导 读
在寒潮的影响下，中国北方似乎已有入冬的迹象，而南方的高温干旱却余热未尽，江西的极度干旱仍在持续。世界其他地区的气象灾害也此起彼伏，极端天气气候事件的影响愈加凸显。极端事件预测为什么这么难？未来的日子是否会有更多 “水深火热”？
撰文 | 姜中景
责编 | 冯灏
● ● ●
眼下，江西遭遇的重度气象干旱已持续超过90天，其中有97%的县（市、区）达到特重气象干旱 [1]。鄱阳湖代表站星子站今夏最低水位退至6.68米，刷新鄱阳湖有记录以来历史最低水位 [2]。但气象预报依然没有好消息，10月17日18时，中央气象台继续发布气象干旱橙色预警，浙江南部、福建大部、江西中部至南部、湖南中部至南部等地有特旱。
国家气候中心评估表示，2022年夏季中国的高温热浪事件综合强度为1961年以来最强。持续的高温天气是此次干旱的幕后推手 [3]。
图1 2022年10月17日全国气象干旱综合监测图 | 图源：国家气候中心
10月11日前后，上海出现 “囤水风波”。受长江流域持续干旱影响，上游来水比正常年份明显减少，淡水河流量不足，海水倒灌，地处长江口的上海出现了罕见的夏季咸潮，造成河道水体变咸 [4]。出于对用水安全的担心，很多市民开始去超市抢购矿泉水。
一些人不免疑惑，为何气象部门没有准确预计到此次江西等地遭遇的这场旷日持久的特旱？极端事件的预测难在哪儿？预测准确度又该如何提高？
图2 2022年9月中国气象灾害分布图 | 图源：国家气候中心
1
江西极度干旱，谁是元凶，谁是帮凶？
由于我国属于典型的东亚季风气候，降水量时空分布不均，年均降水量由东南沿海向西北内陆递减。南方雨季长，降水量大，容易出现洪涝灾害；而北方雨季短，降水量小，容易出现干旱。这也就形成一直以来大家熟悉的 “南涝北旱” 的气候常态。现在怎么就变成 “南旱北涝” 了呢？
今年夏季高温热浪的成因已有诸多讨论，总结起来，副热带高压可以称作是引发持续高温天气继而导致此次极端干旱的 “元凶”。 “副高是从控制的天气系统角度来解释，最简单明了。” 中央气象台首席预报员张涛告诉《知识分子》。
今年，由于副高异常强盛，西太平洋副高、伊朗高压、南亚高压增强，形成几乎打通整个北半球的环球副热带高压带 [5]。这也是今年夏季北美、西欧和亚洲多地同时出现高温热浪的原因。对于中国，西太平洋副高相较往年向西延伸，中国南方在西太平洋副高的控制下，大气以下沉气流为主，少云情况下地面接收太阳辐射增加以及气团下沉绝热增温，造成了地表温度升高和对应区域的干燥少雨[6]。
除了副高之外，其他气候因子也可能是极端高温事件的潜在 “帮凶”。海洋是全球气候变化的重要驱动力，太平洋和印度洋的热带海温变化对我国夏季长江中下游的极端天气事件也有重要影响。南京信息工程大学气候与应用前沿研究院院长罗京佳向《知识分子》解释，“厄尔尼诺、拉尼娜这些气候现象表现为热带太平洋的海温异常，分别对应着海温的升高和降低，这种海温异常可以通过影响热带对流等活动驱动整层大气，激发大气中的波列，进而将热带的影响传播到中高纬度地区。”
因此，尽管厄尔尼诺、拉尼娜这些气候信号不直接对中纬度的温度产生影响，但它们可以通过影响大气环流，比如影响东亚季风的建立、控制雨季进程来影响极端事件的强度和频率。比如今年夏季，拉尼娜事件下西太平洋副高更加向西延伸，使得中国南方进入副高控制区，为我国夏季持续高温的发生提供条件。
未来，副高是否会成为 “惯犯” 持续向西扩张领地，使得“南旱北涝”成为未来的气候新常态？罗京佳表示，“目前在全球变暖背景下，厄尔尼诺、拉尼娜的发生频率增多或减少还没有定论，如果拉尼娜更加频发，可能未来南旱北涝会更常见。但按照世界气象组织的定义，气候平衡态的时间尺度一般在30年，仅基于最近几年的状态，现在给出 ‘气候新常态’ 的说法还为时过早。”
事实上，对于今年这场干旱，国家气候中心早在4月的汛期预测中已经给出大致预测（图3），并在每周滚动发布的气候预测公报中更新预测未来15-30天高温发生时段和影响区域。对于旱情的发展，国家应急管理部7月末提出，注重加强旱情监测分析和抗旱水源调度管理，包括江西要利用沿江滨湖地区外江外湖水位偏高有利条件，提前做好提水引水、蓄水保灌工作 [7]，在8月1日至25日，全国共开展飞机人工增雨作业91架次，组织地面人影作业1.1万次 [8]。
图3 2022年汛期中国气象灾害分布图 | 图源：国家气候中心
尽管气象部门密切跟踪着天气气候变化，南方旱情的监测预警也一直持续。但 “水粮” 就这么多，没有稳定补给，“拆了东墙补西墙” 也难解旱情的燎原态势。“缺水该怎么活？” 身处 “江南水乡” 的公众好像不得不开始严肃地思考这个可能长期存在的问题。
那么，地球上的水都去哪里了呢？
2
极端事件，从“点”到“面”有何关联？
过去的八月和九月，在中国的江西干旱刷新历史记录的同时，日本多地则出现创记录降雨，巴基斯坦遭受着暴雨和洪涝的连续攻击…… 全球不同国家和地区都在经历着不同程度的高温、干旱、飓风、暴雨、洪涝等气象灾害 [9]。
尽管极端天气气候事件有着很强的区域特征，但任何一个地方都不是气候孤岛。在自然的挑战面前，没有一个地方可以独善其身。极端事件不仅要求在区域尺度上得到精准表达，也需要在更大的范围内来考察全球不同区域气候热点的关联性。
图4 2022年9月国外气象灾害分布图 | 图源：国家气候中心
当多个灾害类型如干旱和热浪在多地同时或连续发生；或者不同灾害类型发生时空重叠；又或者之前的气候条件或天气事件增加了系统的脆弱性，使得后续灾害事件更容易出现；这些不同类型的 “复合” 会导致灾害事件的区域或全球的影响叠加放大，对社会环境的损害剧烈增加 [10]。
中科院大气物理研究所研究员王爱慧提到，未来的研究需要更多考虑复合型气候事件，而不只是像过去一样通常关注单个极端事件 [11]。“考虑复合型事件，一方面是因为从民生的角度，相比于单个事件，复合型事件的破坏性更大；另一方面是现在像 ‘旱涝急转’ 愈加频发，仅考虑单个事件已经不足以描述自然界的变化规律。” 王爱慧告诉《知识分子》。
复合型极端事件的概念最早是在政府间气候变化专门委员会（IPCC）2012年《管理极端事件和灾害风险推进气候变化适应》特别报告 [12]中提出 ，虽然已经过去了近10年时间，但学界对此类事件的理解、分析、量化和预测仍处在初级阶段，该领域还有很多科学问题亟待解决。
关于该方向的研究难点，王爱慧强调，一个是复合事件的背景场随时空演化，较为复杂；其次，不同气候要素比如温度和降水之间的关系不稳定；最后，数据可靠性也是一个问题，目前关于极端事件可用的观测数据不是很多，大部分还是依赖于模式数据。
为了提高预测能力，气候研究需要确定影响区域气候热点的过程，判断超过气候阈值的可能性。地球系统的非平稳性与 “快极端事件”（如飓风）和 “慢极端事件”（如干旱）的相互作用将成为研究的关键点 [13]。
极端事件就好像是天气赛跑中大跨步领先的运动员，频频打破历史记录。气候变化究竟是不是极端事件的 “兴奋剂”？对此，北京大学大气与海洋科学系教授胡永云告诉《知识分子》，“全球变暖背景下，某一次极端事件比如2021年7月河南郑州大暴雨，很难说它就是全球变暖造成的，但整体上极端降水事件是呈现增加趋势，类似郑州7.20大暴雨的事件将增多。台风方面有两种不同观点，一种表示全球变暖背景下，台风的强度增加，但个数减少；另一种则表示强度不变，个数增加；目前还处在争论中。”
图5 全球变暖1°C、1.5°C、2°C、4°C四种情景下，极端高温和极端降水的频率和强度都有所增加 | 图源：IPCC AR6_WG1_SPM[14]
气候变化下极端事件的发生频率增加是一个趋同的认识，但不同个体极端事件的特征表现、不同类型极端事件频率变化存在巨大差异。
3
极端事件频发，预报到底“难”在哪儿？
天气预报到底准不准？公众常常有 “天气预报不看，不如掐指一算” 这样类似的调侃。以1922年英国气象学家刘易斯·弗莱·理查德森出版《数值过程天气预报》一书为标志点，数值天气预报发展已有百年历史，随着通讯技术的发展，天气预报大家常常看，但预报结果并非人人信。
最早期的天气预报依赖于预报员借助天气图进行天气形势的推演。而随着计算机的诞生，全球观测网络的发展，以及资料同化技术的不断改进，纸张预报图时代已经终结，基于计算机的天气分析成为当前业务预报的通用手段。
数值模拟技术的发展并不意味着预报员就可以高枕无忧，抄抄机器模拟出的数据就可以轻松给出结论。就目前的预报技术水平而言，单纯的计算机或者是预报员都没有办法独自给出 “准” 话。张涛解释，“现代天气预报是基于数值预报的。数值预报是基石，主观预报不可能离开它了。数值预报会有误差，会有各种客观预报方法去解读它或调整它，预报员也会依据自己的主观认知和经验来调整它。”
事实上，日常天气预报就已经让预报员们应接不暇，而极端天气气候事件意味着 “小概率，高影响”。即气象后果更严重，如果预报出现偏差，将更加严重地威胁公众生命财产和基础设施安全，带来巨大社会经济损失。因此，预报员们可谓 “压力山大”。那么，相比于日常天气预报，极端事件预报的难点又在哪里?
“所有极端天气事件都在日常天气预报的范畴之中，它们从预报技术上讲并没有本质区别，主要难度在于天气强度的极端性把握”。张涛说，“重大事件的气象服务一般会比日常天气预报有更高的精细化要求，比如要求定时定点定量等；当日常预报中发现未来有可能发生极端事件时，预报的精细化程度也会相应提升。就干旱而言，它其实是一个逐渐累积的过程，是气候事件，不是天气事件，不属于天气预报的范畴，而气候预测主要预测降水和气温的平均趋势，并不能简单预测干旱。旱情时刻被监测，当累积到一定的程度时，会根据未来3天的天气预报发布气象干旱预警。”
此外，过去天气预报主要提供未来几天的天气信息，根据爱德华·洛伦兹提出的混沌理论，也就是大家耳熟能详的 “蝴蝶效应”，天气预报的理论上限大概在两周左右。而极端天气事件持续时间的延长和强度的增大，也在不断挑战预报的时空上限。极端事件的精确模拟对气候模式的区域表征提出了更高的要求，愈加复杂的天气气候背景下，人们对天气气候一体化预报模式的需求也越来越强烈 [15]。天气模式和气候模式的融合也成为当前需要攻克的一个前沿问题。
在过去，天气预报和气候预测使用不同的模式进行数值积分。由于计算能力的限制，气候模式通常网格较大，以牺牲小尺度的物理过程为代价，从而实现能量、动量和物质循环的守恒，但这些小尺度的物理过程却对天气预报的准确性至关重要，因此，短期天气预报通常关注局地过程的表达，而选择性忽略了地球系统中季节-年-年代际尺度过程的表征。但人们逐渐意识到，小尺度过程对气候预测也有重要影响 [16]，地球系统的复杂性也同样影响着天气尺度的预报 [17]。
目前的计算机技术还难以支持超高分辨率条件（如1公里）的地球系统模式计算，为了实现天气-气候模式的融合，“数字孪生” 概念下的软件基础设施的更新为天气-气候一体化模式的实现提供了潜在发展途径 [18]。
4
人工智能时代，预报如何变“准”？
人工智能、大数据等领域的蓬勃发展，推进着地球系统科学的数字革命。近年来，“数字孪生地球” 的概念不断深入大众视野。2021年，欧盟开始启动 “目的地地球”（Destination Earth）计划，试图打造一个超高精度、近实时演变的地球数字模型。“数字孪生地球” 通过将模拟和近实时观测相结合的方式来监测地球系统的演化，从而能够更加精准地预测气候演变和极端事件。
图6 “数字孪生地球”概念图。基于背景预报集合（橙色箭头），将其与时间窗内的观测（黑点）进行比较，通过统计方法将其校正为更接近观测的分析集合（绿色箭头）| 图源[18]
基于该概念框架，欧洲中期天气预报中心（ECMWF）的科学家们对软件基础设施提出了图7中的计算架构的设想 [18]。这种通用、可扩展的系统架构为实现数值模式的尺度融合提供了潜在的解决方案，但由于计算硬件和软件更新速度的差异、投资力度的大小等外在限制，要真正实现这一目标也并非易事。
图7 “数字孪生地球” 软件基础设施概念图 | 图源[18]
对于该方面研究的进展，罗京佳说，“目前天气-气候一体化模式是国际上一个前沿的方向，像国际上欧洲中心、英国气象局等业务部门，国内大气所、国家气象局、南信大等单位都在开展相关研究，但目前的研究结果、技巧比较等方面的相关文章还不是很多。”
胡永云表示，“数值预报方面，中国起步晚一些，相对来说基础要差一点，早期的计算机条件不太好，人才储备也不太够。虽然近些年在追赶，但差距还是明显的。要追上发达国家的步伐，只学习西方的理论和技术是不够的，科学精神的学习也很重要。”
人工智能在地球系统科学和模式开发中的应用也逐渐增多，这对预报准确性的提高起着重要作用。罗京佳介绍，当前人工智能在模式中的应用包括降尺度、偏差订正、概率预报、构建预报模型以及数据-物理双驱的融合模型/模式等方面。
降尺度方面，采用人工智能的方法能够把原来较粗的比如100公里的模式网格降低到几公里至几十公里，这能够大大提高水平分辨率，提高区域精细化模拟和预测水平。
其次，由于计算能力和物理认知的限制，气候动力模式的预测结果和真实大气的演化存在一定偏差，目前研究人员也尝试应用人工智能的相关方法来进行模式结果的偏差订正。
另一个方面的应用是在概率预报，这有别于过去的确定性预报概念。比如明天下不下雨这个问题，公众比较习惯的方式是 “下” 或者 “不下”，天气预报你得给个准话。而概率预报则是给出降水的一个概率，例如某个城市明天下雨的可能性是百分之多少。概率预报由于要考虑进天气条件的概率分布，对模式模拟的成员数量的需求更大，机器学习的应用能够在某种程度上缓解计算资源的限制，提高预报准确性。这也许能减少老百姓们被 “忽悠” 的感觉。
此外，利用人工智能、机器学习的一些方法构建预报模型也是研究人员正在尝试的方向，希望通过数据驱动模型和物理驱动模型的融合，带来一些新的启发。比如，可以利用机器学习方法构建一个模型来替代数值模式中关键的次网格物理过程参数化方案，这样原先只能通过物理参数化方案来表征的一些小尺度过程现在也能够在网格上解析，从而进一步提高模式性能。
人工智能对应的数据驱动发展下，现在国内外一些企业和公司也在开始预报工作，中科院大气物理研究所副研究员夏江江告诉《知识分子》，“企业大厂的优势在于其人工智能技术、强大的算力和行业某些具体的落地场景，但是需要结合科研单位研究能力和领域知识的优势、以及必不可少的气象机构的数据源和业务预报经验。” 对于国内外的比较，他表示，“目前相关研究工作大多还是单兵作战，要想并跑甚至引领国际先进水平，还需要更多团体的深度合作。”
气候科学领域，研究人员最为担心的一点是机器学习的方法相比于传统基于大气运动方程组构建的气候模式缺乏可解释性。人工智能帮忙，预报是真的从根本上变准了吗？还是程序员们的 “调参魔法” 在起作用？
关于可解释性，夏江江举了个例子，比如人工智能进行图像识别，但是模型错误地将在雪地上的哈士奇判断成狼，研究人员分析发现此类误判实际是由
中雪地这种独特的背景造成的。通过对结果及 “错误” 的这种 “解释”，我们可以对训练模型进行修正。但气象数据由于要素种类多源、时空维度多样、相互作用复杂，解释起来就更加困难。
谈及如何解决，罗京佳表示，第一个是可以在选取预报训练因子的时候加入一些物理机理的考量；其次是在构建人工智能模型时加入物理规律的约束；第三种就是在应用人工智能方法时进行步骤拆解，每进行一小步就进行物理成因的分析；还有一种方法就是在人工智能无法解释情况下，利用传统的物理方法比如数值模式进行验证。
“人工智能和传统物理方法都有各自的优缺点，如何将数据驱动和物理驱动方法相融合，克服各自方法上的缺陷去更好的解决问题，是我们更需要关注的，而不是因为有缺陷就把这个方法 ‘一棍子打死’。” 罗京佳补充
转自：“知识分子”微信公众号
如有侵权，请联系本站删除！
