-
1 背景和科学目标
-
气候变化与气象灾害是人类始终面临的重大挑战。随着全球气候变暖，极端天气气候事件造成的损失也愈发严重。2000—2019年全球极端天气气候造成的经济损失比上个20年增加约一倍（United Nations Office for Disarmament Affairs，2020）。近些年，我国重大极端气候事件屡破纪录，例如，2022年发生在长江流域的高温干旱诱发了超强链式灾害（Yin et al.，2023a）; 2023年发生在京津冀地区的特大暴雨，创1891年以来的历史记录（Zhao et al.，2024）。近些年来，我国因极端气候导致的直接经济损失达2250亿元/a，每10 a增加900亿，为全球平均的8倍，严重制约着社会经济的可持续发展。
-
有效的气候预测对防灾减灾具有至关重要的作用。气候预测理论和方法是国际科学前沿，世界气候研究计划（WCRP）以及一些专门计划（如国际次季节至季节（Sub-seasonal to Seasonal，S2S）气候预测研究计划）均将其列为核心科学内容之一（Vitart and Robertson，2018; Kushnir et al.，2019）。WCRP已经成立40余年，但在气候系统预测理论和方法方面仍然面临众多挑战性问题，当前气候预测的准确性仍然远远不能满足社会需要。主要原因包括:1）气候系统是典型的复杂系统，其变化涉及多种时间尺度（特别是次季节、季节-年际、年代际尺度变化），涉及海-陆-冰-气多圈层的复杂相互作用，科学机理和系统理论构建非常困难（Wake，2019）; 2）全球变暖背景下，气候系统内部各类极端事件频发，不仅包括高温热浪、极端降水和沙尘暴等极端气候灾害，也包括厄尔尼诺-南方涛动（El Niño-Southern Oscillation，ENSO）多样性增强和北极增暖加速等。这些极端事件往往表现出不同于以前的新特征和规律，导致已有的预测模式和统计模型变得“不稳定”（Pendergrass et al.，2020; Yao et al.，2022）; 3）气候数值模式的发展还不够完善，尤其是对北极-中高纬关键过程和陆面过程的刻画还相当薄弱，以至于气候数值预测系统相较于传统物理统计方法在月以上时效尚未表现出明显优势（Gettelman et al.，2022）。
-
为提档气候预测科学水平和准确率，气候系统预测基础科学中心（CCSP）聚焦气候预测的三大难题:ENSO与海温的预测、延伸期天气预报、年际-年代际气候预测，开展系统深入研究。关键科学问题包括:1）季风系统动力过程与机理; 2）陆气相互作用与区域气候模拟; 3）海气相互作用与ENSO动力学; 4）季节内振荡动力学与延伸期天气预报; 5）年际-年代际气候预测。
-
2021—2023年，CCSP直面前沿科学挑战，瞄准国家重大需求，取得了若干研究进展（图1）。首先，揭示了全球变暖背景下气候系统主要分量（如，ENSO、北极海冰等）的关键变化及其驱动力; 第二，阐明了海-陆-冰-气相互作用对我国重大极端气候事件的调控作用和机理; 第三，着重改进了陆面模式，并实现了与全球和区域气候模式的耦合，搭建了实时气候预测系统; 第四，基于理论进展和技术突破发展了延伸期-S2S-年代际的气候系统预测方法，并实现了示范应用。
-
图1 CCSP创新成果间的逻辑关系
-
Fig.1 Connections among the CCSP innovations
-
2 全球气候系统的关键变化、驱动力和机制
-
近几十年来，全球气候显著变暖并且这种趋势仍在持续，有最新研究指出地球系统的16个气候临界点中已有多个处于活跃状态（Armstrong McKay et al.，2022），可能会进一步导致气候风险加剧。在全球变暖的背景下，热带海-气模态、北极海冰及季风系统也发生了显著变化，但目前对于其中一些关键变化的认识仍旧不足，相关的驱动机制也尚不明确。
-
由于气候模式对热带东-西太平洋海温梯度变化的系统性高估，以往的研究认为极端El Niño的发生频率将在全球变暖背景下加倍。实际上，对CMIP5模式的系统性偏差进行校正后，预估结果中未来极端El Niño的发生频率几乎不变（Tang et al.，2021; 图2）。此外，研究发现，通过洋盆间的增温链机制，印度洋和北大西洋增温趋势之间产生了正反馈效应。在人类活动的影响下，这种印度洋-北大西洋的共同增暖会在太平洋海温增暖的背景下进一步增强（Yang et al.，2022）。
-
自1940年以来，北极年平均气温每10 a上升0.25℃，夏季平均气温每10 a上升0.17℃（Wolkin et al.，2021）。人类活动是导致北极放大效应的重要驱动力。最新研究发现，全球高排放情景下北极秋季很有可能在21世纪中期首次进入“无冰”状态，相较预期提前10~15 a不等; 较低排放情景下，北极将不会在21世纪结束前进入“无冰”状态（Zhao et al.，2022）。此外，热带印度洋增暖通过增强大西洋经向翻转环流（Atlantic Meridional Overturning Circulation，AMOC），可以远程诱导更多的海洋热量从北大西洋输送到北极，进而加强北极地区的表面变暖（Xu J et al.，2022）。北极冰-气相互作用对北极气温和AMOC的多年代际变率的贡献可达20%~50%（Deng and Dai，2022）。
-
预估结果表明，在全球变暖背景下的夏季，东亚季风环流增强，而南亚季风环流减弱。通过分析它们对CO2的响应过程发现，东亚季风环流的增强主要与欧亚大陆陆面的快速增暖以及青藏高原的热力作用增强有关，这是季风对全球增暖的快速响应; 南亚季风环流的减弱则与热带太平洋的类El Niño型海温增暖和海洋性大陆地区降水的减少有关，这是季风对全球增暖的慢响应（Li T et al.，2022）。而最近研究证明，青藏高原区域未来增强的潜热驱动作用对南亚夏季风南支环流的减弱也具有不可忽视的贡献（Luo et al.，2024）。由于部分CMIP6模式在模拟ENSO与东南亚季风的关系方面存在系统性偏差，可能会增加多模式集合平均预估结果的不确定性（Lin et al.，2024a）。依据模拟性能较优的模式的预估结果，ENSO对东南亚季风环流的影响在全球变暖的背景下显著增强，这主要由热带太平洋的类El Niño型海温增暖所驱动（Lin et al.，2024b; 图3）。
-
图2 CMIP5多模式平均预估的未来热带太平洋海温（填色; 单位:℃/℃）和表面风场（箭矢; 单位:m·s-1·℃-1）（a、b）及对流（单位:Pa·s-1·℃-1; c、d）的气候态变化（a、c为原始变化; b、d为去除13个模式系统性偏差影响后的变化）; 历史时期和有无订正模式系统性偏差影响的预估的未来El Niño发生频率（e），其中红色代表超强El Niño，绿色代表普通El Niño，括号中为不同模式之间的不确定值; 打点和箭矢分别表示75%以上的CMIP5模式与多模式平均预估的海温和纬向风的符号一致。引自Tang et al.（2021）
-
Fig.2 The (a) original and (b) corrected MME-projected future mean-state changes of SST (shaded, units:℃/℃) and surface wind (vectors, units:m·s-1·℃-1) in the tropical Pacific.The (c) original and (d) corrected MME-projected future mean-state changes of omega (units:Pa·s-1·℃-1) in the tropical Pacific. (e) El Niño frequency change results based on historical simulations during 1901—2010 and the original and corrected projections in the RCP4.5 scenario during 2011—2098.Red represents extreme El Niño frequency, and green represents moderate El Niño frequency.The uncertain values between different modes are shown in parentheses; Stippling and vector indicate more than 75% of the CMIP5 models agree with the sign of the MMEprojected SST and zonal wind change, respectively.cited from Tang et al. (2021)
-
在全球变暖的背景下，极端气候的长期变化成因也较为复杂。过去几十年全球干旱化的加剧主要是由于人类活动导致的，其中温室气体是干旱化的主导要素，气溶胶可以减弱由温室气体导致的变干趋势（Chai et al.，2021）。Zhang S et al.（2022）指出不同形成机制的洪水与极端降水增加之间存在不同的响应关系，这一发现调和了以往关于全球变暖下洪水变化的争议。上新世暖期北半球近地表多年冻土面积相比工业革命时期缩小90%以上，并与高排放情景下21世纪末的近地表多年冻土变化的预估结果相似（Guo et al.，2023）。
-
3 海-陆-冰-气相互作用及我国重大极端气候事件
-
在次季节-季节、年际-年代际时间尺度上，海-陆-冰-气多圈层关键过程是相应时间尺度气候预测的主要信号来源，部分变化过程也可以产生跨时空尺度的影响（Wang et al.，2022a）。然而，全球变暖背景下海-陆-冰-气相互作用机理还存在众多尚未厘清的科学问题，其在我国重大极端气候事件形成中的作用和关键物理途径尚不清楚（Yin et al.，2023a）
-
图3 ENSO对东南亚夏季风影响在全球变暖背景下的增强及其机制:（a）气候态海温的预估变化，类El Niño型海温变化导致El Niño成熟冬季和次年春季期间的异常沃克环流东移，赤道西太平洋下沉运动增强，低层大气盛行北风异常，表面蒸发冷却加强，使得异常海温快速衰退;（b）El Niño次年夏季的异常海温的预估变化，赤道西太平洋异常海温的冷变化激发反气旋环流异常，导致东南亚季风降水和环流异常的增强; 改绘自Lin et al.（2024b）
-
Fig.3 Enhanced impact of ENSO on the Southeast Asian summer monsoon (SEASM) under global warming and associated mechanisms. (a) Projected changes in climatological sea surface temperature (SST) .The El Niño-like SST change leads to the eastward shift of anomalous Walker circulation during the El Niño mature winter and the following spring, enhancing subsidence over the western equatorial Pacific (WEP) .This induces anomalous northerly winds in the lower atmosphere, strengthening surface evaporation and thereby accelerating the decay of the WEP SST anomaly. (b) Projected changes in SST anomalies during the post-El Niño summer.Cold anomalies in SST in the WEP trigger anomalous anticyclonic circulation, enhancing SEASM precipitation and circulation anomalies; redrawn from Lin et al. (2024b)
-
ENSO作为热带太平洋最重要的海气相互作用模态，与热带大西洋和印度洋存在着复杂相互作用（Cai et al.，2019）。热带大西洋海温如何影响ENSO演变一直是热点科学问题，且存在较大争议。通过设计理想大气-海洋耦合模式试验，研究指出热带大西洋两个主要的海温模态（即热带北大西洋海温模态和大西洋尼诺）对ENSO的演变和结构多样性（即中部型和东部型ENSO）具有重要调控作用，主要通过东传大气开尔文波及其与季风和暖池的相互作用来影响热带太平洋（Jiang and Li，2021; Jiang et al.，2022a）。此外，ENSO对大西洋尼诺的影响具有显著不对称性，El Niño在其发展阶段（北半球秋季）影响赤道大西洋，但La Niña主要在衰减位相（北半球春季）对其产生影响（Jiang et al.，2022b）。也有基于观测、理论及多模式的研究发现ENSO的韵律（周期变化）主导了热带太平洋-北大西洋海温的年际联系，而之前部分研究揭示的北大西洋海气变率超前ENSO的统计关系并不具有物理意义（Zhang W J et al.，2021）。印度夏季风能够影响同期ENSO发展，可视为ENSO的触发因子。此外，印度季风的强弱可以通过引起西太平洋环流异常从而抑制或者促进后续ENSO的发展（Lin et al.，2023）。连续型El Niño事件可以通过中高纬度路径和低纬度路径引起中国南方春季降水的显著增多（Zhong et al.，2023）。2020年，北大西洋、西北太平洋和北印度洋海温异常通过调控急流和西太副高的进退导致了超级“暴力梅”，累积降雨量达到历史极值（Li H et al.，2022）。
-
次季节尺度的气候系统异常是造成近些年重大极端气候事件的直接原因之一（Zhang X D et al.，2022; Ding et al.，2023）。次季节预测的时间尺度介于天气预报和季节预测之间，大气初值信号已经消失殆尽，而外强迫信号尚未完全显现。由于次季节预测的可预报性来源尚未完全明确，因此次季节预测水平明显偏低（Meehl et al.，2021）。陆-气耦合过程是次季节预测的重要可预报性来源之一（Zhang T T et al.，2023）。春末中南半岛土壤湿度出现正异常时，可通过热力过程引起对流层中高层环流异常，从而造成初夏华南地区的降水减少（Dong et al.，2022）。春季西亚陆面持续的热力异常可作为中国北方地区初夏温度与降水预测的潜在信号（Yang et al.，2021）。春季融雪会通过土壤湿度与陆面热力异常引起大气环流持续响应与东传波列的加强，进而促进东北亚陆面增暖（Sun et al.，2021）。
-
热带季节内振荡是次季节尺度最重要的信号之一，不同类型（快传和慢传）的热带大气季节内振荡（Madden-Julian Oscillation，MJO）能够对华南冬季降水的次季节变化产生不同的影响。其中两种华南冬季降水的次季节变率与热带MJO有关，分别对应了MJO所引起的大气环流变化，而第三种则与从亚洲北部向南传播的准正压气旋性环流异常有关，它们均通过次季节尺度的南风分量对平均水汽的平流作用引发边界层水汽增加，最终导致降水事件的发生（Wang et al.，2023）。东亚夏季风系统（降水和急流）的次季节变化能够通过遥相关作用激发跨太平洋波列，在北美西部产生高压异常，从而导致北美西部极端热浪的发生（Qian et al.，2022）。热带MJO强度在过去的一个世纪显著加强，其引发的降水也显著增加，其原因与增强的异常风场有关，特别是高频变率的增加（Cui and Li，2022）。相较于热带MJO，中高纬度季节内振荡（Intra-Seasonal Oscillation，ISO）形成机制是至今尚未解决的一个科学难题。基于观测的中高纬水汽-环流耦合特征，Cui et al.（2023）提出了一个湿斜压不稳定性理论，该理论成功解释了中高纬度ISO不稳定增长的机理及结构和传播特征，包括其行星尺度选择及向西传播（图4）。此外，在水汽模态理论框架下，揭示了热带MJO传播和触发的多样性以及相关物理机制（Hu and Li，2021; Wang and Li，2021，2022）。
-
“暖北极-冷欧亚”是北半球中高纬冬季气候系统变化的最显著模态之一，但其物理图像和关键机制依然不够清晰，是国际学术争议的热点问题（Cohen et al.，2020; Xu X P et al.，2022）。2020年冬季平均的“暖北极-冷欧亚”强度仅有-0.56℃，但前冬强度为+4.8℃且半个冬季持续正值，后冬达到-6.12℃且稳定保持负异常。将前冬和后冬解耦合能够释放出被季节平均遮盖的强烈的持续的异常信号，次季节尺度上“暖北极-冷欧亚”的位相反转是显著存在的（Zhang Y J et al.，2023）。2010年之后“暖北极-冷欧亚”前后冬位相反转频次达到前一个年代的3倍左右，这也是“北极增暖-欧亚变冷”趋势不确定性增大的重要原因（Yin et al.，2023b）。该发现修订了国际上部分学者因忽视“暖北极-冷欧亚”次季节位相反转而提出的北极和中纬度气候联系正在减弱的片面观点（Blackport and Screen，2020）。近几年，北极冰-气系统频繁出现较强的次季节位相反转，进而驱动影响我国寒潮的整条路径发生冷暖转换。该过程不仅直接触发了我国冬季极端冷暖转换事件（如2020/2021年和2021/2022年冬季; Zhang Y J et al.，2021），也可以通过影响蒙古国沙源区地表条件来驱动春季我国北方超强沙尘暴的爆发（如2021年3月和2023年3月; Yin et al.，2022a; 尹志聪等，2023），形成了“气候→生态→气候与环境”的复合性反馈过程（图5）。
-
图4 湿斜压理论模式导出的增长率（单位:10-6 s-1; a）和相速度（单位:m·s-1; b）随纬向波数的变化; 最不稳定模态的纬向结构:正压扰动流函数（橘色实线，单位:107 m2·s-1）、斜压扰动流函数（橘色虚线，单位:107 m2·s-1，该变量正比于对流层中层扰动温度）和低层比湿（绿色实线，单位:g·kg-1，此变量与降水异常同位相）（c）; 理论模式所导出的最不稳定模态波长、相速及结构与观测的中高纬ISO特征一致，不稳定增长来源于扰动有效位能的产生，由扰动温度和经向风正协方差关系以及扰动温度和非绝热加热正协方差关系共同导致; 引自Cui et al.（2023）
-
Fig.4 (a) Growth rate (units:10-6 s-1) and (b) phase speed (units:m·s-1) as a function of zonal wave number for the moisture baroclinic model. (c) Zonal phase relations among barotropic stream function Ψm (solid orange curve; units:107 m2·s-1) , baroclinic stream function ΨT (dashed orange curve; units:107 m2·s-1; being proportional to mid-tropospheric perturbation temperature) , and lower-tropospheric specific humidity q3 (green curve; units:g·kg-1; being in phase with precipitation anomaly) for the most unstable mode.The preferred zonal wavelength, phase speed, and zonal structures are consistent with what was observed.The instability arises from the perturbation's available potential energy generation, caused by positive covariances between the perturbation's mid-level temperature and meridional wind and between the perturbation's mid-level temperature and diabatic heating; cited from Cui et al. (2023)
-
图5 次季节尺度上的“暖北极-冷欧亚”及其对中国冬季极端冷暖转换和春季强沙尘暴的影响。“暖北极-冷欧亚”次季节位相反转年的冬季平均（a）、前冬平均（b）和后冬平均（c）的整体模态，包括地表至对流层的气温、巴伦支海-喀拉海海冰、西伯利亚高压、乌拉尔山高压（绿色实线）和西风急流（“⊗”表示异常东风，“⊙”表示异常西风）等异常，打点区域表示通过95%显著性检验; 2020/2021年冬季中国东部气温的逐日变化（黑色实线）及异常（柱状; 单位:℃; d）; 2021年3月14—15日华北地区的最高PM10质量浓度（单位:μg·m-3; e）; 改绘自Yin et al.（2023b）和Zhang Y J et al.（2021，2023）
-
Fig.5 “Warm Arctic-Cold Eurasia” on the subseasonal scale and its impact on the extreme climate in China.The overall “Warm Arctic-Cold Eurasia” pattern on (a) winter-mean, (b) early-winter mean, and (c) late-winter mean under the subseasonal reversal years, including the air temperatures from the surface to troposphere, Barents Sea-Kara Sea ice, Siberia high, Ural high (green curve) , and westerly jet (“⊗” markers represent abnormal easterly winds and “⊙” markers represent abnormal westerly winds) .The dotted area is significant at the 95% confidence level. (d) Temporal variations of the daily temperatures (curve line) and anomalies (bars; units:℃) in winter 2020/2021 over eastern China. (e) The highest PM10 mass concentration (units:μg·m-3) on March 14—15, 2021, in North China; redrawn from Yin et al. (2023) and Zhang Y J et al. (2021, 2023)
-
4 数值模式研发和预测系统集成
-
地球系统模式是开展学科交叉，跨圈层研究的重要平台，也是衡量一个国家地球科学发展水平的重要标志。但是，地球系统模式如何在实时气候预测业务中发挥有效支撑作用仍是亟待解决的关键问题。相较于大气和海洋模式，陆面过程模式的模拟能力还相对薄弱，在气候预测中的贡献尚未凸显（Fisher and Koven，2020; Blyth et al.，2021）。
-
陆面过程模式是地球科学机理研究的重要工具，也是气象-水文-生态精细化预报的核心技术。通用陆面模式（CoLM）是中国自主研发的陆面模式（Xin et al.，2019）。Liu X T et al.（2022）利用Morris方法评估了植物性状参数在通用陆面模式植物水力胁迫方案（CoLM-PHS）中的重要性，发现耐旱性状、气孔性状和光合作用性状是决定蒸腾模拟的最重要植物性状。基于新的三维城市建筑物群落结构假设，通过增加城市植被与水体模拟，并耦合了建筑物能耗模型，可进行10 km分辨率的城市气候模拟。水库能够放大极端降水对温度变化的敏感性，增加降水-温度复合极端事件的频率。考虑水库的影响后，模拟的流量更加接近观测流量，耦合大坝影响的河道水动力过程模拟能有效地刻画水库的防洪效应（Li et al.，2023）。结合流域和城市水文过程开展的城市洪水模拟，能够较好地表征江河洪水引发的城市外洪、城市强降雨引发的城市内涝（Chen et al.，2022）。
-
在气候预测系统集成方面，通过改进数据同化方案、参数化组合方案以及集合扰动方案，集合NZC-PSM和NUIST-CFS等预测模式构建出全球多模式集合预测系统。通过耦合区域气候模式CWRF、陆面模式CoLM、海洋模式FVCOM和水文模型CamaFlood等，同时考虑人类活动、生物地球化学、海洋生物化学等多种过程，研发了中国特色精细化区域地球系统模式CRESM（张焓等，2024）。最终，将全球和区域模式嵌套耦合，并实现多模式集成，构建了多方法集合实时气候预测系统，对东亚地区气候异常、极端气候具有更高的模拟性能和预测技巧。
-
5 延伸期-S2S-年代际的气候系统预测理论、方法和应用
-
气候系统预测是全球气候研究领域的热点和难点，提升气候系统预测能力是国家防灾减灾和风险应对的现实需求。目前国内外针对极端气候的延伸期、S2S预测刚刚起步，预测技巧总体较低，尤其在更加精细的时间和空间尺度上（Tippett et al.，2018）。此外，年代际预测是近期气候研究的一个新领域，理论和技术支撑依然不足（Kushnir et al.，2019）。同时，常规气候预测向衍生灾害的风险的延伸不够，也制约了我国气候风险应对和管理能力的提升。
-
灾害性天气的延伸期预报是天气气候无缝隙预测的业务难题。基于深度学习方法，有效挖掘前期（-30~-1 d）预报因子的时空演变过程与后期（未来30 d）中国东部降水之间的关系，提前20~30 d对中国东部极端降水预报能力优于当前ECMWF与CMA的S2S业务预测模式（Xie et al.，2023）。深度学习方法不仅能够提高延伸期预报技巧，也能够有效识别与MJO有关的西北太平洋降水次季节变化的潜在可预报性来源（Yang et al.，2023）。基于影响梅雨的高低层关键环流纬向配置与梅雨降水之间的统计关系，以及欧洲中心S2S模式对关键环流系统的预报能力，能够超前17 d以上对梅雨进行有效预报，预测技巧显著优于欧洲中心动力预报结果（Zhu et al.，2023）。
-
S2S和年际预测是防灾减灾的关键一环，农业、粮食安全、水资源以及卫生健康等决策部门对其有强烈需求。基于东-西印度洋海温网络的协同变化特征，可在前一年12月预测下一年是否发生印度洋偶极子事件（Indian Ocean Dipole，IOD），准确率超过70%（Lu et al.，2022）。采用卷积神经网络对全球海表面温度和上层海洋热容量的时间-空间特征进行深度挖掘，可以实现提前1 a对ENSO海温异常纬向分布的准确预测，预测水平显著优于动力模式（Sun et al.，2023）。采用可预测性更高的南亚夏季风第一模态来构建南亚夏季风指数，可以使得南亚夏季风的预测技巧显著提高（Zhang T T et al.，2022）。通过考虑前期冬季热带海温、北极海冰、及春季500 hPa垂直速度对我国春季干旱的影响过程，基于场信息耦合和年际增量方法建立了我国春季干旱的动力-统计混合降尺度预测模型，对我国绝大多数站点的春季干旱具有较好预测效能（Tian and Fan，2022）。将在短期气候预测中广泛应用的年际增量方法拓展到年代际预测，针对华南夏季极端降水的年代际增量开展预测，可以有效地把握其年代际变率和转折（Wang et al.，2022b）。
-
除常规气候预测外，与气候异常相关的衍生灾害预测也非常重要。通过分析排放源变化和气候条件对中国东部PM2.5浓度季节性预测的贡献（Ma et al.，2023; Yin et al.，2023c），融合两者优势研发了10 km网格上的PM2.5浓度预测模型，可以成功预测出中国东部冬季PM2.5浓度（Yin et al.，2021，2022b）。利用分位数映射和集合经验模态分解方法，对水文模型WRF-Hydro模拟径流进行后处理，可以有效改进水文模型对径流的模拟能力（Liu S et al.，2022），有助于开展滑坡泥石流的预报预测。
-
基于基础创新和集成应用，经过大量的试报检验，CCSP形成了多时效（延伸期、S2S、年代际）、多要素（常规气候、极端气候、衍生灾害）和多方法（年际增量、动力模式、人工智能-统计）的气候系统预测体系。华南降水的延伸期预报模型在广东省气象局正式开展实时预测，提前25 d成功预报出2022年超强华南龙舟水事件。动力-统计相结合的短期气候预测系统运行稳定，成功预测出2023年长江下游降水持续偏少、北方多雨态势，支撑了国家气候中心的业务会商和各级政府部门的决策。面向紧迫的国家需求，提供及时权威的预测支撑。2022年长江流域大范围持续性高温干旱发生后，CCSP及时启动加密预测会商，提供了《关于今年秋冬季节我国长江流域干旱是否会持续的研究与对策》的重大咨询报告。
-
6 展望
-
人类活动影响下，气候系统与环境系统在区域尺度上存在复杂的相互作用。尤其在东亚季风区，气溶胶和碳排放及其变化速率均显著高于全球平均。季风系统已经从传统意义上的气象学概念拓展至物理、化学和生物多学科交叉的季风气候与环境系统。亟待解决的关键问题包括但不限于:1）东亚极端降水、干旱和复合事件等的归因不确定性依然较高，更难以量化不同人类活动的贡献。这需要超级算力支持的大样本、精细化的单强迫模拟试验，以及发展基于物理过程的归因新方法。此外，如何在气候预测和预估中更有效的利用归因结果仍是一个科学难题; 2）从理解和应对气候变化的角度，古今气候环境研究怎样融合?这一问题在典型时段、关键变率和重大事件上可能会被率先解答，将有助于理解气候与环境变化的驱动力，完善导致地球系统模式长时间模拟误差的关键模块; 3）单一学科的知识框架已经难以解释深度相融的气候与环境问题，急需打破地球科学各学科的知识壁垒，那么，如何才能构建出数据-知识-模式驱动的新气候与环境研究范式?
-
在跨时空尺度气候系统变异和极端气候事件触发机理方面，应加强研究:1）多圈层、多时空尺度气候系统的相互作用过程，尤其是地球三极的跨圈层耦合和远程气候效应机理; 2）多时空尺度海-陆-冰-气驱动因子及非线性过程对不同极端气候事件发生和发展过程的影响机理; 3）综合剖析极端气候事件的可预报性来源，融合统计和动力预测模式突破极端气候事件的次季节-年际尺度预测这一科学难题，并逐步建立实时预测系统和预测业务。
-
人工智能（Artificial Intelligence，AI）善于从大样本数值模拟和再分析资料当中学习“经验”，尤其是线性模型无法识别的“经验”，创建出众多节约算力、技巧较高的预测模型。相似的技术路线已经在天气预报当中得到验证，但在气候预测方面的应用还没有充分展开。以深度学习为代表的AI方法存在鲁棒性差、可解释性差、对数据的依赖性强等问题，在气候预测模型当中往往表现为“泛化能力差”、“黑盒”和“迁移性差”等固有缺陷。此外，训练气候预测AI大模型对GPU算力的超高要求，以及物理规律缺失和能量不守恒等问题也值得被高度关注。AI在改进气候数值模式的参数化方案、数据同化技术和概率集合算法等方面被寄予厚望，在未来这些工作应尽量在动力框架和物理约束下开展，实现数据驱动和物理驱动的融合。AI预测模型的高技巧背后是否隐藏着一些真实世界的知识?这些“新猜想”可能是仅使用传统科学方法无法获得的见解，它们能否帮助我们拓展对气候复杂系统的认知边界?这一问题始终困扰着科学界。可解释、可通用的下一代人工智能方法的发展将为回答这个关键问题提供一个契机，而这也需要跨部门数据共享和算力建设等的紧密配合。
-
未来10~30 a气候与环境系统的年代际变化不仅显著影响区域天气气候，也与国家气候、环境、能源相关的基础战略和重大工程密切相关。但是，国际上年代际气候预测的科学水平尚处于初始阶段，预测方法匮乏，能力亟待提升。开展年代际气候预测的基础是深入认识气候与环境系统年代际变化的事实和演变过程，揭示关键驱动力和机制，从初值条件和边值条件的角度审视气候系统内部和人类活动驱动力。值得注意的是，IPCC共享情景为假设情景，并不适合直接作为年代际预测的边值条件，应加强研究出可靠的全球和区域边值条件。未来，应尽快针对我国气候与环境变化发展出年代际预测方法，形成年代际尺度上的经济社会影响和重大风险评估体系，提出我国应对气候与环境系统变化及风险的关键技术和政策方案，科学支撑我国的重大战略规划和部署。
-
参考文献
摘要
随着全球变暖,极端天气气候事件增强,天气气候灾害造成的损失也愈发严重。当前气候预测的准确性远远不能满足社会需要,气候系统预测理论和方法面临着众多挑战性问题。为提档气候预测科学水平和准确率,由南京信息工程大学和中山大学承担的“气候系统预测研究中心”获得国家自然科学基金基础科学中心项目支持(2021年1月—2025年12月)。在该项目执行的前三年,项目团队开展了大量深入系统的研究,并取得了若干重要进展:1)揭示了气候系统的若干关键变化、驱动力和机制;2)剖析了海-陆-冰-气相互作用对我国重大极端气候事件的影响;3)在气候系统数值模式研发和预测系统集成方面取得重要进展;4)发展了延伸期-S2S-年代际的气候系统预测理论和方法。本文对这些进展作了扼要介绍,并针对气候与环境变化归因、古今气候环境研究融合、跨时空气候系统变异和极端气候、人工智能与气候科学、年代际预测和风险应对体系等关键科学问题做了展望。
Abstract
Extreme weather and climate events are exacerbated by global warming,leading to increasingly severe losses from weather-related disasters.Despite progress,theories and methods of climate system prediction still face numerous challenges,and the precision of climate predictions remains inadequate for societal needs.To address these issues and enhance the scientific rigor and accuracy of climate prediction,the “Center for Climate System Prediction Research,” jointly led by Nanjing University of Information Science and Technology and Sun Yat-sen University,receive support from the National Natural Science Foundation of China (2021-01—2025-12).Over the initial three years of the project,the research team conducted extensive and systematic studies,resulting in several significant advances:(1) unveiling key changes,driving forces,and physical mechanisms of the climate system;(2) investigating the impacts of air-sea-land-ice interactions on extreme weather and climate events in China;(3) making substantial progress in developing numerical models for the climate system and integrating prediction systems;(4) advancing prediction theories and methods for the climate system across extended-range,subseasonal to seasonal (S2S),and decadal time scales.This study offers a brief overview of these advancements and identifies key scientific questions for future exploration,including climate and environmental change attribution,bridging paleoclimate with present climate studies,understanding climate system variability and extremes across time and space,the role of artificial intelligence in climate science,decadal prediction,and risk response systems.
关键词
气候系统 ； 气候预测 ； 极端气候 ； 海-陆-冰-气相互作用 ； 全球变化
