基于概率框架的海洋热浪（MHW）探测：短时序列极端事件识别新方法

《Weather and Climate Extremes》：Making the most of little time: A probabilistic approach to marine heatwave detection

　　

本研究提出了一种用于探测海洋热浪（marine heatwave, MHW）的概率框架。该框架能够从短时间序列中识别极端事件，并在缺乏多年气候基线的情况下，通过贝叶斯参数推断模型估计气候态范围和阈值范围，量化极端事件检测中的不确定性。研究人员将温度时间序列分解为常数平均项、季节性分量和非季节性变率，利用后验样本定义概率气候态范围（probabilistic climatology range, PCR）和概率阈值范围（probabilistic threshold range, PTR），并构建热浪概率得分（heatwave probability score, HPS）以表示每个时间步发生MHW的可能性。研究在四个卫星海表温度（sea surface temperature, SST）站点和一个17年次表层锚系记录上进行了验证。结果表明，即使在仅3年的短序列上，该框架也能使探测到的事件持续时间和累计强度接近基于30年记录的传统方法，同时避免事件碎片化。该概率方法不仅适用于海洋温度极端事件，也可扩展至降水、水质等其他具有季节性结构的环境变量，为跨系统的极端事件检测提供了通用工具。

背景：海洋热浪（marine heatwave, MHW）通常依据30年气候基线和90百分位阈值来识别，传统Hobday等方法需要足够长的连续观测才能建立稳定参考。然而，长期卫星海表温度（sea surface temperature, SST）记录仅覆盖表层，次表层锚系观测往往只有几年且存在缺测，无法满足30年“最优”标准；数值模式又难以刻画局地细尺度变率，导致这些区域缺乏可靠的气候基线。因此，本研究旨在开发一种概率框架，从短时间序列中稳健估计气候基线并检测MHW。

研究人员开发了基于贝叶斯参数推断模型的概率探测方法，将温度时间序列分解为常数平均项、傅里叶季节项和非季节噪声项，使用No-U-Turn Sampler（NUTS）进行后验采样，从而生成概率气候态范围（PCR）和概率阈值范围（PTR），并构造热浪概率得分（HPS）。研究数据来自E.U. Copernicus Marine Service的四个卫星SST区域（日本、澳大利亚西北陆架、西南澳大利亚和英国），以及西南澳大利亚WATR10潜标50 m深度约17年记录。评估技术包括滚动窗口分析、动态时间规整（DTW）相似性度量、弱/强先验敏感性测试、80%预测覆盖率校准，以及与Hobday等（2016）官方海洋热浪包（marineHeatWaves）的比较。结果表明，即使在3年短序列上，概率方法也能使事件持续时间和累计强度接近30年基线，降低事件碎片化，并适用于次表层短而不连续的观测。

结果：（4.1）参数不确定性分析：以西南澳大利亚5年日数据为例，MCMC链收敛良好，后验分布集中；滚动窗口分析显示α、β_k、季节项、σ、μ、PCR和PTR的不确定性随观测记录延长而下降，但预测似然分布的整体散布不随窗口长度减少。（4.2）先验敏感性分析：日分辨率下弱先验与强先验结果几乎相同，周分辨率差异很小，月分辨率在3–7年短子集上表现出明显先验依赖，说明高时间分辨率数据可在短序列下主导后验估计。（4.3）校准测试：日数据的覆盖率误差一般在2%以内，周数据为1.5%–4%，月数据为4.5%–9%，表明高频短序列的统计可靠性更高。（4.4）不同长度序列的模型评估与MHW探测：围绕2010/2011年西南澳大利亚已知MHW事件，对3、5、7、12和30年子集进行比较，传统Hobday方法在短子集上会抬高基线和阈值，导致事件碎片化并低估强度；概率方法在所有子集上均识别出与30年基线一致的主要事件，持续时间和累计强度更接近完整记录。（4.5）跨站点综合：概率方法通常识别出更少但更长的事件，其强度不确定性区间（1st–99th百分位）几乎总能覆盖Hobday方法基于30年基线得到的强度值；日本、西南澳大利亚及50 m潜标站点的3–7年窗口比长期均值偏暖，为解读短序列衍生的强度指标提供了背景参考。

讨论与结论：后验诊断证实模型参数可分离且收敛良好。高斯观测模型仅用于描述背景温度变率，而非极端事件的尾部行为，故极端异常不会被视作普通噪声；模型故意排除自回归（如AR(1)）记忆项，以避免长时间极端事件被“漂白”而掩盖待检测的MHW信号。先验敏感性表明，当日/周数据足够密集时，参数估计由数据主导，但稀疏月数据需要更长的记录才能达到同等稳定。不确定性分析指出，PCR/PTR的分位数估计随样本量增大更精确，但逐日预测的固有变率不会因记录变长而减少。与短序列Hobday方法相比，概率方法能够减少事件碎片化，对次表层缺测较多的锚系记录（如WATR10）更为稳健。研究人员还强调，若短序列处于系统性偏暖或偏冷气候状态，固定HPS阈值和百分位可能造成事件强度或频率的误判，因此需结合区域气候背景（如ENSO相位、海洋热含量异常）对检测结果进行诊断。

结论方面，该贝叶斯参数推断方法能可靠表征主要MHW特征，即使气候态仅由3年数据估计，事件持续时间和累计强度仍接近30年Hobday基线；PTR与90百分位阈值的偏差很小。17年次表层记录的应用表明，该方法对短而不连续观测具有较强稳健性。检测可靠性依赖于数据时间分辨率：高频日/周数据可支持短期窗口，低频月数据则需要更长期基线。概率框架提供的强度不确定性区间有助于生态影响评估和风险判断，并允许使用者根据气候背景透明地调整检测阈值、事件合并规则以及可选的长期趋势项。总体而言，该框架弥合了有限观测记录与物理可解释极端事件表征之间的空白，并具备推广至降水、水质等其他季节性环境变量极端事件检测的潜力。