STABLE：一个开源的大气阻塞和亚热带高压脊检测系统

《Environmental Modelling & Software》：STABLE: An open-source atmospheric blocking and subtropical ridge detection system

亚热带大气脊和阻塞事件（STABLE）算法是一种开源的Python工具，用于跟踪高压系统，区分亚热带大气脊和不同类型的阻塞事件。通过动态调整纬度阈值、极地梯度处理和混合事件分类，算法提升了高压事件的捕捉精度和分类准确性，验证显示其优于原方法，适用于气候变化和极端天气研究。

　　**解读：STABLE算法与大气高压系统识别研究**

在气象学和气候研究领域，识别和追踪大气高压系统及其变化是理解天气模式、气候演变以及极端天气事件发生机制的重要环节。随着对大气动力学和气候变量的研究不断深入，开发一种更加精确、灵活且易于使用的算法显得尤为重要。本文介绍了一种名为STABLE（SubTropical Atmospheric ridge and BLocking Events）的开源Python算法，它专门用于识别和追踪副热带高压脊（Subtropical Ridges, SRs）和大气阻塞事件（Atmospheric Blocking, ABs）。该算法在原有研究基础上进行了改进，引入了可定制的参数设置，提高了结构识别和分类的准确性，并增强了算法的适应性。STABLE不仅能够提供二维的每日空间结构，还能生成结构特征的统计信息，便于进一步分析其在时间和空间上的演变。

### 高压系统与阻塞事件的背景

大气阻塞事件是指那些在中纬度地区持续存在的高压系统，这些系统能够显著改变大气的环流模式，导致天气系统停滞，进而引发极端天气事件，如热浪、寒潮、强降水和暴风雪。这些阻塞事件通常伴随着流场的逆转，使得中纬度的西风带受到干扰，从而影响气候系统的稳定性。副热带高压脊则是一种准定常的高压系统，通常位于副热带地区，对大尺度大气环流、热带与中纬度之间的相互作用，以及高纬度阻塞事件的形成都具有重要影响。

在气象模型中，由于平均流场的偏差、阻塞机制的非线性特征以及不同识别方法的差异，这些结构的识别和分类一直是一个挑战。一些传统方法依赖于简单的1D梯度分析，而其他方法则采用更复杂的2D分析。然而，这些方法在应用时往往缺乏灵活性，难以适应不同分辨率的数据或不同的气候条件。此外，某些研究中对“阻塞”定义的模糊性也增加了识别的难度。因此，开发一种能够更精确识别不同结构类型，并且允许用户自定义参数的算法，是推动这一领域发展的关键。

### STABLE算法的设计与改进

STABLE算法基于Tibaldi和Molteni提出的经典方法，但通过引入多种改进措施，使其在识别结构方面更加精确。首先，该算法采用了基于Z500（500hPa位势高度）的地理梯度分析，以识别阻塞事件的中心位置。具体来说，它计算了每个网格点的纬向梯度（GHGS）和经向梯度（GHGN），并根据这些梯度的符号和大小来判断是否存在阻塞特征。同时，为了更准确地识别副热带高压脊，STABLE引入了一个可变的纬度阈值（LATmin），该阈值会根据不同地区的气候特征进行调整，从而避免了传统方法中固定纬度阈值所导致的不准确。

这一改进使得STABLE在识别副热带高压脊时更加灵活。在某些区域，例如北半球的北美西海岸、欧洲和中亚，LATmin的变化较大，这反映了当地大气环流的季节性和空间异质性。而南半球的副热带高压脊则主要分布在澳大利亚和新西兰以南的海域，且其空间分布更加均匀。此外，STABLE还对极地地区的阻塞事件进行了优化，引入了对极地梯度（GHGN）的计算，使得在极地地区的阻塞识别更加准确。这一方法避免了传统算法在极地区域识别时的不足，即仅考虑纬向梯度，而忽略了经向梯度的影响。

为了进一步提高分类的准确性，STABLE引入了混合型阻塞事件（Hybrid Blocking Events）的识别方法。混合型阻塞事件是指那些在结构上既有副热带特征，又有阻塞特征的系统。通过设置面积阈值（min_struct_area），STABLE能够更准确地区分这些混合型事件。此外，该算法还允许用户选择是否排除极地和副热带的某些结构，以适应不同的研究需求。

### 算法的使用与输出

STABLE算法使用Python编写，并且依赖于一些常见的Python库。用户可以通过GitHub获取该算法的代码，并按照文档中的指导进行安装和使用。该算法的主要输入是Z500数据，用户需要提供一个包含至少15天数据的文件，以便计算每日的结构特征。输出包括三个主要文件：两个CSV文件用于存储结构的每日统计信息和事件统计信息，以及一个NetCDF文件用于存储结构的空间掩膜，标记每个事件的识别索引、局部类型和主导事件类型。

CSV文件中的数据包括日期、结构类型、持续时间、事件识别索引、每日面积、相邻日期之间的重叠面积和位移、中心坐标、最小和最大坐标，以及每日的BI（阻塞指数）和Z500的平均和最大值。事件描述文件则提供了类似的信息，但以事件为单位进行统计。这些数据能够帮助研究人员更全面地了解阻塞事件的时空分布及其对天气和气候的影响。

### 算法的验证与应用

为了验证STABLE算法的有效性，研究者使用了1991年至2020年的再分析数据，对比了STABLE与之前研究（Sousa et al., 2021）的识别结果。结果显示，STABLE在识别副热带高压脊和阻塞事件方面表现良好，能够更准确地捕捉到这些结构，并且保持了与之前研究结果的可比性。同时，STABLE还通过引入可变的纬度阈值和更精细的分类方案，提高了对混合型阻塞事件和极地阻塞事件的识别能力。

在验证过程中，研究者还分析了不同分辨率的数据对识别结果的影响。例如，使用1°×1°和2.5°×2.5°分辨率的Z500数据，STABLE在不同分辨率下均能保持较高的识别一致性，但高分辨率数据能够更精确地捕捉到局部的结构变化。此外，研究者还测试了不同计算平台（Mac、Linux和Windows）对算法性能的影响，结果显示，尽管不同平台的计算能力存在差异，但STABLE在所有平台上均能稳定运行，并且输出结果基本一致。

在应用方面，STABLE能够用于研究不同区域的气候影响。例如，在北半球的欧洲和中亚地区，STABLE能够识别出更多的副热带高压脊，而在南半球的澳大利亚和新西兰地区，其识别结果则更加均匀。此外，STABLE还能够用于分析极地地区的阻塞事件，特别是在东极地区，其识别结果与传统方法相比更加准确，能够捕捉到更完整的环流结构。

### 算法的潜在应用

STABLE的广泛应用潜力在于其灵活性和可定制性。该算法不仅适用于当前的气候研究，还能够用于历史数据的分析和未来气候情景的模拟。例如，研究者可以使用STABLE来分析过去几十年的气候模式，了解阻塞事件的变化趋势，以及它们对极端天气事件的影响。此外，STABLE还可以用于评估气候模型的性能，因为其能够提供关于阻塞事件的详细统计信息，有助于识别模型中的偏差。

在实际应用中，STABLE可以与实时天气预报模型相结合，用于监测和预测阻塞事件的演变。这为气象预警系统提供了有力支持，使得研究人员能够更好地理解阻塞事件对天气和气候的影响。此外，STABLE还能够用于分析不同区域的气候影响，例如在欧洲、亚洲和南半球的某些地区，阻塞事件可能导致不同的天气变化，而STABLE能够捕捉到这些差异，为区域气候研究提供数据支持。

### 研究的局限与展望

尽管STABLE算法在识别和分类高压系统方面表现良好，但其仍然存在一些局限性。例如，某些参数的选择（如面积阈值、重叠阈值）可能受到主观因素的影响，这使得不同研究者在使用该算法时可能会有不同的结果。此外，由于该算法依赖于Z500数据，因此在某些情况下，可能无法全面反映大气阻塞事件的复杂性。然而，STABLE的开放性使得这些参数可以被用户根据具体需求进行调整，从而提高算法的适用性。

未来，STABLE有望被应用于更广泛的气候研究领域。例如，它可以用于分析不同气候情景下的阻塞事件变化，或者用于研究不同区域的气候响应。此外，随着气候模型的不断发展，STABLE可以与这些模型结合，以评估模型在模拟阻塞事件方面的准确性。这不仅有助于提高气候预测的可靠性，还能为政策制定者提供科学依据，以应对气候变化带来的挑战。

总之，STABLE算法为大气高压系统和阻塞事件的识别与研究提供了一种新的方法。其灵活性、可定制性和开放性使其成为气象和气候研究的重要工具。通过不断优化和改进，STABLE有望在未来发挥更大的作用，帮助科学家更深入地理解大气环流的复杂性，并为气候研究和极端天气事件的预测提供支持。