数据驱动的转移路径分析在理想化模型中实现对突然平流层增温事件的统计理解

大气环流 regime 转移作为极端天气事件的驱动因素具有高度影响，但带来两个艰巨的建模挑战：预测下一次事件（天气预报），以及刻画给定严重程度事件的统计特征（风险气候学）。每个事件具有不同的持续时间和空间结构，难以定义客观的“平均事件”。我们在此论证转移路径理论（TPT）——一种随机过程框架——是适用于该任务的工具。我们在一个由 Holton 和 Mass（1976）发展的突然平流层增温（SSWs）波-平均流模型上展示了 TPT 的能力，该模型足够理想化以进行透明的 TPT 分析，又足够复杂以展示计算可扩展性。近期一篇文章（Finkel 等 2021）研究了近期 SSW 可预测性，本文则使用 TPT 将可预测性与长期 SSW 频率联系起来。这不仅需要从初始条件向前预报，还需向后回溯时间以评估初始条件本身的概率。TPT 使人能以 regime 转移发生为条件约束动力学，从而用称为反应流的矢量场可视化其物理驱动因素。反应流显示，在 SSW 之前，耗散与随机强迫驱动低海拔涡旋强度的缓慢衰减。高层风的响应是迟滞且突发的，仅从概率角度看转移几乎完成后才发生。该案例研究表明，在具有物理意义变量的空间中可视化的 TPT 量，可帮助理解 regime 转移的动力学。