气候建模

破除误解：气候模型不是天气预报拉长到一百年#

最常见的误解是：“天气预报十天后都不准，气候模型怎么能算到 2100 年？”这把天气和气候混为一谈。天气是具体初始状态的演化。气候是长期统计性质：均温、降水分布、极端事件概率、海冰范围、环流格局。

你很难预测一年后某天的北京气温，但可以相当可靠地预测北京一月比七月冷。气候模型关注的是这种统计结构在外部强迫改变下如何变化，它不需要知道 2080 年 7 月 3 日下午三点哪朵云在哪里。

它需要知道在温室气体、气溶胶、土地利用和太阳辐射等条件下，地球系统的能量、水汽和动量如何重新分配。所以气候建模不是“长天气预报”，而是“受守恒定律约束的长期统计实验”。

从 GCM 到 ESM：模型里有什么#

早期核心是大气环流模式（general circulation model, GCM）。GCM 把地球大气分成三维网格，在每个格点上求解流体运动、热力学和水汽过程。基本方程来自牛顿力学、质量守恒、能量守恒和状态方程。

在海洋中，模型同样计算洋流、温度、盐度和混合。当大气、海洋、陆面和海冰耦合起来，就形成耦合气候模型（常称 AOGCM）。GCM 回答的是物理气候：给定大气成分和边界条件，环流与能量收支如何重排。

二氧化碳浓度在许多 GCM 实验里是外部给定的，而不是从排放量算出来的。因此它可以很好地做“CO₂ 加倍”这类强迫实验，却算不出人类排进系统的碳有多少会留在空气里。现代模型进一步发展为地球系统模式（Earth system model, ESM），正是为了补上这一层。

ESM 不只算物理气候，还加入碳循环、植被、海洋生物地球化学、气溶胶化学和部分冰盖过程。大气 CO₂ 不再是一个外部按钮：海洋会吸收 CO₂，森林会吸收或释放 CO₂，冻土变暖可能释放碳，火灾和土地利用会改变植被。

气候响应和碳循环彼此反馈，必须放进同一个系统里理解。剩余碳预算、土地碳汇会不会饱和，都依赖 ESM 这一层，而不是把 GCM 的温度场事后乘一个固定比例。GCM 与 ESM 也不是新旧替换：评估报告常同时使用两者，只是问题不同。

CMIP 里还要区分浓度驱动和排放驱动。浓度驱动把大气 CO₂ 写成时间序列，GCM 也能跑；排放驱动则让 ESM 自己算碳汇，空气里剩下多少碳由海洋和陆地当场决定。同一份排放清单，碳循环偏强的模式会给出更低的浓度和更弱的升温，这正是为什么剩余碳预算不能从 GCM 的温度场事后换算。

网格、参数化与“看不见的小过程”#

模型无法直接模拟每一滴云水、每一个湍流涡旋和每片森林叶子。全球模型的网格尺度通常是几十到上百公里。但云滴、边界层湍流、对流暴雨和气溶胶微物理发生在更小尺度。

这些不能被直接解析的过程，需要用参数化（parameterization）表示。参数化不是“随便调参”。它是把小尺度过程对大尺度格点的平均影响，用观测、理论和高分辨率模拟约束起来。

例如，一个网格格点里不可能显式画出每朵积云。模型需要估计在给定温度、湿度和不稳定条件下，对流会如何释放潜热、形成降水、改变垂直混合。云参数化是气候模型最大的不确定性来源之一。

云既能反射太阳短波辐射，也能吸收并再发射地球长波辐射。低云通常有冷却作用，高云常有增暖作用。云量、高度、相态和粒径的微小变化，都可能影响气候敏感度。

参数化之外还有调参（tuning）。模式必须大致守住大气顶的能量平衡，并在可接受范围内再现二十世纪的全球变暖——这不等于伪造结果，但意味着历史拟合有一部分是被约束出来的，不能单独当作完全独立的验证。

分辨率提高到公里级，可以显式模拟一部分深对流，却消不掉云滴尺度的微物理和气溶胶过程。所以“网格更细就不再需要参数化”是误解。真正减少自由度的办法，是用观测把参数化方案钉死，而不是幻想网格会替你把物理做完。

辐射传输本身也是参数化。模式用离散波段和双流近似去积分吸收谱，而不是把每一条分子谱线在全球网格上算一遍。RFMIP 的一项用途，就是让各模式在相同气体浓度下比较自己算出的强迫，先把这笔账对齐。

辐射强迫：给地球能量账本加一笔#

气候变化的核心量之一是辐射强迫（radiative forcing）。它表示某种因素改变地球能量收支的强度，常以 W/m² 为单位。温室气体增加，使地球向太空释放长波辐射更困难，形成正强迫。

硫酸盐气溶胶反射太阳光，通常形成负强迫。黑碳沉降在雪冰上会降低反照率，可能形成局地增暖。IPCC 第六次评估报告使用有效辐射强迫（effective radiative forcing, ERF）来综合快速大气调整，这个概念比旧式瞬时强迫更贴近实际气候响应。

强迫是账本的第一笔，反馈是随后的连锁。水汽增加、海冰减少和云的调整会放大或减弱最初的能量失衡，它们不是强迫本身。IPCC AR6 评估，1750–2019 年人为有效辐射强迫约为 2.72 W/m²（5%–95% 区间约 1.96–3.48），其中二氧化碳约 2.16 W/m²，气溶胶约为 −1.1 W/m²。

强迫告诉你账本先被改了多少，敏感度告诉你温度最后会走多远。IPCC 同时评估这两笔，是因为政策辩论里常有人把“强迫不确定”和“响应不确定”混成一句“模型不准”。

模型不是只把 CO₂ 翻倍然后看温度。它还要处理甲烷、氧化亚氮、臭氧、气溶胶、土地利用、火山喷发和太阳变化。不同强迫的空间分布不同，气候响应也不同。

同样是 1 W/m²，热带海洋上空和北半球大陆上空的影响并不完全等价。CO₂ 大约加倍对应的有效辐射强迫约为 4 W/m² 量级（AR6 对瞬时加倍后的有效强迫评估接近 3.9 W/m²）。平衡气候敏感度把这笔强迫除以系统最终能重新平衡的反馈强度，云反馈的符号和大小不定，敏感度区间才拉得这么宽。

集合模拟：为什么要跑很多次#

单次模型运行像一次实验。但气候系统有内部变率：厄尔尼诺、年代际振荡、火山之后的恢复、海洋热含量缓慢变化。因此科学家会跑集合模拟（ensemble simulation）。

同一个模型用略微不同的初始条件跑多次，可以估计内部变率。不同模型中心的模型共同运行，则能估计结构不确定性。改变排放路径或社会经济情景，则能估计人为选择带来的情景不确定性。

CMIP，也就是耦合模式比较计划（Coupled Model Intercomparison Project），正是为这种比较而建立。CMIP6 为 IPCC AR6 提供了重要模型基础。它不是一台模型，而是一套国际协议：各研究组按共同实验设计运行模型，输出可比较的数据。

共同实验包括工业化前控制、历史强迫、一年增加百分之一 CO₂，以及瞬时四倍 CO₂ 等“牌组”设计。它们的目的是把模式的敏感度、历史再现能力和内部变率放到同一把尺子上。这种标准化让科学家能回答：“哪些结论跨模型稳健？哪些只出现在少数模型中？”

辐射强迫模式比较计划（RFMIP）则把强迫从反馈里拆出来单独比较。没有这种实验，敏感度偏高究竟是强迫算错了还是云反馈过强，会缠成一团。IPCC 要的是可分解的比较，而不是一张“最可能地球”的平均图。

IPCC 如何使用模型#

IPCC 并不把模型输出当作神谕。评估报告会综合多条证据：观测记录、古气候证据、过程理解、简单能量平衡模型、复杂 GCM/ESM 和统计归因研究。

例如，对历史变暖的归因不只来自模型拟合。它还依赖温室气体光谱物理、海洋热含量增加、平流层降温、空间变暖格局和自然强迫不足以解释观测等证据。

IPCC 自己并不运行气候模型。它评估各中心按 CMIP 协议提交的结果，再用观测约束去加权或筛选。AR6 没有把 CMIP6 的简单平均写成官方升温区间，因为一部分模式给出偏高的气候敏感度；评估使用了模式加权和简易模拟器，并沿用校准过的概率用语——likely 表示至少约三分之二的可能性。

这是在用模型，而不是让模型一人一票。真正的科学信心来自两点：模型能再现许多独立观测特征；不同证据链指向相似结论。

检测与归因还把“指纹”用到观测场上。温室气体增暖应伴随平流层降温，这与太阳活动增强的指纹不同。模式被用来生成这些指纹，观测则用来检验哪一种强迫组合才能再现二十世纪的空间型。

AR6 对历史有效辐射强迫的不确定性也采用概率框架，用大规模集合去采样区间，而不是假装已经精确到小数点后两位。承认不确定性，本身就是评估的一部分。

平衡敏感度问的是海洋充分混合之后的升温；瞬时气候响应（TCR）看的是 CO₂ 一年增百分之一、达到加倍那一刻的升温，通常更低。IPCC 评估本世纪升温时两条都用，因为政策相关的是几十年到一百年，不是两千年后的平衡态。

不确定性从哪里来#

气候模型有三类主要不确定性。第一是内部变率：即使外部强迫相同，气候系统也会自己起伏，未来十几年区域降水变化尤其容易受其影响。

第二是模型结构不确定性。云、气溶胶、海洋混合、冰盖动力学和植被反馈的表达不同，会导致结果差异。第三是情景不确定性，来源不是方程，而是人类选哪一条排放路径。

未来排放取决于能源、技术、政策、人口和经济路径。到本世纪末，情景差异往往比模型差异更大。这意味着气候模型不是在说“命运已经写好”，它是在量化不同选择的物理后果。

争议、限制与前沿#

气候模型最受争议的问题之一是气候敏感度（climate sensitivity）。它通常指 CO₂ 加倍后全球平均地表温度的长期平衡升温。CMIP6 中一些模型给出偏高敏感度，引发了对云反馈和模型权重的讨论。

IPCC AR6 把平衡气候敏感度的 likely 范围收窄到约 2.5–4.0°C，最佳估计约 3°C。这来自仪器记录、过程理解和古气候等多条证据链，而不是 CMIP6 的算术平均。第二个限制是区域尺度：全球平均温度比较稳健，某个流域未来降水、极端暴雨和干旱变化更难。

这不是模型无用，而是问题更细、噪声更强、地形和土地利用影响更复杂。“热模式”问题的核心也不是造假，而是低云反馈在一部分新一代模式里变得更正。AR6 选择评估而非一人一票，等于承认：不是每一台 ESM 对全球均温都有同等投票权。

第三个前沿是高分辨率与人工智能。公里级模型能显式模拟部分对流过程，但计算成本巨大。机器学习可帮助参数化、偏差订正和快速替代模型。但 AI 不能绕开物理守恒：一个漂亮的预测若不守能量和质量，最终会在地球系统问题上失真。

跨域连接#

• 机器学习：机器学习正进入参数化、偏差订正与快速替代模型，但它绕不开物理守恒——一个不守能量与质量的漂亮预测，在地球系统问题上必然失真。推论：AI 模型的检验标准应包含守恒律违背程度与分布外表现，而不只是对历史资料的拟合精度。
• 蒙特卡洛方法：集合模拟是采样思想的化身：扰动初始条件估计内部变率，比较多模式估计结构不确定性，更换情景估计人为选择的不确定性。推论：三类不确定性可被分开归因——把它们混成一条宽区间，行动者就不知道该投资观测、改进模型还是改变排放。
• 温室效应：辐射强迫以瓦每平方米为单位，是把分子吸收谱翻译成全球能量账的公共货币——模型与观测在这个单位下对话。推论：模型的可信度不靠拟合全球平均温度一条曲线，而靠同时再现平流层冷却、海洋热含量等多个相互独立的指纹。
• 混沌理论："天气预报十天都不准，气候怎能算到世纪末"混淆了两件事：混沌限制单条轨迹的可预报性，却不限制统计性质。推论：你无法预言几十年后某朵云的位置，却能可靠预言一月比七月冷——气候模型做的是受守恒律约束的统计实验，不是拉长的天气预报。
• 气候经济学与碳定价：世纪末的不确定性主要来自情景而非模型——排放路径取决于能源、政策与经济选择。推论：模型输出进入碳定价与风险评估时，给各情景赋予的权重是价值判断而非科学结论；把高排放情景标成"最可能未来"，是混淆科学与政治。

参考文献#

• IPCC. Climate Change 2021: The Physical Science Basis. Cambridge University Press, 2021.
• Eyring, V. et al. Overview of the Coupled Model Intercomparison Project Phase 6 (CMIP6) experimental design and organization. Geoscientific Model Development 9, 2016. doi:10.5194/gmd-9-1937-2016
• Forster, P. M. et al. The Earth’s energy budget, climate feedbacks, and climate sensitivity. In IPCC AR6 WGI, Chapter 7, 2021.
• Pincus, R. et al. The Radiative Forcing Model Intercomparison Project (RFMIP): experimental protocol for CMIP6. Geoscientific Model Development 9, 2016. doi:10.5194/gmd-9-3447-2016
• Meehl, G. A. et al. The WCRP CMIP3 multimodel dataset: A new era in climate change research. Bulletin of the American Meteorological Society 88, 2007. doi:10.1175/BAMS-88-9-1383
• Flato, G. M. Earth system models: an overview. Wiley Interdisciplinary Reviews: Climate Change 2, 2011. doi:10.1002/wcc.148
• Sherwood, S. C. et al. An assessment of Earth's climate sensitivity using multiple lines of evidence. Reviews of Geophysics 58, 2020. doi:10.1029/2019RG000678
• Hourdin, F. et al. The art and science of climate model tuning. Bulletin of the American Meteorological Society 98, 2017. doi:10.1175/BAMS-D-15-00135.1

延伸阅读#

• Washington, W. M. & Parkinson, C. L. An Introduction to Three-Dimensional Climate Modeling. 2nd ed. University Science Books, 2005.
• Edwards, P. N. A Vast Machine: Computer Models, Climate Data, and the Politics of Global Warming. MIT Press, 2010.
• NOAA Geophysical Fluid Dynamics Laboratory. Climate Modeling. GFDL educational resources.