集合预测、不确定性与气候决策

不确定不等于什么都不知道#

气候风险讨论里最常见的误解是：模型有不确定性，所以不能指导行动。这把不确定性误解成无知。实际上，决策往往正是在不确定下发生：城市要决定排水标准，医院要决定热浪床位，海岸社区要决定何时升级防护，政府要决定长期基础设施预算。科学问题不是“能否消除不确定性”，而是识别它来自哪里、哪些选择在多种未来下仍有价值、哪些决策应保留调整空间。

集合预测正是把单一答案改写成一组可能演化的工具。它不承诺预报某个确定未来，而是刻画在给定信息和模型条件下，哪些结果更可能、哪些风险尾部不能忽略。城市排水、医院床位、海岸防护之所以能被公开比较，不是因为未来被算成了一条线，而是因为不同行动在那一组可能演化里的失败方式可以被摊开。把“再等一个确定答案”当成唯一理性，往往会把可逆的准备拖成不可逆的暴露。

为什么要运行很多次#

地球系统是混沌系统。即使外部强迫完全相同，极小的初始状态差异也会使天气轨迹分开，进而影响几年到几十年的区域变化。同一模型从略有不同初始条件出发反复运行，得到的是初始条件集合。它帮助区分外部强迫造成的长期信号与内部变率造成的短期起伏。不同研究中心使用不同模型，则形成多模式集合。它不等于随机抽样的“模型民意调查”，因为模型会共享代码、数据和假设；但模型间差异能暴露云、海洋、陆面和冰盖过程的结构不确定性。

再叠加不同排放、土地利用和社会经济路径，就得到情景不确定性。到本世纪后半叶，人类选择往往比内部变率更决定风险范围。霍金斯与萨顿把这三类来源拆开后发现，它们的相对权重随时间尺度、空间尺度和变量而变：未来十年的区域温度，内部变率与模型差异常常压过排放情景；全球均温到世纪末，情景分叉才显著拉开。降水更难收窄——许多区域直到几十年后，内部变率和模型结构仍主导区间。

厄尔尼诺–南方涛动这类内部模态，会在增暖趋势上叠出几年的冷暖干湿起伏。同一套排放路径下，某个十年的区域降水仍可能暂时偏离长期信号。集合的任务之一，正是让这种起伏显形，而不是把它误读成趋势已经掉头。

多模式集合来自各中心按共同实验协议提交的运行。它暴露的是结构差异，不是彼此独立的投票。共享参数化、观测约束和分辨率上限会让模型彼此相关，把离散度直接当成真实误差条，会高估独立性。

三类不确定性，三种管理方式#

内部变率意味着短期区域趋势可能暂时偏离长期增暖。对未来十年降水或飓风路径，不能把长期信号直接翻译为某年结果。即便模型和排放路径都给定，混沌仍会留下一个无法靠“再观测一次今天”而收成一条线的锥。管理它的办法，是用足够长的窗口、足够多的成员来看分布，而不是把某一次冷十年写成增暖已经结束。

模型不确定性意味着过程理解和分辨率有限。云反馈、冰盖动态、陆面蒸散和气溶胶，都会让不同模式对同一强迫给出不同响应。它提示研究者改进观测、诊断过程和比较模型，而不是用集合平均掩盖差异。平均图可能从未在任何一次模拟中出现过；把离散度藏起来，决策者会误以为“科学已经收敛”。

情景不确定性来自政策、技术、经济和行为。它不是自然界的误差条，而是社会选择空间。共享社会经济路径描述的是人口、能源、土地利用如何组合，不是气候系统自己抽签。管理它的办法，是比较不同选择下的后果，并保留在新信息到来时改道的能力，而不是等待哪一条路径被“证实为最可能”。

把三者混成一条宽区间，会让行动者无法知道该投资更多观测、改进模型，还是改变排放与土地政策。近十年的区域工程更该正视内部变率与模型结构，跨世代的锁定更该正视排放路径。一张扇形图代替不了这种治理分工。

概率预报如何被校准#

一个说“降雨概率 70%”的系统，长期看在类似条件下约七成事件应当发生，这叫校准。只报告命中率不够，因为罕见事件中“永远预测不发生”也可能很高分。集合预报需要检验可靠性、分辨率、尖锐度和偏差。可靠性看概率是否与频率一致；分辨率看预报能否区分不同风险情形；尖锐度看它是否给出有用而不虚假的信息。

墨菲把“好预报”拆成三类对应：判断与所报概率一致、预报与观测一致、以及使用者因预报而真正减少损失。尖锐但未校准的概率，是把自信当成信息；永远报中间值，则可能校准好看却没有分辨率。气候投影也需要过程检验和历史回报测试。模型能否再现温度、降水、海冰、环流与极端统计的多个独立特征，比“是否完美复制某一年”更有意义。

校准说的是诚实对照频率，不是把数字往观测上靠、好让报表更好看。适当的评分规则会同时惩罚过分自信和故意含糊，激励报出自己真正相信的概率，而不是事后挑选成员或改写阈值来“做准”。气候投影没有 2100 年的对表日，更不能靠调参去贴二十世纪的温度曲线就算过关。过拟合历史，不等于下个世纪的能量收支、温室效应和水循环经得起独立现象检验。

情景不是概率排序#

共享社会经济路径描述的是一组假设下的条件演化，不是未来按概率从高到低排列的赌盘。把高排放情景写成“最可能未来”，或把低排放情景写成“保证未来”，都会混淆科学与政治。情景的用途是比较后果：如果排放和发展走向不同，风险、适应需求和不可逆性如何变化。决策者可以结合本地政策、能源规划和财政约束，为情景赋予工作概率；但这一步属于决策分析，应公开价值判断和信息来源。

代表性浓度路径给出的是辐射强迫轨迹，社会经济路径给出的是人口、技术与土地如何走到那条强迫。它们是“如果……则……”的实验室设计，不是对二十一世纪投出的频率。评估报告通常不为哪一条共享路径指定发生概率，正是为了避免把研究设计误写成赌盘。本地规划若必须加权，应写明权重来自政策承诺、投资惯性还是价值选择，而不能把权重伪装成气候学测得的频率。

把情景当成可以挑选的答案，会诱使项目只展示对自己有利的那一条。诚实的用法相反：先固定一组覆盖合理两端的路径，再问同一项工程在这些路径下如何失败。气候建模回答的是给定强迫下系统如何响应；哪一种强迫会实现，仍是社会选择。科学能约束物理后果，不能代替那一步政治判断。

从预测最优到稳健决策#

有些决策可以等待更多信息，例如某项可分阶段升级的海堤；有些决策具有长寿命和锁定效应，例如新建医院、轨道、供水系统和沿海开发。在深度不确定下，稳健决策不寻找单一最优未来，而比较方案在多种合理未来下的失败方式。它会问：哪些措施几乎所有情景都受益？哪些阈值一旦触发就应升级？哪些不可逆投资值得推迟？

早期预警、建筑隔热、数据共享、恢复湿地、减少易涝区新增暴露，常具有“低后悔”特征；巨额硬工程则更需要审查维护成本、分配影响与路径锁定。稳健性检验的是遗憾和崩溃，而不是只比较某一“最可能世界”里的期望值。若一项设计只在集合平均附近才安全，它通常比能在宽锥里改道的方案更脆。

低后悔措施并不是“什么都不选”。它们是在几乎所有合理未来里都减少伤害、且不把社区锁死的前置投资。把某个排放情景当成已经开奖的未来，再按那一条线做最优设计，会把模型的工作假设写成混凝土。

深度不确定下更该比较失败方式的分布：谁被淹、谁付维修、谁失去搬迁时间。数字再漂亮，若只对一条轨迹成立，就不能冒充已经完成了气候决策。

触发点与适应路径#

动态适应路径把长期规划分成可观察的触发点与可调整步骤。例如海平面达到某区间、年均淹没次数超过阈值、排水系统维护成本持续上升时，启动升级泵站、限制开发或讨论搬迁。

触发点不是自动驾驶仪。它必须明确由谁监测、谁宣布、谁出资、谁承担过渡成本。若没有土地、产权、补偿和参与机制，“到阈值就搬迁”只是把政治冲突延后。路径方法的价值在于承认今天不能知道全部未来，却仍能避免把社区锁进无法调整的选择。

海平面适应路径把同一逻辑落到海岸：今天不必选定世纪后的最终岸线，但必须规定观测指标、宣布程序和资金来源。触发点一旦被写成无法核验的口号，路径图就只是一张推迟冲突的海报。

预警系统是社会系统#

气象机构可以预报高温、强降雨或风暴潮，但预警只有在被接收、理解、相信并能转化为行动时才减少风险。有效预警要连接危险阈值、影响阈值、脆弱人群名单、交通、医疗、避难和风险沟通。对热浪而言，单纯发布温度数字不如结合夜间高温、湿度、停电风险与社区照护。预警还要避免“警报疲劳”。过多无影响警报会降低信任，过高阈值又会错过早期伤害。阈值设计应使用本地健康、行为和服务能力数据，而非直接复制别处标准。

预警的目标是减少伤害，不是让发布机构的命中率更好看。把阈值调到很少空报，或只对外发布集合里最温和的成员，都会把校准偷换成宣传。复合气候风险尤其不能只看单一气象量：热浪碰上停电，同一套概率会对应完全不同的后果。

不确定性的公平分配#

不确定性并不平均落在所有人身上。富裕机构可以购买保险、备用设备和咨询服务，低收入社区却可能被要求在证据“不够确定”时继续承受暴露。因此，决策不能把高置信度设成保护生命的唯一门槛。面对潜在的严重且不可逆伤害，预防原则、权利和公平可以正当地提高行动优先级。

另一方面，也不能用不确定性为任何项目背书。适应投资应公开谁受益、谁付费、哪些群体被遗漏，以及方案在不同情景下的失败风险。要求受害者等待“集合收敛”再得到保护，等于把内部变率和模型分歧转嫁给最少资源的人。公平分配不确定性，首先是承认谁付得起等待、谁付不起。

如何阅读一张集合图#

先确认图中每条线代表什么：不同初始条件、不同模型，还是不同情景。再看时间尺度。十年内的区域变化可能主要受内部变率影响，世纪末差异可能主要来自排放路径。

第三，避免把集合平均当作“最可能的真实轨迹”。平均图可能从未在任何一次模拟中发生过。最后，问决策是否真的需要精确数字。若某方案只在一个狭窄数值下有效，它通常比能在宽风险范围中调整的方案更脆弱。

同一张扇形图也不能混读变量。全球均温的情景分叉，和某个流域夏季降水的成员散点，服从不同的主导不确定性。前者到世纪末常被排放路径拉开，后者可能长期被内部变率和模型差异淹没。把十年变率读成世纪信号，或把情景带宽读成明年降雨的误差条，都会把三类来源重新揉回一条无用的宽带子。

跨域连接#

• 风险与不确定性：气候决策的典型处境是可计算的风险与不可消除的不确定性并存。稳健决策不押注单一最优未来，而比较方案在多种合理未来下的失败方式。推论：在几乎所有情景下都受益的"低后悔"措施，应先于不可逆的重资产投资——失败方式的分布比期望值更该进入决策。
• 统计学：概率预报必须接受校准检验："降雨概率 70%"意味着长期看类似条件下约七成兑现。可靠性、分辨率与尖锐度是三个独立维度；推论：永远报"不发生"也能拿到高命中率，所以命中率不能评价罕见事件预报——只报命中率的宣传都在误导。
• 混沌理论：初始条件集合的存在理由就是混沌：初值微差被指数放大，内部变率无法靠更精细的观测消除。但集合把不可预报的单条轨迹转化为可预报的概率分布；推论：未来十年的区域趋势可能偏离长期增暖信号，把单次轨迹当作趋势，是读错了集合的语言。
• 气候建模：多模式集合不是"模型民意调查"——模型共享代码、数据与假设，模型间差异不等于独立抽样。推论：集合平均可能从未在任何一次模拟中出现过，把平均图当作"最可能的真实轨迹"，是对集合的系统性误读。
• 公共卫生：预警是社会系统而非气象产品：概率只有被接收、理解、相信并转化为行动时才减少死亡。推论：存在可检验的"警报疲劳"——过多无影响警报会降低响应率，阈值设计必须同时优化漏报与虚警，而非只优化气象准确度。

为什么这关乎决策#

不确定性最危险的用法，是把它变成拖延的修辞。集合预测提醒我们，未来不是一条线；稳健决策则要求我们在多条合理路径上守住安全、尊严和调整能力。对长期基础设施而言，这往往比押注一个“最准确预测”更诚实，也更负责。把三类来源分开，才谈得上在不确定下做决定，而不是在一张扇形图前继续等待。

参考文献#

1. IPCC. (2021). Climate Change 2021: The Physical Science Basis, Chapters 10-12.
2. National Academies of Sciences, Engineering, and Medicine. (2016). Next Generation Earth System Prediction: Strategies for Subseasonal to Seasonal Forecasts.
3. Haasnoot, M., et al. (2013). Dynamic adaptive policy pathways. Global Environmental Change, 23(2), 485-498. DOI: 10.1016/j.gloenvcha.2012.12.006.
4. Wilby, R. L., & Dessai, S. (2010). Robust adaptation to climate change. Weather, 65(7), 180-185. DOI: 10.1002/wea.543.
5. Hawkins, E., & Sutton, R. (2009). The potential to narrow uncertainty in regional climate predictions. Bulletin of the American Meteorological Society, 90(8), 1095-1107. DOI: 10.1175/2009BAMS2607.1.
6. Murphy, A. H. (1993). What is a good forecast? An essay on the nature of goodness in weather forecasting. Weather and Forecasting, 8(2), 281-293. DOI: 10.1175/1520-0434(1993)008<0281:WIAGFA>2.0.CO;2.
7. Riahi, K., et al. (2017). The Shared Socioeconomic Pathways and their energy, land use, and greenhouse gas emissions implications: An overview. Global Environmental Change, 42, 153-168. DOI: 10.1016/j.gloenvcha.2016.05.009.

延伸阅读#

1. WMO. Guidelines on Multi-hazard Impact-based Forecast and Warning Services.
2. Lempert, R. J. (2019). Robust decision making. In Decision Making under Deep Uncertainty.