玻尔百科次季节预报是一项宏大的事业，旨在提前数周预测天气特征，它处于每日天气报告和长期气候预测之间一个充满挑战的中间地带。在这个领域，大气当前状态的记忆开始消退，而气候系统中更深层、更缓慢的节律开始变得清晰可闻。本文所要解决的核心挑战，是如何从大气混沌的“噪音”中识别并利用这些微弱的信号。为此，我们必须理解一种主导这一时间尺度的独特混合可预报性。
本文将引导您穿越这个复杂而影响深远的领域。首先，在“原理与机制”一章中，我们将探讨可预报性的双重性、使这些预报成为可能的地球记忆的物理来源，以及预报员用来驾驭混沌的复杂工具。随后，“应用与跨学科联系”一章将揭示这些科学见解如何转化为可操作的情报，影响公共卫生、经济和农业领域的决策，并加深我们对地球的基本理解。
要预报明天的天气，我们必须极其精确地了解今天的天气。要预报下个世纪的气候，我们必须理解塑造气候的缓慢而宏大的力量，如地球轨道的变化或其大气成分的改变。次季节预报，这一试图提前数周预测天气特征的大胆尝试，占据了一个引人入胜的中间地带。在这个领域，当前时刻的狂乱混沌开始消退，气候系统中微弱而深沉的节律开始被听到。要驾驭这个领域，我们必须领会两种根本不同类型的可预报性。
想象一下站在一条湍急的河流旁。要预测一片被水流裹挟、翻滚的树叶的精确路径，是一项极其困难的任务。在其旅程开始时，一个旋转漩涡的微小推动，就可能将它送到下游河岸一个完全不同的地方。正如伟大的气象学家 Edward Lorenz 所称，这是一个第一类可预报性问题。它是一个初值问题，其克星是混沌。在大气中，我们对初始状态——温度、风、气压——测量的任何微小误差都会呈指数级增长，最终使逐日预报变得毫无用处。这就是为什么每日天气预报的技巧在大约十到十四天后就消失殆尽的原因。初始状态的记忆在噪音中丧失了。
现在，想象一下关于同一条河流的另一个不同问题。我们不想预测单片树叶的路径，而是想预测今年春天河水总体上是高还是低。对于这个问题，今天每一滴水的确切位置几乎无关紧要。重要的是“边界条件”：供给河流的山区积雪深度、决定其融化速度的温度趋势，以及长期的降雨模式。这是第二类可预报性。它关乎的不是系统的确切状态，而是其统计特征，这些特征由缓慢变化的外部或边界强迫所决定。这是季节和气候预测的基础。
次季节预报正是在这两种可预报性都可见的“暮光区”中运作。在两到六周的范围内，大气初始状态的记忆尚未完全消失。有时，像马登-朱利安振荡 (MJO)——一个在30到60天内环绕热带地区移动的巨大雷暴集群——或温带阻塞高压的形成这样的大型、稳健的大气模式，可以在其演变过程中被追踪数周。对这些事件的技巧性预报很大程度上属于第一类可预报性：它关键性地依赖于在预报开始时拥有一个精确的大气快照。
然而，与此同时，第二类可预报性的影响正变得越来越强。对未来第四周某个大陆平均温度的预报，与今天确切的天气图关系不大，而更多地与地面和海洋的状态有关。土壤是否干旱，使得太阳能够炙烤大地？还是附近的海洋表面异常温暖，准备向空气中注入额外的热量和水分？这些都是关于缓慢变化的边界，即地球记忆来源的问题。
这些珍贵的长期记忆从何而来？它存在于地球系统中那些远比轻浮的大气更为迟缓和庞大的组成部分中。
海洋的深层记忆或许是最重要的。水具有巨大的热容量；改变其温度需要巨大的能量。一个简单的能量平衡计算表明，一片典型的上层海洋，比如40米深，可以在其异常的温暖或寒冷被表面热交换和混合抹去之前，将其维持大约一个月。这使得海洋表面成为气候系统一个巨大而缓慢移动的飞轮。一片异常温暖的海面，即海表温度 (SST) 距平，就像一个置于大气下方的持续性暖板，能够连续数周改变天气模式。
陆地上的干渴土壤和皑皑白雪提供了另一种记忆来源。遭受干旱的地区土壤更干燥，这意味着可用于蒸发的水分更少。由于蒸发是一个冷却过程，一段干旱期可能导致数周后气温高于正常水平。相反，广阔的积雪像一条明亮的白色毯子，将阳光反射回太空，保持地表寒冷。这些陆面状况的持续性为大陆的温度和降水提供了关键的可预报性来源，通常在次季节时间尺度上主导着预报技巧。
来自上方的低语：平流层也拥有深厚的记忆。在天气层之上遥远的、宁静而稳定的平流层中，存在着强大的次季节可预报性来源。其中最引人注目的之一是平流层突然增温 (SSW)。在极地冬季，一个由寒冷的西风组成的巨大气旋，即极地涡旋，在极地上空盘旋。有时，巨大的大气波，就像池塘里的涟漪，可以从对流层向上涌动。当这些波在平流层中破碎时，它们会沉积动量，使涡旋戛然而止，有时甚至使其流向逆转。为了维持平衡，极地平流层中的空气必须迅速压缩和增温，几天内可达 。这不仅仅是一个平流层奇观。这种扰动的影响会在接下来的几周内“下传”到对流层，通常导致更具波动的急流和北美及欧亚大陆上空爆发的严寒极地空气。一次SSW是经典的“机遇性预报”，一个强有力的信号，提前数周提醒我们天气模式可能发生转变。
平流层还存在准两年周期振荡 (QBO)，这是深热带地区风向以28个月为周期的庄严反转。QBO本身在数月前就具有高度可预报性，其相位——东风或西风——作为一种背景条件，调节着整个气候系统。例如，QBO的状态并不直接导致SSW，但它为其创造了条件。当QBO处于东风相位时，SSW发生的可能性显著更高，这是一个清晰的条件概率例子，预报员可以利用它来优化他们的预测。
知道可预报性的存在是一回事；捕捉它则是另一回事。这需要一个复杂的工具箱，融合了物理定律、统计洞察和原始计算能力。
旅程始于初始条件。为了有任何希望预测系统的演变，我们需要对其当前状态有尽可能最佳的描绘。这是资料同化的任务，该过程智能地将数十亿的真实世界观测数据（来自卫星、探空气球、浮标）与前一个循环的短期预报相融合。
在一个耦合的地球系统中，做这件事主要有两种理念。弱耦合资料同化 (WCDA) 就像拥有独立的专家团队——一个负责大气，一个负责海洋，一个负责陆地——他们各自分析自己的领域，然后分享结果。强耦合资料同化 (SCDA) 更像一个综合诊断团队。它使用单一、统一的分析，理解各领域之间的物理联系。例如，SCDA可以利用大气中探空气球的一个意外温度读数，来推断并校正下方海洋海表温度的一个细微误差，利用了它们之间已知的物理协方差。这对次季节预报非常强大，因为它允许密集的快速大气观测来帮助初始化稀疏的、慢速的、真正记忆所在的组分。然而，这种强大功能也伴随着代价。该方法计算量巨大，并且存在风险，即数据中一个虚假的、偶然的相关性可能导致一个无意义的“校正”，这是一个需要非常小心管理的问题。
一旦我们有了初始状态，我们就必须展望未来。在这里，有两条分岔的路径：蛮力式的动力预报和优雅的统计预报。动力模式是地球的数字复制品，是一组巨大的代表物理定律的方程，在超级计算机上求解。统计模式则忽略详细的物理过程，而是从历史数据中学习经验关系（例如，当热带太平洋温暖时，加利福尼亚往往干燥）。人们可能认为复杂的物理模式总是更优越，但事实并非如此。动力模式可能有其自身的缺陷——偏差、不正确的参数化，或者对某个真实的可预报性来源敏感性差。一个聪明且训练有素的统计模式有时可以胜过一个有缺陷的动力模式。最终的赢家不是由复杂性决定的，而是由一个微妙的权衡决定的：自身内部误差与其对真实、可预报信号的敏感性之比最低的那个，将是更具技巧的指南。
没有任何单一的预报，无论多么复杂，能够是完美的。混沌的幽灵和我们模式的不完美意味着不确定性是预报问题中一个不可简化的部分。现代的解决方案是拥抱它。我们不是产生一个单一的“最佳猜测”，而是多次运行预报模式，可能是50次或100次，每次都从略有不同的初始条件或使用略有不同的模式物理方案开始。这一团可能的未来就是集合预报。
集合预报的目标是为未来事件提供一个诚实可靠的概率估计。一个好的集合具有一个称为校准（或可靠性）的属性：如果集合预报有30%的降雨概率，那么，在许多这样的预报中，实际下雨的次数应该约为30%。另一个更微妙的属性是，一个好的集合应该与真相无法区分。如果你拿到50个集合成员和一个真实的观测结果，你应该不能轻易地挑出哪一个是真实的。当这个属性被违反时——例如，通过在一个集合中混合具有不同系统性偏差的模式——它可能导致误导性的检验统计数据和对真实不确定性的糟糕表征。
即使是最好的模式也有偏差。一个模式可能系统性地比真实世界更冷、更暖或更干。这种偏差不是恒定的；它随着预报时效在一个称为气候漂移的过程中演变。一个用真实世界的平均状态初始化的模式，会随着时间的推移，“漂移”向其自身偏好的（且有偏差的）气候。一个简单的数学模型表明，这种漂移引入了一个随时间增长的大系统误差，并能迅速主导任何随机误差。
为了处理这个问题，我们不检验模式的绝对预报（例如，预报温度为）。相反，我们检验其距平预报。我们问：模式是否正确地预报了天气会比其自身一年中那个时候的平均值更暖或更冷？然后我们将这个预报距平与观测到的距平进行比较。这种视角上的简单转变，减去了由漂移引起的大的、可预报的误差，使我们能够评估模式捕捉变率模式的真实技巧。
这就引出了一个关键问题：我们如何知道模式自身的气候，特别是当模式还在不断升级时？使用来自旧的、不同模式版本的预报存档，就像试图用别人的旧眼镜来矫正你的视力一样。度数是错的。解决方案是创建再预报（或后向预报）。我们采用当前最先进的模式，并对过去许多日期的初始条件进行回顾性运行，通常是过去20-30年。这生成了一个庞大的、统计上一致的关于这个特定模式行为方式的数据集。这个再预报数据集是次季节预报不可或缺的基础。它提供了计算模式偏差和漂移所需的稳定基线，将原始输出校准为可靠的概率，并使用如Brier评分等稳健的度量标准来公正地检验其技巧。这就是我们如何将一个有缺陷的模式转变为一个有价值的预报工具。
现在我们已经探索了次季节预报的复杂机制——其记忆的来源和其模式的架构——我们可以提出最令人兴奋的问题：这一切是为了什么？如果天气预报是为了准备未来几天，气候预测是为了理解未来的世纪，那么这种居间的“次季节”视野赋予了我们什么新的力量呢？
你可能会惊讶地发现，答案不仅仅是为第三周提供一个更好的预报。它是一种新的思维方式，一座桥梁，统一了我们对地球的理解和我们基于该知识采取行动的能力。这座桥梁不仅连接了天气与气候，还将大气科学与公共卫生、经济学、农业以及基础地球系统科学联系起来。它是创建科学家所谓的“无缝隙”信息与行动链的关键，这是一条从今天的天气到我们世界长期演变的连续洞察流。让我们走过这座桥，勘察它所揭示的新景观。
在我们能够自信地使用预报来管理一个国家的水资源之前，我们必须首先回答一个更基本的问题：我们如何知道这个预报是好的？一个没有自身可靠性度量的预报，比猜测好不了多少。这就是预报科学转向内省的地方，使用一种称为后向预报（hindcasting）的强大技术。
想象一下你想测试一个新学生。你不会只给他们一次期末考试；你会给他们往年的模拟试题。后向预报（或再预报）正是如此：为预报模式准备的一大套模拟试题。科学家们使用与生成今日预报完全相同的模式，对过去数千个日期的初始条件进行运行——例如，过去20或30年里的每周。通过将模式对这些过去事件的“预报”与实际发生的情况进行比较，我们建立了一份详细的统计成绩单。
这个后向预报库是无价之宝。它允许我们进行校准，纠正模式的系统性偏差。如果一个模式在某个地区持续预报过多的降雨，后向预报数据会告诉我们如何精确地调整其预测。此外，后向预报使我们能够量化技巧。我们可以计算像Brier技巧评分这样的分数，告诉我们该模式比基于气候学（历史平均值）的简单预报好多少。至关重要的是，这必须以极大的统计谨慎性来完成，通常使用交叉验证等方法，以确保我们不是通过在用于训练模型的数据上评估模型来“作弊”。我们还必须考虑到气候强烈的季节性；一个仅仅知道“夏天比冬天暖和”的模式，并不是我们所需要的那种技巧。我们必须要求它预测特定季节内的距平——即异常的温暖或寒冷。
这个过程也揭示了一个关于可预报性本身的深刻真理：它不是恒定的。存在着“机遇之窗”——在这些时期，地球系统的配置方式使得未来更可知。一个典型的例子是当强烈的马登-朱利安振荡（MJO）事件正在进行时。这种巨大、缓慢、有组织的热带对流模式的存在提供了一个强大的信号，它在全球大气中荡漾开来，增强了我们提前数周预测数千英里外天气模式的能力。预报员工作的一个关键部分是通过在初始状态中寻找强信号和统计上可靠的遥相关来识别这些窗口，确保他们在大气“清晰表达”时发布最有信心的预报。
拥有了经过校准且被充分理解的预报，我们就可以从科学走向服务。无缝隙预测链的真正力量最明显地体现在它如何促成一连串无缝隙的决策。
考虑一个面临日益严重的强热浪威胁的公共卫生部门。单一的预报时效是不够的。需要一系列的行动，每种行动都有不同的提前期。次季节预报填补了这一谱系中的一个关键空白。
这种从小时到季节的预报产品的无缝隙整合，使得响应既灵活、又具战略性且高效。
这种力量延伸到我们的经济和粮食系统。在农业中，农民的决策是与天气持续的协商。关于降雨和温度的次季节预报可以为何时播种、何时灌溉、何时收获等关键选择提供信息。但这种联系甚至更深，延伸到了经济学领域。经济学家面临一个持久的难题：如何将天气对经济结果的因果效应与所有其他混杂因素分离开来。例如，干旱本身对作物产量的减少有多大影响，这与农民可能因为预期到干旱而增加灌溉的事实是分开的？
在这里，次季节预报提供了一个极其巧妙的工具。通过将预报与实际天气进行比较，我们可以分离出预报误差——即天气中“出人意料”的部分。这个意外充当了一场自然实验。因为没有人能为此做计划，我们可以用它作为一个干净的“工具变量”来衡量一个意想不到的单位降雨量对作物产量的纯粹因果影响。这是一个跨学科飞跃的美妙例子，一个为大气预测而构建的工具，变成了一个用于经济学因果推断的高精度仪器。
除了实际应用，次季节预报模式还有更深层的意义：它们是探索地球系统本身的虚拟实验室。它们允许我们进行在现实世界中不可能进行的实验，检验我们对地球如何运作的基本理解。
例如，科学家早就知道，平流层——远在天气层之上的薄薄大气层——可以影响我们的地表状况。一个弱的平流层极地涡旋可能是数周后中纬度地区冷空气爆发的前兆。使用次季节模式，我们可以设计一个集合实验来直接检验这个假设。我们可以创建一组初始条件，其中集合成员之间唯一的区别是极地涡旋强度的轻微扰动。通过向前运行模式，我们可以测量对流层天气模式（如阻塞事件的频率）对该初始平流层状态的敏感性，从而量化因果链。
这个“实验室”也可以用来窥探未来。通过从气候模式中提取长期变暖趋势——例如，预计到2050年海表温度（SSTs）的增加——并将其添加到次季节模式的初始条件中，我们可以生成未来极端天气事件的合理“故事情节”。这使我们能够提出这样的问题：在一个更暖的世界里，危险的高温高湿事件的频率和强度将如何变化？这种动态降尺度气候信号的技术，为我们提供了一个比简单统计外推更丰富、物理上更一致的未来风险图景。
但是，是什么让我们对这些长时效的可预报性抱有希望呢？大气是混沌的，记忆只有一两个星期。秘密，即长期记忆的深层来源，在于海洋。海洋是气候系统的巨大飞轮。其巨大的热容量意味着它的响应比大气慢得多。像厄尔尼诺-南方涛动（ENSO）这样的现象就是这种缓慢海洋节律的表现。一个简单但强大的“充电-放电振子”模型展示了一个“慢”变量，如暖水层深度（温跃层），如何与一个“快”变量，如海表温度，相互作用。赤道太平洋热量的缓慢积累和释放，建立了一个周期为几年的低频振荡。这种缓慢的海洋记忆是季节性可预报性的主要基础。次季节事件，如西太平洋的风暴爆发，可以充当触发器，“踢”这个振子一下，帮助启动或放大一个厄尔尼诺事件，而这个事件的潜力早已由海洋缓慢、沉睡的状态所设定。
这就把我们带到了这个领域的终极愿景：一个真正的无缝隙预报系统。这不仅仅是拥有一系列针对不同时间尺度的不同模式。它是关于构建一个单一、统一的建模框架，该框架建立在一套一致的物理定律之上，并且在所有尺度上都能正确地运行。
为什么这如此重要？想象一下制造一辆汽车，其引擎由一个团队使用公制单位设计，而变速箱由另一个团队使用英制单位设计。它在纸面上可能看起来不错，但永远无法工作。如果我们试图将一个天气模式和一个气候模式拼接在一起，而它们不共享一个共同的物理“语法”，就会出现类似的问题。一个模式可能被调整以在几天内正确预测天气，但如果它通过违反基本的守恒定律——在其计算中创造或销毁少量的能量或水——来实现这一点，这些微小的误差将会累积。在数周、数月和数年之后，这种“漂移”会将模式推入一个完全不符合物理规律的状态，使其长期预报变得毫无意义。
真正的认知一致性要求我们的模式在所有分辨率下都尊重质量、能量和水的根本收支。对于像云这样的未解析过程的参数化方案必须是“尺度感知的”，意味着它们的影响会随着模式分辨率的变化而正确改变。实现这一点是地球系统科学的宏大挑战之一。这不仅仅是为了构建更好的预报，而是为了构建一个关于我们星球更完整、更统一的理论，一个将雷暴的短暂生命与海洋缓慢深沉的呼吸视为同一首史诗不同诗篇的理论。