玻尔百科厄尔尼诺-南方涛动（El Niño–Southern Oscillation, ENSO）是地球气候系统中的一种强大节律，它是一种行星尺度的脉动，决定着全球各地的天气模式，影响着从美国中西部的作物产量到南美洲的公共卫生危机等方方面面。能够提前数月预报这种振荡是现代科学的标志性成就之一，为我们洞察地球近期未来提供了一个难得的窗口。然而，这种预报能力并非一蹴而就。它建立在对海洋物理学的深刻理解、革命性的全球观测网络以及不断挑战认知边界的复杂计算方法之上。本文探讨了 ENSO 预报背后的科学，阐述了我们如何将稀疏的海洋数据转化为可操作的预测。第一章“原理与机制”将深入热带太平洋的核心，揭示 ENSO 的物理驱动因素以及我们用来观测它们的技术。随后的“应用与跨学科联系”将展示如何利用人工智能等新工具改进这些预报，并将其应用于不同领域以管理风险和建设一个更具韧性的社会。
要预报像 ENSO 这样巨大而复杂的现象，我们必须首先理解其灵魂。驱动它的引擎是什么？它的节律、它的心跳是什么？我们又如何能从陆地上的有利位置，去为整个海洋把脉？ENSO 预报的故事是一段深入行星尺度振荡器核心的旅程，是一个关于巧妙测量和不断挑战认知极限的故事。
想象一下热带太平洋处于其“正常”状态。在西边的印度尼西亚附近，汇集着地球上最温暖的水体——印太暖池。而在东边的南美洲沿岸，海水却出奇地凉爽，由深层富含营养的冷水上翻至表层所致。这种温差驱动着一个巨大的大气环流，如同一个巨型海风：沃克环流。空气在温暖的西太平洋暖池上空上升，在高空向东流动，在凉爽的东太平洋上空下沉，然后作为我们熟悉的信风向西回流。海洋和大气处于一种微妙的、自我强化的平衡中：信风将暖水堆积在西部，这使得西部保持温暖、东部保持凉爽，而这反过来又驱动着信风。这就是正常状态。
但这种平衡是脆弱的。暖池是大气活动的“大锅炉”，是雷暴的温床。偶尔，有组织的对流爆发（通常与东传的马登-朱利安振荡（MJO）相关）会暂时逆转西太平洋上空的信风。这并非温和的微风，而是强劲而短暂的烈风，被称为西风爆发事件（WWBs）。它们是对系统的随机“踢动”，是钟摆的轻轻一推。
当一次西风爆发事件将其能量释放到海洋上时会发生什么？它会做两件事。首先，它会给西太平洋暖池的暖水一个强有力的向东推动。其次，它会产生一个波，但不是你能冲浪的那种波。这是海洋内部结构中的一个波，是温跃层——即分隔表层暖水与深层冷水的边界——的一个深层隆起。这种特定类型的波，称为赤道开尔文波，非常奇特。它受地球自转的束缚，只能单向传播：沿赤道向东。
这个开尔文波是厄尔尼诺的预兆。当它飞速穿越太平洋时，携带了西风的信号。你可以将其速度 视为由海洋层结的“刚度”（由一个称为折减重力 的项所概括）和上层暖水的厚度 共同决定。物理学中一个简洁而优美的关系告诉我们 。对于太平洋而言，这给出的速度约为 ，意味着这个波可以在大约两到三个月内穿越整个 的洋盆。
当这个下沉开尔文波到达东太平洋时，它会使温跃层加深。通常将冷水带到表面的上升流现在从加深的温跃层上方的暖水中抽取水。东太平洋开始变暖。这种变暖减小了东西向的温差，从而削弱了信风，这可能导致更多的西风……这就是 Bjerknes 反馈，这个正反馈循环将一个小扰动放大成一个全面的厄尔尼诺事件。
如果故事到此为止，太平洋将锁定在永久的厄尔尼诺状态。但它是一个振荡器，这意味着必须有一个延迟的负反馈。这就是“延迟振子”理论。当开尔文波撞击南美洲海岸时，其能量并非凭空消失。一部分能量被反射向西，但变成了另一种波：一对缓慢的、上升流的赤道罗斯贝波。这些波是开尔文波的“阴”。它们同样被束缚在赤道附近，但只向西传播，且速度慢得多。给出开尔文波速度的同样物理学原理告诉我们，这些罗斯贝波中第一个也是最快的一个，其移动速度恰好是开尔文波速度的三分之一，即 。
因此，当厄尔尼诺在东太平洋达到顶峰时，这些缓慢的罗斯贝波已经开始了它们长达九个月的返程之旅，穿越太平洋。它们携带了厄尔尼诺消亡的种子。当它们到达西太平洋，从印度尼西亚海岸反射回来，并被转换回一个东传的*上升流*开尔文波。这个“冷”波使东太平洋的温跃层变浅，冷却了海面，并可能启动相反的位相——拉尼娜。循环完成。ENSO 的心跳就是这些巨大的、无形的海洋波之间缓慢的、跨太平洋的对话。
理解机制是一回事，观测它又是另一回事。为了追踪和预报 ENSO，科学家们为热带太平洋建立了一个“生命体征”监测网络。其中最著名的是尼诺指数，它们就是赤道太平洋特定区域海表温度（SST）的平均异常值。
但即使是这样简单的测量也存在微妙之处。“异常”究竟是什么？它是与“正常”的偏差。要计算它，我们必须首先为一年中的每个月定义一个长期平均值，即气候态。但地球正在变暖。如果我们的气候态时段太旧，比如 1950-1980 年，那么几乎所有最近的年份看起来都会偏暖。因此，选择气候态的基准期至关重要，并且必须定期更新。此外，必须从数据中移除长期变暖趋势，才能正确地将 ENSO 的年际摆动与全球气候变化的缓慢进程分离开来。
为了获取这些数据，我们依赖于三种协同工作的卓越技术：
TAO/TRITON 浮标阵列：想象一条横跨整个赤道太平洋的高科技浮标警戒线。这些锚定浮标就像海洋中的永久性气象站，测量风、气温、湿度，以及至关重要的、深达 500 米的水温和海流。它们为海气相互作用的关键界面提供了连续、实时的“脉搏”信息。
Argo 浮标：这是一支由 4000 多个机器人潜艇组成的全球舰队。这些自主浮标在 1000 米的深度随洋流漂移。每十天，它们下沉到 2000 米，然后上升到海面，在上升过程中测量温度和盐度剖面。一旦到达海面，它们通过卫星“打电话回家”，传输宝贵的数据，然后再次下沉。它们为我们提供了至关重要的、覆盖整个洋盆的、关于海洋热结构和温跃层深度的三维视图。
卫星测高：从太空的有利位置，像 Jason-3 和 Sentinel-6 这样的卫星使用雷达以惊人的精度——精确到几厘米——测量海平面高度。海面上的这些“隆起”和“凹陷”正是深层开尔文波和罗斯贝波的直接标志。一个隆起（高海平面）对应着一个深的温跃层（一个下沉的开尔文波，厄尔尼诺的迹象），而一个凹陷（低海平面）则对应着一个浅的温跃层（一个上升的波，拉尼娜的迹象）。
这些系统中任何一个单独都无法满足需求。锚定浮标为我们提供了固定点上的高频细节，Argo 浮标为我们提供了广阔的次表层背景，而卫星则提供了驱动整个系统的波浪的无缝、覆盖整个洋盆的视图。它们共同构成了一个全球观测系统，这是现代地球科学的伟大成就之一。
有了 ENSO 运行的理论和来自我们观测系统的大量数据，我们如何做出预报？我们使用复杂的气候数值模型，这些模型是一组代表大气和海洋物理过程的方程。要启动一个预报，我们需要为模型提供一个关于地球系统当前状态的完整三维“快照”——即初始条件。
这是预报的核心挑战。我们的模型不完美，我们的观测虽然令人惊叹，但仍然稀疏且含有噪声。数据同化是一门科学，旨在将我们不完美的基于模型的知识与我们不完美的观测数据进行最佳融合，以产生对现实的最佳估计。可以把它想象成侦探的工作：你有一个昨天的预报（先验信念）和一堆零散的新线索（观测数据）。数据同化提供了数学框架来权衡这些信息来源，并生成一张新的、更新的“犯罪现场”地图。
这些方法已经发生了巨大演变：
但即使是模型和数据的完美融合也不足够。初始条件还必须是动力学平衡的。在真实的大气和海洋中，质量场（气压、温度）和风场处于微妙的和谐之中。如果创建的初始条件不尊重这种平衡，模型就会“像敲钟一样响”，在剧烈自我调整时产生巨大的、虚假的重力波。这种“初始化冲击”会完全破坏预报。现代初始化方案使用复杂的技术来滤除这些不平衡的分量，确保预报平稳启动。这在热带地区尤其具有挑战性，因为中纬度地区简单的地转平衡在此失效，必须被更复杂的赤道波动平衡所取代。
尽管取得了这些进步，ENSO 预报仍然是一个巨大的挑战。任何关注 ENSO 预报的人都会注意到一个奇特的模式：夏季或秋季做出的预报通常相当有把握，而春季做出的预报似乎很困难。这种技巧的季节性下降是如此可靠，以至于它有了一个名字：春季可预报性障碍。
这个障碍并非人为产物；它是 ENSO 循环本身的一个基本特征。我们可以把它想象成笼罩我们预测的一团“春季迷雾”。这团迷雾由三个因素共同导致：
在春季，一个记忆短暂的弱信号很容易被强噪声淹没。在春季之前初始化的预报难以将其信息穿过这段不确定时期，其技巧会急剧下降。然而，我们的观测系统提供了一条生命线。通过提供一个更准确的初始条件，特别是来自 TAO/TRITON 阵列等关键平台的数据，我们可以为我们的预报提供一个更好的起点，帮助它们“刺穿迷雾”，并减轻春季障碍的严重性。
展望未来，一个新的挑战出现了：气候变化。游戏规则可能正在改变。一个在 1950-2000 年数据上训练的机器学习（ML）模型，在 2030 年可能会发现自己处在一个截然不同的世界里。这个问题被称为分布漂移。它主要有两种形式：
检测和适应这些漂移是气候科学的一个前沿领域。它要求我们持续监测模型的性能以及地球系统本身的统计特性。延迟振子那优美而富有节奏的舞蹈仍在继续，但它现在是在一个变化的舞台上上演，我们必须边走边学新的舞步。
了解事物的原理和机制本身就是一种乐趣。我们看到宇宙的齿轮和杠杆，并惊叹于其错综复杂。但故事并未就此结束。真正的魔力始于我们利用这种理解来构建一个镜头——无论多么模糊——去窥视未来。预测厄尔尼诺-南方涛动（ENSO）不仅是解决复杂方程的学术活动；它是一项深刻的努力，几乎触及我们生活的方方面面，并连接了众多令人惊异的科学学科。在探索了这个伟大的太平洋心跳的基本物理学之后，我们现在转向科学的节律与社会的节律交汇之处。我们将看到，对 ENSO 预报的追求如何推动创新、拯救生命，甚至帮助我们解读我们星球自身的历史。
任何预报都是一场与不确定性的战斗。我们的预测的好坏，取决于我们对海洋当前状态的了解程度，以及我们用来推演该状态的规则——即模型——的质量。因此，改进 ENSO 预报是一场双线作战：我们必须更清晰地看世界，并且必须更完美地书写其规律。
热带太平洋是一片广阔的水域。我们无法同时测量所有地方的温度和海流。那么，我们应该把我们宝贵而昂贵的仪器放在哪里，才能获得最大的“性价比”？这不是一个凭猜测的问题，而是严谨数学的问题。科学家使用强大的数据同化技术，如卡尔曼滤波，将观测数据与模型预报相结合，以生成海洋当前状态的最佳图像。
这个框架也让他们能为我们的观测系统进行“兵棋推演”。在所谓的观测系统模拟实验（OSSEs）中，科学家在计算机上创建一个模拟的“真实”海洋。然后，他们假装用不同配置的虚拟仪器——比如在这里增加更多浮标，或者改变卫星轨道——从这个“真实”海洋中获取测量数据。然后他们可以观察哪种配置在减少预报误差方面做得最好。或者，在观测系统实验（OSEs）中，他们采用真实的、业务化的预报系统，并故意扣留来自现有仪器——如热带大气海洋（TAO/TRITON）阵列的浮标或数千个漂流的 Argo 浮标——的数据，以观察预报会退化多少。这精确地告诉我们该部分观测网络的价值。通过这些实验，我们可以定量地确定哪个传感器网络能为像 Niño-3.4 海表温度这样的关键指数最小化预报不确定性，确保我们的全球观测投入尽可能高效。这是理论指导我们如何在海洋上部署“眼睛”这一非常实际工作的绝佳例子。
即使拥有完美的观测系统和完美的模型，我们也无法无限期地预测未来的 ENSO。大气和海洋是混沌系统。初始状态中微小的、不可观测的扰动不可避免地会增长，最终淹没我们预测的信号。然而，科学允许我们量化这个边界。
我们可以将 ENSO 的状态想象成一个随时间演变的简单值 。一个简单但出人意料地强大的模型是这样的一阶随机方程：，其中 代表系统的记忆或持续性， 代表来自大气的不可预测的“踢动”。我们的初始观测值 总是有一些误差，其方差为 。这个初始误差随时间增长，同时系统也受到随机噪声 的推动。通过追踪这两个不确定性来源如何演变，我们可以推导出一个预报技巧的精确公式，通常用异常相关系数（ACC）来衡量。这个指标将预报与最终的真实情况进行比较。
这个简单的模型揭示了一个基本真理：预报技巧不可避免地随时间衰减。它也向我们展示了从更好的观测中能获益多少。通过减少初始误差方差 ——例如，通过增加我们观测网络的密度——我们提高了初始 ACC，并将“可预报性视界”推向更远的未来。但这个视界总是存在的。这个分析不仅告诉我们什么是可知的，也让我们对什么是不可知的抱有谦卑的敬意。
几十年来，气候模型都是从零开始，基于流体动力学和热力学定律构建的。近年来，一种强大的新方法出现了：机器学习。我们不再告诉计算机规则，而是向它展示大量数据，让它自己发现规则。
人工神经网络，特别是像循环神经网络（RNNs）这样的架构，被设计用来识别序列中的模式——这使它们天然适合于时间序列预测。科学家可以将数十年的气候数据——全球各地的海表温度、风、气压——输入到一个堆叠的 RNN 中，并训练它预测 Niño-3.4 指数的未来演变。
有趣的是，之后我们可以窥探训练好的网络这个“黑箱”的内部。通过分析网络各层的内部隐藏状态，我们可以探究它学到了什么。例如，我们可以观察第一层是否主要学会了响应热带太平洋的局部信号，而更深的层则学会了整合来自“遥相关”——那些其变率与 ENSO 相关联的遥远地区——的信息。这将人工智能模型从一个简单的预报工具转变为一个科学发现的仪器，帮助我们理清构成我们气候系统的复杂连接网络。
然而，一个纯粹由数据驱动的模型有一个潜在弱点：它对自然界的基本定律一无所知。它可能会在数据中发现一个虚假的关联，导致它做出一个违反例如能量守恒定律的预测。这可能导致模型漂移到不切实际的状态，使其在长期气候模拟中变得不可信。
研究的前沿是这两个世界的美妙结合：物理信息机器学习。想象一下，我们正在训练一个模型来预测海表温度的趋势 。一种标准方法是定义一个损失函数，该函数仅惩罚预测值 与观测到的趋势 之间的差异。但我们可以做得更好。我们知道海洋的混合层必须遵守一个热量收支：热含量的变化必须等于能量输入和输出通量的总和（来自太阳、大气和洋流）。
我们可以在我们的损失函数中添加第二项，该项在模型的预测 违反这一物理定律时对其进行惩罚。这样，训练过程就被迫去寻找一个不仅拟合数据，而且还尊重能量守恒的解。这种巧妙的综合创造了更准确、更稳健、更可信的模型，将物理学的基本原理直接嵌入到人工智能的核心之中。
ENSO 预报的影响远远超出了气候科学，与其他领域（从地质学到土木工程）建立了迷人的联系。
在卫星时代之前，甚至在有文字记载之前，我们如何知道 ENSO 是什么样子的？答案隐藏在地球的自然档案中。珊瑚骨骼的化学成分、树木年轮的宽度，或者湖底沉积物的层次，都可以记录由厄尔尼诺和拉尼娜引起的环境波动。这些“代用资料”中的每一种都像一个天然气象站，记录了数百年甚至数千年的数据。
值得注意的是，我们用来设计现代观测系统的统计思想可以反过来用于解释这个自然记录器网络。通过模拟每个代用资料点（一个特定的珊瑚礁或森林）如何响应 ENSO 气候模式与其他“噪声”，我们可以使用像费雪信息这样的概念来排序哪些代用资料点最敏感，并提供关于过去 ENSO 活动的最清晰信息。这使我们能够拼接出 ENSO 的历史，揭示其在远超人类观测时间尺度上的行为，为我们今天看到的變化提供更丰富的背景。
一个 ENSO 预报可能会预测某个地区冬季降水偏多的概率为 70%。对于城市管理者或土木工程师来说，这很有用但不完整。关键问题是：这对流经我们城市的河流意味着什么？这就是气候科学将接力棒交给水文学的地方。
水文学家开发“降雨-径流”模型来模拟流域如何响应降水。一个经典而优雅的例子是 Nash 级联模型，它将流域概念化为一系列相互连接的线性水库。这个由仅代表蓄水和输送时间的两个参数定义的简约模型，可以将降雨预报转化为一条水文过程线——对河流未来流量的预测。通过将 ENSO 预报（预测暴雨的可能性）与水文模型（预测由此产生的河流流量）联系起来，我们创建了一个端到端的洪水预报系统。这个“服务链”将一个大尺度的气候预测转化为一个关于灾害风险的具体、局部且可操作的预警。
归根结底，预测 ENSO 的动力是一种深层次的人类需求。它的节律影响着我们的粮食安全、我们的经济和我们的健康。预报是一种工具，它让我们从气候变幻莫测的被动受害者，转变为其风险的主动管理者。
气候与健康之间的联系往往是微妙但深刻的。考虑一个沿海地区，预报显示即将到来的厄尔尼诺将带来异常大的降雨。这一条信息可以引发一系列公共卫生问题。强降雨可以将寄生虫*隐孢子虫*的卵囊从上游的奶牛场冲入河流。高浊度的径流可能会使市政水处理厂的过滤系统不堪重负，降低其效率。结果是水媒疾病暴发的风险急剧增加。
定量微生物风险评估可以追踪这整个事件链。一个假设但现实的情景显示，污染物输送增加和处理效率降低的组合，可以将每日感染概率增加的不是一小部分，而是 25 倍或更多。在这里，ENSO 预报成为*预防医学的有力工具。凭借数周或数月的提前期，公共卫生机构可以启动“同一健康”（One Health）方法——与兽医协调管理动物废物，与水务公司合作加强处理方案，并发布公共健康通告，所有这些都在第一个人得病之前*完成。
为了充分理解 ENSO 预报的独特作用，从三个不同的时间尺度来思考公共卫生和安全规划会很有帮助。想象你是一个城市面临热相关健康风险的公共卫生官员。你的策略必须同时在所有三个层面上运作：
天气（数天到一周）： 这是战术层面。根据预测危险热浪的 5 天天气预报，你发布高温警报、开放纳凉中心、并探望弱势群体。你的行动是即时的、短期的。
气候变率（季节到一年）： 这是战略规划层面。ENSO 预报表明即将来临的夏季将比平均水平热得多。这是你为整个季节做准备的信号。你为季节性员工分配更多预算，准备关于补水的公共宣传活动，并确保应急服务为高于正常的病例量做好准备。这是 ENSO 预报填补的关键空白——在年际尺度上管理风险。
气候变化（数十年）： 这是长期适应层面。你知道，在 ENSO 的年复一年波动之下，存在一个持续数十年的变暖趋势。为了应对这一点，你必须投资于永久性基础设施：种植更多树木以增加城市绿荫，更新建筑规范以要求使用反光“清凉屋顶”，并加强能源网。这些行动不是针对一个炎热的夏天；它们是为了为所有未来的夏天建立韧性。
从观测的数学到公共卫生的一线，ENSO 预报的科学证明了我们理解复杂系统并利用该知识为共同利益服务的能力。它是一条统一的线索，将记录在珊瑚中的遥远过去与人工智能的未来联系起来，从单个人的健康连接到整个社区的安全。追求预测这个伟大的行星节律，最终是为了在我们唯一的家园上更明智、更安全地生活。