العاصفة القطبية في طبقات الغلاف الجوي تدفئ القطب الشمالي: ارتباط انبعاث غير متوقع

في منطقة متعددة الكيلومترات فوق دائرة الع極地，一股强大的平流层极地涡旋与北极表面温度降低相关。较少的云层意味着较少的热量被地面附近捕获，因为云层像一层隔热毯一样反射部分红外辐射回地面。相反，较弱和紊乱的涡旋有利于增加云量，这导致热量被捕获并增加地表的变暖。这种辐射机制不仅补充了已知的动力效应，有时还会放大它们。

الإشعاع: ميكانيزم حيوي لطقس القطب

لفهم هذا الميكانيزم، يجب التعمق في الفيزياء الجوية. عندما يكون تيار الهواء القطبي في طبقات الجو العليا قوياً ومستقراً، يميل إلى北极，强大的平流层极地涡旋倾向于隔离极地空气团，从而在下方创造一个更稳定的气氛。这种稳定性抑制了云的形成和从较低纬度向北极输送湿度。较少的云层意味着地面发出的红外辐射更容易逃逸到太空中，从而冷却地表。这就是所谓的长波向下辐射：辐射越少，地表冷却得越快。

相反，较弱或紊乱的极地涡旋（通常与“突然平流层变暖”相关）允许空气混合更多。来自中纬度的较暖和潮湿的空气可以上升到北极，扰乱大气并促进云的形成。这些云像一层“盖子”，吸收地面发出的红外辐射并部分重新发射回地面，增加了长波向下辐射并加热地表。这是一个复杂的相互作用，在其中大气循环、热力学和辐射传输交织在一起。卫星数据对于观察这些云覆盖变化和辐射平衡的变化至关重要。

这对天气和气候预测意味着什么

这一发现对大气建模有重大影响。迄今为止，许多预测模型可能低估了这种辐射途径在平流层-对流层-地表连接中的重要性。通过更准确地整合这一机制，模型在季节甚至跨年度时间尺度上预测北极地表条件的能力可能会显著提高。这不仅涉及传统的天气预报数值模型，如欧洲中期天气预报中心（ECMWF）使用的模型，也涉及基于人工智能的新方法。

使用神经网络吸收大量大气数据的机器学习模型，如谷歌DeepMind的GraphCast或华为的Pangu-Weather，可以从这种更好的物理理解中受益。即使这些模型在识别复杂模式方面表现出色，对潜在物理过程的更准确表示可以帮助它们更好地泛化并减少预测不确定性，尤其是对于像平流层相互作用这样的非线性现象。更准确地预测北极云覆盖和辐射平衡的能力对于预测该地区的寒冷或炎热波动及其可能对该地区的影响至关重要。