PNAS|厄爾尼諾預測新突破——基於資訊熵理論

2020 年 2 月 17 日
筆記

Title：Complexity-based approach for El Niño magnitude forecasting before the spring predictability barrier 標題：基於複雜度方法來破除厄爾尼諾強度預報的春季可預報性障礙 作者：Jun Meng a, Jingfang Fan a,b*, Josef Ludeschera, Ankit Agarwalaa,c,d*, Xiaosong Chenb, Armin Bundee, Jurgen Kurthsa,f, and Hans Joachim Schellnhubera aPotsdam Institute for Climate Impact Research, 14412 Potsdam, Germany; bSchool of Systems Science, Beijing Normal University, 100875 Beijing, China; cDepartment of Hydrology, Indian Institute of Technology Roorkee, 247667 Roorkee, India; dSection 4.4: Hydrology, GFZ German Research Centre for Geosciences, 14473 Potsdam, Germany; e Institut fur Theoretische Physik, Justus-Liebig-Universit ¨ at Giessen, 35392 Giessen, Germany; and fDepartment of Physics, Humboldt University, 10099 Berlin, Germany E-mail: [email protected] or john@ pik-potsdam.de. 雜誌：PNAS January 7, 2020 117 (1) 177-183; DOI： https://doi.org/10.1073/pnas.1917007117[1]

官方解讀

標題：北師大系統科學學院陳曉松教授課題組在厄爾尼諾長時間預測領域取得突破進展

厄爾尼諾現象，是赤道中、東太平洋海表溫度持續異常升溫的周期性氣候現象，平均每2-5年發生一次，對全球氣候具有重大影響。厄爾尼諾現象會造成全球不同地區的異常溫度變化，以及乾旱或強降雨等現象。及早並準確地預測厄爾尼諾的發生以及強度，對預防或降低其帶來的全球範圍內的經濟、農業、社會等方面的損失意義重大。

2019年12月24日，由北京師範大學系統科學學院陳曉松教授參與指導的一篇關於厄爾尼諾預測的文章已在線發表在美國科學院院刊PNAS上，首次克服了長久以來困擾厄爾尼諾預測的「春季預測障礙」（即無法在厄爾尼諾發生的那一年的春季或更早給出準確預測），將對厄爾尼諾現象的發生，特別是強度的預測提前一年。

該文作者提出了一套基於資訊熵理論的全新的方法——System Sample Entropy——用來計算厄爾尼諾區域（Nino 3.4）近海平面空氣或海表溫度的複雜度（包括溫度隨時間變化的無序性以及不同地點溫度變化的同步性或相干性）。利用這一方法，作者們發現了Nino 3.4區域溫度變化的複雜度與厄爾尼諾現象強度存在著非常強和穩定的線性關係，即一年內（1月1日-12月31日）Nino 3.4區域的溫度變化複雜度越大，那麼下一年發生的厄爾尼諾事件的強度就越大。基於這一發現，作者們提出了一套基於每年Nino 3.4 區域溫度變化複雜度的大小（由該區域 System Sample Entropy 量化）來預測來年厄爾尼諾發生及其強度的方法。該方法目前成功的預測了1984至2019年期間10個厄爾尼諾事件中的9個事件的發生年份，以及24個沒有厄爾尼諾現象發生的年份當中的21個，特別是對厄爾尼諾強度預測的平均誤差僅為0.23攝氏度。

對於剛剛到來的2020年，基於文中提出的System Sample Entropy的方法，作者們預測厄爾尼諾將有很大概率會在本年下半年再次發生，並發展為一個中等強度甚至高強度的厄爾尼諾事件，其預測強度為1.48±0.25攝氏度。

目前傳統的厄爾尼諾預測方法只能在提前6個月範圍內給出比較準確的預測，而這對於提前預防厄爾尼諾帶來的一系列嚴重影響是非常局限的。這一新的預測方法，將對厄爾尼諾的預測時間提前到了每年一月。這對於提前採取行動，控制和降低這一現象所帶來的一系列全球範圍內的消極影響，將意義重大！

此工作由德國波茨坦氣候影響研究所（PIK）樊京芳博士作為通訊作者，PIK 的Jürgen Kurths教授，Hans Joachim Schellnhuber教授以及北京師範大學陳曉松教授等參與共同完成。陳曉松教授領導的研究小組多年來一直從事統計物理和複雜系統及相關課題的研究，特別是近年來專註於地球複雜系統的動力學演化及預測。

文章來源：系統科學學院

編輯：滕非

Abstract

The El Niño Southern Oscillation (ENSO) is one of the most prominent interannual climate phenomena. Early and reliable ENSO forecasting remains a crucial goal, due to its serious implications for economy, society, and ecosystem. Despite the development of various dynamical and statistical prediction models in the recent decades, the 「spring predictability barrier」 remains a great challenge for long-lead-time (over 6 mo) forecasting. To overcome this barrier, here we develop an analysis tool, System Sample Entropy (SysSampEn), to measure the complexity (disorder) of the system composed of temperature anomaly time series in the Niño 3.4 region. When applying this tool to several near-surface air temperature and sea surface temperature datasets, we find that in all datasets a strong positive correlation exists between the magnitude of El Niño and the previous calendar year』s SysSampEn (complexity). We show that this correlation allows us to forecast the magnitude of an El Niño with a prediction horizon of 1 y and high accuracy (i.e., root-mean-square error = 0.23° C for the average of the individual datasets forecasts). For the 2018 El Niño event, our method forecasted a weak El Niño with a magnitude of 1.11±0.23° C. Our framework presented here not only facilitates long-term forecasting of the El Niño magnitude but can potentially also be used as a measure for the complexity of other natural or engineering complex systems.