本期观点:大气的多变性，加上气象数据和模型带来的误差，使得气象分析数据始终是实际大气的一个可能的近似，实际大气的真实状态永远无法完整准确的描述出来。
对于中纬度地区的日常天气，最新的研究认为其可预报极限在两周左右，但中小尺度、季节性和更长时间尺度天气系统的可预报性，以及气象极端事件的可预报性，是当前可预报性研究面临的主要问题。
人工智能在中小尺度天气系统的预报方面潜力巨大，但以目前的水平，还难以帮助科学家突破天气可预报性的极限。
嘉宾:美国宾夕法尼亚州立大学特聘教授张付青
中国科学院院士仇樊姬
采访者: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学模型计算大气条件的演变，试图预测未来几天的天气状况。如果预报天气就像画大气，地面观测站、雷达、探空气球、卫星等获得的数据。是“颜料”，而模型和计算模型的超级计算机是气象学家手中的“画笔”。不同的是，大气是不断变化的，预报员要准确描绘大气并不容易。更困难的是，科学家们需要根据目前的大气“画像”，在未来几天内画出他们的“画像”。
那么有意思的是，未来大气科学领域的专家最多还能画出多少天的大气“画像”？
这就是天气过程的可预测性。
难以捕捉的大气“肖像”
随着科技的不断进步，气象科学有了很大的进步，我们可以在一定程度上更准确的预测未来的天气变化。比如未来3-5天的天气预报可信度就相当高。当然，理想情况下，科学家可以无限延长预测时间，从几小时、几天、几个月甚至几年。然而，大气层似乎是一个非常调皮的孩子，总是“在她的吉他后面仍然把半张脸藏在我们面前”，不想让别人知道它的性情，并划出一条分界线，超出这条分界线，科学家就很难看清它的“真面目”。
为什么大气的“肖像”很难捕捉？
地球是一个水汽、热量和能量频繁交换的非线性系统。非线性系统的一个显著特点是系统各部分之间的相互作用会产生复杂的、不可预测的行为，包括平衡态和多平衡态的不稳定性、分岔突变、混沌和湍流。换句话说，大气是一个混沌系统，它总是在变化。它能在短时间内表现出各种状态和过程，但在长时间内表现出这些状态和过程的规律性。
已故著名数学家、气象学家、麻省理工学院混沌理论先驱爱德华·洛伦茨(Edward Lorenz)将天气系统中的这种现象称为“确定性非周期流”，并由此提出了“蝴蝶效应”理论——亚马逊雨林中的一只蝴蝶扇动几下翅膀，可能会在两周后引发美国德克萨斯州的龙卷风。
“虽然洛伦茨揭示了预报误差会随着时间的推移而积累，但他并没有深入到大气中去研究大气不稳定性和气压不稳定性。”张付青说，我们的研究发现，由于大气中潮湿对流的存在，小尺度对流误差会增大并达到饱和。通过地转调整，这种对流误差会传递到准平衡误差，进而作用于大尺度天气系统。
大气中多种随机扰动因素使其“脸”多变，“画”和“刷”中的问题使捕捉大气“肖像”更加困难。
首先是“初始误差”。在大气中描述细节并不容易。预报模式中输入的初值是预报初始时刻大气状态的定量描述，也是数值预报的前提。初始条件的产生是基于气象观测提供的数据和信息，而气象观测必然会产生误差，因为很多气象要素是缺少观测或者观测不到的。
所以我们得到的气象分析数据永远只是实际大气的一个可能的近似，永远无法完整准确地描述实际大气的真实状态。“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处于世界领先水平，很大程度上是因为它的数据同化系统做得很好。”张付青说。
其次是模式误差，包括模式解析引起的误差和物理过程模式描述引起的误差。很难准确描述大气运动中的湍流过程或模型中小尺度系统的生灭机制。无论模型的分辨率有多高，总有一些小于网格间距尺度的运动无法准确反映在模型中。
总之，虽然科学家们在不断提高观测水平和模式的时间空分辨率，但大气的多变性，加上“画笔”本身的误差和绘制过程中产生的误差，很难准确捕捉到大气“画像”。
极限在哪里？
根据洛伦茨的“蝴蝶效应”理论——输入初始条件的微小误差也可能引起模拟结果的巨大变化，那么在初始条件几乎完全正确、模型完美的情况下，我们还能预测未来多长时间的天气？
在不同的纬度，天气系统的可预报性是不同的。尺度气流不稳定对中纬度预报影响较大，对低纬度影响较小。所以一般来说，低纬度天气的可预报性会更好。此外，对于不同的天气或气候系统，由于它们的复杂性或非线性程度，它们的可预报性和预报有效性也是不同的。
“地球上绝大多数人生活在中纬度地区。目前，该地区可以提供9-10天的可靠天气预报。未来几十年，随着科技的进步，预报时限会再延长4-5天，也就是每天的天气会提前两周左右预报。”张付青说，在经典的天气预报理论中，洛伦兹基于大气混沌的本质认为天气的可预测性是16.8天，我们的结果与此非常接近。
耦合强迫在月尺度的季节和年际气候预报的气候异常中起着非常重要的作用。比如，一旦中东赤道太平洋的海表温度出现明显异常，就会形成厄尔尼诺或拉尼娜事件。目前，根据海洋对大气的耦合强迫作用，提前一年预测全球气候变化或异常是可能的。
对于长期的气候变化预测，比如人类活动引起的温室气体增加导致的全球气候变化，不会依赖于大气的初始条件。因为模型经过长期整合后，对初始条件的“记忆”会完全丧失，从而失去影响力。此时，其可预测性取决于外部强迫变化的时间尺度。
因此，中小尺度、季节性和较长时间尺度天气系统的可预报性是可预报性研究的主要问题。比如对于龙卷风、雷暴、大风等中小尺度的天气过程，我们很难观测到这些局地天气现象的早期状态，这就给预报带来了很大的难度。张付青解释说，“对于这些局部的小尺度天气现象，物理模型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，目前的物理模式对它们的描述能力并不令人满意。”
在可预报性研究领域，真正的问题是气象极端事件的可预报性。“对于未来的气象条件，决策者和公众最想知道的不是降水太多或太少，不是气温太高或太低，而是春末三月，长江以南草长莺飞的时候，未来汛期哪里、什么时候防汛会很紧或者干旱会很严重。这种对社会经济和人民生活造成严重影响的小概率极端天气气候事件能否提前预测？可提前预测的时间与事件的时间空尺度是否存在某种关系？用什么方法预测？这些都是需要研究的问题。”樊姬说。
人工智能能否突破可预测性的极限？
人工智能技术在气象领域的应用覆盖面很广，从探测、数据处理、预报到服务产品提供。人工智能可以通过大数据分析、信息识别、机器学习等技术，直接通过数学模型解决难以给出确定性解的各种复杂问题。
近年来，人工智能发展迅速，但仍处于弱人工智能阶段，远谈不上强人工智能，更谈不上超级人工智能。然而，毫无疑问，随着人工智能学习能力的不断增强，在天气预测的某些领域取得重大突破将是可能的。那么，人工智能有没有办法突破可预测性极限，这是每个气象学家身上的“魔咒”？
“这是一个非常有趣的问题。人工智能对状态相关的系统误差有很好的识别能力，因此可以大大增加数值预测的价值。”张付青说，目前，人工智能在预报中小尺度天气系统方面潜力巨大。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的帮助。
但是人工智能还很难取代数值天气预报，现在单靠人工智能也很难达到9-10天的预报能力。目前人工智能的一大用途就是科学家可以用它进行后期处理，比如制作预测产品。在这些模型无法预测的小尺度天气过程中，人工智能可能会发挥很大的作用。弱人工智能突破天气可预报性极限面临诸多困难，但当它发展成为强人工智能或超级人工智能，成为一种新的存在时，可能会给天气气候预报领域带来惊喜。然而，到那个时候，人类对人工智能的眼光可能已经完全不同了。
