玻尔百科对于超出传统天气预报两周极限的未来进行预测，长期以来一直是一项艰巨的科学挑战。这个从次季节（几周）延伸到季节（几个月）的关键时间范围，代表了一个预报空白区，在此期间，大气初始状态的记忆已经消退，而气候的慢变驱动因子尚未完全占据主导地位。那么，我们如何能在这个看似混沌的领域中找到可预报的信号呢？这种预报能力的差距对农业、水资源管理、公共卫生乃至能源规划等各个方面都具有重大影响。
本文深入探讨了次季节到季节（S2S）预测的科学，旨在填补这一关键空白。我们将首先探索其基础性的 原理与机制，揭示地球系统将其长期记忆隐藏在何处，以及我们用来利用这些记忆的复杂建模技术。然后，我们将审视其 应用与跨学科联系，展示这些概率预报是如何被提炼、验证，并转化为可为关键社会决策提供行动指导的指南。读完本文，读者将理解 S2S 预测如何将我们星球较慢节奏的微弱低语，转化为在不断变化的世界中驾驭风险与机遇的重要工具。
进入次季节到季节（S2S）预测的世界，就如同在一个引人入胜的中间地带航行。在这个时间领域，日常天气的确定性已经褪去，但宏大而缓慢的气候节律尚未完全掌控一切。这是一个由混沌与记忆之间微妙的相互作用所支配的世界，一场介于遗忘与铭记之间的舞蹈。要理解其原理，就需要领会我们如何能在看似纯粹的噪声中找到微弱但有用的信号。
想象一下，你正在观察一片被抛入湍急河流的叶子。在最初的几秒钟里，你可以有一定把握地预测它的路径。你看到了它周围的漩涡和涡流，并可以推断出它的轨迹。这就像是 天气预报。它的技巧来源于对精确 初始条件 的掌握——也就是此刻大气的确切状态。
但大气是一个混沌系统。就像湍急的河流一样，我们对其初始状态认识上的微小不确定性会以惊人的速度增长。今天在测量温度或风速时的一个微小误差，一周后可能会演变成一个巨大的误差。这种爆炸性的误差增长并非随机，而是指数性的，受数学家所称的李雅普诺夫指数的支配。对于地球的中纬度大气，“误差倍增时间”大约为两天。如果我们最初的误差是大气自然变率的 ，一个简单的计算表明，这个误差将在大约 到 天内增长到饱和整个变率尺度。此时，初始条件实际上已被遗忘。叶子已漂至河流下游很远的地方，最初的抛掷动作已与其当前运动无关。这就是天气预报的根本极限，一堵由混沌筑起的高墙。
现在，让我们在不同的时间尺度上思考同一条河流。你可能不知道叶子每时每刻会在哪里，但你非常确定的是，春季的河水流量将远高于夏末。这便是 气候预报。它的可预报性并非来自水流湍流的初始状态，而是来自巨大、缓慢移动的外部力量——在这里，即是融雪和降雨的季节性周期。这些就是我们所说的 边界条件。
伟大的气象学家 Edward Lorenz 优雅地将这两个挑战归类为 第一类可预报性 和 第二类可预报性。前者是初值问题：给定系统现在的状态，它未来的状态将是什么？后者是边值问题：如果我们改变系统的边界条件（比如季节更替），系统行为的 统计特征 将如何变化？
S2S 预测的目标是从大约两周到两三个月的时间范围，它生活在这两个世界之间的暮光地带。大气初始状态的记忆几乎消失殆尽。但是否还有其他东西，伟大的地球系统机器的任何其他部分，仍然保有记忆？令人欣喜的是，答案是肯定的。S2S 的目标就是倾听这些较慢记忆的微弱低语，它们温和地推动着混沌天气的统计特征。
如果大气在两周内就会“失忆”，我们又能在哪里找到 S2S 预报所需的更长期的记忆呢？它隐藏在我们星球上移动较慢的组成部分中：陆地、海洋、冰，甚至是大气层的上层。
想象一个有小孔的水桶。水流出的速率取决于桶里有多少水。这个简单的想法是理解 土壤湿度 记忆的基础。一个比往常更湿润的春天可能会使地面饱和。这些多余的水分需要数周时间才能蒸发和排走。在此期间，它会影响其上方的天气，通常导致更凉爽、更湿润的条件。利用一个简单的守恒定律，我们可以证明土壤湿度距平的“e-折”时间尺度——即它衰减到初始值约 所需的时间——可达到 到 天的量级。
同样，晚冬的深厚 积雪 也是一个强大的记忆来源。它反射阳光，使地表保持寒冷。当它融化时，会消耗能量，从而延迟了春季般温暖天气的到来。积雪距平融化所需的时间尺度可能更长，大约为 到 天。
地表最缓慢的记忆通常存在于 海冰 中。大量冰的冻结和融化过程涉及巨大的能量（潜热）。海冰的厚度在寒冷的极地空气和相对温暖的下方海洋之间起着绝缘体的作用。一个简单的物理模型显示，海冰厚度的距平可以持续 到 天，甚至更长。这种长时记忆意味着，初冬异常的海冰状况可以对整个季节的天气模式产生深远而持久的影响。
在地球表面之上，还存在着宏大、有组织的天气和气候模态，它们有自己内在的时间尺度。S2S 领域最著名的角色之一是 马登-朱利安振荡 (MJO)。它不是一个固定的特征，而是一股巨大的、大陆尺度的云和降水脉冲，缓慢地向东环绕热带地区移动，完成一个周期需要 到 天。虽然预测其确切演变是一个初值问题（第一类可预报性），但其巨大的尺度和缓慢的移动使其拥有比典型天气系统长得多的记忆。在移动过程中，它通过“遥相关”向全球发送影响的涟漪，改变一个地区出现热浪和另一个地区出现风暴的概率。
一个引人入胜的记忆来源来自大气的“阁楼”—— 平流层。平流层极涡是冬季环绕极地的一条风带，它可能会在一种称为 平流层突然增温 (SSW) 的事件中被戏剧性地破坏。这不仅仅是局部的增温；这是由巨大的大气波破碎（很像海浪拍打在沙滩上）引起的极涡完全逆转。通过一个称为“向下控制”的过程，这种平流层扰动的影响并不会停留在高空。它们会在几周内传播到地表，通常导致急流更加摇摆，并引发北美和欧亚大陆的极地冷空气爆发。SSW 是一个经典的 S2S 事件，为第 周到第 周提供了显著增强的可预报性信号。
这些不同的记忆来源并非孤立作用。任何给定的 S2S 预报的技巧都是它们影响的“鸡尾酒”。想象一下尝试预报四周后的降雨。你可能会寻找来自不同气候模态的信号。像北大西洋涛动 (NAO) 这样只有一个星期记忆的快速衰减模态将毫无用处。而记忆大约一个月的 MJO 可能会提供一个微弱但可辨别的信号。像厄尔尼诺-南方涛动 (ENSO) 这样记忆长达数月的极慢模态，则提供了一个稳定、缓慢演变的可预报性背景。在任何给定的预报时效上，总的可预报信号是这些衰减记忆的总和，其中像 ENSO 和海冰距平这样的较慢分量在较长预报时效上主导着预报技巧。
即使有这些记忆来源，我们仍在处理一个根本上是混沌的系统。我们永远无法预测六周后某一天的确切温度。那么我们如何做出预报呢？答案是改变问题。我们不再问“将要 发生什么？”，而是问“不同事情发生的 概率 是多少？”。这就是 集合预报 的哲学。
一个集合预报不产生单一的答案，而是几十个。一台超级计算机多次运行相同的预报模式，但每次都使用略有不同的起始点。这并非凭空猜测。这些初始扰动是经过精心选择的，用以代表我们对地球系统初始状态的不确定性。此外，我们知道我们的模式本身只是对现实的不完美表述。为了解释这种 模式不确定性，现代系统还包括“随机物理”方案，在模式运行时向其方程引入微小的随机扰动。
其结果是一“团”可能的未来轨迹。如果这团轨迹紧凑，所有成员都聚集在一起，我们对预报的信心就很高。如果这团轨迹分散而弥漫，它告诉我们未来高度不确定。集合预报并不能战胜混沌，但它使我们能够量化混沌所产生的不确定性。
这些耗资数十亿美元的预报模式的原始输出仍然不是最终产品。每个模式都有其自身的怪癖和系统性误差，即 偏差。例如，一个模式可能倾向于在北极地区平均温度偏冷，或在亚马逊地区过于干燥。这是因为模式方程是对现实的近似，在一次长期预报中，模式的状态会“漂移”到其自身偏好的、略显不真实的平均气候态。
为了对此进行订正，预报员使用一种称为 距平订正 的强大技术。其逻辑简单而深刻。我们不能相信模式对第四周的绝对温度预报，但我们或许可以相信它关于第四周将比 模式自身的该周平均值 更暖还是更冷的预测。我们计算出模式预测的“距平”（即与其自身气候态的偏差），然后将该距平加到 真实世界 的观测气候态上。这种“交换气候态”的简单行为消除了模式的平均偏差，并将预报锚定在观测到的季节周期的现实中 [@problem_gmid:4096523]。
这就引出了最后一个关键问题：我们如何知道模式自身的气候态和偏差？我们的预报模式在不断升级，拥有更好的物理过程、更高的分辨率和新的数据。如果我们简单地查看过去 年的业务预报档案，我们实际上是在混合来自许多不同模式版本的结果——一盘统计上的水果沙拉。2005年版本的偏差与2025年版本的偏差是不同的。
解决方案是 回报（或后报）的概念。我们采用当前最先进的模式版本，对过去日期的初始条件进行回顾性运行，例如，对过去 年的每个星期四都进行运行。这创建了一个庞大的、统计上一致的数据集，记录了我们 当前 模式在过去会做出何种预测。这个同质化的数据集是现代 S2S 预测的基石。它使我们能够精确计算当前模式的偏差和误差特征，从而实现准确的校准，并为检验其技巧提供一个公平的基准。正是这最后一步艰苦细致的工作，将混沌模拟的原始输出转变为可靠且有价值的预测工具。
在我们之前的讨论中，我们了解了次季节到季节（S2S）预测的基本原理。我们看到地球系统的慢变分量——海洋的暖舌和冷舌、干涸或饱和的土壤、广阔的冰雪覆盖区——如何像一种行星记忆一样运作，为我们提供未来数周乃至数月天气变化的诱人线索。我们已经看到了“为什么”，现在我们来探索“如何”和“为了什么”。我们如何将超级计算机原始、混沌的输出转化为可靠的建议？我们又是为了什么目的，踏上这场充满挑战的预见未来的征途？
这就是预测科学成为一门艺术、一种精炼的技艺和一项对社会至关重要的服务的地方。原始的预报就像一块未经雕琢的宝石：其潜力巨大，但只有经过精心的切割和打磨，其光彩才能显现。本章就是关于那个打磨过程——校准、检验和解释——以及由此产生的美好应用，从保障公共卫生到应对气候变化的挑战。
地球的数值模型是对现实宏伟而不完美的描摹。像任何艺术家一样，它有自己的“风格”，一套特有的倾向和偏差。也许它总是使其阵雨强度稍大，或其热浪温度略低。为了使预报有用，我们必须首先学会识别并订正这种风格。这就是 校准 的艺术。
我们用于此的主要工具是 后报 或回报。在一个 S2S 系统被用于预测未来之前，它首先被用来“预测”过去。科学家们让模式对过去的许多年份（例如，1999-2019年）进行运行，为那些我们已知结果的事件生成一个丰富的预报库。这个后报数据集就是我们的训练场。这就像给一个学生一套附有答案的旧考卷；通过将模式的“答案”与现实进行比较，我们可以系统地识别其偏差。
最简单的校准形式可以是一种直接的统计调整。如果我们从后报数据中发现，模式预报的温度平均偏冷2度，且其变率只有观测到的一半，我们就可以创建一个简单的线性订正。我们取原始预报，调整其均值，并拉伸其方差，以更好地匹配真实世界的行为。这种简单的均值-方差校准可以通过使其统计数据更忠实于自然而显著提高预报的效用。
但现代 S2S 预测处理的是概率，而非确定性。一个好的预报不只是说“天会热”；它会说“有70%的可能会出现热浪”。我们如何校准和判断一个概率的质量呢？在这里，方法变得更加复杂，使用诸如集合模式输出统计（EMOS）之类的技术，根据集合的均值和离散度来调整整个预报的概率分布。
为了指导这个过程，我们需要一种方法来衡量什么使概率预报成为“好的”预报。一个极其优雅的工具是 布莱尔评分，它本质上是我们预报的概率与实际结果（事件发生为‘1’，未发生为‘0’）之间的均方误差。一个完美的预报其布莱尔评分将为0。但这个评分的真正美妙之处在于它的分解。布莱尔评分可以分解为三个部分：可靠性、分辨率和不确定性。
不确定性 是气候本身的属性。它是系统固有的变率。如果我们在预报抛硬币（50/50的几率），不确定性就很高。这部分是我们无法控制的。
可靠性 衡量预报的诚实度。当预报说有70%的降雨概率时，在那些情况下是否真的有70%的时间下雨了？如果是，那么预报是可靠的。如果只有50%的时间下雨，那么预报就过于自信且不可靠。校准的目的就是完善这种可靠性。
分辨率 衡量预报将事件分类到不同可能性类别的能力。一个总是发布气候平均值（例如，“每天有30%的降雨概率”）的预报可能很可靠，但它的分辨率为零，毫无用处。相比之下，一个高分辨率的预报会在后来确实下雨的日子里正确地发布高概率，而在后来干燥的日子里发布低概率。
因此，一个好的预报是能够最小化不可靠性并最大化分辨率的预报。为了确保我们对这些质量的评估是诚实的，我们必须小心，不要用我们用来训练模式的相同数据来评估它。就像一个记住了答案的学生并没有真正被测试一样，一个在其训练数据上评估的模式会显得技巧过高。这就是为什么像交叉验证这样严谨的方法至关重要，我们用后报记录的一部分来训练模式，用另一部分来测试它，从而确保对其真实预报能力进行公平无偏的评估。
一旦我们的预报经过校准并且我们了解了它们的技巧，我们就可以开始提出更尖锐的问题。通常，我们不关心平均状况。农民不担心季节的平均降雨量；他们担心的是山洪暴发或持续干旱的风险。城市管理者不关心夏季的平均温度，而是关心破纪录的、持续数周的热浪所带来的危险。
这就是 S2S 预报从预报均值转向预报风险的领域。利用像 分位数回归 这样的先进统计方法，我们可以构建直接预测天气变量分布特定分位数的模型。我们不再问：“一个月后的平均降水量会是多少？”，而是可以向大坝运营者提出一个更有用的问题：“我们可能预期的95分位数降水量是多少？我们应该为哪种合理的、最坏的情景做准备？” 这使我们能够描绘出极端事件的概率，将预报转变为风险管理的直接输入。
此外，我们必须认识到 S2S 的可预报性不是恒定的。有时候，地球系统的“记忆”响亮而清晰；而另一些时候，它的低语则消失在大气的噪声中。想象一个强大的 马登-朱利安振荡 (MJO) 事件在热带太平洋上传播。我们从理论和观测中都知道，这样的事件就像投入池塘的石子，会激起一圈圈涟漪，可预报地改变数周后全球各地的天气模式。
当这样强大、连贯的信号存在时，我们就处于 S2S 预测的 “机遇之窗”。信噪比暂时变得很高，我们的预报技巧可以达到远超其长期平均水平的程度。因此，S2S 科学的一个关键应用不仅是发布预报，还要识别这些可预报性增强的窗口。通过监测像 MJO、厄尔尼诺-南方涛动，甚至土壤湿度距平等关键气候驱动因子的状态，预报员可以为其预测附上一个置信度度量，不仅告诉用户 可能 发生什么，还告诉他们在那个特定时刻 应该多大程度 地相信该预报。
任何科学努力的真正价值最终都以其对人类的益处来衡量。对于S2S预测而言，其应用意义深远，涵盖农业、能源、水资源管理和灾害响应。在公共卫生和气候变化适应这两个领域，其影响尤为清晰且日益增长。
考虑一下对抗像登革热或疟疾这样的蚊媒疾病。蚊子的生命周期和病毒的传播对温度和降雨等天气条件高度敏感。公共卫生官员可以采取干预措施——比如处理孳生地或分发蚊帐——但这些措施成本高昂，且必须有效定时。传统的天气预报可能会提前几天预警有利条件，但这对于大规模的公共卫生行动来说通常太短了。
这就是 S2S 提供改变游戏规则优势的地方。S2S 预报的日常准确性可能低于3天的天气预报，但它可以在3-4周前提供有用的概率性展望。通过分析预报的技巧，我们可以计算出 预报时效增益：即在相同决策置信度水平下，S2S系统相比于短时效系统所提供的额外预警天数或周数。对于一个卫生部门来说，10天的预报时效增益可能意味着一个成功的预防运动和一个 burgeoning 疫情之间的区别。S2S 预报充当了早期预警的哨兵，实现了主动而非被动的公共卫生管理。
与气候变化的联系或许更为深刻。随着温室气体使我们的地球变暖，它们不仅在提高平均温度，还在改变天气的统计特征。热浪正变得更加频繁、强烈和持久。一个沿海城市的规划者如何为他们的人口在2050年将面临的热应激做准备？
在这里，S2S 建模提供了一个革命性的工具。科学家们可以采用最先进的 S2S 预测模型，但不是用今天的海洋温度来运行它，而是用在特定气候变化情景（例如，SSP3-7.0）下为2050年预测的海洋温度来运行。这就创建了一个“未来天气”的资料库，一套为一个尚不存在的世界提供的、物理上合理的、逐周的预报。这使我们能够探索诸如：热浪的持续时间将如何变化？结合了高温和高湿从而达到致命效果的危险“湿球”温度，会成为夏季的常态吗？通过提供未来极端天气的现实“故事线”，S2S 模型帮助我们从抽象的气候预测走向具体、可操作的适应信息。在评估这些未来预报时，关键是不要根据今天的气候来衡量它们的技巧，而要根据 未来 气候的平均统计数据来衡量。这告诉我们，该模型是否在预测2050年热浪的时间点上具有真正的技巧，而不仅仅是知道2050年平均会更热。
从天气预报到气候预测的历程在历史上是碎片化的，不同的科学界使用不同的工具和技术。但大气和海洋并不知道这些人为的划分。支配明天雷暴的物理学，同样支配着下个世纪的气候。
这一认识正推动科学界走向一个宏伟、统一的愿景：跨时间尺度的无缝隙预报。其目标是开发一个单一、统一的地球系统建模框架，能够处理从短期天气预报、经过S2S时间尺度，到年代际预测和多世纪气候预测的整个预测谱系。在这个愿景中，核心模式物理在所有尺度上都是一致的，预报的差异来自于我们如何配置系统：我们如何对其进行初始化（天气预报关注快速的大气，气候预报关注缓慢的海洋），我们如何表示不确定性，以及我们如何考虑温室气体等外部强迫。
次季节到季节预测正处于这个无缝隙愿景的核心。它是连接天气初值问题与气候边界强迫问题的关键桥梁。它是一个时间尺度，在这个尺度上，初始状态的记忆最终消退，缓慢变化的边界条件的影响开始接管。在S2S世界中面临的挑战和开发的解决方案——从耦合资料同化到随机物理和多模式集合——正是构建下一代统一地球系统模型所需的创新。S2S 不仅仅是一个实用的预报工具；它是一个基础科学前沿，推动我们对我们这个复杂且不断变化的星球有一个更全面、更强大的理解。