PNAS|厄尔尼诺预测新突破——基于信息熵理论

Title：Complexity-based approach for El Niño magnitude forecasting before the spring predictability barrier 标题：基于复杂度方法来破除厄尔尼诺强度预报的春季可预报性障碍 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: jingfang@pik-potsdam.de or john@ pik-potsdam.de. 杂志：PNAS January 7, 2020 117 (1) 177-183; DOI： https://doi.org/10.1073/pnas.1917007117[1]

官方解读

标题：北师大系统科学学院陈晓松教授课题组在厄尔尼诺长时间预测领域取得突破进展

厄尔尼诺现象，是赤道中、东太平洋海表温度持续异常升温的周期性气候现象，平均每2-5年发生一次，对全球气候具有重大影响。厄尔尼诺现象会造成全球不同地区的异常温度变化，以及干旱或强降雨等现象。及早并准确地预测厄尔尼诺的发生以及强度，对预防或降低其带来的全球范围内的经济、农业、社会等方面的损失意义重大。

2019年12月24日，由北京师范大学系统科学学院陈晓松教授参与指导的一篇关于厄尔尼诺预测的文章已在线发表在美国科学院院刊PNAS上，首次克服了长久以来困扰厄尔尼诺预测的“春季预测障碍” （即无法在厄尔尼诺发生的那一年的春季或更早给出准确预测），将对厄尔尼诺现象的发生，特别是强度的预测提前一年。

该文作者提出了一套基于信息熵理论的全新的方法——System Sample Entropy——用来计算厄尔尼诺区域（Nino 3.4）近海平面空气或海表温度的复杂度（包括温度随时间变化的无序性以及不同地点温度变化的同步性或相干性）。利用这一方法，作者们发现了Nino 3.4区域温度变化的复杂度与厄尔尼诺现象强度存在着非常强和稳定的线性关系，即一年内（1月1日-12月31日）Nino 3.4区域的温度变化复杂度越大，那么下一年发生的厄尔尼诺事件的强度就越大。基于这一发现，作者们提出了一套基于每年Nino 3.4 区域温度变化复杂度的大小（由该区域 System Sample Entropy 量化）来预测来年厄尔尼诺发生及其强度的方法。该方法目前成功的预测了1984至2019年期间10个厄尔尼诺事件中的9个事件的发生年份，以及24个没有厄尔尼诺现象发生的年份当中的21个，特别是对厄尔尼诺强度预测的平均误差仅为0.23摄氏度。

对于刚刚到来的2020年，基于文中提出的System Sample Entropy的方法，作者们预测厄尔尼诺将有很大概率会在本年下半年再次发生，并发展为一个中等强度甚至高强度的厄尔尼诺事件，其预测强度为1.48±0.25摄氏度。

目前传统的厄尔尼诺预测方法只能在提前6个月范围内给出比较准确的预测，而这对于提前预防厄尔尼诺带来的一系列严重影响是非常局限的。这一新的预测方法，将对厄尔尼诺的预测时间提前到了每年一月。这对于提前采取行动，控制和降低这一现象所带来的一系列全球范围内的消极影响，将意义重大！

此工作由德国波茨坦气候影响研究所（PIK）樊京芳博士作为通讯作者，PIK 的Jürgen Kurths教授，Hans Joachim Schellnhuber教授以及北京师范大学陈晓松教授等参与共同完成。陈晓松教授领导的研究小组多年来一直从事统计物理和复杂系统及相关课题的研究，特别是近年来专注于地球复杂系统的动力学演化及预测。

文章来源：系统科学学院

编辑：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.

图文

References

[1] DOI: https://doi.org/10.1073/pnas.1917007117

[2] 北师大官网新闻: http://news.bnu.edu.cn/zx/xzdt/115101.htm

有任何问题都欢迎交流探讨，共同学习进步！