气候变化/科学/气候建模
气候模型有多种形式，从非常简单的能量平衡模型到完全耦合的三维大气-海洋-陆地数值模型。随着计算机速度的不断提高，气候科学也相应地取得了进步。控制流体在时间和空间中运动的方程（Navier-Stokes 方程）求解起来很复杂，当所有尺度的运动和物理过程（辐射传输、降水等）都被纳入时，最终的问题就无法用解析方法求解。因此，气候科学家将这些方程组转化为一系列计算机程序。最终得到的一组程序在某些情况下被称作“气候模型”。
当该模型用于近似球体上的运动方程时，它可以被称为通用环流模型（GCM）。这些是通用的模型，可以专门用于模拟海洋、大气或其他流体问题。主要由于计算机能力的限制，这些模型无法解决所有尺度的运动；而是建立了一个网格点，作为一个求解方程的点阵。大多数现代大气 GCM 的水平网格间距（相邻网格点之间的距离）约为 100 公里，并具有多个垂直层（通常约 30 个）。确切的分辨率取决于模型的细节和应用。由于这种粗略的网格间距，小尺度（或“亚网格尺度”）现象（如单个云甚至飓风）没有被明确解决。对于更小尺度的详细计算，通常会采用更专门的数值模型，尽管有一些分辨率非常高的 GCM（例如日本的 NICAM[1]）。为了纳入亚网格尺度现象的影响，传统的 GCM 依赖于统计规则，参数化，描述了在给定网格单元内条件的情况下，这些过程的平均工作方式。参数化可以非常简单，也可以非常复杂，这取决于过程的复杂性和对过程的统计行为的理解程度。如今，GCM 的许多改进都直接与改进参数化相关，无论是通过纳入更精细的规则来更好地匹配测量量，还是通过使用更复杂的理论论证来解释物理过程的工作原理。
模型有很多类，每个类中都有很多实现和变体。不可能枚举和描述曾经开发过的所有气候模型；即使是对已发表的文献进行枚举和描述也是极其困难的。事实上，有整本书专门介绍大气数值模拟的历史；美国物理学会在网上提供了一份关于 AGCM 的简短说明 [2]。这里我们将讨论几类模型，重点介绍大气模型。讨论内容紧密遵循 Henderson-Sellers 和 McGuffie（1987）的讨论，这是一本关于该主题的优秀资源（并有一个更新的版本）。
首先，我们将自己限制在数值模型中，特别是那些旨在用计算机求解的模型。更一般地说，任何代表气候系统的方程或方程组都是气候模型。其中一些可以解析求解，但这些都是高度简化的模型，有时会纳入数值模型中。
气候模型的最终目标是代表所有对气候系统演化至关重要的物理过程。这是一个崇高的目标，永远无法真正实现。气候系统包含岩石圈（固体地球）、生物圈（例如海洋浮游生物、热带雨林）、大气和海洋化学（例如平流层臭氧）甚至分子动力学（例如辐射传输）之间的重要贡献和相互作用。在流体力学中，一些系统现在使用“直接数值模拟”（DNS）进行建模，其中（几乎）所有活动尺度都被明确解决。对于气候系统来说，这将永远不可行。我们不可能代表气候系统中的每个原子，它本质上需要计算机中相同数量的电子。相反，气候建模仅限于真正模拟系统；使用简化假设和经验定律，解决的运动被选择以匹配问题和/或计算资源，其他过程被参数化。然而，这些综合气候模型并不是模拟气候系统的唯一方法。
多年来，人们出于多种原因开发了更简单的模型。历史上一个常见的原因是运行大型计算机的计算成本；更简单的模型代表的过程更少，并且通常具有更少的空间和时间点（更低的分辨率）。两种极其简单的气候模型类别是一维能量平衡模型和一维辐射对流模型。每个模型中的单个维度通常分别是纬度（南北方向）和高度（垂直柱）。
典型的能量平衡模型 (EBM) 求解一组关于平均温度 T 的方程，作为纬度 的函数。这些模型由 Budyko 和 Sellers 分别在 1969 年引入。它们是基于传入和传出的辐射通量以及能量的水平传输来求解每个纬度的平衡温度。辐射通量是到达地表的辐射的简单方案（通常），并且通常包括一些温度相关的反照率（反射率）来表示冰-反照率反馈。水平传输通常由涡流扩散项给出，该项只是系数乘以经向（南北）温度梯度。这些简单模型最有趣的方面之一是它们已经产生了多个平衡，它们有无冰和冰盖地球的解，以及更温和的解（如当前气候）。这一结果促使人们对气候系统的敏感性进行大量研究。
辐射对流模型 (RCM) 本质上是大气柱模型。它们可以用来代表全球平均大气、特定纬度（区域）或特定位置。解决的维度是垂直的，因此所有水平通量（如风和温度和湿度等平流标量）必须以某种方式传递到柱中。早期的 RCM（主要归功于 S. Manabe 及其同事）具有背景温度结构（温度递减率）和穿过柱的辐射通量处理。当柱的辐射加热使温度递减率超过临界或阈值温度递减率时，会使用“对流调整”来降低不稳定性。在给定恒定的边界条件下，模型将达到平衡，以使能量收支平衡，从而给出大气垂直结构（尤其是温度）的模型。早期的 RCM 用于探索大气中二氧化碳增加的影响。
还有一些 EBM 和 RCM 的组合，它们给出了辐射对流平衡的简单二维表示。
另一类二维模型是轴对称模型，例如 Held & Hou（1980）和 Lindzen & Hou（1988）使用。这只是一个动力学模型，已被用于在没有斜压涡旋（中纬度风暴系统）的情况下研究经向环流。虽然不是真正意义上的气候模型，但这些简单的动力学模型为大气环流提供了重要的理论理解。
在海洋中，有一些简单的箱体模型，它们在某种程度上类似于大气经向环流的轴对称模型。这些箱体模型至少可以追溯到斯托梅尔，他用一个模型来展示大西洋热盐环流的多个平衡。
其他二维模型也存在。例如，有一些大气简单的等压模型。然而，这些主要用于数值天气预报和理论大气动力学。
占据建模层次结构更高区域的是三维数值模型。在动力学方面，这些通常是完全湍流的流体，可以应用于球形几何或某些简化的几何形状，如 β 平面。这类模型可能应该分为几个子类。一些是耦合模型（例如大气 + 海洋），而另一些则只包含气候系统的一个组成部分。一些被描述为中等复杂性的气候模型，涵盖了大量的模型。
在气候模型层次结构的顶端及其附近是通用环流模型 (GCM)，有时也称为全球气候模型。这些是大气和/或海洋的完全三维表示，在球形几何中求解。它们被设计用来守恒能量（热力学第一定律）、动量（牛顿第二运动定律）、质量（连续性方程）以及（通常）水分。我们将在后面更详细地讨论 GCM，包括它们包含的主要假设以及与结果相关的不确定性。GCM 是研究气候变化的最佳可用工具。
为什么气候模型无法完美地预测气候变化？这个问题有很多答案，而且大多数答案至少部分是正确的！在这里，我们简要描述一下气候建模中“不确定性”的含义。
在开始描述与气候模型相关的不确定性之前，必须强调气候模型是目前研究地球和其他行星气候的最佳工具。尽管它们远非完美，但复杂的气候模型体现了人们认为在真实气候中很重要的物理过程。存在一些不确定性，绝对不意味着我们不能相信气候模型的结果，也不意味着模型中存在“回旋余地”。
不同的气候模型，这里指的是复杂的数值模型（通常是针对整个地球的），对于同一个实验会得到不同的结果。这些差异主要是因为它们在表示模型点之间更小尺度上的物理过程时，采用了不同的方法。这些过程通常被称为次网格尺度过程，而数值模型中对其的表示则被称为参数化。参数化的主要思想是利用大尺度信息，并推断（基于某些规则）小尺度上可能发生的情况。一个很好的例子是山区附近的风。全球气候模式可能每 100 公里才有一个网格点，但山脉在更短的距离内可能会有非常剧烈的海拔变化。全球气候模式并没有尝试模拟山脉的尺度，因为这对于目前的计算机来说非常困难，而是采用了次网格尺度地形参数化。根据具体细节，它可能会影响地表的“粗糙度”或地形引起的重力波，但其理念是一致的，即由于山脉在小尺度上高度变化，全球气候模式试图模拟这种行为，至少是为了捕捉山脉如何影响全球气候模式能够解析的大尺度环流。由于参数化方法不同，以及参数化过程的数量众多，全球气候模式得到不同的结果也就毫不奇怪了。事实上，结果并没有更大差异，证明了我们目前对气候过程的理解水平。
想象一下，用大量的全球气候模式以相同的方式运行它们。例如，政府间气候变化专门委员会 (IPCC) 要求世界各地的建模中心进行相同的实验（基本上是增加二氧化碳浓度），以比较每个模型的气候响应。由于模型的构建方式不同，在某些情况下，模型之间存在非常根本的差异，因此结果因模型而异。如果我们只考虑气候响应，例如对于给定的辐射强迫变化，每个模型的表面气温变化，并计算平均值和标准差，我们就能得到对气候响应“不确定性”的估计。这是因为我们只有一个地球，并且肯定没有足够的时间进行如此多的实验，所以只能用这种方法来代替真正的实验！
上述方法根据非常不同的模型，给出了对预期气候响应的度量。另一种方法是使用相同的全球气候模式，但稍微改变参数，甚至改变参数化，以确定不同过程的强度。举个简单的例子，想象一下，某个全球气候模式对层积云的反照率（反射率）使用一个单一值。如果该全球气候模式运行十次，每次都使用不同的参数值，气候变化实验的结果就会发生变化。结果的差异程度将决定该全球气候模式对层积云反照率的敏感性。这提供了另一种“不确定性”的度量，因为该模型假设反照率只有一个值，而这在真实大气中可能并不成立。分布式计算项目 ClimatePrediction.net 使用这种方法来研究对气候敏感性至关重要的过程。
我们最初问题的另一个答案是，系统并非完全可预测。气候系统是混沌的，或者至少对初始数据敏感。这意味着我们知道控制流体运动的方程，而且我们对需要包含的物理过程也有相当好的了解，但是这个方程组有很多解，即使系统是完全确定性的（没有随机波动），除非我们也完全了解初始条件，否则我们可能无法得到正确的结果。事实上，在混沌系统中，已经证明初始条件中的任意小误差，在一段时间后会导致截然不同的结果。虽然地球气候的情况不太可能如此敏感，但这确实意味着我们不应该指望在不久的将来（或永远）在当地电视台看到完美的长期（超过两周）天气预报。需要注意的是，气候预测的科学与天气预测的科学有本质的不同。在天气预测中，对初始条件的敏感性是一个基本限制，因为不可能完全了解初始条件。气候模型对初始条件并不敏感；问题从初值问题变为边值问题。
参考文献
[edit | edit source]- ^ M. Satoh, T. Matsuno, H. Tomita, H. Miura, T. Nasuno 和 S. Iga，“用于全球云解析模拟的非静力学二十面体大气模型 (NICAM)”，Journal of Computational Physics 卷 227，第 7 期，2008 年 3 月 20 日，第 3486-3514 页