非线性Lyapunov方法在ENSO可预报性与集合预报中的应用探索

非线性Lyapunov方法在ENSO可预报性与集合预报中的应用探索一、引言1.1研究背景与意义厄尔尼诺-南方涛动（ElNiño-SouthernOscillation，ENSO）作为热带海气系统中年际尺度上最强的信号，对全球气候有着深远且广泛的影响。它如同一只无形的大手，掌控着全球诸多地区的气温、降水、风暴等气候要素的变化，进而对生态系统、农业生产、水资源分配以及人类社会经济活动产生连锁反应。在生态系统方面，ENSO事件引发的气候异常可能导致物种栖息地的改变，威胁生物多样性。例如，某些依赖特定水温、降水条件生存的海洋生物，在厄尔尼诺期间，由于海水温度异常升高，其生存环境恶化，种群数量可能急剧减少。在农业领域，ENSO造成的干旱或洪涝灾害会直接影响农作物的生长和收成。以东南亚地区为例，厄尔尼诺引发的干旱使得水稻种植面临缺水困境，导致产量大幅下降，进而影响粮食安全和市场价格。在水资源方面，ENSO导致的降水异常分布，使得一些地区洪水泛滥，而另一些地区则干旱缺水，给水资源的合理调配和利用带来巨大挑战。近年来，随着全球气候变化的加剧，ENSO事件的发生频率、强度和持续时间呈现出更为复杂的变化趋势，给全球气候和人类社会带来了更大的不确定性和风险。2015-2016年发生的超强厄尔尼诺事件，致使全球多地遭遇极端气候灾害。南美洲部分地区暴雨成灾，引发严重的洪涝和山体滑坡，大量房屋被毁，基础设施遭到严重破坏，许多居民流离失所；而澳大利亚、印度等地则遭受严重干旱，农作物枯萎，森林火灾频发，对当地的生态环境和经济发展造成了难以估量的损失。2023-2024年的厄尔尼诺事件同样给全球带来了显著影响，东南亚地区暴雨洪涝灾害频发，许多城市被洪水淹没，交通瘫痪，居民生活受到极大干扰；美国部分地区则出现高温干旱天气，对农业生产和能源供应造成了较大压力。这些实例充分表明，ENSO事件的影响范围之广、危害程度之深，已成为全球关注的焦点问题。准确预报ENSO事件对于减轻其对全球气候和人类社会的不利影响具有至关重要的现实意义。在农业生产中，提前准确预报ENSO事件，农民可以根据预报信息合理调整种植计划，选择更适应气候条件的农作物品种，采取有效的灌溉、排水措施，从而降低灾害损失，保障粮食产量。在水资源管理方面，相关部门可以依据ENSO预报，提前做好水资源的调配和储备工作，应对可能出现的干旱或洪涝灾害，确保水资源的合理利用和供应安全。在能源领域，了解ENSO对气温和降水的影响，电力部门可以提前规划电力生产和供应，避免因极端气候导致的能源短缺或供应中断。在生态保护方面，根据ENSO预报，能够提前制定生态系统保护和恢复措施，减少对生态环境的破坏，保护生物多样性。然而，由于ENSO现象的复杂性和非线性特性，其预测和可预报性一直是气候科学领域的重大挑战。ENSO涉及海洋、大气、陆地等多个圈层之间复杂的相互作用，这种多圈层耦合系统中存在着众多的物理过程和反馈机制，使得ENSO的演变呈现出高度的非线性和不确定性。传统的线性分析方法在处理这类复杂的非线性系统时存在明显的局限性，难以准确刻画ENSO的复杂动力学特征和预测其未来变化。例如，传统的统计预报模型往往基于线性假设，无法充分考虑ENSO系统中各要素之间的非线性关系，导致在实际预报中出现较大误差。非线性Lyapunov方法作为一种新兴的研究手段，为ENSO预报研究带来了全新的视角和方法。该方法能够有效地刻画非线性系统中误差的增长和传播特性，从而为定量评估ENSO的可预报性提供了有力工具。通过非线性Lyapunov方法，可以深入研究ENSO系统中初始条件的微小扰动如何随着时间的推移而放大，进而影响ENSO的预测精度和可预报期限。同时，基于非线性Lyapunov方法构建的集合预报系统，能够更好地考虑初始条件的不确定性，提供更为可靠的预报结果，为应对ENSO带来的气候风险提供更有价值的决策依据。1.2国内外研究现状在ENSO可预报性和集合预报的传统研究方面，众多学者已取得了一系列丰硕成果。早期的研究主要依赖于统计方法，通过分析历史数据中ENSO相关变量的统计关系来建立预报模型。例如，基于多元线性回归的统计模型，利用海温、风场、气压等多个气象要素的历史数据，建立起与ENSO指数之间的线性回归方程，以此来预测ENSO的发展趋势。这种方法在一定程度上能够捕捉到ENSO与其他气象要素之间的简单线性关系，对于一些常规的ENSO事件具有一定的预报能力。然而，由于ENSO系统的复杂性和非线性特征，统计方法难以准确刻画其复杂的动力学过程，在面对复杂多变的ENSO事件时，预报能力往往受到限制。随着数值模式的发展，基于物理过程的动力模式逐渐成为ENSO预报的重要工具。动力模式通过求解描述海洋和大气运动的基本方程组，考虑了海洋和大气之间的复杂相互作用以及各种物理过程，如海洋的热量输送、大气的辐射传输等。例如，一些全球气候模式能够模拟出ENSO的基本特征，包括海温异常的发展、传播和衰减过程。然而，由于动力模式中存在参数化方案的不确定性、模式分辨率的限制以及对某些物理过程认识的不足，导致模式模拟结果与实际观测之间仍存在一定的偏差，影响了ENSO的预报精度。在集合预报方面，传统的方法主要是通过对初始条件进行扰动来生成集合成员，以考虑初始条件的不确定性对预报结果的影响。例如，奇异向量法（SV）通过求解伴随模式来寻找最不稳定的初始扰动方向，以此生成集合成员；繁殖向量法（BV）则通过多次积分模式，让初始扰动在模式中不断发展和繁殖，从而得到集合成员。这些方法在一定程度上提高了集合预报的技巧，但它们也存在一些局限性。奇异向量法计算成本较高，且依赖于线性化的伴随模式，无法充分考虑非线性系统中的复杂相互作用；繁殖向量法生成的扰动集合可能无法全面反映初始条件的不确定性，导致集合预报的可靠性受到影响。近年来，非线性Lyapunov方法在ENSO可预报性和集合预报研究中逐渐得到应用，并取得了一些重要进展。在可预报性研究方面，非线性Lyapunov指数（NLLE）方法能够定量估计非线性系统有限时间内的误差平均增长率，从而为ENSO的可预报期限提供了一种有效的度量手段。通过计算NLLE，可以了解ENSO系统中初始条件的微小扰动如何随时间增长，进而评估ENSO预测的不确定性和可预报性。一些研究利用NLLE方法分析了不同类型ENSO事件的可预报性差异，发现东部型ElNiño和中部型ElNiño由于其不同的动力学特征，可预报性存在明显差异。东部型ElNiño由于其海温异常分布范围更广、信号更强，相对而言可预报性较高；而中部型ElNiño的海温异常分布更为集中，且受到更多复杂的海洋和大气过程的影响，可预报性较低。在集合预报方面，基于非线性Lyapunov向量（NLLV）的初始扰动方法为集合预报提供了一种新的思路。该方法保留了奇异向量法和繁殖向量法的优点，同时克服了它们的不足，能够更有效地反映初始条件的不确定性，提高集合预报的技巧。通过NLLV方法生成的扰动集合，可以更好地考虑非线性系统中的复杂相互作用，使得集合预报结果更加可靠。一些研究将NLLV方法应用于ENSO集合预报中，发现与传统的初始扰动方法相比，基于NLLV的集合预报能够更准确地预测ENSO的发展趋势和强度变化，提高了预报的准确性和可靠性。尽管非线性Lyapunov方法在ENSO研究中取得了一定的进展，但现有研究仍存在一些不足之处。一方面，目前对非线性Lyapunov方法的理论研究还不够深入，对于其在复杂的ENSO系统中的物理意义和应用范围的理解还存在一定的局限性。例如，在计算NLLE和NLLV时，如何选择合适的参数和方法，以确保结果的准确性和可靠性，仍然是一个有待进一步研究的问题。另一方面，在实际应用中，非线性Lyapunov方法与传统的ENSO预报方法的结合还不够紧密，如何充分发挥非线性Lyapunov方法的优势，与现有的统计方法和动力模式相结合，提高ENSO的预报能力，也是当前研究面临的一个重要挑战。综上所述，当前ENSO可预报性和集合预报研究在传统方法和非线性Lyapunov方法的应用上都取得了一定成果，但仍存在诸多问题和挑战。本文将针对这些不足，深入研究非线性Lyapunov方法在ENSO可预报性与集合预报中的应用，以期为提高ENSO的预测精度和可靠性提供新的方法和思路。1.3研究目标与内容本研究旨在深入探索非线性Lyapunov方法在厄尔尼诺-南方涛动（ENSO）可预报性与集合预报中的应用，通过理论分析、数值模拟和实际观测数据验证，为提高ENSO预测精度和可靠性提供新的方法和理论依据，具体研究目标包括：利用非线性Lyapunov指数（NLLE）精确评估ENSO系统的可预报性，明确不同类型ENSO事件的可预报期限及影响因素，为ENSO预测提供更准确的不确定性量化指标；基于非线性Lyapunov向量（NLLV）构建高效的ENSO集合预报初始扰动方案，显著提高集合预报的技巧和可靠性，降低预测误差，增强对ENSO事件发展趋势和强度变化的预测能力；将非线性Lyapunov方法与传统的ENSO预报方法有机结合，充分发挥各自优势，建立更完善、更准确的ENSO综合预报模型，提升对ENSO复杂演变过程的模拟和预测能力。围绕上述研究目标，本研究将开展以下几方面的具体内容：非线性Lyapunov方法理论基础研究：深入剖析非线性Lyapunov指数（NLLE）和非线性Lyapunov向量（NLLV）的计算原理、物理意义及其在非线性系统中的应用特性。研究不同计算方法和参数设置对NLLE和NLLV结果的影响，建立适用于ENSO系统的最优计算方案，为后续的可预报性分析和集合预报研究奠定坚实的理论基础。通过理论推导和数值实验，揭示NLLE和NLLV与ENSO系统动力学特征之间的内在联系，明确它们在刻画ENSO系统误差增长和传播机制方面的优势和局限性，为更好地理解ENSO的可预报性提供理论支持。ENSO可预报性的非线性Lyapunov分析：运用建立的最优NLLE计算方案，对历史ENSO观测数据和数值模式模拟数据进行全面分析，定量评估不同类型ENSO事件（如东部型ElNiño、中部型ElNiño和LaNiña）在不同发展阶段的可预报性。研究ENSO可预报性的时空变化特征，探讨海洋、大气等关键要素对ENSO可预报性的影响机制，识别影响ENSO可预报性的主要因素和敏感区域。结合气候变率的多时间尺度特征，分析年代际、长期趋势等背景场变化对ENSO可预报性的调制作用，揭示ENSO可预报性的长期演变规律，为ENSO的长期预测提供参考依据。基于非线性Lyapunov向量的ENSO集合预报研究：根据NLLV的特性，设计并实现基于NLLV的ENSO集合预报初始扰动生成方法。通过数值试验，对比分析基于NLLV的集合预报与传统初始扰动方法（如奇异向量法、繁殖向量法）的集合预报效果，评估NLLV方法在提高集合预报技巧、降低预报不确定性方面的优势。研究NLLV集合成员的分布特征和统计性质，优化集合成员的选取和组合方式，提高集合预报对ENSO事件各种可能演变路径的覆盖能力，增强集合预报的可靠性和稳定性。非线性Lyapunov方法与传统预报方法的融合：探索将非线性Lyapunov方法与传统的ENSO统计预报方法和动力模式相结合的有效途径。例如，将NLLE分析得到的可预报性信息融入统计预报模型，改进模型的参数估计和不确定性评估；将NLLV生成的初始扰动应用于动力模式的集合预报中，提高动力模式对ENSO的模拟和预测能力。建立基于非线性Lyapunov方法与传统预报方法融合的ENSO综合预报模型，利用历史数据对模型进行训练和验证，评估模型的预报性能，与单一的预报方法进行对比分析，验证融合模型在提高ENSO预报精度和可靠性方面的有效性。ENSO预测的不确定性分析与评估：利用非线性Lyapunov方法得到的结果，结合概率统计理论，对ENSO预测的不确定性进行全面分析和定量评估。研究不同来源的不确定性（如初始条件不确定性、模式不确定性、参数不确定性等）对ENSO预测结果的影响程度，建立不确定性传播模型，描述不确定性在预报过程中的演变规律。基于不确定性评估结果，提出有效的不确定性量化指标和预测可靠性评估方法，为用户提供更具参考价值的ENSO预测信息，帮助决策者更好地应对ENSO带来的气候风险。1.4研究方法与技术路线本研究采用多种方法获取所需资料，为深入探究非线性Lyapunov方法在ENSO可预报性与集合预报中的应用奠定坚实基础。对于观测资料，主要从美国国家海洋和大气管理局（NOAA）的ERSST（ExtendedReconstructedSeaSurfaceTemperature）数据集获取海表面温度数据，该数据集具有高分辨率和长时间序列的特点，能够准确反映全球海表面温度的变化情况，为研究ENSO现象提供了关键的海洋观测信息。从欧洲中期天气预报中心（ECMWF）的ERA5再分析资料中获取大气环流数据，包括风场、气压场等要素，ERA5资料凭借其先进的数据同化技术和全球覆盖的特点，能够提供全面且高精度的大气状态信息，有助于深入研究大气与海洋之间的相互作用对ENSO的影响。在数值模式资料方面，选用美国国家环境预报中心（NCEP）的气候预测系统模式（CFSv2）模拟数据，该模式在全球气候模拟和预测领域具有广泛应用，能够较好地模拟出ENSO的基本特征和演变过程，通过对其模拟数据的分析，可以进一步验证和拓展基于观测资料的研究成果。同时，利用耦合模式比较计划第六阶段（CMIP6）中的多个模式数据，CMIP6集合了全球众多科研机构研发的先进气候模式，涵盖了不同的物理参数化方案和模式架构，能够提供丰富的气候模拟情景，有助于全面评估非线性Lyapunov方法在不同模式背景下的应用效果和普适性。本研究将非线性Lyapunov方法与多种分析方法有机结合，以实现对ENSO可预报性和集合预报的深入研究。将非线性Lyapunov指数（NLLE）与功率谱分析相结合，通过功率谱分析研究ENSO时间序列的周期特征，确定ENSO信号的主要周期成分，如2-7年的年际周期等。在此基础上，利用NLLE分析不同周期成分下ENSO系统的误差增长特征，深入探讨ENSO可预报性在不同时间尺度上的变化规律，从而更准确地评估ENSO的可预报期限。将非线性Lyapunov向量（NLLV）与奇异值分解（SVD）方法相结合，运用SVD方法对ENSO相关变量场进行分解，提取出主要的空间模态和时间系数，这些模态和系数能够反映ENSO在空间分布和时间演变上的主要特征。然后，基于NLLV生成考虑这些主要特征的初始扰动集合，使集合成员更全面地覆盖ENSO系统的不确定性空间，提高集合预报对ENSO复杂变化的捕捉能力和预报技巧。本研究的技术路线如图1-1所示。首先，对获取的观测资料和数值模式资料进行严格的数据质量控制和预处理，包括数据的去噪、插值、标准化等操作，以确保数据的准确性和一致性，满足后续分析的要求。接着，深入开展非线性Lyapunov方法理论研究，优化NLLE和NLLV的计算方案，明确其在ENSO研究中的应用参数和条件。在此基础上，运用优化后的NLLE计算方案对预处理后的资料进行分析，评估ENSO的可预报性，研究其时空变化特征和影响因素。同时，基于NLLV设计并实现ENSO集合预报初始扰动生成方法，结合数值模式进行集合预报试验，对比分析不同初始扰动方法的集合预报效果，评估NLLV方法的优势和改进方向。随后，探索将非线性Lyapunov方法与传统ENSO预报方法融合的途径，建立综合预报模型，并利用历史数据对模型进行训练和验证，评估模型的预报性能。最后，对ENSO预测的不确定性进行全面分析和评估，基于评估结果提出有效的不确定性量化指标和预测可靠性评估方法，为ENSO预测和应对决策提供科学依据。[此处插入技术路线图]图1-1技术路线图[此处插入技术路线图]图1-1技术路线图图1-1技术路线图二、相关理论与方法2.1ENSO相关理论2.1.1ENSO现象概述厄尔尼诺-南方涛动（ENSO）是热带太平洋大尺度海气相互作用产生的准周期性年际振荡现象，是地球气候系统中最为显著的年际变率信号之一。它主要由厄尔尼诺（ElNiño）和拉尼娜（LaNiña）事件以及南方涛动（SouthernOscillation）组成。厄尔尼诺事件表现为赤道中东太平洋海表温度（SST）异常增暖，通常持续9-12个月；拉尼娜事件则是赤道中东太平洋海表温度异常变冷，与厄尔尼诺事件呈大致相反的海温异常分布。南方涛动是指热带太平洋东西部海平面气压的反向变化，通常用南方涛动指数（SOI）来衡量，它反映了热带太平洋大气环流的异常变化。ENSO的形成机制是一个复杂的过程，涉及海洋和大气之间的多种相互作用。目前被广泛接受的理论是“延迟振子理论”和“充电-放电振子理论”。“延迟振子理论”认为，ENSO的发生是由于赤道太平洋海洋温跃层的变化和海洋波动的相互作用。在正常情况下，赤道太平洋的信风将温暖的表层海水吹向西太平洋，使得西太平洋海温较高，东太平洋海温较低，同时在东太平洋形成了深厚的温跃层。当信风减弱时，西太平洋的暖水向东回流，导致东太平洋海温升高，引发厄尔尼诺事件。而厄尔尼诺事件发生后，海洋温跃层的变化会产生海洋波动，这些波动传播到西太平洋后，又会引起信风的调整，进而导致厄尔尼诺事件的衰减和拉尼娜事件的发生。“充电-放电振子理论”则强调了海洋热含量的变化在ENSO循环中的重要作用。在厄尔尼诺事件发展过程中，赤道太平洋海洋吸收大量热量，就像给电池充电一样；而在事件衰减阶段，这些热量逐渐释放，如同电池放电，从而引发了拉尼娜事件。ENSO现象具有明显的时空变化特征。在空间上，其主要影响区域集中在赤道太平洋地区，但通过大气遥相关作用，其影响范围可以扩展到全球。在时间上，ENSO具有2-7年的准周期变化，但其周期并不是固定的，而是存在一定的变率。例如，20世纪80年代以来，ENSO事件的发生频率和强度呈现出增加的趋势，且不同类型的ENSO事件（如东部型ElNiño和中部型ElNiño）出现的频率和特征也有所变化。ENSO对全球气候有着广泛而深刻的影响，通过大气环流的遥相关作用，引发全球许多地区的气候异常。在厄尔尼诺年，南美洲西海岸地区降水显著增加，常引发洪涝灾害；而澳大利亚、印度尼西亚等地则降水减少，容易出现干旱。在拉尼娜年，气候异常分布大致与厄尔尼诺年相反。此外，ENSO还会影响全球的气温、风暴路径和强度等。例如，厄尔尼诺事件通常会导致全球平均气温升高，而拉尼娜事件则可能使全球平均气温降低。在风暴活动方面，厄尔尼诺期间，西北太平洋热带气旋的生成频率通常会减少，而拉尼娜期间则会增加。2.1.2ENSO可预报性研究进展ENSO可预报性研究一直是气候科学领域的重要课题。早期的研究主要基于统计方法，通过分析历史数据中ENSO相关变量的统计关系来进行预测。例如，利用多元线性回归模型，建立海温、风场、气压等气象要素与ENSO指数之间的线性关系，从而对ENSO事件的发生和发展进行预测。这种方法在一定程度上能够捕捉到ENSO的一些统计特征，但由于其基于线性假设，难以准确刻画ENSO系统的复杂非线性动力学过程，因此预报能力存在一定的局限性。随着对ENSO物理机制认识的不断深入和数值模式的发展，动力模式逐渐成为ENSO可预报性研究的重要工具。动力模式通过求解描述海洋和大气运动的基本方程组，考虑了海洋和大气之间的复杂相互作用以及各种物理过程，能够更真实地模拟ENSO的演变过程。例如，耦合的海洋-大气环流模式（CGCMs）能够较好地模拟出ENSO的基本特征，包括海温异常的发展、传播和衰减等。然而，由于动力模式中存在参数化方案的不确定性、模式分辨率的限制以及对某些物理过程认识的不足，导致模式模拟结果与实际观测之间仍存在一定的偏差，影响了ENSO的可预报性。在ENSO可预报性研究中，一个重要的概念是“春季预报障碍”（SpringPredictabilityBarrier，SPB）。研究发现，对于春季启动的ENSO事件，其预测难度相对较大，预报技巧较低，这一现象被称为春季预报障碍。SPB的存在主要是由于春季热带太平洋地区的大气和海洋状态对ENSO事件的发展具有较强的调制作用，使得ENSO事件在春季的可预报性受到限制。具体来说，春季热带太平洋海温的年循环信号较强，掩盖了ENSO信号的变化，使得ENSO事件的初始信号难以准确捕捉；同时，春季大气环流的变化也较为复杂，对ENSO事件的响应存在一定的不确定性，进一步增加了ENSO在春季的预测难度。为了度量ENSO的可预报性，常用的方法包括相关系数、均方根误差、距平相关系数等。相关系数用于衡量预报值与观测值之间的线性相关程度，相关系数越高，说明预报值与观测值之间的相关性越好，可预报性越高；均方根误差则反映了预报值与观测值之间的平均误差大小，均方根误差越小，说明预报的准确性越高，可预报性越好；距平相关系数则考虑了数据的异常变化，能够更准确地评估预报对异常事件的捕捉能力。然而，这些传统的度量方法在评估ENSO可预报性时也存在一些局限性。它们大多基于线性假设，难以全面反映ENSO系统的非线性特征和不确定性；这些度量方法往往只考虑了预报结果与观测结果的整体差异，而忽略了预报结果在不同时间、空间尺度上的变化特征，无法深入分析ENSO可预报性的时空变化规律。2.1.3ENSO集合预报研究进展集合预报作为一种能够考虑初始条件和模式不确定性的预报方法，在ENSO预报中得到了广泛应用。其基本原理是通过对初始条件进行扰动或对模式参数进行调整，生成多个集合成员，然后利用这些集合成员的预报结果来估计预报的不确定性和概率分布。集合预报能够提供更全面的预报信息，不仅可以给出预报的确定性结果，还可以评估预报的不确定性，为用户提供更有价值的决策依据。在ENSO集合预报中，常用的初始扰动方法包括奇异向量法（SV）、繁殖向量法（BV）和蒙特卡罗法等。奇异向量法通过求解伴随模式，寻找最不稳定的初始扰动方向，以此生成集合成员；繁殖向量法通过多次积分模式，让初始扰动在模式中不断发展和繁殖，从而得到集合成员；蒙特卡罗法则是通过随机生成初始扰动来构建集合成员。这些方法各有优缺点。奇异向量法能够找到最不稳定的扰动方向，理论上可以更好地反映初始条件的不确定性，但计算成本较高，且依赖于线性化的伴随模式，无法充分考虑非线性系统中的复杂相互作用；繁殖向量法计算相对简单，能够在一定程度上反映初始条件的不确定性，但生成的扰动集合可能无法全面覆盖初始条件的不确定性空间，导致集合预报的可靠性受到影响；蒙特卡罗法生成的扰动集合具有较好的随机性和多样性，能够更全面地覆盖初始条件的不确定性空间，但由于扰动的随机性，可能会导致集合成员之间的相关性较低，影响集合预报的效果。目前，国际上许多气象机构和科研团队都开展了ENSO集合预报业务和研究工作。例如，美国国家环境预报中心（NCEP）的气候预测系统模式（CFSv2）集合预报系统，通过对初始条件进行扰动，生成多个集合成员，对ENSO事件进行实时预报和监测；欧洲中期天气预报中心（ECMWF）的集合预报系统也在ENSO预报中取得了较好的效果。这些集合预报系统在一定程度上提高了ENSO预报的准确性和可靠性，但仍然存在一些问题。集合预报系统对初始条件的不确定性考虑还不够全面，无法充分反映大气、海洋等多圈层之间复杂的相互作用对ENSO预报的影响；模式不确定性对集合预报结果的影响也较大，不同的模式参数化方案和物理过程描述会导致模式模拟结果存在差异，从而影响集合预报的技巧和可靠性。2.2非线性Lyapunov方法2.2.1非线性Lyapunov方法的基本原理非线性Lyapunov方法是基于Lyapunov理论发展而来，用于研究非线性动力系统稳定性和动力学特征的重要工具。其核心概念是Lyapunov指数，它能够定量地描述系统中初始条件的微小扰动随时间的演化行为，从而揭示系统的稳定性和混沌特性。对于一个非线性动力系统，其状态可以用向量\mathbf{x}=(x_1,x_2,\cdots,x_n)表示，系统的演化由一组非线性微分方程\dot{\mathbf{x}}=\mathbf{f}(\mathbf{x})描述，其中\mathbf{f}是一个非线性向量函数。假设在初始时刻t_0，系统有两个非常接近的初始状态\mathbf{x}_0和\mathbf{x}_0+\delta\mathbf{x}_0，随着时间的演化，这两个状态之间的距离\|\delta\mathbf{x}(t)\|会发生变化。Lyapunov指数就是用来刻画这种距离变化率的量。对于连续时间系统，第i个Lyapunov指数\lambda_i的定义为：\lambda_i=\lim_{t\rightarrow+\infty}\frac{1}{t}\ln\frac{\|\mathbf{v}_i(t)\|}{\|\mathbf{v}_i(0)\|}其中，\mathbf{v}_i(t)是在时间t时与第i个Lyapunov方向对应的向量，\|\cdot\|表示向量的范数。在实际计算中，通常采用有限时间近似的方法来计算Lyapunov指数，即：\lambda_i\approx\frac{1}{t}\ln\frac{\|\mathbf{v}_i(t)\|}{\|\mathbf{v}_i(0)\|}对于离散时间系统，设系统的迭代方程为\mathbf{x}_{n+1}=\mathbf{F}(\mathbf{x}_n)，其中\mathbf{F}是一个非线性映射。Lyapunov指数的计算可以通过对初始条件进行微小扰动，然后跟踪扰动向量在迭代过程中的变化来实现。假设初始扰动向量为\delta\mathbf{x}_0，经过N次迭代后，扰动向量变为\delta\mathbf{x}_N，则Lyapunov指数可以近似表示为：\lambda_i\approx\frac{1}{N}\sum_{n=0}^{N-1}\ln\frac{\|\mathbf{v}_i(n+1)\|}{\|\mathbf{v}_i(n)\|}Lyapunov指数的符号和大小反映了系统的动力学特征。当最大Lyapunov指数\lambda_{max}>0时，表明系统对初始条件具有敏感依赖性，即初始条件的微小变化会随着时间的推移而指数级放大，系统呈现出混沌行为。例如，在著名的Lorenz系统中，通过计算发现其最大Lyapunov指数大于零，这意味着Lorenz系统是一个混沌系统，初始状态的微小差异会导致最终状态的巨大不同，这也是天气预报中难以准确预报长期天气的原因之一，因为大气系统具有混沌特性，初始条件的微小误差会在长时间的演化中被不断放大。当最大Lyapunov指数\lambda_{max}=0时，系统处于临界状态，可能存在周期轨道或准周期轨道；当所有Lyapunov指数\lambda_i<0时，系统是稳定的，初始条件的扰动会随着时间的推移而逐渐衰减，系统会趋向于一个稳定的平衡点或吸引子。例如，一个简单的线性阻尼振荡系统，其Lyapunov指数均小于零，系统最终会稳定在平衡位置。在实际应用中，计算Lyapunov指数的方法有多种，常见的有定义法、Jacobian方法、QR分解方法、奇异值分解方法等。定义法是最直接的计算方法，它基于Lyapunov指数的定义，通过对系统的轨迹进行数值积分，跟踪扰动向量的变化来计算Lyapunov指数。然而，定义法的计算精度有限，对于一些复杂系统，计算结果可能与理论值存在偏差。Jacobian方法则是通过求解系统的Jacobian矩阵，利用矩阵的特征值来计算Lyapunov指数。该方法精度较高，对于常见的混沌系统，如Lorenz系统、Henon系统等，都能得到较为准确的Lyapunov指数计算结果，且程序编写具有一定的规范性，因此得到了广泛应用。QR分解方法和奇异值分解方法则是通过对系统的状态转移矩阵进行分解，来计算Lyapunov指数，这些方法在处理高维系统时具有一定的优势。2.2.2非线性局部Lyapunov指数（NLLE）方法非线性局部Lyapunov指数（NonlinearLocalLyapunovExponent，NLLE）方法是在传统Lyapunov指数基础上发展起来的一种更精细的分析方法，它能够更准确地描述非线性系统在局部区域的动力学特征和敏感性。传统的Lyapunov指数反映的是系统在长时间尺度上的平均行为，无法捕捉系统在不同局部区域的变化差异。而NLLE方法则关注系统在有限时间内、局部区域的误差增长情况，通过计算局部区域内初始条件微小扰动的平均增长率，来刻画系统在该区域的可预报性和敏感性。对于一个给定的非线性动力系统，设其状态变量为\mathbf{x}，在相空间中选取一个局部区域R，并在该区域内选取初始状态\mathbf{x}_0。对初始状态\mathbf{x}_0施加一个微小扰动\delta\mathbf{x}_0，得到扰动后的初始状态\mathbf{x}_0+\delta\mathbf{x}_0。然后，让这两个初始状态在系统中演化，在有限时间T内，计算扰动向量\delta\mathbf{x}(t)的长度变化。NLLE的定义为：\lambda_{NLLE}(\mathbf{x}_0,T)=\frac{1}{T}\ln\frac{\|\delta\mathbf{x}(T)\|}{\|\delta\mathbf{x}(0)\|}其中，\|\cdot\|表示向量的范数。与传统Lyapunov指数不同，NLLE依赖于初始状态\mathbf{x}_0和时间T的选择，它能够反映系统在特定局部区域和有限时间内的动力学特性。NLLE方法在分析复杂系统的局部区域敏感性和可预报性方面具有显著优势。在ENSO系统中，不同区域的海气相互作用过程和动力学特征存在差异，传统的全局Lyapunov指数无法准确描述这些局部特征。而NLLE方法可以通过在不同的局部区域计算NLLE，揭示ENSO系统中不同区域对初始条件的敏感性差异。例如，在赤道太平洋东部和中部地区，由于海温分布和大气环流的不同，其对初始条件的敏感性也不同。通过计算这两个区域的NLLE，可以发现赤道太平洋东部地区的NLLE值相对较大，说明该区域对初始条件更为敏感，初始条件的微小变化可能会导致该区域海温异常的快速发展和变化，进而影响整个ENSO事件的发展。这表明在对ENSO进行预测时，需要更加关注赤道太平洋东部地区的初始条件，以提高预测的准确性。NLLE方法还可以用于评估ENSO系统在不同发展阶段的可预报性。在ENSO事件的发展初期，系统的不确定性较大，初始条件的微小扰动可能会对事件的发展产生较大影响。通过计算该阶段的NLLE，可以定量评估系统的可预报性，确定在该阶段能够准确预报ENSO事件的时间范围。随着ENSO事件的发展，系统逐渐趋于稳定，NLLE值会逐渐减小，可预报性也会相应提高。例如，在厄尔尼诺事件的发展初期，赤道太平洋海温异常开始出现并逐渐增强，此时计算得到的NLLE值较大，说明系统对初始条件的敏感性较高，预测难度较大；而在厄尔尼诺事件的成熟阶段，海温异常达到峰值并相对稳定，NLLE值相对较小，可预报性有所提高。2.2.3向后非线性局部Lyapunov指数方法（BNLLE）向后非线性局部Lyapunov指数方法（BackwardNonlinearLocalLyapunovExponent，BNLLE）是一种在研究极端事件可预报性方面具有独特优势的方法。与传统的Lyapunov指数方法和NLLE方法不同，BNLLE方法通过向后积分的方式，从极端事件发生的时刻回溯到初始时刻，来分析系统在极端事件发生前的初始条件对事件的影响，从而定量估计极端事件的可预报性。对于一个非线性动力系统，假设在时刻t_f发生了极端事件，系统的状态为\mathbf{x}(t_f)。从\mathbf{x}(t_f)出发，通过向后积分系统的动力学方程，得到一系列的状态\mathbf{x}(t)，其中t<t_f。在向后积分的过程中，对每个时刻的状态\mathbf{x}(t)施加微小扰动\delta\mathbf{x}(t)，并计算扰动向量在向后积分过程中的变化。BNLLE的定义为：\lambda_{BNLLE}(\mathbf{x}(t_f),t_f,t_0)=\frac{1}{t_f-t_0}\ln\frac{\|\delta\mathbf{x}(t_0)\|}{\|\delta\mathbf{x}(t_f)\|}其中，t_0是向后积分的起始时刻，\|\cdot\|表示向量的范数。BNLLE值反映了从极端事件发生时刻回溯到初始时刻，初始条件的微小扰动对极端事件的影响程度。如果BNLLE值较大，说明初始条件的微小变化在向后积分过程中会被放大，对极端事件的发生具有较大影响，极端事件的可预报性较低；反之，如果BNLLE值较小，说明初始条件的变化对极端事件的影响较小，极端事件的可预报性较高。在ENSO研究中，BNLLE方法在定量估计极端厄尔尼诺或拉尼娜事件的可预报性方面具有重要应用。在2015-2016年发生的超强厄尔尼诺事件中，利用BNLLE方法从事件峰值时刻向后积分，分析不同初始时刻的条件对事件的影响。研究发现，在事件发生前6-9个月的初始条件对事件的发展具有关键影响，此时计算得到的BNLLE值较大，说明这一时期初始条件的微小变化会在后续的发展中被放大，导致厄尔尼诺事件的强度和发展路径发生较大变化。这表明在对超强厄尔尼诺事件进行预测时，准确把握事件发生前6-9个月的初始条件至关重要，通过对这一时期初始条件的精确观测和分析，可以提高对超强厄尔尼诺事件的可预报性。BNLLE方法还可以用于研究极端事件的形成机制。通过分析不同初始条件下BNLLE值的变化，可以确定哪些初始条件因素对极端事件的发生起主导作用。在拉尼娜事件中，通过BNLLE方法发现赤道太平洋信风的强度和海温的初始分布是影响拉尼娜事件形成的关键因素。当信风异常增强且赤道太平洋东部海温异常偏低时，BNLLE值相对较小，说明这种初始条件下系统相对稳定，更容易引发拉尼娜事件；而当信风强度和海温分布偏离这种关键状态时，BNLLE值增大，系统的不确定性增加，拉尼娜事件的发生概率和强度也会受到影响。2.3其他相关方法2.3.1动力模式简介动力模式在ENSO研究中占据着核心地位，它通过数值求解描述海洋和大气运动的基本方程组，来模拟ENSO现象的发生、发展和演变过程。常用的ENSO动力模式主要包括耦合的海洋-大气环流模式（CGCMs）和一些简化的海气耦合模式。耦合的海洋-大气环流模式（CGCMs）是目前最为复杂和全面的ENSO动力模式。它将海洋模式和大气模式通过通量交换进行耦合，能够较为真实地模拟海洋和大气之间的相互作用以及各种物理过程。在CGCMs中，海洋模式通常采用三维的海洋环流模式，如普林斯顿海洋模式（POM）、迈阿密等密斜压海洋模式（MICOM）等，这些模式能够详细地描述海洋中的温度、盐度、流场等物理量的分布和变化，考虑了海洋的热量输送、动量输送以及海洋混合等过程。大气模式则一般采用全球大气环流模式，如美国国家大气研究中心（NCAR）的社区大气模式（CAM）、欧洲中期天气预报中心（ECMWF）的集成预报系统（IFS）等，它们能够模拟大气中的风场、气压场、温度场、湿度场等要素的变化，以及大气的辐射传输、对流、降水等物理过程。通过将海洋模式和大气模式耦合在一起，CGCMs能够捕捉到ENSO现象中海洋和大气之间复杂的相互作用，如海洋温度异常对大气环流的影响，以及大气环流变化对海洋热量输送和海温分布的反馈作用。简化的海气耦合模式则是在保证能够反映ENSO基本物理过程的前提下，对复杂的CGCMs进行简化，以降低计算成本和提高计算效率。这类模式通常采用一些简化的假设和参数化方案，忽略了一些次要的物理过程。例如，Zebiak-Cane模式是一种经典的简化海气耦合模式，它将热带太平洋海洋简化为一个两层的海洋模式，只考虑了赤道太平洋的海温变化和海洋波动，同时将大气模式简化为一个线性的大气响应模式，通过海气之间的热量和动量交换来模拟ENSO的演变。虽然简化的海气耦合模式在物理过程的描述上不如CGCMs全面，但它们具有计算速度快、易于理解和分析的优点，在ENSO的理论研究和敏感性试验中得到了广泛应用。这些动力模式在ENSO研究中发挥了重要作用，为我们深入理解ENSO的物理机制和预测其变化提供了有力工具。它们能够模拟出ENSO的基本特征，如赤道中东太平洋海温异常的发展、传播和衰减过程，以及ENSO对全球气候的影响。通过动力模式的模拟试验，可以研究不同物理过程对ENSO的影响，如海洋温跃层的变化、大气对流的作用、海气耦合强度的改变等，从而揭示ENSO的形成和演变机制。然而，动力模式也存在一些局限性。由于对一些物理过程的认识还不够深入，模式中采用的参数化方案存在一定的不确定性，这可能导致模式模拟结果与实际观测存在偏差。模式分辨率的限制也使得一些小尺度的物理过程无法得到准确描述，影响了模式的模拟精度。动力模式对初始条件较为敏感，初始条件的微小误差可能会在模拟过程中被放大，导致模拟结果的不确定性增加。2.3.2深度学习方法在ENSO预报中的应用深度学习作为一种强大的机器学习技术，近年来在ENSO预报领域得到了广泛关注和应用。它通过构建多层神经网络，能够自动学习数据中的复杂非线性关系，从而对ENSO现象进行建模和预测。在ENSO预报中，深度学习方法主要通过处理大量的历史气象和海洋数据，学习ENSO的演变规律和特征，进而实现对未来ENSO事件的预测。常用的深度学习模型在ENSO预报中展现出各自的优势。循环神经网络（RNN）及其变体长短期记忆网络（LSTM）、门控循环单元（GRU）等，由于其能够处理时间序列数据中的长期依赖关系，在ENSO预报中得到了广泛应用。LSTM网络通过引入门控机制，能够有效地控制信息的流动，避免了传统RNN在处理长序列时出现的梯度消失和梯度爆炸问题，从而更好地捕捉ENSO时间序列中的长期变化趋势和周期性特征。在对历史ENSO海温数据进行预测时，LSTM模型能够学习到海温在不同季节、年份之间的变化规律，准确地预测出海温的未来变化趋势。卷积神经网络（CNN）则在处理空间数据方面具有独特优势，它能够自动提取数据的空间特征。在ENSO预报中，可以利用CNN对海温、风场等气象要素的空间分布数据进行处理，学习到这些要素在空间上的相互关系和变化模式，为ENSO的预测提供更全面的信息。深度学习方法在ENSO预报中取得了一定的成果。与传统的统计方法和动力模式相比，深度学习模型能够更好地捕捉ENSO现象的非线性和动态变化特性。一些研究表明，基于深度学习的ENSO预测模型在短期和中期预报中具有较高的准确性和可靠性，能够提前几个月甚至一年准确预测ENSO事件的发生和发展趋势。深度学习模型还能够根据历史数据学习到ENSO现象的长期变化趋势和周期性变化规律，为长期预测提供了有力支持。然而，深度学习方法在ENSO预报中也面临一些挑战。深度学习模型对数据的依赖性较强，需要大量高质量的历史数据来进行训练。而ENSO相关的观测数据存在时间跨度有限、空间覆盖不全面以及数据质量参差不齐等问题，这可能会影响模型的训练效果和预测精度。深度学习模型的可解释性较差，模型内部的学习过程和决策机制往往难以理解，这在一定程度上限制了其在实际应用中的推广和应用。此外，深度学习模型的泛化能力也是一个需要关注的问题，模型在训练数据上表现良好，但在面对新的、未见过的数据时，可能会出现预测性能下降的情况。将深度学习方法与非线性Lyapunov方法结合具有一定的可行性和潜在优势。非线性Lyapunov方法能够定量刻画ENSO系统中误差的增长和传播特性，为ENSO的可预报性提供重要信息。而深度学习方法则擅长从大量数据中学习复杂的非线性关系，具有强大的模式识别和预测能力。通过将两者结合，可以充分发挥各自的优势。可以利用非线性Lyapunov方法计算得到的ENSO可预报性信息，如NLLE和BNLLE等，来指导深度学习模型的训练和优化。在训练深度学习模型时，可以根据ENSO不同区域和不同发展阶段的可预报性差异，对模型的权重和参数进行调整，使得模型更加关注可预报性较高的区域和阶段，从而提高模型的预测精度。非线性Lyapunov方法还可以用于评估深度学习模型的预测不确定性。通过分析模型预测结果的误差增长情况，利用NLLE和BNLLE等指标来量化预测的不确定性，为用户提供更可靠的预测信息。深度学习方法也可以为非线性Lyapunov方法提供更丰富的数据和特征。深度学习模型可以对大量的气象和海洋数据进行处理和分析，提取出更多与ENSO相关的特征信息，这些信息可以用于改进非线性Lyapunov方法的计算和分析，进一步揭示ENSO的动力学机制和可预报性特征。三、非线性Lyapunov方法在ENSO可预报性研究中的应用3.1基于非线性Lyapunov指数的ENSO可预报性分析3.1.1数据选取与处理本研究选取了美国国家海洋和大气管理局（NOAA）提供的扩展重建海表面温度（ERSST）v5数据集作为海温数据来源。该数据集时间跨度为1950年1月至2023年12月，空间分辨率为0.25°×0.25°，具有较高的时空分辨率和数据质量，能够准确反映全球海表面温度的变化情况，为研究ENSO现象提供了关键的海洋观测信息。大气环流数据则来源于欧洲中期天气预报中心（ECMWF）的ERA5再分析资料，时间范围与海温数据一致，空间分辨率为0.25°×0.25°。ERA5再分析资料采用了先进的数据同化技术，融合了多种观测数据，能够提供全面且高精度的大气状态信息，包括风场、气压场、湿度场等要素，有助于深入研究大气与海洋之间的相互作用对ENSO的影响。为了确保数据的准确性和一致性，对获取的数据进行了严格的预处理。对海温数据进行了质量控制，检查并剔除了异常值和缺失值。对于少量的缺失值，采用了基于经验正交函数（EOF）分解的插值方法进行填补。该方法通过对海温场进行EOF分解，将海温场分解为不同的空间模态和时间系数，然后利用已知数据的空间模态和时间系数对缺失值进行估计和填补，能够较好地保持海温场的空间和时间特征。对大气环流数据进行了标准化处理，使其具有零均值和单位方差，以便于不同变量之间的比较和分析。具体来说，对于每个大气环流变量，先计算其在整个时间序列上的均值和标准差，然后将每个格点上的原始数据减去均值，再除以标准差，得到标准化后的数据。为了突出ENSO信号，对海温数据进行了去季节循环处理。采用了滑动平均的方法，计算每个月的多年平均海温，得到季节循环分量，然后从原始海温数据中减去该季节循环分量，得到海温距平（SSTA）数据。例如，对于1月份的海温数据，计算1950-2023年所有1月份海温的平均值，作为该月的季节循环分量，然后将每个1月份的原始海温减去该平均值，得到1月份的海温距平。通过去季节循环处理，能够有效地去除海温的季节性变化，突出ENSO信号的异常变化，为后续的可预报性分析提供更准确的数据基础。3.1.2计算非线性Lyapunov指数本研究采用基于奇异值分解（SVD）的方法来计算非线性局部Lyapunov指数（NLLE）。该方法的基本原理是通过对非线性动力系统的状态转移矩阵进行奇异值分解，来计算扰动向量在时间演化过程中的增长或衰减情况，从而得到NLLE。具体计算过程如下：对于一个非线性动力系统，设其状态变量为\mathbf{x}(t)，时间步长为\Deltat。在相空间中选取一个局部区域，以初始状态\mathbf{x}(t_0)为中心，半径为\epsilon的球体作为初始扰动区域。在该区域内随机选取M个初始扰动向量\delta\mathbf{x}_i(0)，i=1,2,\cdots,M，得到扰动后的初始状态\mathbf{x}_i(0)=\mathbf{x}(t_0)+\delta\mathbf{x}_i(0)。将这些扰动后的初始状态代入非线性动力系统中进行数值积分，得到在时间t_1=t_0+\Deltat时的状态\mathbf{x}_i(1)。计算状态转移矩阵\mathbf{A}，其元素A_{ij}定义为：A_{ij}=\frac{\partialx_j(1)}{\partialx_i(0)}通过有限差分法来近似计算偏导数。例如，对于A_{11}，可以通过在x_1(0)方向上施加一个微小扰动\Deltax_1(0)，计算x_1(1)在该扰动下的变化量\Deltax_1(1)，则A_{11}\approx\frac{\Deltax_1(1)}{\Deltax_1(0)}。对状态转移矩阵\mathbf{A}进行奇异值分解，得到奇异值\sigma_1\geq\sigma_2\geq\cdots\geq\sigma_n和对应的奇异向量\mathbf{u}_i和\mathbf{v}_i，其中n为状态变量的维数。第k个NLLE的计算公式为：\lambda_{k}=\frac{1}{\Deltat}\ln\sigma_k在实际计算中，为了提高计算效率和准确性，对上述过程进行了多次迭代。从时间t_1开始，将\mathbf{x}_i(1)作为新的初始状态，重复上述步骤，得到时间t_2=t_1+\Deltat时的状态\mathbf{x}_i(2)和状态转移矩阵\mathbf{A}(2)，并计算相应的NLLE。通过多次迭代，可以得到在不同时间点的NLLE，从而更全面地了解ENSO系统的误差增长情况。利用上述方法，计算了赤道太平洋地区（150°E-90°W，5°S-5°N）不同时间尺度下的NLLE。在计算过程中，时间步长\Deltat取为1个月，初始扰动区域半径\epsilon取为0.1，扰动向量个数M取为100。为了验证计算结果的可靠性，进行了敏感性试验，分别改变时间步长、初始扰动区域半径和扰动向量个数，发现计算结果在一定范围内保持稳定，说明计算方法具有较好的可靠性。图3-1展示了在不同时间尺度下赤道太平洋地区的NLLE计算结果。从图中可以看出，在短时间尺度（1-3个月）内，NLLE值相对较小，表明初始条件的扰动在短期内增长较为缓慢，ENSO系统相对较为稳定；随着时间尺度的增加（3-6个月），NLLE值逐渐增大，说明初始条件的扰动在中期时间尺度上增长加快，ENSO系统的不确定性增加；在长时间尺度（6-12个月）内，NLLE值进一步增大，且在赤道太平洋东部地区（120°W-90°W）出现了高值区，表明该区域对初始条件的敏感性较高，初始条件的微小变化在长时间尺度上可能会导致该区域海温异常的显著变化，进而影响整个ENSO事件的发展。[此处插入图3-1不同时间尺度下赤道太平洋地区的NLLE分布]图3-1不同时间尺度下赤道太平洋地区的NLLE分布[此处插入图3-1不同时间尺度下赤道太平洋地区的NLLE分布]图3-1不同时间尺度下赤道太平洋地区的NLLE分布图3-1不同时间尺度下赤道太平洋地区的NLLE分布3.1.3分析ENSO可预报性时空分布特征结合NLLE的计算结果，对ENSO可预报性的时空分布特征进行了深入分析。在空间分布上，发现ENSO可预报性存在明显的区域差异。在赤道太平洋东部地区（120°W-90°W），NLLE值较大，表明该区域对初始条件的敏感性较高，可预报性相对较低。这是因为该区域是ENSO海温异常的关键区，海气相互作用强烈，初始条件的微小变化容易通过海气耦合过程被放大，导致海温异常的快速发展和变化，从而增加了预测的难度。而在赤道太平洋中部和西部地区，NLLE值相对较小，可预报性相对较高。在这些区域，海气相互作用相对较弱，初始条件的扰动对海温异常的影响相对较小，因此预测的准确性相对较高。在时间分布上，ENSO可预报性呈现出明显的年际和年代际变化特征。通过对多年NLLE时间序列的分析，发现ENSO可预报性在不同年份之间存在较大差异。在一些年份，NLLE值较低，表明ENSO系统相对稳定，可预报性较高；而在另一些年份，NLLE值较高，ENSO系统的不确定性增加，可预报性降低。例如，在1997-1998年的超强厄尔尼诺事件期间，NLLE值显著增大，表明该时期ENSO系统对初始条件的敏感性增强，可预报性降低。这可能是由于该事件的强度和复杂性导致海气相互作用异常强烈，初始条件的微小变化对事件的发展产生了更大的影响。进一步分析ENSO可预报性的年代际变化特征，发现自20世纪70年代末以来，ENSO可预报性整体呈现出下降的趋势。这可能与全球气候变化背景下热带太平洋海气系统的年代际变化有关。随着全球气候变暖，热带太平洋海温的背景态发生了变化，海气耦合强度和大气环流模式也相应改变，这些变化可能导致ENSO系统对初始条件的敏感性增加，从而降低了ENSO的可预报性。例如，研究表明，全球变暖可能导致热带太平洋温跃层变浅，使得海洋对大气的反馈作用增强，进而增加了ENSO系统的不确定性和可预报性的难度。为了更直观地展示ENSO可预报性的时空变化特征，图3-2给出了ENSO可预报性的时空分布图。从图中可以清晰地看到，在空间上，赤道太平洋东部地区是可预报性的低值区，而中部和西部地区是相对的高值区；在时间上，20世纪70年代末以后，可预报性整体呈下降趋势，且在一些强ENSO事件期间，可预报性明显降低。[此处插入图3-2ENSO可预报性的时空分布图]图3-2ENSO可预报性的时空分布图[此处插入图3-2ENSO可预报性的时空分布图]图3-2ENSO可预报性的时空分布图图3-2ENSO可预报性的时空分布图3.2不同类型ENSO事件的可预报性差异研究3.2.1东部型和中部型ENSO事件的划分在ENSO研究中，根据赤道中东太平洋海温异常中心位置的差异，将ENSO事件划分为东部型（EP型）和中部型（CP型）。这种划分对于深入理解ENSO的多样性和复杂性具有重要意义，因为不同类型的ENSO事件在海气相互作用过程、大气环流响应以及对全球气候的影响等方面都存在显著差异。划分东部型和中部型ENSO事件的主要依据是关键海区海温距平的分布特征。美国气候预测中心（CPC）定义了多个用于监测ENSO的海区，其中Nino3区（5°N-5°S，150°W-90°W）和Nino4区（5°N-5°S，160°E-150°W）在区分东部型和中部型ENSO事件中起着关键作用。当Nino3区海温距平（SSTA）显著高于Nino4区，且Nino3区SSTA达到一定阈值（通常为0.5℃以上）时，可判定为东部型ENSO事件；相反，若Nino4区SSTA显著高于Nino3区，且Nino4区SSTA达到相应阈值，则判定为中部型ENSO事件。例如，在1982-1983年的东部型厄尔尼诺事件中，Nino3区海温距平异常偏高，峰值超过2.5℃，而Nino4区海温距平虽也为正，但幅度相对较小，两者差值明显，符合东部型ENSO事件的特征；而在2002-2003年的中部型厄尔尼诺事件中，Nino4区海温距平异常突出，峰值接近2.0℃，Nino3区海温距平相对较低，两者差值同样显著，呈现出中部型ENSO事件的典型特征。除了关键海区海温距平的比较，还可以通过海温异常的空间分布形态来辅助判断。东部型ENSO事件的海温异常主要集中在赤道东太平洋地区，海温异常中心靠近南美洲西海岸，异常范围沿赤道向东延伸，呈现出东强西弱的分布特征；中部型ENSO事件的海温异常则主要集中在赤道中太平洋地区，海温异常中心位于国际日期变更线附近，异常范围相对集中，呈现出中强东西弱的分布特征。为了更直观地展示不同类型ENSO事件的海温异常分布特征，图3-3给出了东部型和中部型厄尔尼诺事件成熟期的海温距平合成图。从图中可以清晰地看到，东部型厄尔尼诺事件在赤道东太平洋（120°W-90°W）出现明显的海温正距平中心，海温异常强度大，范围广，向西逐渐减弱；而中部型厄尔尼诺事件的海温正距平中心位于赤道中太平洋（160°E-150°W），海温异常强度相对较弱，但在该区域的分布更为集中，向东西两侧的扩展范围相对较小。[此处插入图3-3东部型和中部型厄尔尼诺事件成熟期海温距平合成图]图3-3东部型和中部型厄尔尼诺事件成熟期海温距平合成图[此处插入图3-3东部型和中部型厄尔尼诺事件成熟期海温距平合成图]图3-3东部型和中部型厄尔尼诺事件成熟期海温距平合成图图3-3东部型和中部型厄尔尼诺事件成熟期海温距平合成图3.2.2利用非线性Lyapunov方法对比可预报性利用非线性局部Lyapunov指数（NLLE）方法，对东部型和中部型ENSO事件的可预报性进行了深入对比分析。通过计算不同类型ENSO事件在不同发展阶段的NLLE，量化了初始条件的微小扰动对事件发展的影响程度，从而评估其可预报性。在计算过程中，选取了1950-2023年期间的东部型和中部型厄尔尼诺事件各10次，以事件开始前6个月为初始时刻，以月为时间步长，计算未来12个月内的NLLE。图3-4展示了东部型和中部型厄尔尼诺事件在不同发展阶段的NLLE平均值随时间的变化情况。从图中可以看出，在事件发展初期（前3个月），东部型和中部型厄尔尼诺事件的NLLE值相对较小，且两者差异不明显，说明在这一阶段，初始条件的扰动增长较为缓慢，两种类型事件的可预报性相近。随着时间的推移，进入事件发展中期（3-6个月），中部型厄尔尼诺事件的NLLE值迅速增大，超过了东部型厄尔尼诺事件，表明中部型厄尔尼诺事件对初始条件的敏感性增强，初始条件的微小变化在这一阶段对事件发展的影响更大，可预报性降低；而东部型厄尔尼诺事件的NLLE值增长相对较为平缓，可预报性相对稳定。在事件发展后期（6-12个月），中部型厄尔尼诺事件的NLLE值维持在较高水平，进一步说明其可预报性较差；东部型厄尔尼诺事件的NLLE值虽也有所增大，但仍低于中部型，可预报性相对较好。[此处插入图3-4东部型和中部型厄尔尼诺事件NLLE平均值随时间变化图]图3-4东部型和中部型厄尔尼诺事件NLLE平均值随时间变化图[此处插入图3-4东部型和中部型厄尔尼诺事件NLLE平均值随时间变化图]图3-4东部型和中部型厄尔尼诺事件NLLE平均值随时间变化图图3-4东部型和中部型厄尔尼诺事件NLLE平均值随时间变化图进一步分析不同类型事件在不同区域的NLLE分布特征，发现东部型厄尔尼诺事件在赤道东太平洋（120°W-90°W）区域的NLLE值相对较小，说明该区域对初始条件的敏感性较低，可预报性较高。这是因为在东部型厄尔尼诺事件中，赤道东太平洋是海温异常的主要发展区域，其海气相互作用过程相对较为稳定，初始条件的微小变化对该区域海温异常发展的影响相对较小。而在赤道中太平洋（160°E-150°W）区域，东部型厄尔尼诺事件的NLLE值相对较大，可预报性相对较低。对于中部型厄尔尼诺事件，赤道中太平洋（160°E-150°W）区域是海温异常的中心区域，该区域的NLLE值显著高于其他区域，表明该区域对初始条件极为敏感，初始条件的微小变化很容易在该区域被放大，导致海温异常的快速变化，从而降低了事件的可预报性；而在赤道东太平洋（120°W-90°W）区域，中部型厄尔尼诺事件的NLLE值相对较小，可预报性相对较高。图3-5展示了东部型和中部型厄尔尼诺事件在事件发展中期（第4个月）的NLLE空间分布。从图中可以清晰地看到两种类型事件在不同区域的NLLE分布差异，进一步验证了上述结论。[此处插入图3-5东部型和中部型厄尔尼诺事件发展中期NLLE空间分布图]图3-5东部型和中部型厄尔尼诺事件发展中期NLLE空间分布图[此处插入图3-5东部型和中部型厄尔尼诺事件发展中期NLLE空间分布图]图3-5东部型和中部型厄尔尼诺事件发展中期NLLE空间分布图图3-5东部型和中部型厄尔尼诺事件发展中期NLLE空间分布图3.2.3影响可预报性差异的因素探讨东部型和中部型ENSO事件可预报性存在差异，主要是由海洋动力过程和大气环流异常等多方面因素共同作用导致的。在海洋动力过程方面，两种类型事件的海洋温跃层变化和海洋波动传播存在显著差异。在东部型厄尔尼诺事件中，赤道东太平洋的温跃层变化较为明显，当厄尔尼诺事件发展时，信风减弱，西太平洋暖水向东回流，使得赤道东太平洋温跃层变浅，暖水层增厚，海温升高。这种温跃层的变化相对较为稳定，且具有较强的规律性，使得初始条件的微小变化对温跃层调整和海温异常发展的影响相对较小，从而提高了事件的可预报性。在海洋波动传播方面，东部型厄尔尼诺事件中，赤道东太平洋的海洋波动主要以开尔文波和罗斯贝波为主，这些波动的传播路径和速度相对较为稳定，能够较为准确地预测海洋热量的输送和海温异常的发展。而在中部型厄尔尼诺事件中，赤道中太平洋的温跃层变化较为复杂，受到多种因素的影响，如热带西太平洋暖池的变化、海洋混合过程的异常等。这些因素导致温跃层的调整过程不稳定，初始条件的微小变化容易引发温跃层的异常变化，进而影响海温异常的发展，降低了事件的可预报性。在海洋波动传播方面，中部型厄尔尼诺事件中，赤道中太平洋的海洋波动受到多种因素的干扰，如中太平洋的海洋环流异常、热带气旋活动等，使得海洋波动的传播路径和速度存在较大的不确定性，难以准确预测海洋热量的输送和海温异常的发展。大气环流异常也是影响两种类型ENSO事件可预报性差异的重要因素。在东部型厄尔尼诺事件中，大气环流的响应主要表现为沃克环流的减弱和东移，以及Hadley环流的调整。这些大气环流的变化相对较为稳定，且与海温异常的关系较为密切，通过对海温异常的监测和分析，能够较为准确地预测大气环流的变化，从而提高事件的可预报性。在中部型厄尔尼诺事件中，大气环流的响应更为复杂，除了沃克环流和Hadley环流的变化外，还存在中太平洋地区大气对流活动的异常、热带气旋生成位置和路径的改变等。这些大气环流的异常变化相互作用，使得大气环流与海温异常之间的关系变得复杂，难以准确预测大气环流的变化，进而降低了事件的可预报性。此外，两种类型ENSO事件的发展过程中，海气耦合强度和反馈机制也存在差异。东部型厄尔尼诺事件的海气耦合强度相对较强，海气之间的相互作用较为直接和明显，反馈机制相对较为简单，这使得对事件的预测相对较为容易。而中部型厄尔尼诺事件的海气耦合强度相对较弱，海气之间的相互作用更为复杂，存在多种反馈机制相互交织，使得对事件的预测难度增加。3.3全球变暖背景下ENSO可预报性的变化研究3.3.1全球变暖对ENSO的影响机制分析全球变暖背景下，热带太平洋海气系统的背景态发生显著变化，对ENSO的发生频率、强度和空间分布产生了深刻影响。研究表明，随着全球平均气温的升高，热带太平洋海温呈现出整体上升的趋势，且海温的分布格局也发生改变。在赤道太平洋地区，海温的纬向和经向梯度发生变化，这对ENSO的形成和发展机制产生了重要影响。在发生频率方面，一些研究认为全球变暖可能导致ENSO事件的发生频率增加。全球变暖使得热带太平洋海温升高，海洋储存的能量增加，为ENSO事件的发生提供了更有利的条件。海温的升高还可能影响大气环流的稳定性，使得信风强度和方向的异常变化更为频繁，从而增加了ENSO事件的触发几率。通过对多个气候模式模拟结果的分析发现，在高排放情景下，21世纪ENSO事件的发生频率相较于20世纪有明显增加的趋势。在强度方面，全球变暖对ENSO强度的影响较为复杂。部分研究表明，全球变暖可能导致ENSO事件强度增强。随着全球变暖，热带太平洋海温升高，海气相互作用增强，使得厄尔尼诺和拉尼娜事件期间海温异常的幅度增大。在一些极端的全球变暖情景下，厄尔尼诺事件的海温异常峰值可能比过去更高，对全球气候的影响也更为强烈。然而，也有研究认为全球变暖可能导致ENSO强度减弱。全球变暖可能改变热带太平洋的温跃层结构和海洋环流模式，使得海洋对大气的反馈作用发生变化，从而削弱ENSO事件的强度。在空间分布方面，全球变暖可能导致ENSO海温异常的空间分布发生改变。一些研究发现，在全球变暖背景下，中部型ENSO事件的发生频率和强度有增加的趋势，其海温异常中心位置可能更偏向赤道中太平洋。这可能与全球变暖导致的热带太平洋大气环流异常有关，大气环流的变化使得海洋热量的输送和分布发生改变，进而影响了ENSO海温异常的空间分布。全球变暖还可能影响ENSO的演变过程和持续时间。全球变暖可能改变ENSO事件的发展速度和衰减方式，使得事件的持续时间发生变化。一些研究表明，在全球变暖情景下，ENSO事件的持续时间可能会延长，这将增加其对全球气候和生态系统的影响程度和范围。3.3.2利用非线性Lyapunov方法评估可预报性变化为了评估全球变暖背景下ENSO可预报性的变化，利用非线性局部Lyapunov指数（NLLE）方法，对不同温室气体排放情景下的ENSO可预报性进行了分析。选取了耦合模式比较计划第六阶段（CMIP6）中的多个气候模式模拟数据，包括代表性浓度路径（RCP）4.5和RCP8.5等排放情景，以研究不同程度全球变暖对ENSO可预报性的影响。计算了不同排放情景下赤道太平洋地区在21世纪的NLLE，并与历史时期（1950-2005年）的NLLE进行对比。图3-6展示了RCP8.5排放情景下，21世纪（2006-2099年）与历史时期（1950-2005年）NLLE的差值分布。从图中可以看出，在赤道太平洋东部和中部地区，NLLE差值呈现出正值，表明在全球变暖背景下，这些区域的NLLE增大，即初始条件的扰动增长加快，可预报性降低。在赤道太平洋东部（120°W-90°W）地区，NLLE差值较为显著，说明该区域对全球