้งหกตัวแปร
ยกเว้น
T min
เป็ นอันดับสองของความแปรปรวนทั้งหมดของอนุกรม
TC
รวมกัน
ลักษณะโดดเด่นอีกอย่างหนึ่งของอนุกรมค่าเฉลี่ยแบบเคลื่อนที่ที่นอ้ ยกว่า
5
ปี ของ
TC
คือ
รู ปแบบการเปลี่ยนแปลงมีลกั ษณะคล้ายกับดัชนีของปรากฎการณ์เอนโซ่
(Multiple
ENSO
Index)
โดยที่ค่าผิดสภาพบวก (ลบ) ของอนุกรม TC สาหรับค่าเฉลี่ยแบบเคลื่อนที่ที่นอ้ ยกว่า 5 ปี
ตรงกับหรื อสอดคล้องกับปรากฎการณ์เอลนีโญ (ลานีญา) โดยพบว่า อุณหภูมิอากาศในประเทศไทย สูง (ต่า) กว่าปกติ
ในระหว่างที่เกิดเหตุการณ์เอลนีโญ
(ลานีญา)
เช่น
ในระหว่าง
6
ครั้งที่เกิดปรากฎการณ์เอลนีโญที่มีกาลังรุ นแรงที่สุดในรอบ
53
ปี
อุณหภูมิอากาศในประเทศไทยสูงกว่าปกติอย่างเด่นชัด
เช่นเดียวกับอุณหภูมิอากาศในประเทศไทยต่ากว่าปกติอย่างชัดเจนในระหว่าง
8
ครั้งที่เกิดปรากฎการณ์ลานีญาที่มีกาลังรุ นแรงที่สุดในรอบ 53 ปี นอกจากนี้ ในระหว่าง ค.ศ. 1998-1998
อุณหภูมิอากาศในประเทศไทยได้มีการแกว่งอยูใ่ นช่วงที่กว้างที่สุดในรอบ
53
ปี
ซึ่งสอดคล้องกับการเกิดปรากฎการณ์เอลนีโญและลานีญาที่มีกาลังรุ นแรงอย่างต่อเนื่องภายในช่วงสองปี ดังกล่าว
โดยปี ค.ศ. 1998 เป็ นปี ที่ร้อนที่สุดในประเทศไทยในรอบ 53 ปี ผลการวิเคราะห์สหสัมพันธ์ (Correlation Analysis)
ยืนยันเพิ่มเติมว่า
อุณหภูมิอากาศทั้งเจ็ดตัวแปรมีความสัมพันธ์ทางสถิติในเชิงบวกอย่างมีนยั สาคัญกับดัชนีของปรากฎการณ์เอนโซ่
โดยเฉพาะอย่างยิง่ T mean , T max , T amean และ T amax ที่มีค่าสัมประสิ ทธิ์สหสัมพันธ์ค่อนข้างสูง (มากกว่า 0.5)
ผลการศึกษานี้แสดงให้เห็นว่า
ปรากฎการณ์เอนโซ่เป็ นปั จจัยที่สาคัญที่มีผลกระทบต่อการเปลี่ยนแปลงของอุณหภูมิอากาศในประเทศไทยในระยะสั้
น
และอาจสันนิษฐานได้วา่
ผลกระทบของปรากฎการณ์เอนโซ่ต่อการเปลี่ยนแปลงปี ต่อปี ของอุณหภูมิอากาศในประเทศไทย
น่าจะมาจากสาเหตุของการแผ่ขยายกว้างไกลออกไปของปริ มาณความร้อน
ที่เกิดจากความผิดปกติของอุณหภูมิผิวน้ าทะเล
และการเคลื่อนตัวของแอ่งน้ าอุน่ ในบริ เวณเส้นศูนย์สูตรทางมหาสมุทรแปซิฟิก โดยกลไกการเชื่อมโยงน่าจะผ่านทาง
“Atmospheric
Teleconnections”
นอกจากนี้
ความผันแปรของระบบอากาศโดยเฉพาะอย่างยิง่ การหมุนเวียนของอากาศแบบวอคเกอร์ (Walker Circulation)
ที่เกิดจากการเสี ยสมดุลของการแลกเปลี่ยนความร้อนระหว่างบรรยายกาศและทะเล
น่าจะเป็ นปั จจัยเสริ มในการนาพาความร้อนออกจากบริ เวณเส้นศูนย์สูตรของมหาสมุทรแปซิฟิกมาสู่ประเทศไทย
B
B
B
B
B
B
B
B
B
B
นอกจากนี้
การเปลี่ยนแปลงในระยะยาว
(ทศวรรษต่อทศวรรษ)
ยังปรากฎชัดเจนในอนุกรมค่าเฉลี่ยแบบเคลื่อนที่ที่มากกว่า 5 ปี ของ TC ของ T max , T amax , T min และ T amin
B
9
B
B
B
B
B
B
B
โดยอุณหภูมิอากาศทั้งสี่ ตวั แปรนี้มีแนวโน้มเพิ่มขึ้นเรื่ อย
ๆ
หลังจากปลายทศวรรษที่
1970
ซึ่งรู ปแบบการเปลี่ยนแปลงดังกล่าวสอดคล้องกับช่วงเวลาที่พฤติกรรมของ
ปรากฎการณ์เอนโซ่มีแนวโน้มผิดปกติในคาบเวลาที่ยาวนานมากกว่า
10
ปี
โดยปรากฎการณ์เอลนีโญเกิดขึ้นเป็ นระยะเวลาที่ยาวนานและบ่อยครั้งกว่าปกติรวมทั้งมีกาลังปานถึงรุ นแรง
ซึ่งรู ้จกั กันดีในนาม
“Climatic
Regime
Shift”
แต่ปรากฎการณ์ลานีญาแทบจะไม่เกิดขึ้นหรื อเกิดขึ้นน้อยมากเมื่อเปรี ยบเทียบกับปรากฎการณ์เอลนีโญ
หลังจากปลายทศวรรษที่ 1970 ผลการวิเคราะห์สหสัมพันธ์ ยังสนับสนุนความสอดคล้องดังกล่าวข้างต้น
โดยพบว่าอนุกรมค่าเฉลี่ยแบบเคลื่อนที่ที่มากกว่า
5
ปี
ของ
TC
ของอุณหภูมิอากาศทั้งสี่ ตวั แปรมีความสัมพันธ์ทางสถิติในเชิงบวกอย่างมีนยั สาคัญกับดัชนีของปรากฎการณ์เอนโซ่
เช่นเดียวกับที่พบในการเปลี่ยนแปลงระยะสั้นข้างต้น
ภายหลังปี
ค.ศ.
1990
เป็ นช่วงทศวรรษที่อุณหภูมิอากาศในประเทศไทยสูงที่สุดในรอบ
53
ปี
ซึ่งสอดคล้องกับอุณหภูมิเฉลี่ยของโลกที่สูงกว่าค่าปกติมากในช่วงเวลาเดียวกัน
ผลการศึกษานี้
แสดงให้เห็นว่าปรากฎการณ์เอนโซ่
อาจจะมีอิทธิพลต่อการเปลี่ยนแปลงของอุณหภูมิอากาศในประเทศไทยในระยะยาวอีกด้วย
นอกจากการเปลี่ยนแปลงของอุณหภูมิอากาศในประเทศไทยที่สอดคล้องกับปรากฎการณ์เอนโซ่แล้ว ยังพบว่า T min
และ
T amin
มีแนวโน้มเพิ่มขึ้นอย่างต่อเนื่องในลักษณะเชิงเส้นตรงตั้งแต่กลางทศวรรษที่
1950
และอัตราการเพิ่มขึ้นที่รวดเร็ วและมากกว่า T max และ T amax รู ปแบบการเพิ่มขึ้นอย่างต่อเนื่องของ T min และ T amin
ดังกล่าว
มีลกั ษณะเหมือนกับอุณหภูมิเฉลี่ยผิวพื้นโลกที่เพิ่มสูงขึ้นในศตวรรษที่
20
จากการเพิม่ ขึ้นของปริ มาณก๊าซเรื อนกระจกผลสื บเนื่องมาจากกิจกรรมมนุษย์ ซึ่งรู ้จกั กันดีในนามสภาวะโลกร้อน
(Global Warming)
จากการเปรี ยบเทียบ พบว่า การเพิ่มขึ้นของ T min และ T amin ในประเทศไทย
มีอตั ราที่รวดเร็ วและมากกว่าอุณหภูมิเฉลี่ยผิวพื้นโลก ดังนั้น การเพิ่มขึ้นของ T min และ T amin ในประเทศไทย
น่าจะมีส่วนส่งเสริ มในแง่บวกที่ส่งผลให้อุณหภูมิเฉลี่ยผิวพื้นของซีกโลกเหนือรวมทั้งสภาวะโลกร้อนเพิ่มสูงขึ้น
ถึงแม้นการเปลี่ยนแปลงในระยะยาวของอุณหภูมิอากาศในประเทศไทยซึ่งมีความสัมพันธ์กบั ปรากฎการณ์เอนโซ่
และมีลกั ษณะที่คล้ายคลึงกับสภาวะโลกร้อนอันเนื่องมาจากการเพิ่มขึ้นของก๊าซเรื อนกระจก
ปรากฎชัดเจนจากผลการศึกษานี้
ปั จจัยหลักที่ก่อให้เกิดการเปลี่ยนแปลงดังกล่าว
ยังไม่สามารถแยกแยะหรื อสรุ ปได้ชดั เจน ว่าเกิดจากพฤติกรรมของความแปรปรวนตามธรรมชาติของสภาพภูมิอากาศ
เช่น ปรากฎการณ์เอนโซ่ หรื อผลกระทบโดยตรงจากความผันแปรของสภาพภูมิอากาศที่เกิดจากกิจกรรมของมนุษย์
โดยทัว่ ไป
อาจจะเข้าใจว่า
การเปลี่ยนแปลงที่เกิดจากความผิดปกติของพฤติกรรมของความแปรปรวนตามธรรมชาติของสภาพภูมิอากาศ
น่าจะมีรูปแบบหรื อลักษณะในเชิงพื้นที่และเชิงเวลาที่แตกต่างจากการเปลี่ยนแปลงที่เกิดจากกิจกรรมมนุษย์
แต่เมื่อพิจารณาถึงพฤติกรรมของระบบภูมิอากาศ
ที่มีรูปแบบกลไกการเชื่อมโยงที่ซบั ซ้อนและการตอบสนองต่อปัจจัยภายนอกไม่เป็ นในลักษณะเชิงเส้นตรง
(Nonlinear) ซึ่งสามารถเปรี ยบเทียบได้กบั คาพังเพยที่วา่ “1 บวก 1 ไม่ เท่ ากับ 2” นักวิทยาศาสตร์หลายท่าน
ได้เสนอแนะไว้วา่
สภาวะโลกร้อนในช่วงไม่กี่ทศวรรษที่ผา่ นมา
อาจจะเกิดจากพฤติกรรมของความแปรปรวนตามธรรมชาติของสภาพภูมิอากาศ
ที่มีแนวโน้มผิดปกติท้ งั ในแง่
B
B
B
B
B
B
B
B
B
B
B
B
B
10
B
B
B
B
B
B
B
จานวนครั้งที่เกิดขึ้น ทิศทาง ระยะเวลาและความรุ นแรง โดยมีผลกระทบจากการเพิ่มขึ้นของปริ มาณก๊าซเรื อนกระจก
มากกว่าผลกระทบโดยตรงจากปรากฎการณ์เรื อนกระจก
ตัวอย่างที่เห็นได้ชดั เจน
ได้แก่
พฤติกรรมของปรากฎการณ์เอนโซ่ที่มีแนวโน้มผิดปกติในคาบเวลาที่ยาวนานหลังจากปลายทศวรรษที่
1970
ผลการศึกษาโดยใช้แบบจาลองทางคณิ ตศาสตร์
ยังระบุวา่
การเพิ่มขึ้นของปริ มาณก๊าซเรื อนกระจกจะทาให้สภาวะเหมือนกับปรากฎการณ์เอลนีโญ
(El Niño-like)
เกิดขึ้นบ่อยและระยะเวลาที่นานขึ้นในอนาคต
ดังนั้น
ปั จจัยที่มีผลต่อการเปลี่ยนแปลงอุณหภูมิอากาศในประเทศไทยในระยะยาว
จึงเป็ นประเด็นที่ทา้ ทายที่ตอ้ งศึกษาในรายละเอียดต่อไป
เพื่ออธิบาย
และสามารถแยกสัญญาณการเปลี่ยนแปลงที่เกิดจากความผิดปกติของพฤติกรรมของความแปรปรวนตามธรรมชาติข
องสภาพภูมิอากาศ
ออกจากความผันแปรของสภาพภูมิอากาศที่เกิดจากกิจกรรมของมนุษย์
ถ้าไม่คานึงถึงสาเหตุที่ก่อให้เกิดการเปลี่ยนแปลง ผลจากการศึกษานี้ ได้แสดงอย่างชัดเจน ว่า T min และ T amin
ในประเทศไทย ในช่วง 53 ปี ที่ผา่ นมา เพิ่มขึ้นอย่างต่อเนื่องในอัตราที่น่าตกใจ
B
B
B
B
จากลักษณะการเพิ่มขึ้นของ T min และ T amin ในอัตราที่รวดเร็ วและมากกว่า T max และ T amax
ส่งผลให้อุณหภูมิอากาศต่าสุดทุกภาคของประเทศไทยขยับสูงขึ้นค่อนข้างมากอย่างมีนยั สาคัญในอัตราเฉลี่ย 1.35 C
ภายในระยะเวลา 50 ปี ตลอดจนช่วงของอุณหภูมิต่าสุดและอุณหภูมิสูงสุดรายวัน (Diurnal Temperature Range; DTR)
ในประเทศไทยมีแนวโน้มที่แคบลงเรื่ อย ๆ อย่างมีนยั สาคัญเช่นกันในอัตราเฉลี่ย -0.99 C ภายในระยะเวลา 50 ปี
ปั จจัยเฉพาะแห่งที่มีผลกระทบต่อ
DTR
อาจจะเกิดจากการขยายตัวของชุมชนเมือง
ระบบชลประทาน
การขยายตัวของพื้นที่ที่แห้งแล้งหรื อทะเลทราย และความแปรปรวนเที่เกิดจากลักษณะการใช้ประโยชน์ของที่ดิน
โดยเฉพาะอย่างยิง่
ในบริ เวณชุมชนเขตเมือง ช่วงของ DTR จะแคบกว่าปกติ แต่อย่างไรก็ตาม
จากผลการวิเคราะห์ผลกระทบของชุมชนเมืองต่อลักษณะการเปลี่ยนแปลงของอุณหภูมิอากาศ
พบว่า
ค่าเฉลี่ยรายปี ของอุณหภูมิอากาศต่าสุดและสูงสุดรวมทั้ง
DTR
ของโลกและซีกโลกเหนือหรื อใต้ที่คานวณจากสถานีที่ไม่ต้ งั อยูใ่ นชุมชนเมือง
แตกต่างเพียงเล็กน้อยเมื่อเปรี ยบเทียบกับค่าดังกล่าวข้างต้นที่คานวณจากสถานีที่ต้ งั อยูใ่ นเขตชุมชนเมือง นอกจากนี้
ปั จจัยที่มีผลกระทบต่อ
DTR
อาจจะเกิดจากการเปลี่ยนแปลงของระบบหมุนเวียนของสภาพภูมิอากาศโลก
ซึ่งประกอบด้วย
การเพิ่มขึ้นของเมฆและละอองในชั้นบรรยาย
และการเพิ่มขึ้นของความเย็นพื้นผิวเนื่องมาจากฝนและของปริ มาณก๊าซเรื อนกระจก สาหรับประเทศไทย DTR
ที่มีแนวโน้มที่แคบลงเรื่ อย
ๆ
ซึ่งมีลกั ษณะการเปลี่ยนแปลงที่เหมือนและสอดคล้องกันทุกภาค
บ่งชี้ถึงแหล่งกาเนิดของการเปลี่ยนแปลงของ
DTR
ไม่น่าจะเกิดจากผลกระทบของปรากฎการณ์เฉพาะแห่ง
แต่เป็ นการสะท้อนให้เห็นถึง
การเพิ่มขึ้นค่อนข้างมากของอุณหภูมิอากาศต่าสุด
เนื่องจากการตอบสนองต่อความผิดปกติของพฤติกรรมของความแปรปรวนตามธรรมชาติของสภาพภูมิอากาศโลก
หรื อความผันแปรของสภาพภูมิอากาศโลกที่เกิดจากกิจกรรมของมนุษย์
การเปลี่ยนแปลงที่เหมือนกับผลดังกล่าวข้างต้น ไม่ได้เกิดขึ้นในประเทศไทยเท่านั้น ผลการศึกษาในหลาย ๆ
พื้นที่ของโลก
ระบุถึง
การเปลี่ยนแปลงของอุณหภูมิอากาศต่าสุดและช่วงของ
DTR
ที่ขยับสูงขึ้นอย่างต่อเนื่องและแคบลงอย่างมีนยั สาคัญในศตวรรษที่
20
ซึ่งส่งผลให้จานวนวันหรื อคืนที่อากาศเย็นลดลงและช่วงของฤดูหนาวสั้นลงแต่ฤดูใบไม้ผลิยาวขึ้น
B
B
B
11
B
B
B
B
B
เป็ นที่ยอมรับกันโดยทัว่ ไปว่า
การเปลี่ยนแปลงของสภาพภูมิอากาศโลกทั้งระยะสั้นและระยะยาว
ไม่วา่ จะเกิดจากความผิดปกติของพฤติกรรมของความแปรปรวนตามธรรมชาติหรื อเกิดจากกิจกรรมของมนุษย์
เป็ นปั จจัยที่สาคัญที่ส่งผลกระทบอย่างกว้างขวางและรุ นแรงต่อสภาพแวดล้อม
ระบบนิเวศน์วทิ ยา
สภาพเศรษฐกิจและสังคมรวมทั้งสุขภาพอนามัยและความเป็ นอยูข่ องมนุษย์
เนื่องจากความซับซ้อนของระบบสภาพแวดล้อมและนิเวศน์วทิ ยารวมทั้งความไหวต่อปัจจัยภายนอกของระบบดังกล่
าว การเปลี่ยนแปลงของสภาพภูมิอากาศโลก อาจก่อให้เกิดผลกระทบในลักษณะที่ไม่เป็ นในเชิงเส้นตรง (Nonlinear)
ดังคาพังเพยที่วา่
“the
straw
that
breaks
the
camel’s
back”
ซึ่งจะส่งผลให้การตอบสนองที่คอ่ นข้างรุ นแรงของระบบสภาพแวดล้อมและนิเวศน์วทิ ยา
ต่อการเปลี่ยนแปลงเพียงเล็กน้อยของสภาพภูมิอากาศโลก
ตัวอย่างที่เห็นได้ชดั เจน
ได้แก่
การตอบสนองอย่างรุ นแรงและกว้างขวางของระบบสภาพแวดล้อมและนิเวศน์วทิ ยาทัว่ ภูมิภาคของโลก
ต่อการเปลี่ยนแปลงของอุณหภูมิอากาศของโลกเพียงแค่ 0.60.2 องศาเซลเซียส ในช่วงศตวรรษที่ 20
หลักฐานทางวิทยาศาสตร์เท่าที่มีในปัจจุบนั
ระบุชดั เจนว่า
การเปลี่ยนแปลงของสภาพภูมิอากาศทั้งในระดับภูมิภาคและระดับโลก
โดยเฉพาะอย่างยิง่
การเพิ่มขึ้นของอุณหภูมิอากาศในช่วงไม่กี่ทศวรรษที่ผา่ นมา
ได้ส่งผลกระทบต่อระบบสภาพแวดล้อมและนิเวศน์วทิ ยาต่าง
ๆ
ในหลายภูมิภาคของโลก
ตัวอย่างของการเปลี่ยนแปลงที่ได้คน้ พบ
ได้แก่
การละลายของภูเขาน้ าแข็งในบริ เวณขั้วโลกเหนือและใต้
การละลายของหิ มะ
ระดับน้ าทะเลสูงขึ้น
การเคลื่อนตัวสู่ข้ วั โลกของพื้นที่ที่สามารถดารงชีวติ ของพืชและสัตว์บางชนิดในเขตร้อน (Tropical) และกึ่งร้อน
(Subtropical)
การเพิ่มหรื อลดลงของจานวนประชากรของพืชและสัตว์บางชนิด
ฤดูการเจริ ญเติบโตของพืชและสัตว์ในบริ เวณ
mid-to-high
latitude
ยาวขึ้น
พืชและสัตว์ออกดอกและผสมพันธ์เร็ วขึ้น
นอกจากนี้
ความสัมพันธ์ระหว่างการเปลี่ยนแปลงของอุณภูมิในระดับภูมิภาค
และการเปลี่ยนแปลงของระบบสภาพแวดล้อมและนิเวศน์วทิ ยา
ยังปรากฎชัดเจนในมหาสมุทร
การเปลี่ยนแปลงของการกระจายตัวและจานวนประชากรของแพลงตอนพืชและสัตว์ในบริ เวณชายฝั่งของรัฐแคลิฟอร์
เนีย
ต่อการเปลี่ยนแปลงทั้งในระยะสั้นและระยะยาวของอุณหภูมิผิวน้ าทะเล
ที่เกิดจากปรากฎการณ์เอนโซ่และสภาวะโลกร้อน
เป็ นที่ทราบกันดีในช่วงไม่กี่ทศวรรษที่ผา่ นมา
นิเวศน์วทิ ยาชายฝั่งที่มีคุณค่ามหาศาลทางเศรฐศาสตร์และความหลากหลายทางชีวภาพ
รวมทั้งเป็ นแหล่งอาหารที่สาคัญของมนุษย์
โดยเฉพาะแนวปะการัง
กาลังได้รับภัยคุกคามจากการเพิ่มขึ้นของอุณหภูมิทะเล การเพิ่มขึ้นของปรากฎการณ์ฟอกขาวของปะการัง (Coral
Reef
Bleaching) อาจจะเกิดจากการเพิ่มขึ้นของอุณหภูมิทะเลโลก หลักฐานทางวิทยาศาสตร์ ระบุวา่
ได้เกิดปรากฎการณ์ฟอกขาวของปะการังที่รุนแรง
จานวน
6
ครั้ง
ตั้งแต่ปี
ค.ศ
.1979
และความรุ นแรงรวมทั้งจานวนครั้งมีแนวโน้มเพิ่มขึ้นตั้งแต่น้ นั มา ซึ่งปรากฎการณ์ฟอกขาวของปะการังที่รุนแรงที่สุด
เกิดขึ้นในช่วงที่ตรงกับหรื อสอดคล้องกับการเกิดปรากฎการณ์เอลนีโญในระหว่างปี ค.ศ. 1997-1998 โดยทั้ง 10
แนวเขตปะการังที่มีขนาดใหญ่ของโลกได้รับผลกระทบอย่างรุ นแรง นอกจากนี้ การเปลี่ยนแปลงของอุณหภูมิ
12
ยังเป็ นปัจจัยเสี่ ยงต่อการสูญพันธ์ของพืชและสัตว์
ตระกูลหรื อชนิดที่ได้รับภัยคุกคามจากการเปลี่ยนแปลงของสิ่ งแวดล้อมแล้วในปัจจุบนั
โดยเฉพาะอย่างยิง่
การเพิ่มขึ้นของระดับน้ าทะเลจากสภาวะโลกร้อน
เป็ นประเด็นที่ได้รับความสนใจอย่างกว้างขวาง
และส่งผลกระทบต่อหลายประเทศที่มีพ้นื ที่เป็ นเกาะและอาณาเขตติดกับทะเล
การเพิ่มขึ้นของระดับน้ าทะเลยังมีอตั ราที่ไม่แน่นอน แต่จากการประมาณครั้งล่าสุดของ IPCC พบว่าอยูใ่ นช่วง 10-94
เซนติเมตร
ภายในปี
ค.ศ
.2100
เนื่องจากการเคลื่อนตัวของความร้อนเกิดขึ้นช้าในมหาสมุทร
การเพิ่มขึ้นของระดับน้ าทะเลจะเกิดขึ้นอย่างต่อเนื่องนานกว่าการเปลี่ยนแปลงของอุณหภูมิ
ถึงแม้ปริ มาณการปล่อยก๊าซเรื อนกระจกจะถูกควบคุมให้อยูใ่ นระดับคงที่ทนั ทีทนั ใดในปั จจุบนั ก็ตาม
การเพิ่มขึ้นของระดับน้ าทะเลจะเกิดขึ้นอย่างต่อเนื่องเป็ นระยะเวลาที่ยาวนานร่ วมศตวรรษ
ซึ่งจะส่งผลกระทบอย่างรุ นแรงต่อประชากรของโลกเป็ นล้าน
ๆ
คน
ประเทศในแถบตะวันตกเฉี ยงเหนือของมหาสมุทรแปซิฟิก
หมู่เกาะในมหาสมุทรแปซิฟิก
และในแถบตะวันออกของทวีปเอเซียรวมทั้งประเทศไทย
มีโอกาสสูงที่จะได้รับผลกระทบจากการเพิ่มขึ้นของระดับน้ าทะเล
เนื่องจากพื้นที่ดงั กล่าวมีลกั ษณะสูงกว่าระดับน้ าทะเลเพียงเล็กน้อย
จากผลการประมาณอัตราการเพิม่ ขึ้นของระดับน้ าทะเลในบริ เวณอ่าวไทยตอนบน โดยใช้แบบจาลองทางคณิ ตศาสตร์
พบว่า ระดับน้ าทะเลจะเพิ่มขึ้นในช่วง 1-3 เมตร ภายในปี ค.ศ .2100 ระดับน้ าทะเลที่เพิ่มขึ้นในอัตราดังกล่าว
จะทาให้พ้นื ที่ที่มีความสูงเฉลี่ยประมาณ
1
เมตร
ซึ่งส่วนใหญ่จะเป็ นพื้นที่ป่าชายเลนและพื้นที่ชายฝั่ง
จะจมอยูใ่ ต้น้ าในศตวรรษหน้า โดยการเพิ่มขึ้นของระดับน้ าทะเล
อาจจะมีอตั ราที่เร็ วขึ้นกว่าที่คาดการณ์ไว้
เนื่องจากการทรุ ดตัวของแผ่นดินในบริ เวณกรุ งเทพฯและปริ มณฑล
ผลสื บเนื่องจากการสูบน้ าบาดาลมาใช้
ผลกระทบจากการเพิ่มขึ้นระดับน้ าทะเล จะทาให้ปัญหาสิ่ งแวดล้อมที่เกิดขึ้นแล้วในปั จจุบนั ในบริ เวณดังกล่าว เช่น
การกัดเซาะของชายฝั่ง การรุ กล้ าของน้ าเค็ม ความเสื่ อมโทรมของทรัพยากรธรรมชาติและมลพิษและน้ าท่วม
มีทวีความรุ นแรงและเลวร้ายเพิ่มขึ้น
จากการประยุกต์ใช้เทคนิคทางสถิติตวั แปรพหุ
โดยเฉพาะอย่างยิง่
EOFs
ในการวิเคราะห์ขอ้ มูลอุณหภูมิอากาศ
มีส่วนช่วยให้เข้าใจถึงแง่มุมที่สาคัญบางประการของการเปลี่ยนแปลงของสภาพภูมิอากาศในประเทศไทย
โดยหลักฐานจากการศึกษานี้
จะมีประโยชน์อย่างยิง่ ต่อการศึกษาวิจยั เพิ่มเติมในรายละเอียดของเรื่ องกลไกการเปลี่ยนแปลงของสภาพภูมิอากาศ
การพยากรณ์ผลกระทบที่อาจจะเกิดขึ้น รวมทั้งการอนุรักษ์และการจัดการสิ่ งแวดล้อมในระดับภูมิภาคในอนาคต
นอกจากนี้
หลักฐานดังกล่าว
ยังเป็ นข้อมูลพื้นฐานที่สาคัญในการสร้าง
พัฒนา
และปรับเทียบแบบจาลองทางคณิ ตศาสตร์
ซึ่งเป็ นงานที่ทา้ ทายของการเปลี่ยนแปลงสภาพภูมิอากาศของโลกในอนาคตอีกด้วย
อย่างไรก็ตาม
ยังมีหลายประเด็นที่สาคัญที่ตอ้ งศึกษาในรายละเอียดและควรที่จะมุ่งเน้นในการศึกษาวิจยั ในอนาคตอันใกล้
ประเด็นที่สาคัญอันดับต้น
ๆ
คือ
“ผลกระทบที่อาจจะเกิดขึน้ ต่ อสภาพแวดล้ อม
นิเวศน์ วิทยา
สภาพเศรษฐกิจและสังคมรวมทั้งสุขภาพอนามัยและความเป็ นอยู่ของมนุษย์
จากสภาวะโลกร้ อนที่เพิ่มขึน้ อย่ างต่ อเนื่องและแนวโน้ มผิดปกติทั้งในแง่
จานวนครั้ งที่เกิดขึน้
ทิ ศทาง
13
ระยะเวลาและความรุ นแรงของปรากฎการณ์ เอนโซ่ ”
การตอบคาถามนี้
นับว่าเป็ นขั้นตอนเบื้องที่สาคัญในการกาหนดยุทธศาสตร์การตั้งรับและการปรับตัวเข้ากับสภาพการเปลี่ยนแปลงที่อา
จจะเกิดขึ้น
เพื่อลดความรุ นแรงแต่แสวงหาผลประโยชน์สูงสุดจากผลกระทบดังกล่าว
เนื่องจากหลักฐานได้เสนอแนะว่า
การเปลี่ยนแปลงสภาพภูมิอากาศทั้งในระดับภูมิภาคและระดับโลก
มีแนวโน้มเกิดขึ้นอย่างต่อเนื่องและอาจจะทวีความรุ นแรงภายในระยะเวลา
50-100
ปี ข้างหน้า
ดังนั้นข้อมูลทางวิทยาศาสตร์ดงั กล่าวข้างต้น
นับว่ามีความสาคัญอย่างยิง่ ยวดในการลดความไม่แน่นอนในการประเมินผลกระทบ
เพื่อให้ผบู ้ ริ หารระดับนโยบายมีความมัน่ ใจในการตอบสนองต่อผลกระทบ
ที่อาจจะเกิดขึ้นจากการเปลี่ยนแปลงของสภาพภูมิอากาศโลก
จะเห็นได้วา่ การเปลี่ยนแปลงของสภาพภูมิอากาศของโลก เป็ นองค์ประกอบที่สาคัญและวิกฤติ ของระบบ
“Integrated
Earth
System”
ซึ่งเป็ นปั จจัยคุกคามในปั จจุบนั และอนาคตต่อระบบสภาพแวดล้อมและนิเวศน์วทิ ยาในหลายพื้นที่รวมทั้งประเทศไท
ยด้วย
การเตรี ยมพร้อมที่จะเผชิญกับสภาพภูมิอากาศเปลี่ยนแปลงนับว่าเป็ นประเด็นที่สาคัญซึ่ง
หากไม่รีบกระทาตอนนี้
เมื่อการเปลี่ยนแปลงมาถึงเราอาจไม่สามารถปรับตัวเข้ากับการเปลี่ยนแปลงได้
หรื ออาจส่งผลเสี ยหายมากกว่าที่ควรจะเป็ น ดังนั้น การป้ องกันน่าจะดีกว่าการแก้ไข (Better to be safe than sorry)
แน่นอนปั ญหาของสภาพภูมิอากาศเปลี่ยนแปลงไม่ใช่เรื่ องปัจจุบนั ทันด่วนที่รัฐบาลจะต้องแก้ไขทันที
แต่จะเพิกเฉยโดยไม่ให้ความสาคัญไม่ได้
ควรมีการกาหนดนโยบายในการศึกษาด้านนี้อย่างชัดเจน
และจัดสรรงบประมาณแทรกซึมไว้ในกระทรวงหรื อหน่วยงานที่เกี่ยวข้อง เพื่อสามารถดาเนินการศึกษาด้านนี้ได้
การเชื่อมโยงข้อมูลของแต่ละหน่วยงานเป็ นสิ่ งจาเป็ นอย่างยิง่ ในการศึกษาวิจยั เพื่อสามารถมองภาพรวมได้ถูกต้อง
ในการสร้างนโยบายระดับประเทศนั้น
ต้องมองให้เห็นภาพรวมทั้งในและต่างประเทศให้ชดั เจน
เพื่อแจกแจงแยกแยะจัดลาดับประเด็นที่สาคัญและจาเป็ นต่อประเทศชาติเป็ นลาดับแรก
นอกจากนี้
ควรศึกษาแบบครบวงจร เนื่องจากผลกระทบไม่ได้เกิดขึ้นแต่เพียงภาคใดภาคหนึ่งเท่านั้น
จะเห็นได้วา่
การเปลี่ยนแปลงสภาพภูมิอากาศนั้น เกี่ยวข้องกับหลายหน่วยงาน ศาสตร์หลายด้าน งานวิจยั หลายสาขา ดังนั้น
แนวทางในการดาเนินงาาน
เพื่อการเตรี ยมความพร้อม
อาจแบ่งได้เป็ นประเด็นด้านโครงสร้างพื้นฐาน
สาหรับหน่วยงานและบุคลากรเพื่อรองรับการทางานและการศึกษาด้านสภาพภูมิอากาศเปลี่ยนแปลง
ประเด็นด้านนโยบายซึ่งรัฐบาลต้องให้ความสาคัญและสนับสนุนทั้งด้านการวางแผนระยะยาวและด้านงบประมาณ
เพราะหากไม่มีงบประมาณสนับสนุน
การศึกษาวิจยั
อาจไม่เป็ นไปตามความคาดหมาย
และประเด็นการศึกษาวิจยั ซึ่งควรพิจารณาให้ความสาคัญเฉพาะส่วนที่ส่งกระทบโดยตรงกับประเทศไทยเท่านั้น
งานวิจยั ที่ควรส่งเสริ มได้แก่
การศึกษาแบบจาลองทานายการเปลี่ยนแปลงสภาพภูมิอากาศในประเทศไทย
การศึกษาผลกระทบ การปรับตัวและพื้นที่ล่อแหลมต่อการเปลี่ยนแปลง
14
1. Introduction
Variability and change are realities of the climate system, and static, so-called
equilibrium, conditions are unlikely to be a part of the system on almost any time scale.
The palaeo-records clearly show that the global climate has varied continuously on all
time scales, with global mean condition masked by immense variations in regional
responses (Kasting, 1993; Petit et al., 1999; IGBP, 2001a,b; IPCC, 2001a). Fluctuations
of surface temperature are the most obvious and probably well-documented key indicator
of global climate change (e.g., Hurrell, 1995,1996; Easterling et al., 1997; Enfield and
15
Mestas-Nuñez, 1999; Mann et al., 1999; Easterling et al., 2000b; IPCC, 2001a;
Trenberth, 2001). Surface temperature plays a crucial role in regulating evaporation and
transpiration processes and so have direct connections to both the hydrological cycle and
surface energy budget. Because temperature significantly affects biological processes
and metabolic rates at almost every trophic levels (Hughes, 2000; McCarty, 2001;
Ottersen et al., 2001; Walther et al., 2002), ecosystem functioning and dynamics, as well
as human health and comfort are all inevitably influenced by changes in both magnitude
and rate of surface temperature through a variety of mechanisms. The additional stress of
surface temperature changes will interact in different ways across regions that may
reduce the ability of some environmental systems to provide, on sustained basis, key
goods and services needed for successful economic and social development. However,
there are many uncertainties in determining their impacts and predicting probable
climate scenarios for the future, due to our incomplete understanding of interlinks of
global climate system, forcings, responses and consequences (IPCC, 2001a). Studies of
global and regional surface temperature variations and their impacts have, therefore,
undergone a quantum jump and are one of the fundamental aims of global change
research (IGBP, 2001a,b; IPCC, 2001a).
There is now growing evidence that human activities have increasingly
influenced the global climate through the enhanced greenhouse effect, by past and
continuing emission of carbon dioxide (CO 2 ) and other gases which will cause the
temperature of the Earth’s surface to increase –popularly termed the “global
warming”(IGBP, 2001a,b; IPCC, 2001a; Trenberth, 2001). For a thousand years prior to
the industrial revolution, abundance of the greenhouse gases was relatively constant.
However, as the world’s population increased, as the world became more industrialized
and as agriculture developed, abundance of the greenhouse gases increased markedly.
The amount of CO 2 in the atmosphere has increased by about 31 percent since 1750
(IPCC, 2001a). The modern instrumental records indicate that surface temperature
changed in a similar sense to atmospheric CO 2 concentrations, with a global mean
warming of 0.6 0.2 C over the past 100 years and the 1990s being the warmest decade
on record (IPCC, 2001a). Synthesis of information from tree rings, corals ice cores, and
historical data further indicates that the 1990s were the warmest decade in at least the
past 1,000 years (IGBP, 2001a,b; IPCC, 2001a). In the light of new and stronger
evidence and taking into account the remaining uncertainties, the Intergovernmental
Panel on Climate Change (IPCC) concluded in 2001 that most of the warming observed
over last 50 years is attributable to the increase in atmospheric greenhouse gases due to
human activities, and that global warming was indeed happening faster, and the
consequences looked more severe than predicted.
B
B
B
B
B
B
On interannual and decadal timescales, there is also good evidence that
fluctuations of regional surface temperatures are somewhat closely linked to changes in
large-scale atmospheric and ocean circulations, as well as deep ocean heat content (e.g.,
Loon and Rogers, 1978; Rogers, 1984; Li, 1990; Leathers et al., 1991; Yasunari and Seki,
1992; Trenberth and Hurrell, 1994; Hurrell, 1995,1996; Mantua et al., 1997; Zhang et al.,
1997; Qian and Zhu, 2001). Persistent large-scale atmospheric patterns tend to be
wavelike so that regional changes of atmospheric heating, if powerful and persistent
enough, can give rise to a sequence of remote atmospheric teleconnections (Horel and
Wallace, 1981; Wallace and Gutzler, 1981; Trenberth, 1990; Zahn, 2003). Thus a
number of well-separated areas of anomalous temperature with opposite character may
16
be produced. The strongest teleconnection pattern which has well documented within the
earth’s climate on seasonal to decadal timescales is the set of processes known as the El
Niño-Southern Oscillation (ENSO). This phenomenon is the strongest natural mode and
involves a set of complex interactions between the tropical oceans and the atmosphere
centered on the Pacific and Indian Ocean basins with the life-cycle typically lasting from
2-7 years (e.g., Horel and Wallace, 1981; Philander, 1990; McPhaden, 1999). The ENSO
is now known to be at the root of many of the disastrous interannual climate fluctuations
affecting tropical and subtropical countries (Rasmusson and Wallace, 1983; Hawana et
al., 1989b; Philander, 1990; Li, 1990; Wang and Li, 1990; Janicot et al., 1996; Ware and
Thomson, 2000; Barlow et al., 2002; Hoerling and Kumar, 2003; Huber and Caballero,
2003). Moreover, warming over the large continental areas and cooling over the North
Pacific and North Atlantic in the winter during the past three decades is another example
of more complex consequences of interconnected climate networks and interplay of
different climate modes (IPCC, 2001a). This cold ocean-warm land pattern has been
linked to changes in the atmospheric circulation over the northern hemisphere, in
particular, to the tendency in the past few decades for the North Atlantic Oscillation
(NAO) to be in its positive phase (Hurrell, 1995; Hurrell and Loon, 1997). Similarly, the
Pacific-North American (PNA) teleconnection pattern has been in a positive phase in
association with the tendency for favoring more the warm El Niño phase of ENSO
phenomenon following the 1976/77 climatic regime shift (Nitta and Yamada, 1989;
Trenberth, 1990; Hurrell, 1996; Zhang et al., 1997).
Although global temperature has increased in the past century, its pattern was not
spatial uniform or temporal monotonic, with large regional differences (Chapman and
Walsh, 1993; Schlesinger and Ramankutty, 1994). For example, the winter temperature
in northern Europe has increased during the past 30 years, whereas northeastern America
and Greenland have experienced increasingly colder winters in the same period (Hurrell
and Loon, 1997). Much of this variation in regional winter climate conditions in the
northern hemisphere can be attributed to variations in the natural climate pattern over the
North Atlantic or NAO (Hurrell and Loon, 1997). The climate of a given region is
determined by the interaction of forcings and circulations that occur at the planetary,
regional and local spatial scales, and at a wide range of temporal scales (IGBP, 2001a,b).
Planetary scale forcings regulate the general circulation of the global atmosphere. This in
turn determines the sequence and characteristics of weather events and weather regimes
that characterize the climate of a region. Embedded within the planetary scale circulation
regimes, regional and local forcings and mesoscale circulations modulate the spatial and
temporal structure of the regional climate signal, with an effect that can in turn influence
planetary scale circulation features. Because of their complex interaction, there is
increasing need to better understand the processes that determine regional climate, along
with the teleconnection effects of regional forcing anomalies (IPCC, 2001a).
The most highly developed tool which has currently used to predict future
climate is known as coupled general circulation models (GCMs). These models are
based upon sound, well-established physical principles and use descriptions in simplified
physical terms of atmosphere, ocean and land processes. The predictive powers of a
model can be tested by running the model with known forcing from the past through it
and then comparing the results to actual climate records. Although models are
exceedingly useful tools for carrying out numerical climate experiments, they do have
limitations and must be used carefully (Trenberth, 2001). The latest models have been
17
able to reproduces the major large-scale features of atmosphere, ocean and land
processes in the past century or so with increasing accuracy (IPCC, 2001a). However, on
regional scales (2000 km or less), there are significant errors in all models (Mearns et al.,
1995; IPCC, 2001a). This is mainly due to the complexity and scale of the physics
involved and difficulties in relating the area-mean GCM output to the point or station
scale (Osborn, 1997; Osborn and Hulme, 1997; Boyle, 1998). Moreover, our climate
models so far are of relatively coarse resolution, and simplified versions of the real world
(IPCC, 2001a; Trenberth, 2001). Given the unproven reliability of GCMs at small scales
especially in simulating surface temperature, it is desirable to search for signals of
surface temperature changes in the observational records.
A surface temperature signal or any other climatic variables at any fixed
location/region will typically consists of a complex mixture of variation, resulting from
interactions among physical processes within the atmosphere-ocean-cryosphere system
that operate on a wide range of spatial and temporal scales. Interactions within the
components of the climate system usually include positive and negative feedbacks.
When these feedbacks combine properly and balance each other, they can give rise to
irregular but can be separated and identified as trends, periodic and random oscillations
(Jassby and Powell, 1990; Ware and Thomson, 2000). The motivation for exploratory
methods of data analysis in climate comes from the need to separate the climate “signal”
from the background climate variability or “noise”. This decomposition of the data is
done with the hope of identifying the physical processes responsible for the generation of
the signal (Emery and Thomson, 1997). A fundamental characteristic of the statistical
methods for signal detection is their ability to represent spatially distributed data in a
compressed way such that the physical processes behind the data, or their effects, can
best be visualized (Venegas, 2001). As summarized by Emery and Thomson (1997) and
Venegas (2001), signal detection in climate is useful to achieve four main goals in
climate research:
1. to recognize the patterns of natural climate variability and distinguish them
from presumed anthropogenic or other external effects,
2. to use the physical mechanisms inferred from the detection signals to construct
numerical climate models,
3. to validate numerical climate models by comparing the fundamental
characteristics of the modeled data with those of the observed data, and
4. to use the signals themselves to forecast the behavior of the system in the
future.
The complicated behavior and the non-linear character of the climate system
provide a real challenge to the exploratory data analysis methods (IPCC, 2001a). Climate
variations on different time scales, for example, may be connected with one another by
nonlinear mechanisms. Some episodic phenomena, such as the periodic seasonal changes
in surface temperatures, are better suited to be analyzed in the frequency domain. For
certain phenomena it is not clear whether an oscillatory or episodic picture is most
appropriate. Also, a number of signals, such as ENSO, exhibit a mixture of time-domain
or “event” characteristics and frequency-domain or “oscillatory” characteristics (Emery
and Thomson, 1997). Such quasi-oscillatory signals are characterized by a dominant
timescale of variation, and are often combined with frequency modulation and episodic
large-amplitude events. The choice of the appropriate analysis method is of extreme
18
importance when the objective is to search for specific signals in time, space, or time and
space combined, within large multivariate data sets (Venegas, 2001).
It is usual in climate studies to be presented with a large data set consisting of
time series over a grid of stations which we wish to compress into a smaller number of
independent pieces of information. Typically it is necessary to deal with an ensemble of
instantaneous samples (maps) of geophysical fields (for example, surface temperature)
defined at a number of points (stations). In such cases, the data are in the form of
simultaneous time series records from a grid on a horizontal plane: x i (t), y i (t). The grid
points may be regularly spaced (such as model-generated data or grid observation) or
irregularly spaced (such as locations of meteorological stations). Analyses of data sets
with the described characteristics, that is, consisting of a number of spatially distributed
time series are known as multivariate statistical procedure. The method of Empirical
Orthogonal Functions (EOFs) is a particularly useful technique for compressing the
variability in this type of data sets and is most widely applied to the problem of spatiotemporal signal detection in climatic data sets (Lagerloef and Bernstein, 1988;
Preisendorfer, 1988; Emery and Thomson, 1997). This method is also known as
Principal Component Analysis (PCA). The EOF procedure is equivalent to a data
reduction method widely used in the social sciences known as factor analysis. An
advantage of EOF analysis is that it provides a compact description of the spatial and
temporal variability of data series in terms of orthogonal functions, or statistical modes.
B
B
B
B
In this study, the EOF analysis as well as other multivariate statistical techniques
were applied. The primary objective is to identify the dominant spatio-temporal patterns
of surface air temperature in Thailand, which the time evolution of their leading modes
can further be investigated :
1. interannual and multi-decadal variability as well as long-term trends,
2. its relation to the ENSO and anthropogenic-induced climate changes and the
possible linking mechanisms, and
3. its possible biophysical and socio-economic impacts.
The paper is organized as follows. An analytical method and data sources are
outlined in the next section. Also reviewed in this section will be the basic concepts of
EOF analysis and EOF computation using the scatter matrix method. Physical
interpretation of EOF analysis and temporal structures of the EOF1 coefficient series and
their relations to large-scale climate signals are presented in section 3. The final section
goes on discussing advantage/disadvantage of analytical technique, possible
causes/effects of surface air temperature changes, and implication for future research.
19
2. Analytical methods and data sources
2.1. Basic concepts of EOF analysis
EOFs as used by meteorologists and oceanographers are a statistical technique for
analysis of the spatial or temporal variability of physical fields. For example, a situation
benefiting from such analysis occurs when a succession of snapshots of the surface
temperature field over any given region of the globe is made at monthly times during ten
years or longer. When these snapshots are viewed in rapid succession, it becomes
apparent to the eye where the areas of great variability of surface temperature are. In
order to succinctly represent and think about such complex variations, scientists in both
meteorology and oceanography have learned over recent decades to use and develop the
concept of EOF analysis, a tool arising originally in biology and psychometey, to resolve
the complex variance patterns of physical fields. Thus, EOF analysis is simply a method
for portioning the variance of a spatially distributed group of concurrent time series. Its
goal is to replace the spatial and temporal variability of original data series by a smaller
number of new variables, linear combination of the original variables, that capture most
of the total original variance but are uncorrected with each other (Davis, 1976; Lagerloef
and Bernstein, 1988; Preisendorfer, 1988; Dunteman, 1989; Jassby and Powell, 1990;
Emery and Thomson, 1997). The new variables are called orthogonal functions and are
arranged in descending order according to the amount of the original variance they
reproduce. Usually, most of the variance of a spatially distributed series is in the first few
orthogonal functions whose patterns may then be linked to possible dynamical
mechanisms. The theory behind EOF computation is straightforward (see, for example,
Preisendorfer, 1988, Dunteman, 1989; Emery and Thomson, 1997 for a particularly
compact and lucid description). There are two approaches for computing EOFs for a
number of time series. The first constructs the covariance matrix of the data series and
then decomposes it into eigenvalues and eigenvectors. The second uses the Singular
Value Decomposition (SVD) of the data matrix to obtain all the components of the EOFs
(eigenvalues, eigenvectors, and time-dependent amplitudes) without computation of the
covariance matrix. The EOFs determined by the two methods are identical. The
differences are mainly the greater degree of sophistication, computational speed, and
computational stability of the SVD approach. Only the EOF computation using the
scatter matrix will be described below. Details of the SVD method can be found in
Preisendorfer (1988) and Emery and Thomson (1997). Note that the readers who are
unfamiliar with matrix algebra and eigenvalue-eigenvector problems should review their
basic concepts which can be found in many basic mathematical textbooks.
The algebratic essentials of EOF analysis can be described as follows. Let z(t,x) be
surface temperature or other climatic variables at point x in any given area of the globe at
time t. Suppose this measurement be taken over the set of locations x = 1,…, p at times t
20
= 1,…, n. Thus the snapshots referred to above are collections {z(t,x) : x = 1,…, p} of
reading z(t,x) taken at each of the n times t, and are centered on their time averages. It
can be thought these collection as p x 1 (i.e., column) vectors z (t) = [z(t,1),…, z(t,p)] T
forming a swarm of points about the origin of a p-dimensional euclidian space E p . The
symbol “T” denotes the transpose operation. These collections can also be placed into an
n x p matrix:
U
U
P
B
P
B
Location 
z 1 (1,1)
. . .
z 1 (1,p)
.
. . .
.
z n (n,1)
. . .
z n (n,p)
B
B
Z =
B
B
B
B
B
(1)

Time
.
B
.
The first step in the EOF analysis of Z is to center the values z(t,x) on their averages over
the t index. Thus, for each x = 1,…, p, t-centered values can be written:
1 n
z( t , x )
n t 1
z( x ) 
(2)
and form the anomalies or departure from the record mean
z ( t , x )  z ( t , x )  z ( x ).
(3)
This procedure ensures that analysis is not dominated by the variance from any given
locations (all locations are given a relatively uniform distribution of variance over the
different spatial locations). Using these t-centered values z(t,x), a new n x p matrix Z
can be formed in the manner of (1) :
Location 
z 1 (1,1)
. . .
z 1 (1,p)
.
. . .
.
z n (n,1)
. . .
z n (n,p)
B
Z =
B
B
B
B
B
(4)

B
Time
.
B
Data matrix Z is now used to derive the spatial covariance matrix R ZZ of the field z(t,x)
by multiplying matrix transpose of Z (Z T ) by its matrix Z :
B
P
R ZZ
B
P
P
B
P
=
B
(5)
Expending the product of matrices :
21
Z T
P
P

Z
.
 z 1 z 1 
 z 1 z 2 
. . .
 z 1 z n 
. . .
. . .
. . .
. . .
. . .
 z n z n 
B
R ZZ =
B
B
B
B
B
B
B
B
B
B
B
B
(6)
B
 z n z 1 
B
B
B
 z n z 2 
B
B
B
B
B
B
B
B
B
where z i z j  is the covariance between time series z i and z j (z at locations i and j)
defined as :
B
B
B
B
B
B
B
B
B
B
1 n
 z i ( t ) z j ( t ),
n t 1
z i z j  z j z i 
(7)
where i, j = 1,…, p. The matrix product R ZZ is symmetric and square, even if Z itself is
not square. A dimension of R ZZ is p x p. It should be noted that some authors define the
data matrix Z as the transpose of that defined in equation (4), that is, with n columns
corresponding to time steps and p rows corresponding to locations. In such case, the
determination of the spatial covariance matrix should be done as
B
B
B
B
R ZZ = Z Z T .
B
B
P
(8)
P
The rest of the procedure, however, is identical to what is described here.
Once the covariance matrix has been calculated from the data, the EOF analysis can
be done by solving eigenvalue-eigenvector problems which R ZZ is decomposed into
matrices L and E:
R ZZ  E = E  L or
(R ZZ - L)  E = 0.
(9)
B
B
B
B
B
B
L is the p x p diagonal matrix containing eigenvalues  k (k = 1, …, p) of R ZZ , and the
off-diagonal elements of R ZZ are all zero:
B
B
B
B
B
1
B
L =
B
0
B
. . .
0
2
B
B
0
. . .
. . .
. . .
0
. . .
p
B
B
(10)
.
The square matrix E also has dimension p x p. Its column vectors e k (k = 1,…, p) are the
eigenvectors of R ZZ corresponding to eigenvalues  k :
B
B
B
B
e 1 (1)
. . .
e 1 (p)
B
E =
B
B
B

e1
e 2 (1)
. . .
e 2 (p)
B
B
B
B

e2
22
. .
...
...
.
B
B
e p (1)
. . .
e p (p)
B
B
B
B

ep
(11)
.
 Eigenvector e k
B
PB
The equation in (9) governs the required direction e k of extremal scatter. Non-trivial
solutions (i.e., e k  0) of this set of p linear algebraic equations for the components of e k
=[e k (1), . . ., e k (p)] T occur only for special values of  k . In theory of linear algebra, it is
shown (Wilkinson, 1965; Franklin, 1968) that a symmetric matrix such as R ZZ in (6)
generally has p eigenvectors e k = [e k (1),…, e k (p)] T in E p and p associated real, nonnegative eigenvalues  k such that
B
B
B
B
B
B
B
B
B
P
P
B
B
B
B
B
B
B
B
B
B
P
B
P
B
B
B
B
R ZZ
B

B
 k  ek
ek =
B
B
B
B
B
k
,
B
=
1
…
p.
(12)
The eigenvalue-eigenvector problems in (9) correspond to the series of linear system
equations:
[z 1 z 1  - 1]e 1 + z 1 z 2 e 2 + ,…, z 1 z p e p =0
B
B
B
B
B
B
B
B
B
B
B
B
B
B
B
B
B
B
B
B
z 2 z 1  e 1 + [z 2 z 2  - 2 ] e 2 + ,…,z 2 z p e p =0
B
B
B
B
B
B
B
B
B
B
B
B
B
B
B
B
B
B
B
B
(13)
…
…
…
z n z 1  e 1 + z n z 2  e 2 + ,…,[z n z p  - p]e p =0 .
B
B
B
B
B
B
B
B
B
B
B
B
B
B
B
B
B
B
B
B
Since the data matrix Z is real, the covariance matrix R ZZ is positive definite, which
means that all its eigenvalues are greater or equal to zero. Each non-zero eigenvalue  k
in matrix L is associated with a column eigenvector e k in matrix E. The eigenvector
matrix E has the property that
B
B
B
B
B
E  ET = ET  E = I p,
P
P
P
P
B
B
(14)
B
where I p is the p x p identity matrix with ones in the principal diagonal and zeroes
elsewhere. E  E T = E T  E = I p simply indicates that the cross products of any two
eigenvectors are 0 and the sum of squares of the elements for a given eigenvector are
equal to 1. This means that eigenvectors are uncorrected over space, that is, they are
orthogonal to one another. Each eigenvector E k represents the spatial EOF pattern of
mode k (it has dimension p, that is, the number of locations in the original data).
B
B
P
P
P
P
B
B
B
B
From matrix e k , time-dependent amplitudes, a k (t), of the data set can be derived by
projecting the original data series z(t,x) onto eigenvector e k and summing over all
locations p :
B
B
B
B
B
ak ( t ) 
B
p
 z ( t , x ) e k ( x ) ,
(15)
x 1
where x = 1,…, p counts the location, t = 1,…, n counts the time steps and k = 1,…, p
counts the EOF modes. These a k (t), thought of as time series { a k (t) : t = 1,…, n}, have
the important property of temporal uncorrelatedness, and they carry information about
B
B
B
23
B
the variance of the data set along the direction e k . In matrix notation, matrix A which has
dimension n x p is obtained by multiplying matrices Z and E:
B
B
A = Z  E.
(16)
Just as the spatial patterns E k are orthogonal in space, the a k (t) are orthogonal in time.
This means that the time-averaged covariance of the amplitudes satisfies
B
B
B
a i ( t ) a j ( t )  i  ij
B
(uncorrected time variability),
(17)
i, j = 1,…, p,
where  ij is the Kronecker delta :
B
B
 ij  { 01 ,,
j i
j i .
(18)
The overbar in (17) denotes the time-averaged value and
B
i  a i ( t ) 2 
1
n
n
 [ ai ( t j ) 2 ]
(19)
j 1
is the variance in each EOF mode. The matrix version of this is
A
AT
P
P
=
L.
(20)
The eigenvalues in L are usually sorted in decreasing order according to its
corresponding eigenvector, so that  1 >  2 > …  p . Each eigenvalues  k is proportional
to the percentage of the variance of the original data that is accounted for by mode k.
This percentage is calculated as :
B
B
B
B
B
B
% variance mode k 
B
k
p

i 1 i

* 100
B
(21)
The first mode contains the highest percentage of total variance,  1 ; of the remaining
variance, the greatest percentage is in the second mode,  2 , and so on. Since EOF modes
and their time-dependent amplitudes are uncorrected over time and space, each one
makes an independent contribution to accounting for the variance of the original data set.
If we add up the total variance in all the time series, we get
B
B
p
1 n
 n  [ z x ( t )] 2
x 1
t 1

B
B
p
 k
k 1
(22)
Sum of variances in original data = sum of variances in eigenvalues.
Finally and most important, the original centered data set can be totally represented in
the form:
z ( t , x ) 
p
a j ( t ) e j ( x )
j 1
24
(23)
t = 1,…,n ; x = 1,…, p.
In matrix notation :
Z
E T .
=A
P
P
(24)
P
As noted above, if the eigenvalues are ordered by size (that is, by fraction of the
variance explained by the corresponding eigenvector), it is usually found that only the
first few empirical modes account for a very fraction of the variance. The reconstruction
of an approximate, compressed and less noisy version z (t,x) of the original z(t,x), using
only the first few modes (k) with k << p, can be represented meaningful physical
processes, which are associated with fundamental characteristic spatial and temporal
variability in a very large data set. This leads to a significant reduction of the amount of
data while retaining most of the variance of variables. In addition, the synthetic version
z (t,x) can produce a lower total mean-square error, because sum of variances in
eigenvalues (right term in (22))is close to sum of variances in original data (left term in
the (22)).
U
U
U
U
2.2. Data sources
A set of surface weather observations for a 53-year period (1951-2003) collected at
34 stations in Thailand (Table 1) forms the basis for the EOF analysis. The data set
obtained from the Meteorological Department of Thailand consists of monthly averaged
mean, maximum, minimum temperatures (T mean , T max , T min ), and monthly averaged
mean dewpoint temperature (T dew ) which are all derived from daily observations. The 34
site records used here were chosen on the basis of record length and completeness, the
requirement that there were no significant effects from station relocation during the
period, and to provide a reasonable spatial coverage over much of Thailand. Monthly
averaged mean, maximum and minimum apparent temperatures (T amean , T amax , T amin ),
which combine temperature and humidity effects on the human body, were further
calculated by using Steadman’s (1984) regression equation
B
B
B
B
B
B
B
B
B
T x = -1.3+ 0.92*t +2.2*e,
B
B
B
B
B
B
B
B
B
(25)
where T x is T amean , T amax , or T amin , t is T mean , T max or T min and e is water-vapor pressure
(kilopascals). The effects of wind and radiation are ignored in this equation, and e were
calculated from T dew as:
B
B
B
B
B
B
B
B
B
B
B
B
B
B
B
B
B
B
 17. 27 T dew 
e  0. 6108 exp 
.
T dew  237. 3 
25
(26)
Table 1. Listing of weather stations used in this analysis. Asterisks indicate stations which data are available from 1952 to 2003.
Station
number
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
Station Code
303201
327501
330201
331201
351201
376202
378201
379201
354201
356201
357201
381201
383201
405201
407501
431201
432201
400201
425201
426201
450201
455201
455601
440201
459204
Province
Location (latitude; N, longitude; E)
CHIANG RAI
CHIANG MAI
PHARE*
NAN
UTTARADIT
MAE SOT
PHITSANULOK
PHETCHABUN*
UDON THANI
SAKON NAKHON*
NAKHON PRANOM*
KHON KAEN
MUKDAHAN
ROI ET
UBON RATCHATHANI
NAKON RATCHASIMA
SURIN
NAKON SAWAN
SUPHAN BURI*
LOP BURI
KANCHANA BURI
BANGKOK METROPOLIS
DON MUANG AIRPORT
ARANYA PRATHET
SATTATHIP
24
19 55 , 99 50
18 47 , 98 59
18 10, 100 10
18 47, 100 47
17 37, 100 06
16 40, 98 33
16 47, 100 16
16 26, 101 09
17 23, 102 48
17 09, 104 08
17 25, 104 47
16 26, 102 50
16 32, 104 45
16 03, 103 41
15 15, 104 52
14 58, 102 05
14 53, 103 30
15 48, 100 10
14 28, 100 08
14 48, 100 37
14 01, 99 32
13 44, 100 34
13 55, 100 36
13 42, 102 35
12 41, 101 01
Table 1. (continued)
Station
number
26
27
28
29
30
31
32
33
34
Station Code
480201
500201
517201
552201
532201
564201
567201
568501
583201
Province
Location (latitude; N, longitude; E)
CHANTHA BURI
PRACHUAP KHIRIKHAN
CHUMPHON
NAKONSI THAMMARAT
RANONG
PHUKET
TRANG AIRPORT
SONGKHLA
NARATHIWAT
25
12 37 , 102 07
11 50 , 99 50
10 29 , 99 11
8 28 , 99 58
9 59 , 98 37
7 58 , 98 16
7 31 , 99 32
7 12 , 100 36
6 25 , 100 49
A relatively stable network of stations and consistency in operational procedures
ensure that the quality of surface weather observations in Thailand, for climate studies, is
somewhat good (Ouprasitwong, 2002; Brikshavana and Ouprasitwong, 2002). However,
the obtained data set was subject to further quality control procedures. Two types of
erroneous data were identified. The first was an abrupt shift in mean values, associated
with station relocations. According to station history information, there were five
stations (CHIANG RAI, KHON KAEN, BANGKOK METROPOLIS, SURAT THANI
and NAKHONSI THAMMARAT) that locations were changed during 1990-2000
(Ouprasitwong, 2002). Ouprasitwong (2002) used Multiple Analysis of Series for
Homogenization (MASH) to examine homogeneity of rainfall data, and found that
inhomegeneity of rainfall data at stations BANGKOK METROPOLIS and NAKHONSI
THAMMARAT coincided with the years of station relocations. The MASH program can,
however, provide the reliable results only for rainfall data (Ouprasitwong, 2002). Thus,
the non-parametric Mann-Whitney statistic (U k ) for testing that two samples (x 1 , x 2 , …,
x p ) and (x p+1 , x p+2 , …, x p+n ) come from the same population is alternatively suitable for
examining the occurrence of an abrupt change in other climatic variables (Petitt, 1979;
Demaree and Nicolis, 1990). An analysis can be done by partitioning the series into two
sub-period, before and after site moves, and calculated U k from:
B
B
B
B
B
B
B
B
B
B
B
B
B
B
B
B
where M i is the rank of the ith observation when the values x 1 , x 2 , …, x N in the series are
arranged in ascending order. The results of two-sided Mann-Whitney test indicate that
B
B
B
Uk  2
k
Mi
 k( N 1)
i 1
B
B
B
B
B
(27)
(Table 2) only temperature value at station BANGKOK METROPOLIS was
significantly different between before and after station relocation, and this data record
was then excluded for the EOF analysis. Moreover, the remaining station records were
visually inspected for any abrupt shift, but there was no evidence for such changes. The
geographical distribution of 33 selected weather stations is shown in Fig. 1. The second
type of erroneous data involved outlier data that may have been introduced either due to
data-entry, data observing or transmitting procedure biases were identified and excluded
according to statistical criteria. An objective approach eliminated apparent statistical
outliers, which exceeded specified acceptable range, was arbitrarily set 3 standard
deviation from monthly mean (mean  3SD) (Limsakul et al., 2001). Any existing errors,
which could not be detected by the statistical methods were usually random and
equivalent to “noise”.
From 1951 to 2003, each of the station records is, on average, 98% complete, and the
overall dataset has only 1.7% missing values. There were missing data in some years and
months particularly during 1951-1955 when more data are missing (Fig. 2). However,
small amounts of random missing data should not introduce significant biases in
temporal trends, since data used to the EOF analysis consist of many stations. To further
prevent missing data from introducing any bias, monthly climatological means
calculated from entire record were used for missing values.
2.3. EOF computation using the scatter matrix method
24
Details of the covariance matrix approach can be found in Preisendorfer (1988) and
Emery and Thomson (1997). This recipe, which is only one of several possible
procedures that can be applied, involves the preparation of the data and the solution of
equation (9) as follows:
1. Construct the n x p matrix Z in equation (1), by organizing the n rows (times) and
p columns (locations) of the original data. In case of surface air temperature data
used here that were collected at 33 stations and from 1951 through 2003 (53-year
period), n = 1, …, 636 (53 years x 12 months) and p = 1, …, 33. Care should be
taken to ensure that the start and end times for all p time series of length n are
identical.
2. Compute the climatological monthly means using equation (2) and subtract them
from original data, z(t,x), in the equation (3). The new n x p matrix Z can be
formed in the manner of equation (1), but consists of the anomalies or departure
from climatological monthly means (4). Note that the anomalies of all missing
values are equal to 0, since climatological monthly means are used for those
missing data.
3. Construct the spatial covariance matrix R zz by using equations (5), (6) and (7).
4. Solve eigenvalue-eigenvector problems which R zz is decomposed into eigenvalues
and eigenvectors in the equations (9), (10) and (11).
5. Compute time-dependent amplitude, a k (t), by projecting the original data series
onto eigenvector in equation (15).
6. Calculate the percentages of the variance explained by each mode, using equation
(21).
B
B
B
B
25
B
B
Table 2. Results of the two-sided Mann-Whitney test for monthly averaged mean temperature before and after site moves for 4 stations.
Station
CHIANG RAI
Period before/after site
move
1951-1991
1992-2003
N
492
143
Median
(C)
25.6
25.6
Uk
p-value
-0.10
0.92
KHON KAEN
1951-1997
1998-2003
564
72
27.4
27.2
-0.95
0.34
BANGKOK METROPOLIS
1951-1993
1993-2003
515
120
27.9
29.0
-7.63
<0.001
NAKHONSI THAMMARAT
1951-1997
1998-2003
501
72
27.4
27.4
-0.73
0.47
N – number of observations; Uk – Mann-Whitney statistic
26
20
CHIANG RAI
NAN
CHIANG MAI
PHARE
18
UTTARADIT
UDON THANI
NAKHON PRANOM
SAKON NAKHON
PHITSANULOK
MAE SOT
MUKDAHAN
KHON KAEN
PHETCHABUN
16
ROIET
NAKHON SAWAN
UBON RATCHATHANI
NAKHON RATCHASIMA
LOP BURI
SURIN
SUPHAN BURI
KANCHANA BURI
14
Longitude
BANGKOK
ARANYA PRATHET
SATTATHIP
12
CHANTHA BURI
PRACHUAP KHIRIKHAN
CHUMPHON
10
RANONG
NAKHONSI THAMMARAT
8
PHUKET
TRANG
SONGKHLA
NARATHIWAT
6
98
99
100
101
102
103
104
105
Latitude
Fig. 1. Geographical distribution of 33 selected weather stations used in this study. The
atmospheric variables used to analysis are monthly averaged mean, maximum and
minimum temperatures and dewpoint temperature collected from 1951 to 2003.
27
100
80
Tdew
60
100
% data coverage
80
Tmin
60
100
80
Tmax
60
a
100
80
Tmean
60
1950
1960
1970
1980
1990
2000
Year
Fig. 2. Monthly percentage of data coverage for 33 stations used in this study.
28
3. Results
3.1. Physical interpretation of EOF analysis
An EOF analysis generates three types of output. First the eigenvalues together
with the percentage of the total variance of each EOF mode are given. In the EOFs these
equal the variance accounted by each mode. Also provided are the eigenvectors for each
EOF mode. Each eigenvector is composed of values called the component loadings for
that mode. These loadings are usually presented as correlation coefficients between each
time series and the associated time-dependent amplitudes, and may be considered a
measure of the relative importance of each time series in the extracted EOF mode. The
sum of the squared correlations for each EOF mode equals the associated eigenvalue. If,
for example, surface air temperatures at stations 1, 2 and 3 have high positive loadings
on the leading EOF mode and that at station 4 has a high negative loading, this means
that the largest proportion of the variance in the original data can be accounted for by
the trends in these four stations. The different signs indicate that surface air temperature
at station 4 has high values in a certain set of time steps, whereas surface air
temperatures at stations 1, 2 and 3 have high values in a completely different set of time
steps. The third set of results is a matrix of time-dependent amplitudes or component
scores. These series describe the evolution of the EOF’s with time. One set of timedependent amplitudes is provided for each of EOF mode, and each time-dependent
amplitude corresponds to one time step. This is computed by simply multiplying the
component loadings by the original data.
According to Peixoto and Oort (1992), one way to understand the basic idea
behind EOFs is to imagine that each of the n time series as a vector f n in the pdimensional space, such that :
f n = {f n1 , f n2 , …, f np } at time t = n .
B
B
B
B
B
B
B
B
B
B
Each vector f n includes the values of field f at all location x = 1, …, p for a given time n.
Each of n data vectors is directed from origin to a point in the p space (Fig. 3). If there
exists some correlation between the n vectors, we expect that their extremities will be
organized in cluster or along some preferred directions. The problem we want to solve
with the EOF decomposition is to find an orthogonal basis {e 1 , e 2 , …, e p } in the pdimensional space, instead of the original basis, such that vector e 1 best represents the
largest cluster of the original data vectors, e 2 best represents the second largest cluster of
the original data vectors, and so on. In other words, e 1 accounts for the largest portion of
the data variance, e 2 for the second largest portion, and so on (Fig. 3). This is
equivalent to find a set of p vector e p whose orientation is such that the sum of the
squares of the projections of all the n observation vectors f n onto each e p is maximized
sequentially. The vectors e x , x = 1, …, p are mutually orthogonal and they are what we
called the EOFs. If all possible EOF modes are used, then they define a space which has
the same dimension as the original variable space and, hence, completely account for the
variance in the original data. However, there is no advantage in retaining all of the EOF
modes since there would have as many EOF modes as original variable and, thus, would
not have simplified matters.
B
B
B
B
B
B
B
B
B
B
B
B
B
B
B
B
B
B
B
B
B
B
B
B
The first step is to decide on how many EOF modes are needed to adequately
describe the dominant spatio-temporal characteristics of surface air temperatures,
dewpoint temperature and apparent temperatures in Thailand. The scree plot proposed
29
Fig. 3. Example of a possible configuration of the data vectors f n (n =1… N denote the
time steps) and the empirical orthogonal vectors e m , m = 1…M. From Peixoto and Oort
(1992).
B
B
30
B
B
by Cattell (1966) is one of the good rules of thumb, providing a means of assessing how
many EOF modes to retain. It is constructed by simply plotting either eigenvalues or
percentage of the total variance of each EOF mode in descending order to produce a line
graph. Since the leading EOF mode has the largest eigenvalue or the largest percentage
of the total variance, and the following ones are in descending value, this produces a line
graph that slopes down to the right. By looking for the point where a pronounced change
in the slope occurs, how many EOF modes to retain can thus be decided. It should be
noted that this criterion is somewhat arbitrary, and how many and which EOF modes to
retain depend, in part, upon the goals of the analysis.
The scree plots for individual and cumulative percentages of the total variance of
monthly averaged mean, maximum and minimum temperatures (T mean , T max , T min ),
monthly averaged mean dewpoint temperature (T dew ) and monthly averaged mean,
maximum and minimum apparent temperatures (T amean , T amax , T amin ) are presented in
Figs. 4, 5 and 6. What stands out from Figs 4, 5 and 6 is that steep slopes are evident
from the first to the second EOF modes and the remaining EOF modes can be fitted
fairly well by a straight line of negligible slope. The EOF1 mode of all seven
temperature variables accounts for substantial amount of the total variance ranging from
61.2% to 71.3%, whereas the remaining modes explain considerably less. These patterns
of scree plots indicate that only the first mode is physically meaningful in determining
the dominant mode of variability, and higher order modes are potentially mixed and
non-interpretable due largely to climatic noise associated with high-frequency variability
in the climate system. Consequently, by using Cattell’s scree criterion, only the EOF1
mode was retained to describe spatio-temporal characteristics of all temperature
variables.
B
B
B
B
B
B
B
B
B
B
B
B
B
B
B
B
The loadings on the EOF1 mode of all seven temperature variables are graphically
illustrated in Figs. 7-13. A visual examination reveals that the EOF1 mode of each
temperature variable has positive correlations with all stations, and correlation
coefficients are relatively high and are about the same magnitude, excepting for a few
stations in the south. High (r >0.5) and low (r <0.5) loadings on the leading modes range
from 75% to 90% and from 10% to 25%, respectively. These loading patterns strongly
indicate that temperature data at all stations in Thailand are highly intercorrelated and
nearly equally important in defining the EOF1 mode. Thus, it can be appropriately
viewed that the EOF1 mode is a robust representative of the dominant spatio-temporal
structures of T mean , T max , T min , T dew , T amean , T amax and T amin in Thailand.
B
B
B
B
B
B
B
B
B
B
B
B
B
B
B
B
B
B
Time evolution of the leading mode of all seven temperature variables is shown in
the time series of their coefficients (Figs. 14, 15 and 16). Note that units are arbitrary,
because of EOF calculation based on covariance matrix. As can be seen, all series
exhibit irregular oscillations, due to a mixture of several signals of variability contained
in the time series. As indicated by the integral timescales, all series form complex longterm patterns and are rather noisy, which month-to-month variations are prominent,
superimposed on much lower-frequency variations with timescales of a few years or
longer. Some underlying periodic oscillations and trends also seem to be present in the
time series. A visual inspection further reveals that two series of T min and T amin do
appear to contain the dominant long-term trends. However, inferences about the
dominant temporal characteristics of the leading modes from unsmoothed series are
relatively obfuscating, due to the presence of various scales of motion in time series. In
B
31
B
B
B
% of total variance
Cumulative % of total variance
order to gain insight on the particular signals blended together and hidden inside a noisy
time
100
80
60
40
20
Tmean
0
Tmax
100
Tmin
80
60
40
20
0
0
5
10
15
20
Mode number
25
30
Fig. 4. Scree plot for EOF analysis of monthly averaged mean, maximum, minimum
temperatures (T mean , T max , T min ) collected during 1951-2003 and at 33 stations in
Thailand.
B
B
B
B
B
100
100
80
80
60
60
40
40
20
20
0
0
0
5
10
15
20
25
Cumulative % of total variance
% of total variance
B
30
Mode number
Fig. 5. Scree plot for EOF analysis of monthly averaged mean dewpoint temperature
(T dew ) collected during 1951-2003 and at 30 stations in Thailand.
B
B
32
Cumulative % of total variance
100
80
60
40
20
Taa
0
Tamax
% of total variance
100
Tamin
80
60
40
20
0
10
5
0
15
Mode number
20
25
30
Fig. 6. Scree plot for EOF analysis of monthly averaged mean, maximum and minimum
apparent temperatures (T aa , T amax , T amin ) calculated by using surface air temperature and
dewpoint temperature collected during 1951-2003 and at 29 stations in Thailand.
B
B
B
B
B
B
B
B
33
20
18
Longitude
16
14
12
r = 1.0
r = 0.7
r = 0.4
r = 0.1
10
8
6
98
100
102
104
Latitude
Fig. 7. Loadings on the EOF1 mode of monthly averaged mean temperature. The
loadings are correlation coefficients between each time series and the first time-
34
dependent amplitudes. The sizes of blue cycles are proportional to correlation
coefficients.
20
18
Longitude
16
14
12
r = 1.0
r = 0.7
r = 0.4
r = 0.1
10
8
6
98
100
102
Latitude
35
104
Fig. 8. Loadings on the EOF1 mode of monthly averaged maximum temperature. The
loadings are correlation coefficients between each time series and the first timedependent amplitudes. The sizes of blue cycles are proportional to correlation
coefficients.
20
18
Longitude
16
14
12
r = 1.0
r = 0.7
r = 0.4
r = 0.1
10
8
6
98
100
102
Latitude
36
104
Fig. 9. Loadings on the EOF1 mode of monthly averaged minimum temperature. The
loadings are correlation coefficients between each time series and the first timedependent amplitudes. The sizes of blue cycles are proportional to correlation
coefficients.
20
18
16
Latitude
14
12
r = 1.0
r = 0.7
r = 0.4
r = 0.1
10
8
6
98
100
102
Longitude
37
104
Fig. 10. Loadings on the EOF1 mode of monthly averaged dewpoint temperature. The
loadings are correlation coefficients between each time series and the first timedependent amplitudes. The sizes of blue cycles are proportional to correlation
coefficients.
20
18
16
Latitude
14
12
r = 1.0
r = 0.7
r = 0.4
r = 0.1
10
8
6
98
99
100
101
102
Longitude
38
103
104
105
Fig. 11. Loadings on the EOF1 mode of monthly averaged mean apparent temperature.
The loadings are correlation coefficients between each time series and the first timedependent amplitudes. The sizes of blue cycles are proportional to correlation
coefficients.
20
18
16
Latitude
14
12
r = 1.0
r = 0.7
r = 0.4
r = 0.1
10
8
6
98
100
102
Longitude
39
104
Fig. 12. Loadings on the EOF1 mode of monthly averaged maximum apparent
temperature. The loadings are correlation coefficients between each time series and the
first time-dependent amplitudes. The sizes of blue cycles are proportional to correlation
coefficients.
20
18
16
Latitude
14
12
r = 1.0
r = 0.7
r = 0.4
r = 0.1
10
8
6
98
100
102
Longitude
40
104
Fig. 13. Loadings on the EOF1 mode of monthly averaged minimum apparent
temperature. The loadings are correlation coefficients between each time series and the
first time-dependent amplitudes. The sizes of blue cycles are proportional to correlation
coefficients.
1
Tmin
0.5
0
-0.5
-1
1
Tmax
0.5
a
0
-0.5
-1
1
Tmean
0.5
0
-0.5
-1
1950
1960
1970
1980
Year
41
1990
2000
Fig. 14. Coefficient time series of the EOF1 mode. Units are relative.
1
Tamin
0.5
0
-0.5
-1
1
Tamax
0.5
a
0
-0.5
-1
1
Tamean
0.5
0
-0.5
-1
1950
1960
1970
1980
Year
42
1990
2000
Fig. 15. Same as in Fig. 14.
1
Tdew
0.5
a
0
-0.5
-1
1950
1960
1970
1980
Year
Fig. 16. Same as in Fig. 14.
43
1990
2000
series, undesired scales of variability must first be removed. The interesting signals can
then be examined in isolation without the complications of the other features. The trend
and other components can be separated by a smoothing technique (Chatfield, 1989;
Jassby and Powell, 1990; Emery and Thomson, 1997). Smoothing always involves some
form of local averaging of data such that the nonsystematic components of individual
observations cancel each other out. The most common method is moving average
smoothing which replaces each element of the series by simple average of n adjacent
element, where n is the width of smoothing window (Chatfield, 1989; Jassby and Powell,
1990; Emery and Thomson, 1997; Eskridge et al., 1997). By modifying the window size,
the filtering of different scales of motion can be controlled.
To further investigate and compare the standing temporal evolution of the
leading mode with the well-known modes of global climate variability, each unfiltered
series was decomposed into interannual (1-5 years) and decadal (longer than 5 years)
timescales. The two different timescales were chosen on the basis that the separated
interannual variability corresponds to the ENSO cycles, while decadal fluctuations
represent long-term behavior of variables. Decomposition of the coefficient time series
can be done by first applying a centered 60-term moving average. The resulting filtered
series represent long-term variations. Interannual variability was subsequently estimated
by subtracting the smoothed from the original series, forming the residual series. A
centered 10-term moving average was then employed to the residual series to eliminate
the variability less than ten months.
3.2. Temporal variability of EOF1 coefficients series and its relation to ENSO
signature
3.2.1. Fundamental mechanisms of ENSO and the commonly used indices
The term El Niño is widely used to refer to a phenomenon associated with the
unusually warm water that occasionally forms across much of the tropical eastern and
central Pacific (Fig. 17). The time between successive El Niño events is irregular but
they typically tend to recur every 2 to 7 years (e.g., Horel and Wallace, 1981; Philander,
1990; Trenberth, 1984, 1997; McPhaden, 1999). A La Niña is the counterpart to an El
Niño and is characterized by cooler than normal Sea Surface Temperatures (SSTs)
across much of the equatorial eastern and central Pacific (Fig. 18). A La Niña event
often, but not always, follows an El Niño and vice versa. Once developed, both El Niño
and La Niña events tend to last for roughly a year although occasionally they may
persist for 18 months or more. El Niño and La Niña are both a normal part of the earth’s
climate and there is recorded evidence for their occurrence for hundreds of years
(Trenberth, 1997; Gill and Rasmusson, 1983; Gu and Philander, 1995; Huber and
Caballero, 2003; Fedorov and Philander, 2000).
Although El Niño and La Niña events are characterized by warmer or cooler
than average SSTs in the tropical Pacific, they are also associated with changes in
patterns of wind, pressure, rainfall, air temperature and total cloudiness fraction of the
44
sky (Horel and Wallace, 1981; Philander, 1983, 1990; McPhaden, 1999). Schematic
views of the links between SSTs and other atmospheric components are illustrated in
Fig. 19. In normal conditions, the trade winds blow towards the west across the tropical
Pacific. These winds pile up warm surface water in the western Pacific, so that the sea
surface is about 0.5 meter higher at Indonesia than at Ecuador. The SST is about 8 C
higher in the west, with cool temperature off South America, due to an upwelling of
cold water from deeper levels (Fig. 19a). Rainfall is found in rising air over the warmest
water, and the east Pacific is relatively dry (Fig. 19a). During El Niño events, the trade
winds relax in the central and western Pacific leading to strong countercurrent which
carries warm water across the equatorial region, and a depression of the thermocline in
the eastern Pacific and an elevation of the thermocline in the west (Fig. 19b). This
reduces the efficiency of upwelling to cool the surface, resulting in a dramatic rise in
SST off South America (Fig. 19b). Rainfall follows the warm water eastward, with
associated flooding in Peru and drought in Indonesia and Australia (Fig. 19b). The
eastward displacement of the atmospheric heat source overlying the warmest water
results in large changes in the global atmospheric circulation, which in turn force
changes in weather in remote regions far from the tropical Pacific (Troup, 1965; Horel
and Wallace, 1981; Wallace and Gutzler, 1981). While, La Niña conditions could be
thought of as an enhancement of normal condition. During these events the trade winds
strengthen, colder than average ocean water extends westward to the central Pacific, and
the warmer than average SSTs in the western Pacific are accompanied by heavier than
usual rainfall (Fig. 19c).
While the tropical ocean affects the atmosphere above it, so too does the
atmosphere influence the ocean below it. In fact, the interaction of the atmosphere and
ocean is an essential part of El Niño and La Niña events (the term coupled system is
often used to describe the mutual interaction between the ocean and atmosphere).
During an El Niño, sea level pressure tends to be lower in the eastern Pacific and higher
in the western Pacific, while the opposite tends to occur during a La Niña. This see-saw
in atmospheric pressure between the eastern and western tropical Pacific is called the
Southern Oscillation (SO). The main centers of action of the SO are situated around
Darwin (12.4 S 130.9 E) in the northern Australia and Tahiti (17.5 S 149.6 W) in the
South Pacific (Fig. 20). Therefore, the difference in sea level pressures between the
points has been long used as a standard measure of the SO (Troup, 1965). Since El Niño
and the Southern Oscillation are related, the two terms are often combined into single
phrase the El Niño-Southern Oscillation, or ENSO (Troup, 1965; Trenberth, 1984,
1997).
Several indices have been used to monitor ENSO. They have conventionally
been calculated based only on sea level pressures at a combination of a few stations
situated primarily near the main center of action of ENSO. These usually only involve
those at Darwin and Tahiti (Troup, 1965; Trenberth, 1984, 1997; Ropelewski and Jones,
1987; Kiladis and van Loon, 1988). A drawback of this index is that it is based on the
pressures at two points and therefore can easily be affected by local weather
disturbances, making it somewhat “noisy” when viewed on a month-to-month basis. In
recent decades, the indices based on SSTs have come into common usage because
satellite and an observing network of buoys in the equatorial Pacific now allow for
collection real time, high quality data. Indices based on SSTs (or, more often, its
departure from long-term average) are those obtained by simply taking the average
value over some specified region of the ocean (Wang, 1995; Trenberth and Hoar, 1996;
45
Trenberth, 1997). There are several regions of the tropical Pacific Ocean that have been
highlighted as being important for monitoring and identifying El Niño and La Niña. The
most common ones are illustrated in Fig. 21. For widespread global climate variability,
NINO3.4 is generally preferred, because the SST variability in this region has the
strongest effect on shifting rainfall in the western Pacific. This in turn leads to shift the
location of rainfall from the western to central Pacific which modifies greatly where the
location of the heating that drives the majority of the global atmospheric circulation.
Newly generated version of index is the Multivariate ENSO Index (MEI) calculated as
the first unrotated Principal Component of all six observed variables over the tropical
Pacific (Wolter and Timlin, 1993, 1998). These six variables are: sea level pressure,
zonal and meridional components of the surface wind, sea surface temperature, surface
air temperature and total cloudiness fraction the sky. The MEI is computed separately
for each of twelve sliding bi-monthly seasons (Dec/Jan, Jan/Fec , …, Nov/Dec).
Negative values of the MEI represent the cold ENSO phase (La Niña), while positive
MEI values represent the warm ENSO phase (El Niño). Since the MEI integrates more
information than other indices, it fully reflects the nature of the coupled oceanatmosphere system, and thereby is better for monitoring ENSO phenomenon, including,
for instance, world-wide correlations with surface temperatures and rainfall than the SOI
or SST-based indices (Wolter and Timlin, 1993, 1998). To make the MEI comparable
with the monthly coefficient time series of EOF1 mode of T mean , T max , T min , T dew , T amean ,
T amax and T amin , the MEI values of month (i-1) and month (i) were averaged for the
value of month (i), and the MEI series was then decomposed into interannual and
decadel timescales.
B
B
B
B
B
B
B
B
B
B
B
B
B
B
B
B
B
B
3.2.2. Interannual variability of EOF1 coefficient series and its relationship with
ENSO events
Residual EOF1 coefficient series of all seven temperature variables, after the
fluctuations less than ten months were removed, exhibit a salient mode of interannual
variability (Figs. 22, 23, 24, 25, 26, 27 and 28). All series show strong negative and
positive signs, and the oscillations between maxima and minima with period of about 14 years stand out as reasonably clear signals above the otherwise noisy background of
short-term climatic fluctuations. The results from variance analysis reveal that
variability on interannual timescale for all seven temperature variables ranges from 17.6
to 25.8 % of the total variance (Table 3). A closer examination of the data indicates that
interannual variability of all but T min accounts for the second source of the total variance
(Table 3). A noteworthy feature emerged from Figs. 22-29 is that the interannual
variability patterns of all seven temperature variables resemble that of MEI, and the
anomalously positive/negative time-varying amplitudes of the EOF1 mode of them
appear to be in phase with the warm/cold phase of ENSO (positive/negative MEI).
There is a clear indication that T mean , T max , T min , T dew , T amean , T amax and T amin in Thailand
tend to warmer (colder) than normal during El Niño (La Niña) phase of ENSO. During
the 6 strongest historic El Niño events, for example, all these variables were
prominently higher than normal (Table 4), while they were anomalously lower than
average during the 8 strongest historic La Niña events (Table 5). Moreover, the EOF1
coefficient series of all seven temperature variables underwent largest interannual
variability during the recent extreme phase reversals of ENSO, when the 1997-98 El
Niño, by some measures the strongest on record, was followed by the strong 1998-2000
La Niña. A nonparametric Spearman rank correlation test provides further evidence that
there were significant positive correlations between each smoothed EOF1 coefficient
B
B
B
B
B
B
B
46
B
B
B
B
B
B
B
B
B
B
B
B
B
series of surface temperature variables and the 10-term smoothed MEI series, for the 47year period (Table 6). It is readily seen that the 10-term smoothed EOF1 coefficient
series of T mean , T max , T amean and T amax have high correlations with that of the MEI, with
correlation coefficients higher than 0.5 (Table 6). The similar but less pronounced
B
B
B
B
B
B
B
B
Fig. 17. An example of departure of sea surface temperature from the long-term average
for an El Niño event during December 1991. Yellow shading indicates warmer than
average temperatures. Units are C and contours are drawn at 0.5 C intervals. Note that
this picture was obtained from website of International Research Institute for climate
prediction (http://iri.columbia.edu/climate/ENSO).
Fig. 18. An example of departure of sea surface temperature from the long-term average
for a La Niña event during December 1998. Blue shading indicates colder than average
47
temperatures. Units are C and contours are drawn at 0.5 C intervals. Note that this
picture was obtained from website of International Research Institute for climate
prediction (http://iri.columbia.edu/climate/ENSO).
48
Fig. 19. Schematic views of the links between SSTs and tropical atmospheric variables
in the equatorial Pacific ocean during normal (a), El Niño (b) and La Niña conditions (c).
SSTs are shaded: blue-cold and orange-warm. The dark arrows indicate the direction of
air movement in the atmosphere: upward arrows are associated with clouds and rainfall
and downward-pointing arrows are associated with a general lack of rainfall. Note that
this picture was obtained from website of International Research Institute for climate
prediction (http://iri.columbia.edu/climate/ENSO).
Fig. 20. The main centers of action of the Southern Oscillation. Tahiti and Darwin are at
opposite ends of the Southern Oscillation’s seesaw, and so the difference in pressure
between them is used to measure the Southern Oscillation. The figure shows that
pressure variation at Tahiti is as closely related to Darwin as are locations near to
Darwin, but with the opposite sign. Note that this picture was obtained from website
of
International
Research
Institute
for
climate
prediction
(http://iri.columbia.edu/climate/ENSO).
49
Fig. 21. The NINO regions. The thin grey line in the center is the equator. Note that this
picture was obtained from website of International Research Institute for climate
prediction (http://iri.columbia.edu/climate/ENSO).
0.6
(a)
0.3
0
-0.3
-0.6
(b)
a
0.2
0
-0.2
1950
1960
1970
1980
1990
2000
Year
Fig. 22. The EOF1 coefficient series of T mean residuals (original series minus 60-term
smoothed series) (a) and 10-term smoothed T mean residuals (b).
B
B
B
0.8
B
(a)
0.4
0
-0.4
-0.8
0.4
(b)
a
0.2
0
-0.2
1950
1960
1970
1980
Year
50
1990
2000
Fig. 23. The EOF1 coefficient series of T max residuals (original series minus 60-term
B
0.8
B
(a)
0.4
0
-0.4
-0.8
0.2
(b)
a
0
-0.2
1950
1960
1970
1980
1990
2000
Year
smoothed series) (a) and 10-term smoothed T max residuals (b).
B
B
Fig. 24. The EOF1 coefficient series of T min residuals (original series minus 60-term
smoothed series) (a) and 10-term smoothed T min residuals (b).
B
B
B
1
B
(a)
0.5
0
-0.5
-1
0.2
(b)
a
0
-0.2
1950
1960
1970
1980
Year
51
1990
2000
Fig. 25. The EOF1 coefficient series of T dew residuals (original series minus 60-term
B
0.8
B
(a)
0.4
0
-0.4
-0.8
(b)
a
0.2
0
-0.2
1950
1960
1970
1980
1990
2000
Year
smoothed series) (a) and 10-term smoothed T dew residuals (b).
B
B
Fig. 26. The EOF1 coefficient series of T amean residuals (original series minus 60-term
smoothed series) (a) and 10-term smoothed T amean residuals (b).
B
B
B
0.8
B
(a)
0.4
0
-0.4
-0.8
0.4
(b)
a
0.2
0
-0.2
1950
1960
1970
1980
Year
52
1990
2000
Fig. 27. The EOF1 coefficient series of T amax residuals (original series minus 60-term
B
1
B
(a)
0.5
0
-0.5
-1
(b)
a
0.2
0
-0.2
1950
1960
1970
1980
1990
2000
Year
smoothed series) (a) and 10-term smoothed T amax residuals (b).
B
B
Fig. 28. The EOF1 coefficient series of T amin residuals (original series minus 60-term
smoothed series) (a) and 10-term smoothed T amin residuals (b).
B
B
B
3
B
(a)
2
1
0
-1
-2
3
(b)
2
a
1
0
-1
-2
1950
1960
1970
1980
Year
53
1990
2000
Fig. 29. Time series of Multivariate ENSO Index (MEI) residuals (original series minus
60-term smoothed series) (a) and 10-term smoothed MEI residuals (b).
54
Table 3. Decomposition of the coefficient time series of the first EOF mode. Total variance was calculated from the original coefficient series,
whereas the variance for long-term and interannual changes was calculated from 60-term and 10-term smoothed series, respectively. The
remaining variance (total – (long-term +interannual)) would account for variability less than 10 months or seasonal change. The values in the
parentheses denote percentage of the total variance.
Source
T mean
Long-term change
0.004
(16.7)
0.005
(16.1)
0.009
26.5
0.004
(12.5)
0.005
(15.6)
0.005
(14.3)
0.008
(19.0)
0.182
(19.0)
Interannual change
0.006
(25.0)
0.008
(25.8)
0.006
(17.6)
0.007
(21.9)
0.008
(25.0)
0.009
(25.7)
0.008
(19.0)
0.637
(66.4)
Seasonal change
0.014
(58.3)
0.018
(58.1)
0.019
(55.9)
0.021
(65.6)
0.019
(59.4)
0.021
(60.0)
0.026
(62.0)
0.141
(14.6)
Total
0.024
(100)
0.031
(100)
0.034
(100)
0.032
(100)
0.032
(100)
0.035
(100)
0.42
(100)
0.96
(100)
B
B
T max
B
B
T min
B
T dew
B
B
54
B
T amean
B
B
T amax
B
B
T amin
B
B
MEI
Table 4. Listing of the 6 strongest El Niño events after 1954 as defined by MEI exceeding 0.5 for at least 6 consecutive months and a maximum
MEI of at least 1. The starting and ending months of each is given along with the duration in months. T mean ,T max, T min , T dew , T amean , T amax and
T amin values are mean averaged for the entire duration.
B
B
B
B
B
B
B
B
B
B
B
B
B
B
Begin
End
Duration
Peak value of MEI
Apr 1957
Aug 1958
17
1.36
0.06
0.07
0.07
0.07
0.09
0.1
0.09
May 1965
Apr 1966
12
1.32
0.07
0.07
0.08
0.09
0.09
0.09
0.1
Mar 1972
Apr 1973
14
2.13
0.09
0.12
0.09
0.08
0.11
0.14
0.1
Jul 1982
Aug 1983
14
2.03
0.05
0.07
0.01
0
0.04
0.07
0.01
Aug 1986
Jan 1988
18
1.59
0.06
0.07
0.05
0.03
0.07
0.07
0.05
Apr 1997
Jun 1998
15
2.36
0.13
0.18
0.08
0.06
0.13
0.18
0.09
55
T mean
B
B
T max
B
B
T min
B
B
T dew
B
B
T amean
B
B
T amax
B
B
T amin
B
B
Table 5. Listing of the 7 strongest La Niña events after 1954 as defined by MEI exceeding -0.5 for at least 6 consecutive months and a minimum
MEI of at least -1. The starting and ending months of each is given along with the duration in months. T mean ,T max, T min , T dew , T amean , T amax and
T amin values are mean averaged for the entire duration.
B
B
B
B
B
B
B
B
B
B
B
B
B
B
Begin
End
Duration
Peak value of MEI
Nov 1954
Oct 1956
24
-1.25
-0.06
-0.06
-0.07
-0.06
-0.08
-0.07
-0.08
May 1964
Dec 1964
8
-1.0
-0.05
-0.06
-0.03
-0.01
-0.05
-0.06
-0.03
Jul 1970
Nov 1971
17
-1.28
-0.08
-0.11
-0.07
-0.05
-0.09
-0.11
-0.08
Feb 1975
Feb 1976
13
-1.09
-0.03
-0.05
-0.02
-0.01
-0.04
-0.05
-0.02
Feb 1984
Dec 1985
23
-1.33
-0.04
-0.04
-0.01
-0.01
-0.04
-0.04
-0.02
May 1988
Sep 1989
17
-1.53
-0.05
-0.06
-0.04
-1.1
-0.05
-0.06
-0.04
Jul 1995
Dec 1996
18
-1.09
-0.07
-0.1
-0.06
-0.02
-0.07
-0.09
-0.05
Oct 1998
Apr 2000
20
-1.03
-0.07
-0.11
-0.04
-0.04
-0.08
-0.11
-0.04
56
T mean
B
B
T max
B
B
T min
B
B
T dew
B
B
T amean
B
B
T amax
B
B
T amin
B
B
relationships can also be observed in T min , T amin and T dew series (Table 6). To further
illustrate the nature of seasonal changes association with ENSO, month-by-month
correlations between the 10-term smoothed MEI series and the smoothed EOF1
coefficient series of all seven temperature variables were constructed and shown in Fig.
30. As noticeable from Fig. 30, there is strong element of seasonal cycle in the
relationships between ENSO and surface air temperatures in Thailand with the
exception of T dew that is physically consistent with the seasonal evolution and
development of ENSO. Weak correlations between them occur during transition months
(March-July), corresponding to the change of phase of ENSO (Fig. 30). However, the
corrections increase and become more statically significant for the period from August
through February (Fig. 30), when either phase of ENSO progressively develops and
becomes mature. These results imply that links between ENSO and surface air
temperature changes in Thailand are usually stronger during progressive development
and mature phase of ENSO, because large shifts in the atmospheric heat source in the
tropical Pacific. This in turn leads to intensify the global hydrological cycle and
atmospheric circulation, and therefore “enhanced atmospheric teleconnections” during
this period that strongly influence the seasonal temperature patterns over much of the
tropics and sub-tropics, and some mid-latitude areas. It should be noted that, among
temperature variables, T max and T amax show strongest connections with ENSO. Based on
the observed evidence, it is reasonable to suggest that changes in phases and intensities
of ENSO phenomenon are responsible for a large fraction of interannual variability of
surface air temperatures in Thailand.
B
B
B
B
B
B
B
B
B
B
B
B
3.2.3. Decadal/interdecadal changes in ENSO and EOF1 coefficient series
The MEI series based on centered 60-term moving average (Fig. 31b) clearly reveals
low-frequency variability with timescales greater than 5 years that accounts for 19% of
the total variance (Table 3). A break or “regime shift which is defined as anomalies
tending to have the same sign for a decade or more” after about 1976, when the MEI
was at its most persistent and extreme positive phase, is the most outstanding feather of
Fig. 31b. This indicates the tendency for more El Niño and fewer La Niña events since
the late 1970s. A protracted period of persistent positive MEI since the late 1970s,
during which several strong to weak El Niño events occurred with no intervening La
Niña events, was previously mentioned by some studies (Quinn and Neal, 1984, 1985;
Trenberth, 1990; Graham, 1994; Trenberth and Hurrell, 1994; Zhang et al., 1997) to be
unprecedented in the observational record of the previous 113 years and to be
statistically very rare (Trenberth and Hoar, 1996). In addition, prominent patterns of
decadal/interdecadal oscillations are visually evident in the 60-term smoothed EOF1
coefficient series of all seven temperature variables (Figs. 31a, 32, 33) that explain
variability ranging from 12.5 to 26.5 % of total variance (Table 3). The smoothed EOF1
coefficient series of T mean , T max , T amean , and T amax (Figs. 32b, 32c, 33b, 33c) show
gradual decreases from the early 1950s to the mid 1970s. Following this period, there
were overall rises, which the steady warming trends became more pronounced in T max
and T amax series that were closely associated with the persistent and exceptionally
positive phase of the MEI. These results agree with the study of Rungdilokroaja and
Nimma (1990), illustrating the annual mean temperature in the 1980s increasing
gradually in all parts of Thailand. Correlation analysis provides further evidence that
there were significant positive correlations between the smoothed series of MEI and the
smoothed EOF1 coefficient series of T max (r s =0.69, p<0.05, N eff =17, N=576) and T amax
(r s =0.51, p<0.025, N eff =18, N=576). However, no significant correlations between
B
B
B
B
B
B
B
B
B
B
B
B
B
B
B
B
B
B
B
B
54
B
B
B
B
smoothed series of MEI and the smoothed EOF1 coefficient series of T mean , T amean and
T dew were found. Whereas, the smoothed EOF1 coefficient series of T min and T amin (Figs.
32a, 33a) exhibit distinct long-term trends which have monotonically and sharply
increased at a faster rate than those of T mean , T max , T amean , and T amax since the mid 1950s.
Another conspicuous feather emerged from Figs. 32a and 33b is that increasing trends
of T min and T amin in Thailand strongly resemble the greenhouse warming fingerprint
observed in modern instrumental records and predicted by some general circulation
models (IPCC, 2001a). Moreover, the timing of the zero-crossing of the smoothed EOF1
coefficient series of T min and T amin was synchronous with an abrupt transition from
fewer El Niño and more La Niña to more El Niño and fewer La Niña events in the late
1970s. Despite their somewhat different visual appearances, the smoothed series of MEI
highly correlated with those of T min (r s =0.71, p<0.05, N eff =16, N=576) and T amin
(r s =0.72, p<0.05, N eff =17, N=576). These results indicate that decadal/interdecadal
changes in T max , T amax , T min and T amin in Thailand could in part be a signal of
anthropogenic warming, or underwent synchronized changes in close response to a
regime shift in the ENSO phenomenon.
B
B
B
B
B
B
B
B
B
B
B
B
B
B
B
B
B
B
B
B
B
B
B
B
B
B
B
B
B
B
B
B
B
B
B
B
B
B
B
B
B
B
B
B
B
B
B
B
B
B
B
B
3.3. Linear trends in surface air temperatures in Thailand
The EOF analysis clearly shows that T min and T amin increased monotonically at faster
rate than T max , and T amax, leading to a narrowing of temperature range. However,
coefficient time series of EOFs can not provide the actual rate of change, since EOF
calculation is based on covariance matrix resulting in their units being arbitrary. Thus, it
is of interest to further evaluate the rate of changes in T min , T max and temperature ranges
at each station. This expanded analysis can be done by using nonparametric method of
the median of pairwise slopes regression (e.g., Lanzante, 1996). This method is resistant
to outliers in the time series and robust to nonnormal data distribution (Wilks, 1995). It
involves computing the slopes of lines connecting each pair of annual averaged
maximum and minimum temperatures and differences between annual averaged
maximum and minimum temperatures, and finding the median value of those slopes.
This method avoids placing undue emphasis on large anomalies near the ends of time
series. Two-tailed t tests of the robust and resistant Spearman rank-order correlation
coefficient (between temperature variables and time) were used to evaluate the statistical
significance of the trends.
B
B
B
B
B
B
B
B
B
B
B
B
Calculated linear trends indicate a clear warming of annual averaged maximum and
minimum temperatures at most stations (Figs. 34a, 34b). These results are fairly
consistent with what was previously seen from the coefficient time series of EOF
analysis. There is an indication that maximum temperature increased only slightly with
an overall trend of 0.59 C per 50 years, whereas minimum temperature significantly
increased at faster rate with overall trend of 1.35 C per 50 years. At almost stations,
upward trends in annual averaged minimum temperature overwhelmingly exceeded
those in annual averaged maximum temperature, which the largest and most statistically
significant increasing trends occurred in all parts of Thailand (Figs. 34a, 34b). As a
consequence of differential increases in maximum and minimum temperatures, there
was a significant and substantial reduction of temperature ranges over almost parts of
Thailand (Fig. 34c) with decreasing rates ranging from -0.1 to -2.2 C per 50 years.
Since annual averaged maximum and minimum temperatures were calculated originally
from daily observations, such an observed decrease would result from a reduction in the
diurnal temperature range. This finding agrees well with the previous study, illustrating
55
that the diurnal temperature range is continuing to decrease in most parts of the world,
because minimum temperatures are increasing at about twice at the rate of maximum
(Easterling et al., 1997). As a consequence, the freeze-free periods in most mid- and
high- latitude regions are lengthening and satellite data reveal a 10% decrease in snow
cover and ice extent since the late 1960s (IPCC, 2001a).
56
Table 6. Nonparametric Spearman correlation coefficients (r s ) between the 10-term
B
B
smoothed temperature series and the 10-term smoothed MEI series. N and N eff are the
B
B
number of data points in each series and the effective number of independent
observation, respectively.
Variables
N
N eff
rs
p-value
T mean & MEI
566
116
0.64
<0.001
T max & MEI
566
116
0.70
<0.001
T min & MEI
566
122
0.49
<0.001
T dew & MEI
566
129
0.38
<0.001
T amean & MEI
566
118
0.60
<0.001
T amax & MEI
566
117
0.68
<0.001
T amin & MEI
566
123
0.47
<0.001
B
B
B
B
B
B
B
B
B
B
B
B
B
B
B
B
B
B
The advantage of nonparametric method is free of the assumption that the data being
analyzed have normal distribution with equal variances, and so does not emphasize the
extreme values that are often present in the data. For the smoothed time series,
autocorrections, which are introduced through moving averages and/or are often present
within each time series, can give rise to spurious correlations due to overestimation of
the number of degree of freedom that do not present actual mechanistic relationships. To
circumvent this problem, significance levels of computed r s -values were estimated by
B
B
calculating the effective number of independent observations (N eff ) following Davis
B
B
(1976), Chelton (1983), Trenberth (1984) and Emery and Thomson (1997):
N eff =
N
(1  r1r1  r2 r2  ...)
where N is the number of data points in each of the two smoothed series, r1 and r1 are
the lag-one autocorrelations of the two smoothed series, r2 and r2 are the lag-two
autocorrections, and so on. The calculation was terminated after a lag of 10 months.
57
0.8
(a)
rs
0.6
0.4
Tamax
0.2
Tamean
Tamin
0
0.8
(b)
a
rs
0.6
0.4
Tdew
0.2
0
(c)
0.8
rs
0.6
0.4
Tmax
Tmean
Tmin
0.2
0
Jan Feb
Mar Apr May Jun
Aug
Jul
Sep
Oct
Nov
Dec
Month
Fig. 30. Correlograms between the smoothed MEI series and the 10-term smoothed
EOF1 coefficient series of seven temperature variables. The number of data points for
each month and the effective number of independent observations (N eff ) for all
temperature series are 47 and 11, respectively. The N eff calculation was terminated after
a lag of 5 months. The dash lines denote correlation coefficients at the p-value = 0.05
and 0.025 levels of significance for N eff = 11.
B
B
B
B
58
B
B
0.2
(a)
0.1
0
-0.1
-0.2
0.2
(b)
0.1
a
0
-0.1
-0.2
0.2
(c)
0.1
0
-0.1
-0.2
1950
1960
1970
1980
1990
2000
Year
Fig. 32. The 60-term smoothed EOF1 coefficient series of T min (a), T max (b) and T mean
(c).
B
59
B
B
B
B
B
0.2
(a)
0.1
0
-0.1
-0.2
0.2
(b)
0.1
a
0
-0.1
-0.2
0.2
(c)
0.1
0
-0.1
-0.2
1950
1960
1970
1980
1990
2000
Year
Fig. 33. The 60-term smoothed EOF1 coefficient series of T amin (a), T amax (b) and T amean
(c).
B
60
B
B
B
B
B
0.2
(a)
0.1
0
-0.1
-0.2
1
(b)
0.5
a
0
-0.5
-1
1950
1960
1970
1980
1990
2000
Year
Fig. 31. The 60-term smoothed EOF1 coefficient series of T dew (a), and the 60-term
smoothed MEI (b).
B
61
B
(c)
2
0
Temperature trends (0c per 50 yrs)
-2
(b)
1=CHIANG RAI
2=CHIANG MAI
3=PHITSANULOK
4=UTTARADIT
5=NAN
6=MAE SOT
7=PHARE
8=PHETCHABUN
9=UDONTHANI
10=SAKON NAKHON
11=NAKHON PRANOM
12=KHON KAEN
13=MUKDAHAN
14=ROI ET
15=NAKON RATCHASIMA
16=UBON RATCHATHANI
17=SURIN
18=NAKON SAWAN
19=LOP BURI
20=DON MUANG AIRPORT
21=SUPHAN BURI
22=KANCHANA BURI
23=ARANYA PRATHET
24=SATTATHIP
25=CHANTHA BURI
26=PRACHUAP KHIRIKHAN
27=CHUMPHON
28=NAKONSI THAMMARAT
29=TRANG AIRPORT
30=SONGKHLA
31=NARATHIWAT
32=RANONG
33=PHUKET
2
0
-2
(a)
2
0
-2
Northeast
North
0
3
6
9
12
15
Central
18
21
East
24
South
27
30
33
Station number
significant at the 0.05 level
Not significant at the 0.05 level
Fig. 34. Linear trends (C per 50 yrs) for annual averaged maximum temperature (a),
annual averaged minimum temperature (b), and the differences between annual
averaged maximum and minimum (c) from 1951 to 2003 .
62
4. Discussion
4.1. Analytical methodology
In this study, EOFs, as an excellent statistical tool which has been
conventionally applied to oceanographic and meteorological datasets, were used to
decompose and describe the dominant spatial and temporal structures of surface air
temperature fields in Thailand. Representation of a very large dataset in terms of EOFs
provides a seemingly plausible way of eliminating data variables, namely deleting those
modes which contribute little to the variance of the data field. As outlined by Davis
(1976), the principal virtues of EOFs are 1) they provide the most efficient method of
compressing data, 2) they may be regarded as uncorrelated (i.e. orthogonal) modes of
variability of the data field, and 3) they simplify understanding the procedures of
minimum mean square error estimation. Often it can be advisable to employ the EOFs
as a filter to eliminate unwanted scales of variability. In such a case, a limited number of
the first few EOFs (those with large eigenvalues) are used to reconstruct a good
approximation of the original dataset, thereby eliminating those scales of variability not
coherent over the dataset and therefore less energetic in their contribution to the data
variance. An EOF analysis can then be made of the filtered dataset to provide a new
apportionment of the variance for those scales associated with most of the variability in
the original dataset. In this application, EOF analysis is very similar to the standard
Fourier analysis used to filter out scales of unwanted variability (Davis, 1976; Emery
and Thomson, 1997). In fact, for homogenous time series sampled at evenly spaced
increments, it can be shown that the EOFs are Fourier trigonometric functions.
In interpreting the meaning of EOFs, it needs to keep in mind that, while EOFs
offer the most efficient statistical compression of the data filed, they do not necessarily
correspond to true dynamical modes or modes of physical behavior. It is often the case
that a single physical process is spread over several EOF modes. In other cases, more
than one physical process may contribute to the variance contained in a single EOF.
The statistical construct derived from this procedure must be considered in light of
accepted physical mechanisms rather than as physical modes themselves (Preisendorfer,
1988; Jassby and Powell, 1990; Emery and Thomson, 1997; Venegas, 2001). It is often
likely that the strong variability associated with the dominant modes is attributable to
recognizable physical mechanisms. A clue to the physical mechanisms associated with
the EOF mode can be found in the time-series coefficients. Something may be known
about the temporal variability of a process that might resemble the time series of the
EOF coefficients, which would then suggest a causal relationship not readily apparent in
the spatial structure of the EOF (Emery and Thomson, 1997; Venegas, 2001).
Although an EOF analysis has the outstanding advantage over other statistical
techniques, the physical interpretation of EOFs is inevitably limited by some
fundamental constraints: the imposed spatial orthogonality of the EOF patterns and the
resulting temporal independence of the time coefficients. While it is often possible to
associate the first EOF mode with a known physical process, this is much more difficult
with the second (and higher order) EOF because it is constrained to be orthogonal to the
first EOF. The orthogonality constraint implies that the EOF modes can only represent
physical processes that operate independently and with orthogonal patterns. Real world
processes, however, do not need to have orthogonal or uncorrelated patterns. In contrast,
they are in general interrelated. Another constraint of a traditional EOF analysis is that
63
its procedure can only detect standing waves, but can not capture progressive waves
which two time-series coefficients of consecutive EOF modes vary coherently and are
90 degrees out of phase with one another. It is advisable to use lagged covariance matrix
(Weare and Nasstrom, 1982), or a complex EOF analysis in the frequency domain
(Wallace and Dickinson, 1972; Horel, 1984) to detect propagating wave phenomena.
4.2. Possible causal attributions of interannual and long-term changes in surface air
temperatures in Thailand
With surface air temperature data collected at 34 stations in Thailand, the EOF
technique was very useful to extract the dominant spatial and temporal structures, which
the first EOF mode could be accounted for most of the variance of each surface air
temperature variable for the period 1951-2003. The EOF1 modes of all seven
temperature variables was characterized by a monopole of spatial patterns, which
correlations coefficients were relatively high and about the same magnitude, and had the
same sign at all stations. Such a unique pattern implies a high intercorrelation and a
relatively uniform variance distribution of surface air temperatures at all selected
stations, in combination with the “characteristic spatial scale” of the surface air
temperature field which is comparable to, or larger than, the spatial domain considered
here. This is simply because the system will have tendency to create anomalies of the
same sign in the entire domain when the typical scale of the filed is as large as the
domain of study. Hence, the coherent variance carried by the EOF1 mode well
represents the dominant spatial structure of surface air temperatures integrated from all
stations in Thailand that probably share a common influence from the same origins,
which are not physically local.
On the basis of the EOF results, the time variability of the leading EOFs of all
seven temperature variables in Thailand has oscillated at three dominant timescales over
the last 53 years: interannual and decadal/interdecadal timescales and long-term trends.
The ENSO cycle has been the most prominent timescale of the interannual variability of
surface air temperatures in Thailand. There was a significant indication that all T mean ,
T max , T min , T dew , T amean , T amax and T amin in Thailand tended to higher (lower) than normal
during El Niño (La Niña) years. These results are consistent well with an enormous
body of previous evidence, illustrating that the ENSO has been related to variations of
precipitation and temperature over much of the tropics and sub-tropics, and some midlatitude areas (e.g., Prospero and Nees, 1986; Hanawa et al., 1989a, b; Li, 1990;
Philander, 1990; Trenberth, 1990; Yamagata and Masumoto, 1992; Janicot et al., 1996;
Sun and Trenberth, 1998; McPhaden, 1999; Fedorov and Philander, 2000; Hoerling and
Kumar, 2003). The climate impacts observed during and following El Niño events
include higher global mean temperature as a result of the ocean transfer heat to the
atmosphere (IPCC, 2001a), increased heat export to the extratropics (Sun and Trenberth,
1998), and continental warmth over parts of Asia and North America (Hoerling and
Kumar, 2003). In association with the strongest 1997/98 El Niño event, for example, the
global mean temperature experienced the warmest anomaly (0.55 C) in the
instrumental record since 1861 (IPCC, 2001a). Such a exceptionally positive anomaly
associated with the intense 1997/98 El Niño event prominently stands out in the
amplitude time series of the EOF1 mode of all seven surface air temperatures in
Thailand, as an unprecedented event on record (Figs. 22-29). The possible linking
pathways, whereby the ENSO phenomenon exerts its influence on the climate
conditions outside the tropical Pacific region, may mediate via the intensified
B
B
B
B
B
B
B
B
B
B
B
B
B
B
B
B
B
64
B
atmospheric teleconnections which are established by the shifts in the location of the
organized rainfall in the tropics and the associated latent heat release (Horel and
Wallace, 1981; Wallace and Gutzler, 1981; Gill and Rasmusson, 1983; Philander, 1983;
Trenberth, 1990; Graham, 1994; Trenberth and Hurrell, 1994; McPhaden, 1999; Zahn,
2003). These anomalous processes, in turn, alter the heating patterns of the atmosphere
which forces large-scale waves in the atmosphere (Horel and Wallace, 1981; Wallace
and Gutzler, 1981; Trenberth and Hurrell, 1994; Fedorov and Philander, 2000; Huber
and Caballero, 2003). The atmospheric teleconnections are an important driver because
they induce anomalies in the circulation and associated anomalies in temperature and
precipitation in remote regions (Wallace and Gutzler, 1981; Trenberth and Hurrell,
1994). The likely effects of the Mount Pinatubo eruption were also seen in the EOF1
coefficient series of all seven surface air temperatures, which showed noticeable drops
during 1992-93 (Figs. 22-28), despite the moderate El Niño event. This is due to the fact
that a great deal of aerosols introduced into the atmosphere during the eruption of Mt.
Pinatubo in the Philippines in June 1991 blocked enough radiation for two years to
cause observable cooling in many regions (Trenberth, 2001).
It has been recognized for several decades that ENSO phenomenon is non-stationary
(e.g., Troup 1965; Philander, 1983; Wang, 1995; Fedorov and Philander, 2000). Climate
proxy records (for instance, ice cores, tree rings and corals) suggest that this
phenomenon has occurred for millennia (Ware and Thomson, 2000; GBP, 2001b; Huber
and Caballero, 2003). The amplitude, activity and frequency of ENSO have exhibited
notable secular variation since 1871 with considerable irregularity in time, as revealed
by wavelet analysis of the NINO3 SST index (Gu and Philander, 1995) and the SOI
(Wang and Wang, 1996). Wang (1995) and Wang and An (2002) pointed out that not
only the amplitude and dominant period of ENSO cycles have increased, but also the
onset and the structure and development characteristics of this episode have changed
during the 1980s and 1990s. La Niña episodes were very weak or practically absent
during those decades, whereas El Niño episodes attained unprecedented amplitudes in
1982 and 1997 and were unusually prolonged in 1992 (Trenberth and Hoar, 1996;
Fedorov and Philander, 2000). Hence, in addition to the dominant interannual timescale
of 2 to 6 years, the decadal/interdacal variability is one of fundamental characteristics of
ENSO cycles, as clearly observed in the smoothed MEI series (Fig. 29). It has been well
documented that the tendency for more frequent El Niño events and fewer La Niña
events since the late 1970s has been linked to decadal changes in climate throughout the
Pacific basin (Trenberth, 1990; Trenberth and Hurrell, 1994; Kumar et al., 1994;
Graham, 1994; Trenberth and Hoar, 1996; Zhang et al., 1997). The EOF1 coefficient
series of some surface air temperature variables in Thailand (Figs. 32a, 32b, 33a, 33b)
do indicate similar decadal/interdecadal changes which were significantly related to the
low-frequency component of ENSO cycles. The overall warming trends of T max , T amax ,
T min and T amin in the 1980s and 1990s, with the1990s being their warmest decade on
record, were consistent with the persistent and exceptionally strong warm phase of
ENSO cycles. These findings, therefore, provide a notation that the ENSO-induced
variations in the quasi-stationary planetary wave in the atmosphere, among other factors,
could produce spatially coherent patterns of surface air temperature anomalies in
Thailand, not only on interannual but also decadal/interdecadal timescales. Hurrell
(1996) also showed that the warm phase of ENSO since the late 1970s has been
associated with widespread continental warming, particularly over North America and
parts of Siberia, resulting in a particular surface temperature anomaly pattern which has
amplified the hemispheric-averaged warming.
B
B
B
B
B
65
B
B
B
On a long-term perspective, there is evidence that T min and T amin in Thailand
have been rising continuously at unprecedented rate since the early 1950s to what is
obviously linear trends superimposed on strong interannual variability (Figs. 32a, 33a).
Similar long-term changes in the past half century have been also found over various
regions in the world, for example, the United States (Easterling et al., 1997; Gaffen and
Ross, 1998; 1999; Easterling et al., 2000b), China (Zhai et al., 1999; Qian and Zhu,
2001; Wang and Gaffen, 2001), New Zealand (Easterling et al., 1997), most parts of
Europe (Easterling et al., 1997). The secular changes in T min and T amin in Thailand were
basically consistent with patterns of globally and hemispherically averaged air
temperatures in the 20 th century (IPCC, 2001a), but their amplitudes were larger.
Therefore, T min and T amin rising must have a positive contributor to the change of the
northern hemisphere temperature and to the global warming, and could in part be a
signal of a direct forcing by the anthropogenic increase in greenhouse gases. However,
the observed long-term warming of T min and T amin in Thailand may be a manifestation of
the ENSO-related multidecadal variation, though this itself might have an
anthropogenic-driven component, because abrupt increases in T min and T amin since the
late 1970s (Figs. 32a, 33a) have been significantly associated with what has been
described as a strong shift to the warm phase of ENSO episode (Fig. 31b). This makes it
complicating to assess whether the observed changes are in direct response to
greenhouse gas forcing, or whether the changes are part of a natural decadal timescale
variation in the atmospheric circulation. One may think that the climate response to
anthropogenic forcing should be distinct from the patterns of natural climate variability.
In view of nonlinear dynamical complex behavior of climate system, however, it has
been argued that the spatial patterns of the response to anthropogenic forcing may in
fact project principally into modes of natural variability. This interpretation is supported
by many studies, suggesting that human-induced emission of greenhouse gases might be
responsible for the recent change in the behavior of natural modes of large-scale
atmospheric fluctuations such as NAO, ENSO and PNA, and that the recent warming
may be related to increasing tropical ocean temperature leading to an enhancement of
the tropical hydrological cycle (Trenberth and Hoar, 1996; Timmerman et al., 1999;
Fedorov and Philander, 2000; Hoerling and Kumar, 2003; Huber and Caballero, 2003).
Several climate models do indicate a more El Niño-like climate (greater warming in the
tropical east Pacific ocean and an eastward shift in convective activity in the Pacific)
with increased greenhouse gases (e.g., Meehl and Washiton, 1996; Knutson and Manabe,
1995; Knustson et al., 1997; Timmerman et al., 1999). Therefore, it has been suggested
that recent observed warming trends in various parts of the world might be projected
onto changes in the natural modes of climate variability, through changes in their
frequency and preferred sign, and more directly related to the thermal structure of
atmospheric circulation than to any anthropogenic forcing pattern itself (Corti et al.,
1999). From this point of view, the actual causes for such long-term increasing trends in
T min and T amin in Thailand are not clearly identified here, and therefore, remaining as a
crucial question which needs to be given more detailed study. Regardless of causes, the
results from this study do indicate that T min and T amin in Thailand have progressively
increased at alarming rate over the last 53 years.
B
B
P
B
B
B
B
B
B
B
B
B
B
B
B
B
B
B
P
B
B
B
B
B
B
B
B
B
B
B
4.3. A reduction of diurnal temperature ranges
Apart from climate-related temporal changes in surface air temperature, there
was a widespread narrowing of diurnal temperature ranges (DTR) over most parts of
66
Thailand (Fig. 34). This probably results from the differential changes in maximum and
minimum temperatures. Local effects such as urban growth, irrigation, desertification,
and variations in local land use can all affect the DTR (Easterling et al., 1997),
especially urbanized areas often show a narrower DTR (Gallo et al., 1996). However, an
analysis of urban effects based on a metadata set shows that globally and
hemispherically averaged time series for the annual maximum and minimum
temperatures and the DTR calculated using only non-urban stations slightly differ from
those calculated using all available stations (Easterling et al., 1997; IPCC, 2001a).
Large-scale climatic effects on the DTR include increases in cloud cover, surface
evaporative cooling from precipitation, greenhouse gases, and tropospheric aerosols
(IPCC, 2001a). Easterling et al. (1997) found that the DTR changes were associated
with circulation changes during the northern hemispheric winter. A reduction of the
DTR in Thailand may be partly associated with increased urbanization. If the spatial
extent of urban heating has been growing, weather stations near large cities might
experience high temperatures more frequently. However, the regional consistency of the
DTR decreases (Fig. 34) suggests that their origins are not strictly local, but it appears to
be the manifestation of a strong increase in minimum temperature in response to either
anthropogenic or natural modes of climate change.
4.4. Changes in temperature extreme events
Given a change in mean state of temperature, there is likely to be an amplified
change in what are called extreme events, such as a very low or very high daily
temperatures and heat and cold waves. Recent evidence has suggested that temperature
extreme events have apparently increased in frequency (Cooter and LeDuc, 1995;
Changnon et al., 1996; DeGaetano, 1996; Heino et al., 1999; Plummer, et al., 1999; Zhai
et al., 1999; Easterling et al., 2000a, b). In the northeastern United States, significant
trends to fewer extreme cold days, but also trends to fewer warm maximum
temperatures were observed (DeGaetano, 1996). In other parts of the world different
trends prevail. In both Australia and New Zealand, the frequency of days below freezing
decreased in phase with warming in daily minimum temperatures (Plummer, et al.,
1999). Similarly, a number of frost days in northern and central Europe have decreased
since the 1930s, which appear to be associated with strong increases in winter minimum
temperatures (Heino et al., 1999). This leads to significantly lengthen the freeze-free
season in many mid-and high latitude regions. Based on an apparent temperature index,
an important measure for human comfort, Gaffen and Ross (1998) and Wang and
Gaffen (2001) found that the frequency of extreme heat-stress events in the United
States and China, caused by extremely hot and humid days as well as by heat waves in
summertime, has increased over the period from 1951 to 1994. Short-duration episodes
of extreme heat or cold are often responsible for the major impacts on health, as
evidenced by the 1995 heat wave in the midwestern United States that caused hundred
of fatalities in the Chicago area (Changnon et al., 1996; Karl and Knight, 1997).
In Thailand, evidence has also been found, supporting the notion that changes in
temperature extreme events are likely to occur in concert with the observed warming
trends in maximum and minimum temperatures. In an analysis of 46 synoptic stations in
Thailand, Ouprasitwong (2002) pointed out that trends in the number of days with the
maximum temperature equal to or higher than the 99 th percentile threshold have been
significantly increased since 1961. Whereas, trends in the number of days with the
minimum temperature equal to or less than the 1 st percentile have been substantially
P
P
67
P
P
decreased during the same period (Ouprasitwong, 2002). Along with these changes,
apparent temperature extremes, which was not yet examined by Ouprasitwong (2002),
may have increased in frequency, particularly during summertime. As noted by Gaffen
and Rose (1998), hot weather can cause heat stress in humans, when humidity is high.
Therefore, these temperature extreme events may pose a public health problem,
particularly as there are increasing numbers of elderly people, who are most vulnerable
to heat-related sickness and mortality (Gaffen and Rose, 1998). Given the warming of
surface temperature observed in this study continue in the near future, it can be expected
that temperature extreme events such as those mentioned earlier will become more
prevalent in Thailand. However, time will tell whether this expectation is correct,
perhaps within a few decades when high-quality, long-term climate data with the time
resolution suitable for analyzing a full range of temperature extremes become
increasingly available.
The changes in temperature extremes observed to date have only recently been
compared to the changes projected by models (Zwiers and Kharin, 1998; Easterling et
al., 2000b; IPCC, 2001a). A number of changes in future weather and climate extremes
from climate model have already observed in instrumental records in various parts of the
world (Zwiers and Kharin, 1998; Easterling et al., 2000b; IPCC, 2001; Trenberth, 2001).
This includes warmer mean temperature associated with more extreme high
temperatures and heat waves but fewer extreme low temperatures and a number of frost
days and cold waves, along with reduced diurnal temperature range. Increases of daily
minimum temperatures are projected to occur over the most land areas and are generally
larger where snow and ice retreat, and a decreased number of frost days and cold wave
are likely (Easterling et al., 2000b; Trenberth, 2001). Some current models have shown
the future mean Pacific climate base state could more resemble an El Niño-like state,
with increased greenhouse gases (e.g., Meehl and Washiton, 1996; Knutson and Manabe,
1995; Knustson et al., 1997; Timmerman et al., 1999). For such an El Niño-like state, or
even for a uniform future warming of SSTs across the tropical Pacific, future seasonal
temperature extreme associated with a given El Niño would be more intense in various
parts of the world than present, due to the nonlinear relation between SST and the
processes of evaporation and heat fluxes.
4.5. Possible biophysical and socio- economic impacts
Ecosystems, human health, and economy are all particularly sensitive to shotand-long term changes in climate, including both the magnitude and rate of climate
change. It is widely accepted that climate change represents an important determinant
for natural and human systems, and have far-reaching consequences for a wide range of
ecological systems (forests, grasslands, wetlands, rivers, lakes and marine environments)
and human systems (agriculture, water resources, coastal resources, human health,
financial institutions and human settlements). Biophysical systems often respond
nonlinearly to climate forcings, owing to their complexity and sensitivity to external
influences (Taylor et al., 2002). This leads to an exceptionally strong response of
biophysical systems to even a weak, subtle climatic signal, as clearly evidenced from
large and widespread responses across natural systems to relatively low average rates of
global temperature increase (Walther et al., 2002; Parmesan and Yohe, 2003).
Available observational evidence indicates that regional changes in climate,
particularly a recently prolonged increase in temperature, have already affected a
68
diverse set of biophysical systems in many parts of the world. Examples of observed
changes include shrinkage of glaciers, thawing of permafrost, sea level rise, freezing and
earlier breakup of ice on rivers and lakes, lengthening of mid-to-high latitude growing
seasons, poleward and altitudinal shifts of plant and animal ranges, increases/declines of
some plant and animal populations and earlier flowing/breeding, emergence of insects
and egg-laying in birds (e.g., Grabherr et al., 1994; Barry et al., 1995; Anderson et al.,
1996; Parmesan, 1996; Shindler et al., 1996; Alward et al., 1999; Hughes, 2000;
McCarty, 2001; IPCC, 2001b; Walther et al., 2002; Parmesan and Yohe, 2003).
Furthermore, associations between changes in regional temperatures and observed
changes in biophysical systems have been widely found in many aquatic and marine
environments (e.g., Strub et al., 1985; Goldman et al., 1989; Roemmich and McGowan,
1995; Feeland et al., 1997; McGowan et al., 1998; Reid et al., 1998; Chavez et al., 1999;
Gerten and Adrian, 2000; Levitus et al., 2000; Edwards et al., 2001). Changes in the
distribution and abundance of several mobile marine organisms off the coast of
California in response to short-and-long term variations in sea surface temperature
accompany El Niño events and global warming have been well particularly documented
over the past few decades (e.g., Chelton et al., 1982; Barber and Chavez, 1983;
Roemmich and McGowan, 1995; McGowan et al., 1998; Rebstock, 2002). The surface
waters of the California Current warmed 1.2-1.6 C between 1951 and 1993; this
warming was accompanied by a 70% decline in zooplankton abundance, possibly
because of increased surface temperatures reducing the upwelling of cold, nutrient-rich
waters to the surface (Roemmich and McGowan, 1995). Several highly vulnerable,
diverse and productive coastal ecosystems such as coral reefs are seriously endangered
by increased sea temperature (Glynn, 1991; Brown, 1997; Hoegh-Guldberg, 1999;
Spencer et al., 2000). The increasing incidence of coral reef bleaching may be a
consequence of recent rise in global ocean temperature (Glynn, 1991; Brown, 1997;
Hoegh-Guldberg, 1999; Goreau et al., 2000; Spencer et al., 2000). Six periods of mass
coral bleaching have occurred since 1979, and the incidence of mass coral bleaching is
increasing in both frequency and intensity (Hoegh-Guldberg, 1999; Goreau et al., 2000).
The most significant mass bleaching was associated with the 1997-98 ENSO event,
when all ten reef provinces of the world were affected (Hoegh-Guldberg, 1999; Goreau
et al., 2000; Spencer et al., 2000). In some areas, most notably the Indian Ocean, this
event was followed by mass mortality where up to 90% of all the corals died over
thousands of square kilometers (Goreau et al., 2000; Spencer et al., 2000). Moreover,
ongoing temperature change is additional source of stress for species already threatened
by local and global environmental changes, increasing the risk of extinction (McCarty,
2001). On the basis of the collective evidence which reviews large-scale, consistent
changes in the biophysical systems across diverse localities and/or regions with the
expected of regional changes in temperature, and taking into account the effects of other
factors such as land-use changes and pollution, IPCC concluded with high confidence
that recent regional changes in temperature have had discernible impacts on many
biophysical systems.
Human systems that are sensitive to climate change include mainly water
resources, agriculture, human settlements and health, coastal zones and energy. The
vulnerability of these systems varies with geographic location, time and social,
economic and environmental conditions. Nevertheless, all regions are likely to
experience some adverse effects of climate change. Based on models and other studies,
projected adverse impacts of increased temperature include: 1) a general reduction in
potential crop yields in most tropical and sub-tropical regions, 2) an increase in heat
69
stress mortality, 3) a widespread increase in the risk of flooding for many human
settlements from sea level rise, and 4) increased energy demand for space cooling due to
higher summer temperature (IPCC, 2001b). The ability of human systems to adapt to
and cope with global warming depends upon factors such as wealth, technology,
education, information, skills, infrastructure, assess to resources, and management
capabilities. Population and communities are highly variable in their endowments with
these attributes, and the developing countries, especially the least developed countries,
are generally poorest in this regards. As a consequence, they have lesser capacity to
adapt and are more vulnerable to global warming damages, just as they are more
sensitive to other stresses. This condition is most extreme among the poorest people. In
light of the above, the effects of global warming are expected to be greatest in
developing countries, particularly those in Africa and Asia, in terms of loss of life and
relative effects on investment and the economy.
The anticipated sea level rise resulting from global warming may threaten many
coastal settlements and islands. The extent of a sea level rise is still uncertain, but the
latest estimates are in the range 10-94 cm by the year 2100 (IPCC, 2001a). Because heat
penetrates slowly into the voluminous oceans, a sea level rise is expected to be manifest
over a longer period of time than temperature change. Even if anthropogenic greenhouse
gases emissions are stabilized immediately, sea level will continue rise for centuries
with serious consequences for millions of people. Countries in the Northwestern Pacific
and East Asia sub-regions and the Pacific Island countries including Thailand may be
particularly vulnerable to sea level rise because many of their human settlements and
industrial facilities are located in coastal or lowland areas (IPCC, 2001a,b). Initial
analysis suggests that a sea level rise of even several inches will result in aggravation of
existing coastal erosion, loss of low-lying coastal lands, depletion of mangrove swamps,
and a high risk of fresh water contamination due to saline intrusion (IPCC, 2001a,b).
These changes in turn would affect agriculture, tourism, fishery production, urban
systems, industrial complexes and other kinds of infrastructure on the coastline. Based
the scenario of Hoffman (1984), which assumes continued increases in greenhouse
gases at low, medium and high rates, sea level of the Chao Praya Delta in the Gulf of
Thailand was predicted to rise in the range of 1-3 m by the year 2100 (Jarupongsakul,
1998). The alarming rise projected by the model indicates that the present tidal zone,
which has an average elevation of about one meter and is occupied by mangrove swamp,
would be submerged by the next century; and submergence will be accelerated by land
subsidence due largely to ground water extraction (Jarupongsakul, 1998). These impacts
are likely to exacerbate the problems already threatened in the Gulf of Thailand,
including erosion and inundation of land, environmental deterioration and pollution,
seawater intrusion and flooding from storm surges.
Potential changes in the frequency, intensity and persistent of temperature
extreme events are also emerging as another key determents of natural and human
systems. Recent years have seen a number of weather events including temperature
extremes cause large losses of life as well as a substantial increase in economic loss
from weather hazards (Karl and Knight, 1997; Pielke and Landsea, 1998). Heat waves
are one of weather hazards that cause an increase in mortality (Changnon et al., 1996).
In the United States, for instance, heat-wave deaths were exceptionally high in 1980,
1988, and 1995 (Changnon et al., 1996). Projected climate change will be accompanied
by an increase in heat waves, often exacerbated by increased humidity and urban air
pollution, which would cause an increase in heat-related deaths and illness episodes
70
(IPCC, 2001b). The evidence indicates with high confidence that the impacts would be
greatest in urban populations, affecting particularly the elderly, sick, and those without
access to air-conditioning (IPCC, 2001b). In addition, temperature extremes could be
tremendously devastating to ecosystems. Several apparently gradual biological changes
are linked to response to a few, brief, temperature extreme events (Easterling et al.,
2000b). Although some changes arising from extreme weather may be benign or even
beneficial, the economic effects of these short-lived events will be substantial and
clearly warrant attention in policy debates.
5. Implications for future research
There is still an obvious disparity in scientific knowledge to contribute the better
understanding of climate change and its impacts between developed and developing
countries. Advances have been made in most of the industrial countries to detect
changes in biophysical systems, and steps have been taken to improve the public
understanding of adaptive capacity, vulnerability to climate change, and other critical
impact-related issue. In many developing countries where human, financial, natural
resources as well as institutional and technological capability are relatively limited, on
the other hand, climate change is not regarded as the same light. This situation is
particularly true for Thailand where climate studies are rare, and therefore very little is
known about climate change and its consequences. Hence, this study provides a vital
clue to better understand some key aspects of short-and-long term climate change in
Thailand, and builds more bridges to narrow the great gaps of scientific knowledge that
have important implications for climate research and prediction, and environmental
management and conservation on regional/local scales in the future. This study can also
contribute to preparation for future challenges by providing valuable data for model
construction and validation. However, there are several key issues that need to be
addressed in details and should be emphasized in the future research studies. “What are
the potential impacts for natural and human systems of continued global warming and
intense and frequent ENSO event” stands out as one of several key questions.
Answering this question is a necessary step for establishing adaptation strategy to
reduce adverse impacts of climate change and to enhance beneficial impacts. Since the
evidence indicates that changes in regional/global climate will likely continue and even
accelerate over the next 50-100 years (IPCC, 2001a), such knowledge is a special need
in the near future to strengthen future assessments and to reduce uncertainties to assure
that sufficient information is available for policymaking about responses to possible
consequences of climate change.
Climate scientific research, by nature, encompasses many disciplines, and is not,
and can not possibly be the responsibility of one single institution, ministry or agency.
Climate-related studies in Thailand, for instance, have been or are being conducted by
scientists in many related but different disciplines in many agencies such as, Ministry of
National Resources and Environment, Ministry of Agriculture and Cooperatives,
Ministry of Information and Communication Technology, universities, and Southeast
Asia Regional Center. Advances for what is not well known and what is uncertainties
about climate change and its regional impacts, therefore, at best a compromise achieved
through a concerted effort of all these sectors involved. This situation calls for strong
national cooperation and coordination between government agencies and universities
and other sectors, together with international collaboration, with a view to attaining
71
consensus on how regional assessment of impacts, vulnerability and adaptation to
achieve programmatic and logistical efficiencies and effectiveness.
Most of climate-related studies generally require high-quality, long-term
atmospheric/biological data with the time resolution appropriate for analyzing and
evaluating the processes and mechanisms in question. However, a lack of such
necessary data is common obstacles for climate change research. Only few historical
data sets which have collected for a long period exist in Thailand, but it is difficult to
access them. This is probably because these data have been collected originally through
monitoring/research programs of individual scientists and/or a variety of organizations,
and most of them are not in digital forms. Moreover, to date, there are no central access
points where one can retrieve those available data. Since data gathering processes are
costly and often conducted in a piece-meal fashion, implementing agencies should
promote the free exchange of data in order to maximize the benefit from them. The
IOC/WESTPAC initiative to provide free access to different collections of
oceanographic data from the Gulf of Thailand region is a good example of what can be
achieved (Snidvongs, 1997). Because the historical data sets are relatively rare,
establishment of new baseline monitoring programs for some key environments will
also be important.
A last important consideration is the potential value of a number of tools and
techniques such as those introduced in this study that have high capabilities for handling
metadata and separating climatic signals blended together or hidden inside the
background climate variability or “noise”.
All in all, there is little doubt that climate change is an active and critical
component of “our integrated Earth System” as current and future threats for human and
environmental systems that is now happening on global, regional and local scales, and
will likely to continue or even intensify in the near future. The challenge of mitigating
and adapting its potential risks as well as ensuring a sustainable future is daunting and it
is immediate. It can be met, but only with a new or even vigorous integrated,
multidisciplinary approach to studying a full range of climate change and its
consequences and uncertainties.
6. Acknowledgements
I am especially grateful to the Meteorological Department of Thailand for
generously providing high-quality, long-term atmospheric data. To my colleagues at the
Water Research and Technology Development Section, The Environmental Research
and Training Center, for providing me an unlimited supply of their help, warmth and
friendship and a really excellent working atmosphere, I express my sincere thanks.
Finally, I delicate this work to my beloved parents and wife.
72
References
Alward, R.D., Detling, J.K., Milchunas, D.G., 1999. Gassland vegetation changes and
nocturnal global warming. Science, 283, 229-231.
Anderson, W.L., Robertson, D.M., Magnuson, J.J., 1996. Evidence of recent warming
and El Niño-related variations in ice breakup of Wisconsin lakes. Limnology and
Oceanography, 41, 815-821.
Barber, R.T., Chavez, F.P., 1983. Biological consequences of El Niño. Science, 222,
1203-1210.
Barlow, M., Cullen, H., Lyon, B., 2002. Drought in central and southwest Asia: La Niña,
the warm pool, and Indian ocean precipitation. Journal of Climate, 15, 697-700.
Barry, J.P., Baxter, C.H., Sangarin, R.D., Gilman, S.E., 1995. Climate-related, longterm faunal changes in the California rocky intertidal community. Science, 267, 672675.
Boyle, J.S., 1998. Evaluation of the annual cycle of precipitation over the United States
in GCMs : AMIP simulations. Journal of Climate, 11, 1041-1055.
Brishavana, M., Ouprasitwong, N., 2002. Rainfall and temperature patterns in Thailand
during ENSO events and links with the Southern Oscillation Index and sea surface
temperature in the tropical Pacific ocean (in Thai with English abstract). Technical
Document No. 551.524-02-2002, Meteorological Department of Thailand, 142 pp.
Brown, B.E., 1997. Coral bleaching: Causes and consequences. Coral Reefs, 16, 129138.
Cattell, R.B., 1966. The scree test for the number of factors. Multivariate Behavioral
Research, 1, 245-276.
Changnon, S.A., Kunkel, K.E., Reinke, B.C., 1996. Impacts and responses to the 1995
wave: A call to action. Bulletin of the American Meteorological Society, 77, 14971506.
Changnon, S.A., Pielke, R.A., Changnon, D., Sylves, R.T., Pulwarty, R., 2000. Human
factors explain the increased losses from weather and climate extremes. Bulletin of
the American Meteorological Society, 81, 437-442.
Chapman, W.L., Walsh, J.E., 1993. Recent variations of sea-ice and air temperatures in
high latitudes. Bulletin of the American Meteorological Society, 74, 33-47.
Chatfield, C., 1989. The analysis of time series: An introduction. Chapman and Hall,
London, England.
Chavez, F.P., Strutton, P.G., Friederich, G.E., Feely, R.A., Feldman, G.C., Foley, D.G.,
McPhaden, M.J., 1999. Biological and chemical response of the equatorial Pacific
Ocean to the 1997-98 El Niño. Science, 286, 2126-2131.
Chelton, D.B., 1983. Effects of sampling errors in statistical estimation. Deep-Sea
Research I, 30, 1083-1103.
Chelton, D.B., Bernal, P.A., McGowan, J.A., 1982. Large-scale interannual physical and
biological interaction in the California Current. Journal of Marine Research, 40,
1095-1125.
Cooter, E., LeDuc, S., 1995. Recent frost date trends in the northern United States.
International Journal of Climatology, 15, 65-75.
T
73
Corti, S., Molten, F., Palmer, T.N., 1999. Signature of recent climate change in
frequencies of natural atmospheric circulation regimes. Nature, 398, 799-802.
Davis, R.E., 1976. Predictability of sea surface temperature and sea level pressure
anomalies over the North Pacific Ocean. Journal of Physical Oceanography, 6, 249266.
DeGaetano, A., 1996. Recent trends in maximum and minimum temperature threshold
exceedences in the northern United States. Journal of Climate, 9, 1646-1657.
Demaree, G.R., Nicolis, C., 1990. Onset of Sehelian drought viewed as a fluctuationinduced transition. Quarterly Journal Royal Meteorology Society, 116, 221-238.
Dunteman, G.H., 1989. Principal components analysis. Sage Publication Inc, California,
USA, 96 pp.
Easterling, D.R., Evans, J.L., Groisman, P.Y., Karl, T.R., Kunkel, K.E., Ambenje, P.,
2000a. Observed variability and trends in extreme climate events: A brief review.
Bulletin of the American Meteorological Society, 81, 417-425.
Easterling, D.R., Horton, B., Jones, P.D., Peterson, T.C., Karl, T.R., Parker, D.E.,
Salinger, M.J., Razuvayev, V., Plummer, N., Jamason, P., Folland, C.K., 1997.
Maximum and minimum temperature trends for the globe. Science, 277, 364-367.
Easterling, D.R., Meehl, G.A., Parmesan, C., Changnon, S.A., Karl, T.R., Mearns, L.O.,
2000b. Climate extremes: Observations, modeling, and impacts. Science, 289, 20682074.
Edwards, M., Reid, P., Planque, B., 2001. Long-term and regional variability of
phytoplankton biomass in the Northeast Atlantic (1960-1995). ICES Journal of
Marine Science, 58, 39-49.
Emery, W.J., Thomson, R.E., 1997. Data analysis methods in physical oceanography.
Pergamon Press, New York, USA, 634 pp.
Enfield, D.B., Mestas-Nuñez, A.M., 1999. Multiscale variabilities in global sea surface
temperatures and their relationships with tropospheric climate patterns. Journal of
Climate, 12, 2719-2733.
Eskridge, R.E., Ku, J.Y., Rao, S.T., Porter, P.S., Zurbenko, I.G., 1997. Separating
different scales of motion in time series of meteorological variables. Bulletin of the
American Meteorological Society, 78, 1473-1483.
Fedorov, A.V., Philander, S.G., 2000. Is El Niño changing? Science, 288, 19972002.
Fields, P.A., Graham, J.B., Rosenblatt, R.H., Somero, G.N., 1993. Effects of expected
global climate change on marine faunas. Trends in Ecology and Evolution, 8, 361367.
Franklin, J.N., 1968. Matrix theory. Prentice-Hall, Englewood Cliffs, New Jerseys, USA.
Freeland, H., Denman, K., Wong, C.S., Whitney, F., Jacques, R., 1997. Evidence of
change in the winter mixed layer in the Northeast Pacific Ocean. Deep-Sea Research
I, 44, 2117-2129.
Gaffen, D.J., Ross, R.J., 1998. Increased summertime heat stress in the US. Nature, 396,
529-530.
74
Gaffen, D.J., Ross, R.J., 1999. Climatology and trends of U.S. surface humidity and
temperature. Journal of Climate, 12, 811-828.
Gallo, K.P., Easterling, D.R., Peterson, T.C., 1996. The influence of land use/land cover
on climatological values of the diurnal temperature range. Journal of Climate, 9,
2941–2944.
Gerten, D., Adrian, R., 2000. Climate-driven changes in spring plankton dynamics and
the sensitivity of shallow polymictic lakes to the North Atlantic Oscillation.
Limnology and Oceanography, 45, 1058-1066.
Gill, A.E., Rasmusson, E.M., 1983. The 1982-83 climate anomaly in the equatorial
Pacific. Nature, 306, 229-234.
Goldman, C.R., Jassby, A., Powell, T., 1989. Interannual fluctuations in primary
production: Meteorological forcing at two subalpine lakes. Limnology and
Oceanography, 43, 310-323.
Goreau, T., McClanahan, T., Hayes, R., Strong, A.E., 2000. Conservation of coral reefs
after the 1998 global bleaching event. Conservation Biology, 14, 5-15.
Grabherr, G., Gottfried, M., Pauli, H., 1994. Climate effects on mountain plants. Nature,
369, 448.
Graham, N. E., 1994. Decadal–scale climate variability in the tropical and North Pacific
during the 1970s and 1980s: Observations and model results. Climate Dynamics, 10,
135-162.
Gu, D., Philander, S.G.H., 1995. Secular changes of annual and interannual variability
in the tropics during the past century. Journal of Climate, 8, 864-876.
Gylnn, P.W., 1991. Coral reef bleaching in the 1980s and possible connection with
global warming. Trends in Ecology and Evolution, 6, 175-179.
Hanawa, K., Yoshikawa, Y., Watanabe, T., 1989a. Composite analyses of wintertime
wind stress vector fields with respect to SST anomalies in the western North Pacific
and the ENSO events : Part I SST composite. Journal of Meteorological Society of
Japan, 67, 385-399.
Hanawa, K., Yoshikawa, Y., Watanabe, T., 1989b. Composite analyses of wintertime
wind stress vector fields with respect to SST anomalies in the western North Pacific
and the ENSO events: Part II ENSO composite. Journal of Meteorological Society of
Japan, 67, 833-845.
Heino, R., Brázdil, R., Førland, E., Tuomenvirta, H., Alexandersson, H., Beniston, M.,
Pfister, C., Rebetez, M., Rosenhagen, G., Rösner, S., Wibig, J., 1998. Progress in the
study of climatic extremes in Northern and Central Europe. Climatic Change, 42,
151-181.
Hoegh-Guldberg, O., 1999. Climate change, coral bleaching and the future of the
world’s coral reefs. Marine and Freshwater Research, 50, 839-866.
Hoerling, M., Kumar, A., 2003. The perfect ocean for drought. Science, 299, 691-694.
Hoffman, J.S., 1984. Estimate of future sea-level rise. In Greenhouse effect and sealevel rise, Barth and Titus (eds.), New York, USA, 79-103 pp.
Horel, J.D., 1984. Complex principal component analysis: Theory and example. Journal
of Applied Meteorology, 23, 1660-1673.
75
Horel, J.D., Wallace, J.M., 1981. Planetary-scale atmospheric phenomena associated
with the southern oscillation. Monthly Weather Review, 109, 813-829.
Huber, M., Caballero, R., 2003. Eocene El Niño: Evidence for robust tropical dynamics
in the “Hothouse”. Science, 299, 877-881.
Hughes, L., 2000. Biological consequences of global warming: Is the signal already.
Trends in Ecology and Evolution, 15, 56-61.
Hurrell, J.W., 1995. Decadal trends in the North Atlantic Oscillations: Regional
temperatures and precipitation. Science, 269, 676-679.
Hurrell, J.W., 1996. Influence of variations in extratropical teleconnections on northern
hemisphere temperature. Geophysical Research Letters, 23, 665-668.
Hurrell, J.W., Loon, H.V., 1997. Decadal variations in climate associated with the North
Atlantic Oscillation. Climatic Change, 36, 301-326.
IGBP, 2001a. IGBP Science No. 4, Global change and the Earth system: A planet under
pressure. Steffen, W., Tyson, P., Eds., 32 pp.
IGBP, 2001b. IGBP Science No. 3, Environmental variability and climate change. Eliott,
S., Ed., 31 pp.
International Research Institute for Climate Prediction. Overview of the ENSO system.
Web site linking science to society, http://iri.columbia.edu/climate/ENSO.
IPCC, Climate change 2001a: The scientific basis. Houghton, J.T., Ding, Y., Griggs,
D.J., Noguer, M., van der Linden, P.J., Dai, x., Maskell, K., Johnson, C.A., Eds., 944
pp.
IPCC, Climate change 2001b: Impacts, adaptation and Vulnerability. McCarthy, J.J.,
Canziani, O.F., Leary, N.A., Dokken, D.J., White, K.S., Eds, 1005 pp.
Janicot, S., Moron, V., Fontaine, B., 1996. Sahel droughts and ENSO dynamics.
Geophysical Research Letters, 23, 515-518.
Jarupongsakul, T., 1998. The implications of sea-levelrise and flooding for the Gulf of
Thailand region. In SEAPOL integrated studies of the Gulf of Thailand, Volume 1,
Southeast Asian Program in Ocean and Law, Policy and Management, Johnston,
D,M., (Ed.), 97-129.
Jassby, A.J., Powell, T.M., 1990. Detecting changes in ecological time series. Ecology,
71, 2044-2052.
Karl, T.R., Knight, R.W., 1997. The 1995 Chicago heat wave: How likely is a
recurrence? Bulletin of the American Meteological Society, 78, 1107-1119.
Karl, T.R., Knight, R.W., 1998. Secular trends in precipitation amount, frequency, and
intensity in the United States. Bulletin of the American Meteorological Society, 79,
231-241.
Kasting, J.F., 1993. Earth’s early atmosphere. Science, 259, 920-926.
Kiladis, G.H., Loon, H.V., 1988. The southern oscillation: Part VII Meteorological
anomalies over the Indian and Pacific sectors associated with the extreme of the
oscillation. Monthly Weather Review, 116, 120-136.
Knutson, T.R., Manabe, S., 1995. Time-mean response over the tropical Pacific to
increased CO 2 in a coupled ocean-atmosphere model. Journal of Climate, 8, 21812199.
B
B
76
Knutson, T.R., Manabe, S., Gu, D., 1997. Simulated ENSO in a global coupled oceanatmosphere model: multidecadal amplitude modulation and CO 2 sensitivity. Journal
of Climate, 10, 138-161.
Kumar, A., Leetmaa, A., Ji, M., Simulations of atmospheric variability induced by sea
surface temperatures and implications for global warming. Science, 266, 632-634.
Lagerloef, G.S.E., Bernstein, R.L., 1988. Empirical Orthogonal Function analysis of
Advanced Very High Resolution Radiometer Surface Temperature patterns in Santa
Barbara channel. Journal of Geophysical Research, 93, 6863-6873.
Lanzante, J.R., 1996. Resistant, robust and non-parametric techniques for the analysis of
climate data: Theory and examples, including applications to historical radiosonde
station data. International Journal Climatology, 16, 1197-1226.
Leathers, D.J., Yarnal, B., Palecki, M.A., 1991. The Pacific/North American
teleconnection pattern and United States climate: Part I Regional temperature and
precipitation associations. Journal of Climate, 4, 517-528.
Levitus, S., Antonov, J.I., Boyer, T.P., Stephens, C., 2000. Warming of the world ocean.
Science, 287, 2225-2229.
Li, C., 1990. Interaction between anomalous winter monsoon in East Asia and El Niño
events. Advances in Atmospheric Sciences, 7, 36-46.
Li, C., 1990. Interaction between anomalous winter monsoon in East Asia and El Niño
events. Advances in Atmospheric Sciences, 7, 36-46.
Limsakul, A., Saino, T., Midorikawa, T., Goes, J.I., 2001. Temporal variations in lower
trophic level biological environments in the northwestern North Pacific Subtropical
Gyre from 1950 to 1997. Progress in Oceanography, 49, 129-149.
Loon, H.V, Roger, J.C., 1978. The seesaw in winter temperatures between Greenland
and northern Europe: Part I General description. Monthly Weather Review, 106, 296310.
Mann, M.E., Bradley, R.S., Hughes, M.K., 1999. Northern hemisphere temperatures
during the past millennium: Inferences, uncertainties, and limitations. Geophysical
Research Letters, 26, 759-762.
Mantua, N. J., Hare, S. R., Zhang, Y., Wallace, J. M., Francis, R. C., 1997. A Pacific
Interdecadal Climate Oscillation with impacts on salmon production. Bulletin of the
American Meteorological Society, 78, 1069-1079.
McCarty, J.P., 2001. Ecological consequences of recent climate change. Conservation
Biology, 15, 320-331.
McGowan, J. A., Cayan, D. R., Dorman, L. M., 1998. Climate-Ocean variability and
ecosystem response in the Northeast Pacific. Science, 281, 210-217.
McPhaden, M.J., 1999. Genesis and evolution of the 1997-98 El Niño. Science, 283,
950-954.
Mearns, L.O., Giorgi, F., McDaniel, L., Shields, C., 1995. Analysis of daily variability
of precipitation in a nested regional climate model: Comparison with observations
and doubled CO 2 results. Global Planetary Change, 10, 55-78.
Meehl, G.A., Washington, W.M., 1996. El Niño-like climate change in a model with
increased atmospheric CO 2 concentration. Nature, 382, 56-60.
B
B
B
B
B
77
B
Nitta, T., Yamada, S., 1989. Recent warming of tropical sea surface temperature and its
relationship to the northern hemisphere circulation, Journal of Meteorological Society
of Japan, 67, 375-383.
Osborn, T.L., 1997. Areal and point precipitation intensity changes: Implication for the
application of climate model. Geophysical Research Letters, 24, 2829-2832.
Osborn, T.L., Hulme, M., 1997. Development of a relationship between station and
grid-box rainday frequencies for climate model evaluation. Journal of Climate, 10,
1885-1908.
Ottersen, G., Planque, B., Belgrano, A., Post, E., Reid, P.C., Stenseth, N.C., 2001.
Ecological effects of the North Atlantic Oscillation. Oecologia, 128, 1-14.
Ouprasitwong, N., 2002. Indices and trends in extreme rainfall and temperature in
Thailand (in Thai with English abstract). Technical Document No. 551. 577.3-012002, Meteorological Department of Thailand, 44 pp.
Parmesan, C., 1996. Climate and species’ range. Nature, 382, 765-766.
Parmesan, C., Yohe, G., 2003. A globally coherent fingerprint of climate change
impacts across natural systems. Nature, 421, 37-42.
Peixoto, J.P., Oort, A.H., 1992. Physics of climate. American Institute of Physics, New
York, USA, 520 pp.
Petit, J.R., Jouzel, J., Raynaud, D., Barkov, N.I., Barnola, J.-M., Basile, I., Bender, M.,
Chappellaz, J., Davis, M., Delaygue, G., Delmotte, M., Kotlyakov, V.M., Legrand,
M., Lipenkov, V.Y., Lorius, C., Pépin, L., Ritz, C., Saltzman, E., Stievenard, M.,
1999. Climate and atmospheric history of the past 420,000 years from the Vostok ice
core, Antarctica. Nature, 399, 429-436.
Petitt, A.N., 1979. A non-parametric approach to the change point problem. Applied
Statistics, 28, 126-135.
Philander, S.G., 1990. El Niño, La Niña and the Southern Oscillation. Academic Press,
New York, 293 pp.
Philander, S.G.H., 1983. El Niño Southern Oscillation phenomena. Nature, 302,
295-301.
Pielke, R.J., Landsea, C., 1998. Normalized Atlantic hurricane damage: 1925-1995.
Weather Forecasting, 12, 621-631.
Plummer, N., Salinger, M.J., Nicholls, N., Suppiah, R., Hennessy, K.J., Leighton, R.M.,
Trewin, B., Page, C.M., Lough, J.M., 1999. Changes in climate extremes over the
Australian region and New Zealand during the twentieth century. Climatic Change,
42, 183-202.
Preisendorfer, R.W., 1988. Principal component analysis in meteorology and
oceanography. Development in Atmospheric Science 17, Elsevier, New York, USA,
419 pp.
Prospero, J.M., Nees, R.T., 1986. Impact of the North African drought and El Niño on
mineral dust in the Barbados trade winds. Nature, 320, 735-738.
Qian, W., Zhu, Y., 2001. Climate change in China from 1880 to 1998 and its impact on
the environmental condition. Climatic Change, 50, 419-444.
78
Quinn, W.H., Neal, V.T., 1984. Recent climate change and the 1982-83 El Niño. In
proceeding of the 8 th Annual Climate Diagnosis Workshop, Downsvile, ON, NOAA,
Canada, 148-154.
Quinn, W.H., Neal, V.T., 1985. Recent long-term climate change over the eastern
tropical and subtropical Pacific and its ramifications. In proceeding of the 9 th Annual
Climate Diagnosis Workshop, Corvallis, OR, NOAA, 101-109.
Rasmusson, E.M., Wallace, J.M., 1983. Meteorological aspects of the El Niño/Southern
Oscillation. Science, 222, 1195-1202.
Rebstock, G.A., 2002. Climatic regime shifts and decadal-scale variability in calanoid
copepod populations off southern California. Global Change Biology, 8, 71-89.
Reid, P.C., Edwards, M., Hunt, H.G., Warner, A.J., 1998. Phytoplanton change in the
North Atlantic. Nature, 391, 546.
Roemmich, D., McGowan, J.A., 1995. Climatic warming and the decline of zooplankton
in the California Current. Science, 267, 1324-1326.
Ropelewski, C.F., Jones, P.D., 1987. An extension of the Tahiti-Darwin southern
oscillation index. Monthly Weather Review, 115, 2161-2165.
Rungdilokroaja, V., Nimma, S., 1990. The variation of annual rainfall and surface
temperature over Thailand. In proceeding of the Workshop on the Global Changes,
National Research Council of Thailand, Bangkok, Thailand.
Schindler, D.W., Bayley, S.E., Parker, B.R., Beaty, K.G., Cruikshank, D.R., Fee, E.H.,
Schindler, E.U., Stainton, M.P., 1996. The effects of climatic warming on the
properties of boreal lakes and streams at the Experimental lakes area. Limnology and
Oceanography, 41, 1004-1017.
Schlesinger, M.E., Ramankutty, N., 1994. An oscillation in the global climate system of
period 65-70 years. Nature, 367, 723-726.
Snidvongs, A., 1997. The oceanography of the Gulf of Thailand: Research and
management priorities. Paper presented at the SEAPOL Gulf of Thailand Project,
First Meeting of Experts, Hua Hin, Thailand.
Spencer, T., Teleki. T.A., Bradshaw, C., Spalding, M., 2000. Coral bleaching in the
southern Seychelles during the 1997-1998 Indian Ocean warm event. Marine
Pollution Bulletin, 40, 569-586.
Steadman, R.G., 1984. A universal scale of apparent temperature. Journal of Applied
Meteorology, 23, 1674-1687.
Strub, P.T., Powell, T., Goldman, C.R., 1985. Climatic forcing: Effects of El Niño on
small, temperate lake. Science, 227, 55-57.
Sun, D.Z., Trenberth, K.E., 1998. Coordinated heat removal from the equatorial Pacific
during the 1986-87 El Niño. Gophysical Research Letters, 25, 2659-2662.
Suppiah, R., Hennessy, K.J., 1998. Trends in total rainfall, heavy rain events and
number of dry days in Australia. International Journal of Climatology, 10, 1141-1164.
Taylor, A.H., Allen, J.I., Clark, P.A., 2002. Extraction of a weak climatic signal by an
ecosystem. Nature, 416, 629-632.
P
P
P
79
P
Timmermann, A., Oberhuber, J., Bacher, A., Esch, M., Latif, M., Roeckner, E., 1999.
Increased El Niño frequency in a climate model forced by future greenhouse
warming. Nature, 398, 694-697.
Trenberth, K. E., 1990. Recent observed interdecadal climate changes in the northern
hemisphere. Bulletin of the American Meteorological Society, 71, 988-993.
Trenberth, K. E., Hurrell, J. W., 1994. Decadal atmosphere-ocean variations in the
Pacific. Climate Dynamics, 9, 303-319.
Trenberth, K.E., 1984. Signal versus noise in the southern oscillation. Monthly Weather
Review, 112, 326-332.
Trenberth, K.E., 1997. The definition of El Niño. Bulletin of the American
Meteorological Society, 78, 2771-2777.
Trenberth, K.E., 2001. Strong evidence of human influences on climate: The 2001 IPCC
assessment. Environment, 43, 8-19.
Trenberth, K.E., Hoar, T.J., 1996. The 1990-1995 El Niño-Southern Oscillation event:
Longest on record. Geophysical Research Letters, 23, 57-60.
Troup, A.J., 1965. The southern oscillation. Quarterly Journal Royal Meteorology
Society, 91, 490-506.
Venegas, S.A., 2001. Statistical methods for signal detection in climate, Technical
report, 96 pp.
Wallace, J. M., Gutzler, D. S., 1981. Teleconnections in the geopotential height field
during the northern hemisphere winter. Monthly Weather Review, 109, 784-811.
Wallace, J.M., Dickinson, R.E., 1972. Empirical orthogonal representation of time series
in the frequency domain: Part II Application to the study of tropical wave disturbance.
Journal of Applied Meteorology, 11, 893-900.
Walther, G.-R., Post, E., Convey, P., Menzel, A., Parmesan, C., Beebee, T.J.C.,
Fromentin, J.-M., Hoegh-Guldberg, O., Bairlein, F., 2002. Ecological responses to
recent climate change. Nature, 416, 389-395.
Wang, B., 1995. Interdecadal changes in El Niño onset in the last four decades. Journal
of Climate, 8, 267-285.
Wang, B., An, S.I., 2002. A mechanism for decadal changes of ENSO behavior: Roles
of background wind changes. Climate Dynamics, 18, 475-486.
Wang, B., Wang, Y., 1996. Temporal structure of the Southern Oscillation as revealed
by waveform and wavelet analysis. Journal of Climate, 9, 1585-1598.
Wang, J.X.L., Gaffen, D.J., 2001. Late-twentieth-century climatology and trends of
surface humidity and temperature in China. Journal of Climate, 14, 2833-2845.
Wang, W., Li, K., 1990. Precipitation fluctuation over semiarid region in Northern
China and the relationship with El Niño/Southern Oscillation. Journal of Climate, 3,
769-783.
Ware, D.M., Thomson, R.E., 2000. Interannual to multidecadal timescale climate
variations in the Northeast Pacific. Journal of Climate, 13, 3209-3220.
Wearn, B.C., Nasstrom, J.S., 1982. Examples of extended empirical orthogonal function
analyses. Monthly Weather Review, 110, 481-485.
80
Wilkison, J.H., 1965. The algebraic eigenvalue problem. Clarendon Press, Oxford,
England.
Wilks, D.S., 1995. Statistical methods in atmosphere science: An introduction.
Academic Press, 467 pp.
Wolter, K., Timlin, M.S., 1993. Monitoring ENSO in COADS with a seasonally
adjusted principal component index. In proceeding of the 17 th Climate Diagnosis
Workshop, OK, NOAA/N MC/CAC, NSSL, Oklahoma Climate Survey. CIMMS and
the School of Meteorology, University of Oklahoma, 52-57.
Wolter, K., Timlin, M.S., 1998. Measuring the strength of ENSO – how does 1997/98
rank? Weather, 53, 315-324.
Yamagata, T., Masumoto, Y., 1992. Interdecadal natural climate variability in the
western Pacific and its implication in global warming. Journal of Meteorological
Society of Japan, 70, 167-175.
Yasunari, T., Seki, Y., 1992. Role of the Asian monsoon on the interannual variability
of the global climate system. Journal of the Meteorological Society of Japan, 70, 177189.
Zahn, R., 2003. Monsoon linkages. Nature, 421, 324-325.
Zhai, P., Sun, A., Ren, F., Liu, X., Gao, B., Zhang, Q., 1999. Changes of climate
extremes in China. Climatic Change, 42, 203-218.
Zhang, Y., Wallace, J.M., Battisti, D.S., 1997. ENSO-like interdecadal variability:
1900-93. Journal of Climate, 10, 1004-1020.
Zwiers, F.W., Kharin, V. V., 1998. Changes in the extremes of the climate simulated by
CCC GCM2 under CO 2 doubling. Journal of Climate, 11, 2200–2222.
P
B
B
81
P