导语

 

自1900年以来，至少发生了30起厄尔尼诺事件。近日，来自波茨坦气候影响研究所的孟君和樊京芳博士，北京师范大学陈晓松教授以及合作者，提出了一种基于熵理论的方法来预测厄尔尼诺事件的强度。对于刚刚到来的2020年，基于下文中提出的 System Sample Entropy 的方法，论文作者预测厄尔尼诺将有很大概率会在本年下半年再次发生，并发展为一个中等强度甚至高强度的厄尔尼诺事件。本文是作者对这篇 PNAS 论文的解读。

 

 

论文题目：

 

Complexity-based approach for El Niño magnitude forecasting before the spring predictability barrier

 

论文地址：

 

https://www.pnas.org/content/117/1/177.short

 

一. 什么是厄尔尼诺？

 

厄尔尼诺是一种周期性气候现象，指赤道东太平洋海水每隔数年就会异常升温的现象，平均每2-7年发生一次。厄尔尼诺-南方振荡现象（El Niño-Southern Oscillation，简称 ENSO）是赤道附近东太平洋海水表面温度和海风周期性变化的气候现象。厄尔尼诺现象是厄尔尼诺-南方振荡现象中的升温阶段。对于该现象的发生机制目前科学界有多种观点，通常认为厄尔尼诺现象的发生，与太平洋赤道上的大气环流—沃特环流—的改变有关。厄尔尼诺-南方涛动现象中的低温阶段称为拉尼娜现象。在厄尔尼诺与拉尼娜的中间阶段，西太平洋低压和东太平洋高压 （或沃特环流）会造成海风自东向西将东太平洋表面温暖的海水和空气自东向西吹，同时低层的低温海水向上翻涌，造成东太平洋表面海水温度较低。而在厄尔尼诺发生前，赤道太平洋表面西风减弱或转向，从而使得东太平洋海水温度变高，最终导致厄尔尼诺的发生。在厄尔尼诺期间，热带降水和大气环流的正常规律被打乱，并在全球范围引发极端气候事件。

 

由来：“厄尔尼诺”一词来源于西班牙语，原意为“圣婴”。19世纪初，在南美洲的厄瓜多尔和秘鲁等西班牙语系的国家，渔民们发现，每隔几年，从10月至第二年的3月便会出现一股沿海岸南移的暖流，使表层海水温度明显升高。南美洲的太平洋东岸本来盛行的是秘鲁寒流，随着寒流移动的鱼群使秘鲁渔场成为世界四大渔场之一，但这股暖流一出现，性喜冷水的鱼类就会大量死亡，使渔民们遭受灭顶之灾。由于这种现象最严重时往往在圣诞节前后，于是遭受天灾而又无可奈何的渔民将其称为上帝之子——圣婴。

 

定义：厄尔尼诺现象的出现频率并不规则，该现象一般每隔2至7年出现一次，持续时间可长达18个月。根据美国大气海洋管理局（NOAA）的定义， 如果海洋厄尔尼诺指数（Oceanic Niño Index2）超过0.5oC，并且持续至少五个月，那么该事件称为厄尔尼诺事件（El Niño Episodes）；反之，如果海洋厄尔尼诺指数低于 -0.5oC，并且持续至少五个月，那么该事件会称为拉尼娜事件（La Nina Episodes）。

 

 

二. 厄尔尼诺的影响

 

1. 气候影响

 

厄尔尼诺现象会影响全球气候并破坏正常的天气模式，从而可能导致某些地方遭受强烈暴雨、洪水、极热或极冷的天气条件，进而可能导致动物疾病的暴发（包括人畜共患疾病和食源性疾病），以及植物病虫害和森林火灾等。在以往发生的厄尔尼诺事件中，某些地区以渔业为生的人受到严重影响。

 

自1950年以来对厄尔尼诺事件的观察表明，厄尔尼诺的发生及其所造成的影响具有多样性和不确定性的特点，这也就增加了相关预测工作的难度。在大多数厄尔尼诺事件期间，比较明确的影响包括印度尼西亚和南美洲北部的降雨量低于平均水平，而南美东南部，赤道非洲东部和美国南部的降雨量高于平均水平。

 

对中国的影响：

 

对于中国来说，厄尔尼诺易导致暖冬，南方易出现暴雨洪涝，北方易出现高温干旱，东北易出现冷夏。比起单纯的气温变化，极端天气更容易引发危险。

 

（1）台风减少。西太平洋热带风暴（台风）的产生次数及在我国沿海登陆次数均较正常年份少。

 

（2）夏季风较弱，季风雨带偏南，位于中国中部或长江以南地区。北方地区夏季容易出现干旱、高温，南方易发生低温、洪涝。近百年来我国的严重洪水，如1931年、1954年和1998年长江中下游地区的洪水，都发生在厄尔尼诺现象出现的次年。

 

（3）厄尔尼诺现象发生后的冬季，我国北方地区容易出现暖冬。

 

2. 对人类和自然的社会生态影响

 

经济：广泛地说，厄尔尼诺现象会影响商品价格和不同国家的宏观经济。它可以限制降雨驱动的农产品的供应；减少农业产量，建筑和服务活动；造成食品价格上涨和通货膨胀；并可能在主要依赖进口食品的依赖商品的贫穷国家引发社会动荡。此外，在厄尔尼诺冲击之后，大多数国家都经历了短期的通胀压力，而全球能源和非燃料商品价格却在上涨。

 

健康： 与厄尔尼诺现象有关的极端天气状况与流行病发病率的变化有关。例如，厄尔尼诺周期与蚊子传播的某些疾病的风险增加有关，例如疟疾，登革热和裂谷热。印度，委内瑞拉，巴西和哥伦比亚的疟疾恶性循环现已与厄尔尼诺现象有关。暴雨和洪水后，在澳大利亚东南部的温带地区爆发了另一种由蚊子传播的疾病，即澳大利亚脑炎（Murray Valley脑炎，MVE），这与拉尼娜事件有关。在1997-98年厄尔尼诺现象期间，肯尼亚东北部和索马里南部出现特大降雨，随后发生了裂谷热的严重爆发。

 

三. 厄尔尼诺的预测

 

厄尔尼诺事件的发生对全球各地区的气候灾害均有预兆意义，因此对它的预报已成为气候预测中最重要内容之一。及早并准确地预测厄尔尼诺的发生以及强度，对预防或降低其带来的全球范围内的经济、农业、社会等方面的损失意义重大，而且将帮助政府和相关机构制定政策，应对厄尔尼诺的影响。

 

春季预测障碍

 

目前传统的厄尔尼诺预测方法只能在提前6个月范围内给出比较准确的预测，这一现象称之为，春季预测障碍（即无法在厄尔尼诺发生的那一年的春季或更早给出准确预测）。图3显示了18个动力学和8个统计学气候模型预测能力， 我们看到在春季的时候几乎所有的模型都丧失了准确地预测厄尔尼诺的能力。

 

 

厄尔尼诺事件发生的长时间预测

 

为了克服上面提到的春季预测障碍，来自波茨坦气候影响研究所的团队-提出了一种全新的框架用以预测厄尔尼诺事件的开始—即气候网络的方法。不同于一般的复杂网络，在气候网络中将节点认为是全球气候数据集的空间网格中的站点；根据两个站点之间相应的气候数据时间序列对之间的统计相似度，从而定义网络的边。气候网络方法使人们能够以一种全新的角度来了解不同时空尺度上气候系统的动力学演化。

 

目前基于气候网络的方法可以提前一年预测厄尔尼诺事件的开始 [3, 4, 5], 其预测准确率超过89%。远远高于传统的气候模型。且该系列方法成功的对2014-2016和2018-2019事件进行了成功的预警。

 

厄尔尼诺事件强度的预测

 

虽然我们可以克服春季预测障碍成功的预测厄尔尼诺事件的开始，但是至今没有办法长时间预测其强度。而预测强度至关重要，这是因为较强的厄尔尼诺现象通常会导致更多极端事件（例如洪水，干旱或 严重的风暴）对经济，社会和生态系统造成严重影响。

 

近日，来自波茨坦气候影响研究所的孟君和樊京芳博士，北京师范大学陈晓松教授以及合作者，提出了一种基于熵理论的方法来预测厄尔尼诺事件的强度 [6]。研究论文已在线发表在世界知名期刊美国科学院院刊PNAS（https://www.pnas.org/content/117/1/177.short），首次克服了长久以来困扰厄尔尼诺预测的“春季预测障碍” ，将对厄尔尼诺现象的发生，特别是强度的预测提前一年。

 

该文作者提出了一套基于信息熵理论的全新的方法——System Sample Entropy——用来计算厄尔尼诺区域（Nino 3.4）近海平面空气或海表温度的复杂度（包括温度随时间变化的无序性以及不同地点温度变化的同步性或相干性）。利用这一方法，作者们发现了Nino 3.4区域温度变化的复杂度与厄尔尼诺现象强度存在着非常强和稳定的线性关系，即一年内（1月1日-12月31日）Nino 3.4区域的温度变化复杂度越大，那么下一年发生的厄尔尼诺事件的强度就越大。基于这一发现，作者们提出了一套基于每年Nino 3.4 区域温度变化复杂度的大小（由该区域 System Sample Entropy 量化）来预测来年厄尔尼诺发生及其强度的方法。该方法目前成功的预测了1984至2019年期间10个厄尔尼诺事件中的9个事件的发生年份，以及24个没有厄尔尼诺现象发生的年份当中的21个，特别是对厄尔尼诺强度预测的平均误差仅为0.23摄氏度。

 

对于刚刚到来的2020年，基于文中提出的System Sample Entropy的方法，作者们预测厄尔尼诺将有很大概率会在本年下半年再次发生，并发展为一个中等强度甚至高强度的厄尔尼诺事件，其预测强度为1.48+-0.25摄氏度（图4）。

 

四. 气候变化与厄尔尼诺

 

政府间气候变化专门委员会的最新报告显示，随着气候变暖，较强的厄尔尼诺现象可能发生得更加频繁。如果是这样的话，那么与厄尔尼诺相关的气候事件也将变得更加剧烈，但是气候变化产生的影响可能不仅仅是厄尔尼诺现象严重程度和相关后果。一些研究表明，全球气候转暖可能增大全球受厄尔尼诺影响的总面积。因此，当厄尔尼诺现象发生时，它对天气的影响可能比当前更严重。

 

 

参考文献

 

[1]. https://baike.baidu.com/item/厄尔尼诺现象

 

[2]. Oceanic Niño Index (ONI) [3 month running mean of ERSST.v4 SST anomalies in the Niño 3.4 region (5oN-5oS, 120o-170oW)]

 

[3]. J. Ludescher et al., Improved El Nin˜ o forecasting by cooperativity detection. Proc. Natl. Acad. Sci. U.S.A. 110, 11742–11745 (2013).

 

[4]. J. Meng, J. Fan, Y. Ashkenazy, S. Havlin, Percolation framework to describe El Nin˜ o conditions. Chaos 27, 035807 (2017).

 

[5]. J. Meng, J. Fan, Y. Ashkenazy, A. Bunde, S. Havlin, Forecasting the magnitude and onset of El Nin˜ o based on climate network. New J. Phys. 20, 043036 (2018).

 

[6]. J. Meng, J. Fan, et al, Complexity-based approach for El Nino magnitude forecasting before the spring predictability barrier. Proc. Natl. Acad. Sci. U.S.A. 117, 177-183 (2020).

 

作者：樊京芳

编辑：张爽