从“今天天气”到“长期气候”：概念、尺度与科学问题
当我们说“今天天气不错”，往往指的是此刻或这一天的体感：冷不冷、闷不闷、风大不大、会不会下雨。然而，当我们讨论“这座城市夏天越来越热”或“过去几十年极端暴雨更常见”，问题就不再是某一天的状态，而是许多天、许多年的总体特征及其变化规律。把这两类问题区分清楚，是理解预报、理解气候变化风险、也理解相关争论（例如“今年冬天很冷是不是就没变暖？”）的第一道门槛。
天气与气候：同一系统的两种提问方式
> #definition 天气（weather）：某一地点在短时间内（通常为分钟至数天）的大气状态及其变化过程，具体表现为气温、气压、湿度、风、降水、云量、能见度等要素的瞬时值或短时平均，并随天气系统演变而快速变化。
> #definition 气候（climate）：某一地区在较长时间尺度上（通常为多年到几十年）天气状况的统计特征，包括平均态、变率、极端事件的频率与强度，以及这些统计量随时间的变化。
这两个定义揭示一个关键点：天气与气候并非两套相互独立的物理系统，而是同一大气系统的两种“描述方式”。天气关心“这一刻发生了什么、下一刻会怎样”，气候关心“长期来看，发生的概率分布是什么样、它是否在改变”。
更精确地说，气候并不是“长期天气的平均”这么简单。平均值固然重要，但仅靠平均值无法回答许多与风险直接相关的问题：热浪的持续天数是否变长？极端短时强降水是否更集中？干旱发生的间隔是否缩短？这些都属于气候统计特征的一部分。
> #definition 气候态（climatology）：在给定参考时段内（常用 30 年，世界气象组织建议的气候常年值窗口），对气象要素进行统计得到的基准状态，如月平均气温、降水量气候平均、极端阈值等。
在日常表达中，我们常把“气候”理解为“这个地方一般是什么样”，例如“华北冬季干冷、江南梅雨多”。这里的“一般”在科学上对应统计意义上的“概率分布的中心与形状”：中心可以由均值或中位数描述，形状则由方差、偏度、尾部厚度等描述；而最受关注的往往是分布尾部的极端——因为灾害常发生在“少见但影响巨大”的情形。
气象要素：我们在观测什么
大气是一种可压缩流体，其状态可由多种变量描述。面向公众最常见的“气象要素”是对复杂状态的可观测切片。理解它们的物理含义、单位与常见表达方式，是读懂天气图、气候图、以及风险指标的基础。
气温：冷热的表象与能量状态
> #definition 气温（air temperature）：空气热运动强弱的表征，通常指距地面 2 米高度、在标准百叶箱或通风辐射屏内测得的温度（单位：℃ 或 K）。
气温既受太阳短波辐射输入影响，也受地表与大气长波辐射、湍流换热、水汽相变等影响。日变化（白天升温、夜间降温）是典型的“天气尺度”现象；多年平均的升温或降温趋势则属于“气候变化”。
气压：天气系统的“骨架”
> #definition 气压（air pressure）：空气柱对单位面积的压力（单位：hPa），随高度迅速减小。近地面天气图中的高压、低压系统及等压线分布，是理解风场与天气过程的核心线索。
气压并不直接决定“舒不舒服”，却决定空气如何流动。简化地说，空气倾向于从高压区流向低压区，但在地球自转影响下会偏转（后续章节将展开科里奥利力与地转风平衡）。因此，气压场常被视为天气系统的“骨架”，而风、云、降水等则是“肌肉与表情”。
湿度：水汽含量与“闷热”的来源
> #definition 湿度（humidity）：描述空气中水汽多少的量。常用指标包括相对湿度（%）、水汽压（hPa）、比湿（g/kg）与露点温度（℃）。
相对湿度是最常见但也最容易被误解的指标：它反映的是“距离饱和还有多远”，而不是“水汽绝对量”。同样 60% 的相对湿度，在 10℃ 与 30℃ 下空气中实际水汽含量相差很大。与人体体感和云雨形成更直接相关的往往是露点温度或比湿。
风：把能量与水汽搬运起来的“传送带”
> #definition 风（wind）：空气相对于地面的运动，通常用风向（来向）与风速（m/s 或 km/h）描述。风是大尺度环流与局地热力差异共同作用的结果。
风决定污染扩散、海上作业安全、火险蔓延速度，也决定水汽输送路径。许多天气现象（如锋面、台风、急流）本质上是风场结构与演变的表现。
降水：从云到地面的“相变结算”
> #definition 降水（precipitation）：从云中落到地面的液态或固态水（雨、雪、冰雹等），常以降水量（mm）和降水强度（mm/h）描述。
降水既与水汽含量有关，也与抬升机制（对流抬升、地形抬升、锋面抬升等）有关，还与云微物理过程有关。气候研究中常强调：即便年总降水量变化不大，降水的时空分配与强度也可能发生显著变化，从而改变洪涝与干旱风险。
云量与能见度：对辐射与交通的直接影响
> #definition 云量（cloud amount）：天空被云覆盖的程度（常用成数或百分比），影响太阳辐射到达地面的多少，也影响夜间长波辐射冷却。 > #definition 能见度（visibility）：在当前大气条件下能够看清目标的最大距离，受雾、霾、降水与光照条件影响，关系到航空与公路安全。
云对气候的作用尤为关键：它既反射太阳短波使地表降温，又吸收并回辐射地表长波使近地层增温。云的净效应取决于云的高度、厚度、粒子性质与覆盖率，这也是气候预测不确定性的重要来源之一。
观测与数据：从“测到的天气”到“可分析的气候”
天气与气候的差别不仅在时间尺度，也体现在数据处理方式上：天气分析更强调实时性与空间连续性，气候分析更强调长期一致性、可比性与统计稳健性。
观测网络：我们如何“看到”大气
现代气象观测可以粗略分为四类：
1. 地面站网：提供气温、气压、湿度、风、降水等，时间分辨率可达分钟级。优点是连续、长期；难点是站址变迁、城市化影响带来的“非气候信号”。 2. 高空探测（探空、飞机观测）：通过无线电探空仪获取垂直廓线（温度、湿度、风），对理解对流、锋面和急流至关重要。 3. 天气雷达：对降水回波进行高时空分辨率扫描，是短临预报、强对流监测的核心工具。 4. 卫星遥感：覆盖广、可观测云、辐射、海温、水汽等，是海洋与偏远地区的重要信息来源，但需要反演算法与校准验证。
> 引用（读者提示）：实时天气图像“看见云团”只是第一步；将卫星辐射量转换为云顶高度、降水估计或水汽通量，需要严格的物理模型与统计校准，这也是“观测不等于真值”的典型例子。
再分析资料：把观测与模型融合成“最一致的历史”
> #definition 再分析（reanalysis）：利用数值天气/气候模式作为动力学约束，通过资料同化将多源观测融合，生成时空连续、内部一致的全球大气（及海洋）历史重建数据集。
再分析产品（如 ERA5）在研究气候变率、极端事件背景场方面非常重要，但也要注意：再分析并非“纯观测”，其质量会随观测系统变化（例如卫星时代到来）而改变，且某些变量（如降水）并非直接同化，可能存在系统偏差。
从瞬时值到统计量：气候“算”的是什么
气候统计最常见的对象是时间序列 $X(t)$（例如日平均气温）。给定参考时段 $T$（例如 1991–2020），可定义：
- **气候平均（均值）**：
$$\bar{X}=\frac{1}{N}\sum_{i=1}^{N}X_i$$
- **距平（异常）**：
$$X'_i = X_i - \bar{X}$$
- **方差（变率）**：
$$\sigma^2=\frac{1}{N-1}\sum_{i=1}^{N}(X_i-\bar{X})^2$$
对风险更直接的还有极端阈值与重现期思想：
> #definition 百分位阈值（percentile threshold）：以历史分布的某一百分位数（如 95%）作为“极端”界定标准。 > #definition 重现期（return period）：在统计稳定假设下，某一强度事件平均多少年发生一次，常用于工程防洪与设计标准讨论。
需要强调的是，一旦气候在变（例如升温趋势），分布不再稳定，“100 年一遇”并不是固定不变的标签；它更像是对“在某一时期的统计背景下罕见程度”的描述。气候变化研究的一个重要任务，就是评估这种罕见程度如何随时间演化。
时间尺度与空间尺度：理解“大气为何既乱又有规律”
天气看似多变，气候看似稳定，其背后是不同尺度过程的叠加。一个地区一天内的温度变化，可能主要由太阳辐射与边界层湍流控制；而多年平均偏暖，可能与海温背景、温室气体浓度变化、以及大尺度环流型变化有关。把尺度作为“组织框架”，能避免把不同时空层面的现象混为一谈。
> #scale 时间尺度（time scale）：从秒—分钟的湍流与阵风，到小时—日的对流与锋面过程，到周—季节的季风与海气耦合，再到年代际—世纪尺度的外强迫变化与内部变率。 > #scale 空间尺度（space scale）：从几十米—几公里的边界层与城市微气候，到几百—几千公里的天气尺度系统，再到半球—行星尺度环流。
下面用一张简化流程图概括“尺度—现象—典型问题”的对应关系：
```mermaid graph TD A[微尺度: 10m-1km / 秒-小时] --> A1[阵风 湍流 城市热岛] B[中尺度: 1-100km / 小时-天] --> B1[雷暴 线状对流 地形降水] C[天气尺度: 100-3000km / 天-周] --> C1[锋面 低压 高压 台风] D[行星尺度: >3000km / 周-季节] --> D1[季风 急流 阻塞高压] E[年代际-世纪: 全球尺度 / 十年-百年] --> E1[变暖趋势 海平面上升 风险格局变化] ```
尺度框架还有一个实践意义：它决定了“可预报性”。一般来说，尺度越大、演变越慢、受小扰动的相对影响越小，可预报性越强；尺度越小、非线性越强、对初始误差越敏感，可预报性越弱。这也是为什么短临强对流预报困难、而季节尺度的某些信号（如厄尔尼诺对部分地区降水偏多偏少的倾向）却能提供概率性指示。
三个例子：把概念落到“可感知”的情境中
例子一：冷空气来袭与“长期变暖”并不矛盾
许多人会在遭遇寒潮时发问：“不是全球变暖吗？怎么还这么冷？”这实际上混淆了天气与气候的统计层次。
- **天气层面**：一次寒潮是一个具体过程，涉及冷空气源地、冷高压强度、急流引导、以及锋区发展等（属于天气尺度动力学问题）。它回答“这几天为什么突然降温、风为什么变大”。
- **气候层面**：全球变暖描述的是长期平均及分布整体的变化。即便平均升高，分布仍会有低温尾部；只要大气环流允许，仍可能出现强冷空气南下。气候变化更可能改变的是冷事件的频率、持续时间、极端强度的统计特征，而不是“让寒冷彻底消失”。
更进一步的科学问题是：在变暖背景下，中高纬环流型（例如阻塞高压、极涡形态）是否发生系统性改变，从而影响冷空气过程的发生概率？这类问题需要大量统计与机理研究，正体现了“天气—气候”之间并非割裂，而是通过统计规律与动力机制相互关联。
例子二：同一城市的“热”既是天气，也可能是气候与下垫面改变
夏季午后热得难受，可能来自三种叠加：
1. 当天的天气形势：晴空少云、下沉增温、弱风导致热量难以输送，这是短期过程。 2. 当季的气候背景：若该年夏季副热带高压偏强、偏西或偏北，某地区更易持续高温，这属于季节尺度环流异常。 3. 长期下垫面变化：城市化导致不透水面增多、蒸散减少、热容量与粗糙度改变，形成城市热岛效应；这会改变同一类天气形势下的体感与夜间最低气温统计分布。
因此，面对“越来越热”，科学上通常要做的是归因分解：区分大尺度背景（区域或全球变暖信号）与局地人类活动（城市化）对温度分布的贡献。这也提醒读者：气候问题不仅是“大气”的问题，还涉及地表、水体、植被与人类活动共同构成的地球系统。
例子三：极端暴雨风险为何与“平均降水”不是一回事
很多地区的年总降水量可能多年变化不大，但强降水灾害却更频繁。原因在于：灾害常由短时强度、雨带停滞与下垫面产汇流特征共同决定，而这些与“年总量”并非线性对应。
从气候统计角度，常见分析包括：
- **日最大降水量（Rx1day）**、**连续 5 日最大降水量（Rx5day）**等极端指数；
- **95% 或 99% 百分位降水阈值以上的降水贡献率**（强降水占比是否提高）；
- **重现期曲线**（在假设或非平稳框架下估计不同强度的发生概率）。
从物理机制角度，升温会提高空气可容纳水汽的上限（饱和水汽压随温度升高而增加），在具备抬升条件时可能支持更强的降水效率；但是否“必然更强降水”仍取决于动力触发、对流组织、风切变与水汽输送路径等。这恰好把本书的两条主线连接起来：一条是热力学约束（能量与水汽），一条是动力学组织（环流与系统）。
本书将回答的核心科学问题：从驱动力到风险格局
把天气与气候区分开，并不是为了把问题“分割”，而是为了在合适的尺度上提出合适的问题。本书后续章节将围绕以下主问题展开：
1. 大气运动的驱动力来自何处？ 太阳辐射不均匀加热、地表差异、地球自转与重力共同决定了大气环流的基本格局。理解能量收支与角动量约束，是理解风从何而来的起点。 2. 常见天气系统如何形成与演变？ 高低压、锋面、台风、季风、对流系统等，是大尺度环境场与中小尺度过程耦合的结果。它们的结构、生命周期与相互作用决定了日常天气的“剧情”。 3. 预报为何可能、又为何有限？ 预报依赖初始条件与模型。混沌性使误差随时间增长，导致确定性预报的“天花板”；集合预报与概率预报则是应对不确定性的关键方法。 4. 气候预测与气候变化如何改变风险？ 季节—年代际预测依赖慢变边界条件（如海温、土壤湿度、海冰）提供的可预报信号；长期气候变化则通过改变分布整体与尾部，重塑热浪、暴雨、干旱、风暴潮等风险格局。
对普通读者而言，最实用的收益是：当你看到“未来三天降温”“今年夏季偏热概率 60%”“极端降水重现期缩短”等表述时，能够判断它们分别属于哪类尺度、基于什么数据与方法、以及应该如何解读其中的不确定性。
概念表（纸书可用）
| 条目 | 语义标签 | 简明定义 | 常见时间尺度/空间尺度 | 常见误解 | |---|---|---|---|---| | 天气 | #definition | 短期大气状态与过程 | 分钟—数天；局地—天气尺度 | 把一次过程当成气候结论 | | 气候 | #definition | 长期统计特征与其变化 | 多年—几十年；区域—全球 | 认为“气候=平均”忽略极端与变率 | | 气候常年值 | #definition | 约 30 年统计基准 | 30 年窗口；站点/区域 | 把常年值当作“固定不变” | | 距平 | #definition | 相对基准平均的偏离 | 日—年；站点/区域 | 只看距平不看分布与极端 | | 变率 | #definition | 波动强弱（方差等） | 日际—年代际 | 把“波动”误当“趋势” | | 极端事件 | #definition | 分布尾部的罕见事件 | 小时—季节；局地—区域 | 把单次极端当作必然趋势 | | 可预报性 | #definition | 在给定误差下可预测程度 | 小尺度弱、大尺度强（一般规律） | 认为“模型不准=科学无用” |
术语索引（纸书可用）
- **边界层**：近地面受摩擦与湍流影响显著的大气层结。
- **锋面**：性质不同的气团交汇形成的过渡带，常伴随云雨与风向风速突变。
- **资料同化**：将观测信息与模型预报按误差统计最优融合的方法体系。
- **再分析资料**：用统一模型与同化系统重建的历史大气数据集。
- **集合预报**：用多次扰动初始条件/模型参数获得概率分布的预报方法。
- **非平稳性**：统计分布参数随时间变化的性质，气候变化研究中非常关键。
- **城市热岛**：城市相对郊区更暖（尤其夜间）的现象，由下垫面与人为热排放等引起。
- **重现期**：事件强度在统计意义上的平均重现间隔，非“定时发生”。
天气与气候数据源（电子版超链接）
- **世界气象组织 WMO**：https://wmo.int （气候常年值规范、全球监测框架）
- **中国气象局 CMA**：https://www.cma.gov.cn （业务产品、科普与部分数据服务入口）
- **ECMWF ERA5 再分析**：https://www.ecmwf.int/en/forecasts/dataset/ecmwf-reanalysis-v5
- **NOAA 气候数据与指数**：https://www.noaa.gov / https://www.ncei.noaa.gov
- **NASA Earthdata（卫星与再分析入口）**：https://earthdata.nasa.gov
> 引用（阅读建议）：初学者优先使用“官方机构 + 说明文档完整”的数据源；在社交媒体看到的“某图某结论”，先追溯数据来源、时间范围与统计口径，再判断是否可信。
小结：用“尺度 + 统计”把直觉变成理解
天气与气候的核心差别在于提问方式：前者强调具体过程与短期演变，后者强调长期统计与概率分布。气象要素是大气状态的可观测窗口，观测网络与再分析资料为我们提供了从局地到全球、从即时到历史的一致信息。时间尺度与空间尺度框架则解释了：为何同一地区既可能日常波动剧烈，又存在多年平均与极端阈值的稳定结构；以及为何预报能够在一定期限内有效、但又必然面临不确定性。理解这些基础概念之后，下一步就可以追问更根本的问题：大气这台“热机”如何运转，能量与水汽如何被组织成风、云和降水，并最终塑造我们所经历的天气与所处的气候。