通过纳入动态 ENSO 现实预报改进全球平均地表温度的季节预测

为何更好的季节预报很重要

农民、能源规划者和灾害管理者越来越需要知道未来几个季节地球可能有多暖。本研究探讨了为何当前对地球平均地表温度的短期预报有时会失准，并展示了追踪熟悉的热带气候模式如何能让这些预报更早且更可靠。

具有现实影响的全球温度计

全球平均地表温度，或称行星近地表平均温度，是一个掩盖复杂物理过程的简单数值。但它对收获时间、燃料需求、热应激和与天气相关的风险都有直接影响。季节性全球温度预报可以帮助社会提前几个月做准备。然而，现有的气候模式乃至现代机器学习系统，在年际波动的预测上仍然困难重重，尤其是对北半球秋冬这类发生许多极端气候事件的关键季节。

秋季预报误差之谜

作者们研究了他们在北京大气物理研究所开发的早期预测系统为何在秋季起报时开始丧失准确性。通过比较 1980 年至 2024 年的预报与观测，他们发现误差与热带海洋的状况密切相关。在厄尔尼诺事件期间，当中东太平洋变暖时，他们的模型往往低估全球温度；在拉尼娜期间，太平洋变冷时则常常高估。误差模式并不局限于太平洋，而是扩展到印度洋和大西洋，揭示出一条跨热带海域的联动链，这是原始模型未充分捕捉的。

热带海洋共同作用

从物理上讲，研究显示温暖的厄尔尼诺相位会削弱并位移太平洋的一条关键大气环流。这种位移改变了印度洋的风场和洋流，促成其西部和中部区域出现暖斑，也改变了热带北大西洋的风场，导致该区增温。这些相连的海盆共同作用，影响随后的季节里行星的总体地表温度。当这些海盆范围的响应比模型预期更强时，全球温度预报偏凉；当响应比预期更弱时，预报偏暖。拉尼娜期间则相反，更常见的是海盆范围的降温。认识到这条联动链有助于解释为何误差在发生强厄尔尼诺或拉尼娜的年份中集中出现。

将物理洞见与统计方法融合

为了将这种认识转化为实用工具，作者们设计了一个混合预测框架。他们保留了原有能区分较慢与较快气候摆动的统计系统，同时加入了来自一个独立模式的关于厄尔尼诺与拉尼娜强度的月前预报信息。利用过去的数据，他们学习到预报误差如何随着预测到的太平洋信号而变化，并将该关系用于实时修正新预报。他们还测试了加入来自印度洋和大西洋的额外指标。虽然这些指标有助于消除部分平均偏差，但它们对逐年预报技能的提升不及单独关注太平洋明显，这可能是因为这些海区的行为已经与厄尔尼诺和拉尼娜紧密相关。

新系统带来的成效

通过这种组合方法，改进后的预报将 9 月和 10 月起报的平均误差减少了约五成中的两成（约 40%），并使许多强烈的厄尔尼诺和拉尼娜年份回到观测不确定度范围内。在研究的年份中约有三分之二，修正后的预报更接近实际值，尤其在厄尔尼诺时期增益显著。最值得注意的是，可依赖的全球温度预测时间范围从两个月延长到了四个月。对于气候信息的使用者来说，这意味着能更早获得行星尺度异常偏暖或偏冷季节的预警，而且该方法比许多完整气候模式更简单、计算需求更低。

引用: Li, KX., Zheng, F. Improving seasonal prediction of global mean surface temperature by incorporating dynamic ENSO realistic forecasts. npj Clim Atmos Sci 9, 114 (2026). https://doi.org/10.1038/s41612-026-01386-9

关键词: 季节性气候预测, 全球平均地表温度, ENSO, 厄尔尼诺, 泛热带海洋