天气系统

破除误解：天气不是随机的，是流体力学的确定演化#

人们常觉得天气"变化无常""老天爷脾气难测"。但天气本质上是一团遵循物理定律的流体——大气的运动由质量、动量、能量守恒方程精确支配，原则上是确定性的。

那为什么还测不准远期天气？因为大气是混沌系统：1963 年气象学家洛伦兹（Edward Lorenz）发现，初始条件极微小的差异会随时间指数放大——这就是著名的"蝴蝶效应"。天气不是随机，而是"对初值敏感的确定性混沌"。这一发现给天气预报划定了根本的可预报上限（约两周），也催生了整个混沌理论。

这里要厘清一对常被混淆的概念：天气与气候。天气是某时某地大气的具体状态（今天会不会下雨），受混沌支配、只能短期预报；气候则是天气在数十年尺度上的统计规律（这个地区夏天通常多雨）。一句广为流传的话点破了二者关系——"气候是你预期的，天气是你实际遇到的"。所以"某天很冷"不能否定气候变暖，正如"今天没堵车"不能说明这条路从不拥堵：混沌让单次天气不可长期预测，但统计规律（气候）却相当稳定可循。

上限来自两件不同的事叠在一起。第一件是确定演化：大气服从守恒方程，给定完整初值，下一步在原则上是定的。第二件是混沌：初值永远测不完，微小误差会指数放大，单线预报因此有期限。洛伦兹 1963 年的贡献是证明了对初值敏感；把这个期限说到大约两周，是后来用更完整的大气模式做误差增长实验后形成的共识，Charney 等人 1966 年的评估是早期表述之一。

洛伦兹 1969 年进一步指出，不同尺度的运动互相供能，小尺度误差会向大尺度串级，所以上限不是某一台计算机算得不够快，而是流体本身的性质。确定演化给出轨迹，混沌给出期限：两者并不互相否定。天气可以按定律一步步走，同时对初值敏感到无法做月尺度的单线预报。气候作为统计仍然可以谈；某一次暴雨的时刻表，则被这个上限拦住。

气压、科里奥利力与风#

风的根源很简单：空气从高压流向低压，试图填平气压差。但地球在自转，让一切变得有趣。

在旋转的地球上，运动的空气会受到科里奥利力（Coriolis force）的偏转——北半球向右偏，南半球向左偏。其大小为：

$$F_c = 2 m\, v\, \Omega \sin\varphi$$

其中 $m$ 是空气质量，$v$ 是风速，$\Omega$ 是地球自转角速度，$\varphi$ 是纬度。注意 $\sin\varphi$：科里奥利力在两极最强、在赤道为零——这就是为什么热带气旋无法在赤道附近生成。

气压梯度力与科里奥利力达成平衡时，风不再直接吹向低压，而是平行于等压线吹（地转风）。这解释了一个常令人困惑的现象：高空的风为什么总是大致沿着等压线、而非垂直穿过它们流动。靠近地面时摩擦力加入，风会略微偏向低压一侧，于是空气得以缓慢地辐合或辐散，驱动天气的生消。两股力量的这场拉锯，造就了两种基本环流：

• 气旋（cyclone）：中心低压。北半球空气逆时针旋入、辐合上升，成云致雨——气旋多伴随阴雨天气。
• 反气旋（anticyclone）：中心高压。空气顺时针旋出、下沉辐散，抑制成云——反气旋多带来晴朗天气。

科里奥利力不是一种新的基本力，而是站在旋转地球上记账时必须加上的惯性力。气压梯度力要把空气从高压推向低压，科里奥利力却把它掰弯；两力接近平衡时，风就沿着等压线吹，这就是地转风。没有这层偏转，空气会直冲低压、迅速填平气压差，地球上将很难维持能转上几天、横跨上千公里的气旋。

赤道附近科里奥利参数趋近于零，所以热带气旋无法在那里组织起来——缺的不是热量，是旋转的本钱。尺度越大、时间越长，这笔惯性账越显眼：家门口的一阵风感觉不到它，一张天气图上的气旋却靠它才能转起来。尺度与机制的展开见 科里奥利效应。

地转平衡是大尺度、中高纬的近似。靠近地面，摩擦力把风略微拽向低压，空气才能辐合上升或辐散下沉，气旋和反气旋才有生消。没有这一点，风永远平行于等压线，天气系统无法把水汽抬上去。科里奥利力负责转弯，摩擦负责让转弯不那么完美——天气发生在那一点不完美里。

锋面：冷暖气团的战场#

不同源地的空气形成性质迥异的气团（冷干、暖湿等）。当两个气团相遇，交界面就是锋（front）——天气最剧烈变化往往就发生在这里。

中纬度的温带气旋正是沿锋面发展起来的：1922 年挪威卑尔根学派提出的"锋面气旋"模型，至今仍是理解中纬度天气的核心框架。一个温带气旋从锋面上的小扰动诞生，逐渐卷起冷暖气团、加深增强，最后冷锋追上暖锋形成锢囚锋而消亡——这套生命周期解释了为什么中纬度的天气总是一波接一波、晴雨交替。这些气旋的能量来自冷暖空气的温度差，本质上是大气在搬运热量、抹平赤道与极地的温差。它们沿着高空急流（jet stream，一条强劲的高空西风带）排队东移，所以中纬度的天气系统总体自西向东推进。

锋面不是地图上的装饰线，而是两种密度不同的气团之间的倾斜界面。冷空气更重，会插入暖空气下方并把它抬升；暖空气更轻，会爬到冷空气背上缓慢滑升。抬升导致膨胀冷却、水汽凝结，所以最剧烈的天气往往发生在锋上，而不是气团内部。界面哪一侧在推进，决定了抬升是缓爬还是被铲起，于是暖锋铺开连续性降水，冷锋更常带来短时强对流。

能量来自冷暖对比，也就是大气在抹平赤道与极地的温差——锋面是这台热机的工作面。理解锋面，是为了看清气团密度差如何强迫抬升、抬升如何释放潜热，而不是为了背下一张天气符号表。卑尔根学派的思想纲领见 威廉·皮叶克尼斯。

锋的界面通常很缓，水平方向铺开很远，垂直方向只抬升不大的高度，暖湿空气因此有足够路径爬升凝结。冷锋移动更快、界面更陡，抬升更猛，所以常见短时强对流，过后又往往迅速转晴。这些差别来自密度差和谁在推进，来自流体本身的结构。

锋面气旋沿着高空急流东移，是因为高空西风带本身就是科里奥利力与气压梯度在更大尺度上的产物。对流可以把局地的潜热送进高空，改变急流的强度与位置，于是一次雷暴群有时会反过来给下游的锋面系统加油。天气系统因此不是彼此无关的零件：科里奥利组织旋转，锋面组织抬升，对流释放燃料，三者在中纬度耦合出一波接一波的晴雨交替。

雷暴与龙卷：对流的极端#

夏日午后的雷暴，源于强烈的对流。地表受热使近地空气变暖、密度变小而剧烈上升。若高空有足够的水汽和不稳定层结，上升气流凝结成高耸的积雨云，释放潜热进一步推动上升，形成强烈对流单体——伴随暴雨、闪电、冰雹。

最强的雷暴是超级单体（supercell），其内部有持续旋转的上升气流（中气旋）。当低层与高层风速、风向差异（风切变）足够大时，水平旋转的气流被上升气流"竖起来"，可能下垂触地形成龙卷（tornado）。龙卷是地表风速最快的现象，最强者风速可超 480 km/h。美国中部的"龙卷走廊"正是因为来自墨西哥湾的暖湿气流与落基山的干冷气流在此频繁交汇、风切变强烈而臭名昭著。

驱动这一切的能量来自水汽凝结时释放的潜热：每千克水汽凝结约释放 250 万焦耳的热量。这正是热带气旋（台风、飓风）成为地球上最强风暴的原因——它们建立在温暖的海面上（海温需高于约 26.5°C），不断从海洋吸取水汽、在中心凝结放热、推动空气上升、再卷入更多潮湿空气，形成一台高效的自我强化的"热机"。这也解释了为什么飓风一旦登陆、切断了温暖海水的供给，就会迅速减弱。从一片乌云到一场超级风暴，背后都是同一笔水汽-潜热的能量账。

对流说的是气块因比周围更轻而上升。近地面受热或水汽凝结释放潜热，气块变得比环境更暖、密度更小，于是加速上升；上升中膨胀变冷，若仍比周围暖，对流就维持下去。雷暴、超级单体、热带气旋，都是同一笔浮力账在不同尺度上的极端：潜热提供燃料，风切变决定能否组织出旋转。

对流要发生，近地面气块被抬升后必须仍然比周围暖。大气常常是条件性不稳定的：气块先得被锋面、山地或热泡抬到某一层，凝结释放潜热之后，才真正获得持续上升的浮力。雷暴因此不是随机装饰，而是能量和抬升条件碰巧叠在一起的结果。潜热数字文中已经给出：每千克水汽凝结约释放 250 万焦耳，这笔账足够把一次积云推成高耸的积雨云。

观测、争议与前沿#

现代天气预报是数值方法的胜利：全球模型把大气切成数百万个网格，从卫星、雷达、探空、地面站同化海量观测，每天求解流体方程数次。预报技巧在过去几十年稳步提升——今天的 5 天预报准确度，已相当于上世纪 80 年代的 3 天。

理查森的纸笔计算失败，并不是因为方程写错了。初值粗糙、网格太粗、计算不稳定，都会让确定的方程走出荒唐的解。后来的数值预报证明：在可预报期限之内，确定演化可以被一步步积分；超出期限，再密的网格也买不回那只蝴蝶。

但混沌设下了硬上限。应对之道是集合预报（ensemble forecasting）：用略有差异的初始条件跑出几十种可能，给出的不是单一答案而是概率（"明天降水概率 70%"）。

集合预报承认的正是这件事：初值不可能完美，于是用一簇略有差异的起点，看它们多久分道扬镳。分得越开，单线预报越不可信，输出就只能是概率。机器学习模型可以在历史样本上跑得更快，但它们学的是已见过的统计结构；气候一旦漂移到训练分布之外，可预报上限并不会因为算法换了就消失。把不确定性写成可决策的分布，见 集合预测与气候决策。

前沿正被机器学习重塑：2023 年以来，谷歌 DeepMind 的 GraphCast 等 AI 模型在多项指标上已能匹敌甚至超越传统物理模型，且运算快上千倍。这引发了一个深刻争论——纯数据驱动的模型在缺乏物理约束时，对极端事件和气候变化下的"未见过"情形是否可靠？物理与 AI 如何结合，是当前大气科学最热的方向。

跨域连接#

• 混沌理论：天气不是随机，而是对初值敏感的确定性混沌——洛伦兹发现初值微差随时间指数放大，给天气预报划下约两周的根本上限。推论：单线预报必然在足够长的时效上失败，诚实的输出只能是概率分布；这正是集合预报用几十条轨迹代替一个答案的原因。
• 全球大气环流：温带气旋的能量来自赤道与极地的温差——天气系统本质是大气搬运热量、抹平温差的执行者，并沿高空急流排队东移。推论：气候态温差改变，天气系统的强度与路径必然重写；风暴带的平均位置是气候信号最先显形的地方之一。
• 卡诺循环与热机：热带气旋是从暖海面取热的热机：海温高于约 26.5°C 提供水汽，凝结潜热推动上升，再卷入更多湿空气自我强化。推论：登陆切断热源供给，风暴必然减弱；海温升高则抬高这台热机的强度上限——强飓风的比例应随暖池扩张而变化。
• 机器学习：机器学习模型在多项指标上已能匹敌甚至超越传统数值预报，且快上千倍——但它们学的是历史数据中的统计结构。推论：对气候漂移后的"未见过"情形与极端尾部，纯数据驱动模型的可靠性必须经分布外检验；物理约束不是可丢弃的包袱，而是外推的护栏。
• 风险与不确定性：概率预报把天气从"猜"变成可定价的风险——农业、能源与保险业据此管理暴露。推论：预报技巧的提升（如今 5 天预报已媲美数十年前的 3 天）应在保险定价与灾害损失中留下可测痕迹；忽视概率信息的决策等于自付可避免的损失。

参考文献#

• Lorenz, E. N. Deterministic Nonperiodic Flow. Journal of the Atmospheric Sciences 20(2), 1963. doi:10.1175/1520-0469(1963)020<0130:DNF>2.0.CO;2
• Bjerknes, J. & Solberg, H. Life Cycle of Cyclones and the Polar Front Theory of Atmospheric Circulation. Geofysiske Publikationer 3(1), 1922.
• Bauer, P., Thorpe, A. & Brunet, G. The Quiet Revolution of Numerical Weather Prediction. Nature 525, 2015. doi:10.1038/nature14956
• Lam, R. et al. Learning Skillful Medium-range Global Weather Forecasting (GraphCast). Science 382(6677), 2023. doi:10.1126/science.adi2336
• Lorenz, E. N. The Predictability of a Flow Which Possesses Many Scales of Motion. Tellus 21(3), 1969. doi:10.1111/j.2153-3490.1969.tb00444.x
• Charney, J. G., Fleagle, R. G., Lally, V. E., Riehl, H. & Wark, D. Q. The Feasibility of a Global Observation and Analysis Experiment. Bulletin of the American Meteorological Society 47(3), 1966.

延伸阅读#

• Wallace, J. M. & Hobbs, P. V. Atmospheric Science: An Introductory Survey. 2nd ed. Academic Press, 2006.（大气科学权威教材）