气象学的尺度与问题：从“今天天气”到“百年气候”

人们每天都在“谈天气”：今天会不会下雨、明天风大不大、周末适不适合出行。与此同时，我们也在“谈气候”：某地是否越来越热、极端降水是否更频繁、未来几十年海平面会升多少。两类谈论常被混用，导致一个常见误解：既然天气预报会“失准”，那么气候评估是否也不可信？要回答这类问题，必须先把大气现象放到“尺度”的坐标系里：时间尺度从分钟到世纪，空间尺度从街区到行星；尺度不同，主导过程不同，信息来源不同，研究方法与可预报性边界也随之改变。本章的目标，是为全书建立一套共同语言与读者工具箱，使后续讨论（风暴、季风、厄尔尼诺、全球变暖、风险治理等）有清晰的概念地基。

天气、气候与气候变率：概念边界不是“词典”，而是“统计学”

天气（weather）：一个确定时刻的“大气状态”

在物理意义上，天气可理解为某一地点、某一时刻附近大气状态的集合：气温、气压、湿度、风（速度与方向）、云量、降水、能见度等。它是一个“瞬时场”或“短时过程”。例如，“下午三点起风并伴随雷阵雨”属于天气叙述，因为它关注的是小时尺度内的状态与演变。

天气问题通常被表述为初值问题：在已知当前大气状态（初始条件）的情况下，未来几小时到几天会如何变化。由此引出两个关键现实：

• 初值不可能被完美测量（观测稀疏、误差不可避免）。
• 大气是非线性系统，误差会随时间放大（见后文“可预报性与混沌边界”）。

气候（climate）：长期统计分布，而非“长期天气”

气候不是“很长时间的天气”，而是对天气状态在较长时间窗内的统计描述，常见统计量包括平均值、方差、分位数、极端阈值超过次数等。世界气象组织（WMO）传统上以30 年作为气候常年值的参考期，用于定义“常年平均气温”“常年降水量”等基准。这一约定的要点不在于“30 年神秘而绝对”，而在于：需要一个足够长的时间窗，使得季节循环与年际波动被统计意义上“看见”，并能与其他时期进行可比对的偏差（anomaly）分析。

用统计语言表达：若把某地日平均气温记为随机变量 $T$，则气候更像是其概率分布 $P(T)$ 及其随季节变化的条件分布 $P(T\mid \text{季节})$，而不是某一天的 $T(t_0)$。因此，“今年冬天冷不冷”仍多属于天气/季节尺度；“过去 50 年冬季均温是否上升”才是气候命题。

气候变率（climate variability）：气候的“自然起伏”

气候变率指气候统计量在不同时间尺度上的自然波动，既包括季节内的振荡，也包括年际、年代际起伏。它强调“波动”而不必然意味着长期趋势。常见例子包括：

• **季节内振荡**：马登—朱利安振荡（MJO）可在 30–60 天尺度上调制热带对流与降水带。
• **年际变率**：厄尔尼诺—南方涛动（ENSO）可改变全球多个地区的温度与降水概率。
• **年代际变率**：太平洋年代际振荡（PDO）等会在 10–30 年尺度上影响海气耦合背景态。

为避免概念混淆，需要再引入两个常与“变率”并列但不同的术语：

• **气候变化（climate change）**：气候统计分布发生系统性改变，既可由自然强迫（火山、太阳辐射变化）引起，也可由人为强迫（温室气体、气溶胶、土地利用）引起。
• **长期趋势（trend）**：统计量随时间的单调变化成分，是气候变化的一种表现形式，但气候变化也可能体现为方差或极端尾部加厚，而不只是一条上升/下降直线。

> 引申要点：讨论“极端事件增多”时，真正关心的往往不是均值是否变化，而是分布尾部（例如 95% 或 99% 分位数）如何移动或变厚。这也是“气候”与“风险”自然衔接的原因。

尺度坐标系：时间与空间如何决定主导过程与方法选择

时间尺度：从湍流到百年变暖

大气运动与热力过程具有明显的多尺度性。下面给出一份“够用且可操作”的时间尺度地图（并非唯一划分）：

• **秒—分钟**：湍流、阵风、边界层涡旋；需要高频观测与统计湍流理论。
• **小时**：对流发展、海陆风、城市热岛的日变化；常用雷达、卫星快速扫描与高分辨率数值模式。
• **天—一周**：中纬度天气系统（锋面、气旋、急流波动）；这是常规天气预报的主战场。
• **两周左右**：可预报性开始接近极限，集合预报与概率预报更重要。
• **月—季节**：季节转折、季风爆发与异常；需要海气相互作用、雪盖、土壤湿度等慢变量信息。
• **年际**：ENSO 等海气耦合模态；常用动力—统计结合方法。
• **年代际—世纪**：温室气体累积、冰冻圈变化、海洋热含量调整；以情景驱动的气候模拟与归因分析为核心。

时间尺度越长，“瞬时初值”的重要性通常越弱，“边界条件/外强迫”的重要性通常越强：例如海表温度、海冰范围、温室气体浓度、太阳辐射、火山气溶胶等。

空间尺度：从一条街到整个行星

空间尺度同样决定过程与观测手段。可以将典型尺度粗略分为：

| 空间尺度 | 典型范围 | 代表现象 | 常见方法 | |---|---:|---|---| | 微尺度 | < 1 km | 湍流、街谷风、局地涡旋 | 外场观测、LES（大涡模拟） | | 中尺度 | 1–1000 km | 雷暴群、台风雨带、山地波、海陆风环流 | 雷达/卫星、高分辨率模式 | | 天气尺度（天气学尺度） | 1000–5000 km | 温带气旋、锋面、急流系统 | 天气图分析、全球/区域NWP | | 行星尺度 | > 5000 km | 哈德莱环流、罗斯贝波列、行星波 | 再分析资料、气候模式 |

这里的关键词是“相互嵌套”。台风（中尺度—天气尺度）内部包含对流单体（更小尺度），而其路径又受副热带高压与季风槽（更大尺度）的引导。尺度之间通过能量级联与水汽输送耦合，使得“局地一场雨”既可能是本地对流触发的结果，也可能是行星波调整造成的大尺度背景态改变所致。

尺度与可观测性：分辨率决定你能“看见”什么

观测系统总有分辨率上限：地面站点稀疏可能漏掉局地强对流，卫星能看见云顶却难以直接测到近地层风切变，雷达能解析降水结构但覆盖有限。因此，尺度不仅决定过程，也决定“可被观测到的过程”。后续章节会反复出现一个方法论原则：不要用超出观测分辨率的信息，去回答更小尺度的确定性问题；更合理的做法往往是将问题转化为概率、阈值与不确定性范围。

可预报性与混沌边界：为什么“失准”并不等于“不可信”

初值误差的指数增长：洛伦兹观点的现代含义

大气是典型的非线性动力系统。即使模式方程完全正确，只要初始条件存在微小误差，随时间也会放大。一个常用的理想化表达是误差增长关系： $$ \epsilon(t)=\epsilon_0 e^{\lambda t}, $$ 其中 $\epsilon_0$ 为初始误差，$\lambda$ 可视为平均李雅普诺夫指数的量级刻画。该式并非精确描述真实大气的每个过程，但它抓住了核心：误差会随时间快速放大。当误差增长到与信号本身同量级时，确定性预报就失去意义，剩下的只有概率意义上的预报。

在业务上，这个边界通常体现为：

• 0–3 天：对大尺度形势的确定性把握较强；
• 3–7 天：不确定性显著增加，路径/强度偏差更常见；
• 7–14 天：需要更多依赖集合预报与概率产品；
• > 14 天：天气尺度的确定性预测通常不再可靠，但并非“什么都不能预测”（例如某些缓变背景态与统计倾向仍可提供信息）。

集合预报：用“多次试验”表达不确定性

为了把初值不确定性显式纳入预测，现代数值天气预报广泛采用集合预报（ensemble prediction）：对初值、模式物理参数或外强迫做扰动，运行多套预报，得到一组可能的未来。集合的离散程度可近似理解为不确定性大小；集合成员的一致性越强，预报信心越高。

对普通读者而言，可以把集合预报类比为“多位医生的会诊”而不是“一个医生的一句话”：并不追求单一答案永远正确，而是给出风险范围与最可能情景。

气候预测/投影：更多是“边界条件问题”

气候研究关心的是统计分布如何在外强迫变化下调整。它更像是：给定温室气体浓度路径、太阳辐射、火山气溶胶情景等，研究系统在统计意义上会趋向怎样的状态。这也是为何：

• 天气预报可能因初值误差而在一周后显著失准；
• 气候评估仍能在几十年尺度上对平均变暖幅度、热浪风险上升、强降水增强的物理方向给出稳定结论。

这里的逻辑差异是全书的一条暗线：短期看初值，长期看强迫；确定性让位于概率与情景。

大气科学的学科谱系：观测、理论、数值模拟与应用如何互相喂养

观测：我们如何“测量天空”

现代气象观测可分为三类互补系统： 1. 地基观测：自动气象站、雨量站、风廓线雷达、探空（气球测风测温湿）。 2. 空基/海基观测：飞机观测、船舶与浮标、海洋剖面浮标（如 Argo）。 3. 天基遥感：极轨与静止气象卫星，提供云、温度廓线、水汽、海表温度等产品。

观测并非简单“读数”，还涉及校准、同化前质量控制、代表性误差等。特别是探空资料在垂直方向的信息密度高，是理解对流潜势与稳定度的关键（见后文“探空曲线”工具箱部分）。

理论：用守恒律与尺度分析把复杂性“压缩”

大气运动遵循质量守恒、动量守恒与能量守恒。在不深入推导的前提下，本书后续将频繁使用的思想包括：

• **压力梯度力驱动风**、**科里奥利力转向**、**摩擦耗散**之间的平衡；
• **静力平衡**在大尺度上通常成立；
• **水汽凝结释放潜热**是对流与台风的重要能量来源。

尺度分析常用一个无量纲数来判断哪类力更重要。例如罗斯贝数： $$ Ro=\frac{U}{fL}, $$ 其中 $U$ 是特征风速，$L$ 是特征尺度，$f$ 为科氏参数。当天气尺度很大、$Ro\ll 1$ 时，科氏力影响显著，大尺度流动更接近地转平衡；而在雷暴这种小尺度强对流中，$Ro$ 往往不小，惯性与浮力过程更突出。这类“先判断主导项”的方法，能帮助读者在信息爆炸时保持清晰的物理直觉。

数值模拟：把方程写进计算机，但必须面对参数化

数值天气预报（NWP）与气候模式（GCM/ESM）都以离散化的流体方程为核心。两者差异更多来自目标与配置：

• NWP更重视短期初值与高频观测同化，追求未来几天的状态预测；
• 气候模式更重视能量收支、水循环与慢过程的长期统计稳定性，常以情景驱动进行长期积分。

由于计算资源有限，很多小尺度过程（云微物理、湍流、辐射与云的相互作用等）无法被直接解析，只能用参数化方案表示其平均效应。这也是预报误差与模式不确定性的主要来源之一：即便初值完美，参数化误差也会积累并影响降水、云量与极端指标。

应用：从“科学结论”到“风险行动”

大气科学的社会价值不止于解释现象，更在于把信息转化为行动：预报服务、防灾减灾、能源调度、航空航海、农业管理、公共卫生热风险预警等。后续章节会多次强调：面向决策的气象信息应当是概率化、场景化和可操作的，而不是仅给出单一数值。

下面用一个简化流程图把现代预报链条串起来，帮助读者建立整体图景：

```mermaid graph TD A[观测: 地面/探空/卫星/雷达] --> B[质量控制与资料同化] B --> C[数值模式: 动力框架+物理参数化] C --> D[集合预报与后处理] D --> E[预报产品: 风雨温度/灾害指数/概率] E --> F[风险沟通: 预警分级与影响预报] F --> G[行动: 调度/避险/加固/应急响应] ```

典型问题：用四个“为什么”把全书线索钉在一起

为什么会有风雨雷电？——能量、环流与水的相变

风来自水平气压梯度，气压梯度又与不均匀加热密切相关：太阳辐射在纬向、下垫面（海陆、植被、城市）与垂直方向的差异加热，驱动环流试图“搬运能量”，而地转效应使风不总是从高压直吹低压。雨则是水汽在上升冷却中凝结成云滴并增长为雨滴的结果；雷电往往与强对流云中冰相与液相粒子碰撞分离电荷有关。

这一链条的核心关键词是：能量收支（辐射与潜热）、环流输送（把热量与水汽搬运到别处）、相变释放潜热（对流与风暴的“燃料”）。在后续章节讨论台风、暴雨与极端热浪时，这三者会以不同组合反复出现。

天气预报为何会“失准”？——不是“算错”，而是“不确定性管理”

预报失准常被理解为“模式不行”或“专家判断失误”。更完整的解释至少包含三层： 1. 初值不完美：观测覆盖有限，尤其海洋、山区与对流尺度；同化只能在统计意义上逼近真实。 2. 模式近似：离散误差与参数化误差不可避免，尤其降水与云过程。 3. 内在可预报性限制：某些形势本身对初值极敏感，例如强对流触发、台风眼墙置换、锋面波生等。

因此，对用户而言更有效的问题是：预报产品是否提供了足够的概率信息与影响信息？例如“未来 24 小时 50 mm 以上降水概率”往往比“明天降水 38 mm”更可用于决策。

极端事件为何增多？——分布尾部对变暖与变率都敏感

在全球变暖背景下，许多地区的极端热事件显著增强；强降水也常随温度上升而增强。一个常用的物理约束来自克劳修斯—克拉佩龙关系：饱和水汽压随温度升高近似按每升高 $1^\circ\text{C}$ 增加约 7% 的量级，从而为更强的水汽输送与潜在降水强度提供“上限”。用简式表达： $$ \frac{1}{e_s}\frac{de_s}{dT}\approx \frac{L_v}{R_v T^2}, $$ 在近地层常温下对应的相对增幅约为若干个百分点每摄氏度。实际强降水的变化还受动力条件（上升运动、风暴路径）影响，因此不同地区、不同类型降水的增幅不完全相同，但“更暖空气可容纳更多水汽”是理解强降水风险上升的基础。

需要强调的是：极端事件的变化来自两部分叠加——长期强迫导致的背景态改变与气候变率导致的自然起伏。例如某年出现破纪录热浪，既可能因为长期变暖抬升了整体温度分布，也可能因为阻塞高压等环流异常造成额外增暖。后续在归因章节中，我们将讨论如何用“概率改变”而非“单一原因”来回答“这次极端事件与气候变化的关系”。

> 读者提示：把“是否由气候变化导致”换成“气候变化让它发生的概率增加了多少”，往往更符合科学可回答的形式，也更贴近风险治理需求。

社会如何把气象信息转化为风险行动？——从“预警”到“影响预报”

仅知道“会下大雨”并不足以减少损失，关键在于：大雨会在哪里、在什么时段、以多大概率超过排水能力？哪些人群与基础设施暴露在风险中？这涉及“灾害风险三要素”：

• **危险度（hazard）**：气象事件本身的强度与概率；
• **暴露度（exposure）**：人口、资产、关键系统是否处在影响区域；
• **脆弱性（vulnerability）**：同等危险度下，系统承受与恢复能力如何。

将气象信息转成行动，需要跨越“科学—管理—公众”三重语言体系：概率、阈值、分级预警、响应预案、公众可理解的行为指引。电子版阅读时建议同时关注各地气象部门发布的预警分级说明与应急部门的响应条款，它们共同构成“可操作性”的最后一公里。[^1]

读者工具箱：符号、常用图、单位与数据来源

基本符号约定：后续章节反复出现的“字母表”

本书将尽量使用国际通行且直观的符号，并在首次出现时解释。常见符号包括：

• 温度：$T$（单位 K 或 $^\circ\text{C}$）
• 气压：$p$（单位 Pa 或 hPa；1 hPa = 100 Pa）
• 密度：$\rho$（kg·m$^{-3}$）
• 风矢量：$\vec{v}=(u,v,w)$，其中 $u$ 为东西向风，$v$ 为南北向风，$w$ 为垂直速度
• 比湿：$q$（kg·kg$^{-1}$），相对湿度：RH（%）
• 位势高度：$Z$（m），常用于等压面天气图
• 位温：$\theta$，用于衡量空气团在绝热过程中的热力属性
• 降水量：$P$（mm），降水强度常用 mm·h$^{-1}$

单位上一个务实建议是：遇到不同资料源单位不一致时，优先把量纲写清楚，再谈数值大小。很多误解来自“把 hPa 当 Pa”或“把日降水当小时降水”的无意错误。

等压线与天气图：看懂“形势”比记住“结论”更重要

业务天气图常见的是海平面气压图、500 hPa 位势高度图等。读图要点包括：

• **等压线/等高线密集处风更大**（可理解为压力梯度更强）。
• **槽与脊**：500 hPa 图上的槽（向赤道凸出）常对应冷空气活动与不稳定增强，脊常对应下沉增温与晴热倾向。
• **锋面附近天气多变**：温度与湿度梯度大，易出现云雨与风向突变。

对普通读者而言，学会识别“高压控制下晴热”“冷锋过境降温大风”“低涡附近持续阴雨”等基本型，往往比追求每次细节更有收益。

探空曲线（Skew-T / 对数气压图）：判断对流潜势的一把尺

探空把温度、露点、风随高度的变化画在同一图上，可用于判断：

• 低层是否湿、是否有逆温盖（抑制对流）
• 不稳定能量是否充足（对流可用位能，CAPE）
• 风随高度的切变是否强（关系到雷暴组织与龙卷风险）

不必一开始就掌握全部指标。入门可抓住两点：温度曲线与露点曲线靠得越近，空气越湿；中低层越不稳定、抬升越容易达到凝结高度，越可能触发强对流。后续在雷暴与强降水章节将把这套工具用到“会下多大雨、会不会短时强降水”的具体判断上。

卫星云图与雷达回波：一个看“云顶”，一个看“降水体”

• **卫星云图**擅长提供大范围云系结构与演变，静止卫星可实现分钟级更新；红外通道常用于估计云顶温度，云顶越冷通常云越高、对流越深（但并非一一对应）。
• **天气雷达**直接探测降水粒子的回波强度（反射率），能识别强降水核、飑线结构与回波顶高；但雷达有地物遮挡、远距离波束抬升等限制。

把两者结合，常能更好理解“云系在哪里发展、降水在哪里落下”。这也是现代临近预报（0–2 小时）的重要信息基础。

数据与产品从哪里来：可公开、可复现的入口

以下是读者常用的权威数据与产品入口（便于电子版直接跳转）：

• 中国气象数据服务与业务产品：`https://data.cma.cn/`（中国气象局数据共享）
• 再分析资料（全球一致的“观测+模式”融合）：ERA5（Copernicus/ECMWF）`https://cds.climate.copernicus.eu/`
• 全球数值预报公开产品：NOAA GFS `https://www.nco.ncep.noaa.gov/`
• 气候变化评估报告：IPCC `https://www.ipcc.ch/`

> 方法提示：如果你在网上看到某张“异常图”，先确认它的基准期（例如 1991