探秘“蝴蝶效应”——揭示捕捉大气“画像”的极限

作者: 来源:中国气象报 时间:2019-05-31分享

本期观点:大气的多变性,加上气象资料和模式带来的误差,使气象分析资料永远只是实际大气的一个可能的近似值,而实际大气的真实状态永远不可能被完全精确地描述出来。

对于中纬度地区的日常天气而言,最新的研究认为其可预报性极限为两周左右,但中小尺度、季节性和更长时间尺度的天气系统可预测性,以及气象极端事件的可预报性是目前可预测性研究面临的主要难题。

人工智能在中小尺度天气系统的预报上具有很大潜力,但以目前的水平来看还很难帮助科学家突破天气可预测性极限。

本期嘉宾:美国宾夕法尼亚州立大学杰出教授 张福青

中国科学院院士 丑纪范

采 访 人:本报记者 吴鹏

每天,气象学家都在应用非常复杂的数学方法和数理模型来计算大气状态的演变,试图预报未来几天的天气情况。如果说预报天气就如同对着大气在作画,那么地面观测站、雷达、探空气球、卫星等获取的数据资料就是“颜料”,而模式和运算模式的超级计算机等工具就是气象专家手中的“画笔”。不同的是,大气是在不断变动的,预报员想要将大气精确刻画出来并不容易。更加困难的是,科学家还需要根据当前描绘出的大气“画像”绘制出其未来数天的“画像”。

那么令人感兴趣的是,大气科学领域的专家最多可以绘制出未来多少天的大气“画像”呢?

这就是天气过程的可预报性问题。

难以捕捉的大气“画像”

随着科学技术的不断进步,气象科学已经获得长足进展,我们已经可以在一定程度上比较准确地预测未来一段时间的天气变化,比如未来3-5天的天气预报的可信度是相当高的。当然,理想的情况是,科学家可以将预报时效无限延长,从几小时、几天、几个月甚至到几年。然而,大气似乎是一个很淘气的孩子,总是“犹抱琵琶半遮面”,不想让别人弄清它的脾性,并且还划出了一条分界线——超过这条线后,科学家就很难看清它的“真面目”了。

大气的“画像”为何难以捕捉?

地球大气是一个水汽、热量、能量交换频繁的非线性系统。非线性系统的一个显著特点就是系统各部分之间的相互作用会产生出复杂的、难以预测的行为,包括平衡态的失稳和多平衡态、分岔突变以及混沌和湍流。换句话说,大气是一个混沌系统,总是在不断变化,其在短时间内可以表现出各种状态和过程,而在长时间内又呈现出这些状态和过程出现的规律。

已故麻省理工学院著名数学家、气象学家和混沌理论先驱爱德华·洛伦兹将天气系统中的这种现象称为“确定性的非周期流”,并由此提出了“蝴蝶效应”一说——一只亚马逊热带雨林中的蝴蝶扇动几下翅膀,可能两周后在美国得克萨斯州引发一场龙卷风。

“虽然洛伦兹揭示了预报误差会随着时间累加,但他并没有深入大气内部去研究大气不稳定和气压不稳定。”张福青说,我们的研究发现,大气中由于有湿对流的存在,小尺度对流误差会不断增长达到饱和,通过地转调整,这种对流误差会传递至准平衡性的误差,再作用于大尺度的天气系统上。

大气中存在的多种随机扰动因素使其“面目”善变,而“颜料”和“画笔”中出现的问题更是加大了捕捉大气“画像”的难度。

首先是“初始误差”。对大气中各种细节进行精描细画绝非易事,预报模式中输入的初值是预报初始时刻对大气状态的一种定量描述,也是进行数值预报的前提。初始条件的生成是以气象观测提供的数据和信息为基础的,而气象观测不可避免地会出现误差,因为有很多气象要素缺少观测或不能观测。

因此,我们得到的气象分析资料永远只是实际大气的一个可能的近似值,而实际大气的真实状态永远不可能被完全精确地描述出来。“初始条件误差主要受观测系统的精度和密度、资料同化系统的精度和密度等影响。欧洲中期天气预报中心的预报能力之所以在国际上处于领先水平,很大程度上就是因为其资料同化系统做得很好。”张福青说。

其次是模式误差,包括模式分辨率带来的误差和模式对物理过程进行描述带来的误差。大气运动中的湍流过程或是小尺度系统的生消机制,在模式中是很难被准确描述出来的。不管模式的分辨率如何高,总有一些小于网格距尺度的运动无法在模式中确切地反映出来。

总之,尽管科学家在不断提升观测水平和模式的时空分辨率,但大气的多变,加上“画笔”自身的误差及其在描绘过程中产生的误差,使得精确捕捉大气“画像”困难重重。

极限到底在哪里

根据洛伦兹的“蝴蝶效应”理论——输入初始条件的极细微的误差也可能引起模拟结果的巨大变化,那么在初始条件近乎完全正确、模式完美无缺的条件下,我们可以对未来多久的天气进行预报?

在不同纬度地区,天气系统的可预报性是不同的。天气尺度气流不稳定性对中纬度预报的影响较大,而对低纬度影响较小。因此,一般低纬度天气的可预报性会更好一些。此外,对于不同的天气或气候系统,由于其复杂性或非线性程度不一,其可预报性和预报时效也不同。

“地球上绝大多数人群居住在中纬度地区。在这个地区,目前一般能提供9-10天的可靠天气预报。在未来几十年中,随着科学技术的进步,预报时效将能再延长4-5天,也就是提前两周左右对日常天气进行预报。”张福青说,经典天气预报理论中,洛伦兹基于大气混沌的本质,认为天气的可预报性为16.8天,我们的结果与之非常接近。

对于季节和年际等月以上尺度的气候预报,耦合强迫(比如海洋与陆面过程,包括积雪覆盖)对气候异常起着非常重要的作用。例如,中东赤道太平洋海表温度一旦出现明显异常(变暖或变冷),就会形成厄尔尼诺或拉尼娜事件。目前已可依据这种海洋对大气的耦合强迫作用提前1年做出全球气候变化或异常的预报。

而对于长期(几十年或几百年)的气候变化预测,比如由人类活动造成的温室气体增加引起的全球气候变化,将不依赖于大气的初始条件。因为在模式长期积分之后,将完全丧失对初始条件的“记忆”,因而失去它的影响。这时,其可预报性就决定于外界强迫变化的时间尺度。

因此,中小尺度、季节性以及更长时间尺度的天气系统可预测性是目前可预测性研究面临的主要难题。例如,对于龙卷风、雷暴大风等中小尺度的天气过程而言,我们很难观测到这些局地天气现象的前期状态,从而使得预报难度很大。张福青解释说,“对于这些局地小尺度天气现象,物理模式的局限性就显现出来了。物理模式的不确定性和初始条件对这些中小尺度天气的预报影响很大,并且现在的物理模式对它们的描绘能力还不尽如人意。”

在可预报性研究领域,真正的难题是气象极端事件的可预报性问题。“对于未来的气象状况,决策者和公众最想知道的并不是降水的偏多偏少、温度的偏高偏低,而是暮春三月、江南草长之时,未来汛期我国什么地区、什么时段防汛会非常紧张,或者旱情会非常严重。这种对社会经济和人民生活有严重影响的小概率极端天气气候事件是否能提前预测?能提前预测的时间与该事件的时空尺度(影响范围和持续时间)是否有某种关系?用什么方法预测?这些都是待研究的难题。”丑纪范说。

人工智能可否突破可预报性极限

人工智能技术在气象领域的应用具有较宽的覆盖面,从探测、数据处理、预报预测到服务产品提供等都有涉及。人工智能可通过大数据分析、信息识别、机器学习等技术解决各类难以通过数理模型直接给出确定性方案的复杂问题。

近几年来,人工智能得到快速发展,但仍处于弱人工智能阶段(擅长单方面技能,比如下棋),距离强人工智能(在各方面都能和人类比肩,人类能干的脑力活儿它都能干)还差得很远,更不用说超人工智能(在几乎所有领域都比最聪明的人类大脑聪明很多,包括科学创新、通识和社交技能等)。然而,不容置疑的是,随着人工智能的学习能力越来越强,其在天气预测的某些领域将有可能取得重大突破。那么就套在每个气象工作者头上的“紧箍咒”——可预测性极限而言,人工智能是否有办法突破呢?

“这是一个非常有趣的问题,人工智能对状态依赖的系统误差具有较好的识别能力,因此可以在很大程度上给数值预报增值。”张福青说,对于中小尺度天气系统的预报而言,目前来看人工智能具有很大潜力。在模式和初始条件能力有限的情况下,人工智能可能会提供很大帮助。

然而,人工智能现在还很难取代数值天气预报,而且现在单凭人工智能本身也很难达到9-10天的预报能力。从目前来看,人工智能一个大有用武之地就是科学家可以利用其来做后处理,比如制作预报产品等。对于模式无法预报的这些小尺度天气过程,人工智能可能会发挥很大作用。弱人工智能要想突破天气可预测性极限面临很多困难,但当其发展到强人工智能或超人工智能,成为一种新存在时,或许会给天气气候预报预测领域带来惊喜。不过,到那个时候,人类看待人工智能的眼光可能已经完全不同了。