Các kỹ thuật mô hình hóa khí hậu tính toán
Mô hình hóa khí hậu bằng máy tính là nỗ lực khoa học nhằm mô phỏng hệ thống khí hậu Trái đất—khí quyển, đại dương, đất liền, băng và sinh quyển—dưới dạng các phương trình toán học được mô phỏng bởi máy tính. Mục tiêu không chỉ đơn giản là "dự đoán thời tiết", mà là để hiểu hành vi khí hậu dài hạn, đánh giá tác động của các hoạt động của con người và khám phá các kịch bản tương lai dựa trên những thay đổi trong phát thải khí nhà kính, sử dụng đất và các yếu tố tự nhiên như phun trào núi lửa và biến đổi mặt trời. Bởi vì khí hậu là một hệ thống phức tạp, mô hình hóa khí hậu dựa trên nhiều kỹ thuật tính toán bổ sung, từ các mô hình vật lý dựa trên phương trình đến các phương pháp thống kê và học máy.
1. Mô hình dựa trên các phương trình vật lý (Mô hình động)
Kỹ thuật cơ bản nhất trong mô hình khí hậu là mô hình động lực học, xây dựng các mô hình từ các định luật vật lý đã biết. Về cơ bản, động lực học của khí quyển và đại dương được mô tả bằng các phương trình vi phân từng phần như phương trình Navier-Stokes (đối với chất lỏng), phương trình nhiệt động lực học (năng lượng), định luật bảo toàn khối lượng (liên tục) và các phương trình vận chuyển hơi nước hoặc độ mặn. Vì các phương trình này thiếu các lời giải phân tích đơn giản trên quy mô hành tinh, nên máy tính được sử dụng để thực hiện tích phân số theo thời gian.
Các mô hình động lực khí hậu thường được chia thành nhiều thành phần: khí quyển, đại dương, đất liền, băng biển và đôi khi cả hóa học khí quyển. Sự tương tác giữa các thành phần này được liên kết thông qua sự trao đổi năng lượng, độ ẩm, động lượng và dòng carbon. Ưu điểm của phương pháp vật lý là tính nhất quán với các nguyên tắc cơ bản của tự nhiên; nhược điểm là chi phí tính toán cao và sự phụ thuộc vào các đơn giản hóa đối với các quá trình có quy mô quá nhỏ (ví dụ: mây đối lưu).
2. Phân chia lưới và độ phân giải không gian-thời gian
Vì Trái Đất là một cấu trúc liên tục, các mô hình cần đến kỹ thuật rời rác hóa: bề mặt và khí quyển được chia thành các ô lưới (hình vuông) theo vĩ độ-kinh độ và các lớp thẳng đứng. Độ phân giải lưới (ví dụ: 100 km, 25 km, hoặc mịn hơn) quyết định mức độ chi tiết có thể được thể hiện. Độ phân giải càng mịn, càng nhiều quá trình cục bộ có thể được "thể hiện" một cách rõ ràng, nhưng yêu cầu tính toán sẽ tăng lên đáng kể.
Ngoài lưới vĩ độ-kinh độ truyền thống, một số mô hình sử dụng lưới hình cầu lập phương hoặc phương pháp phần tử hữu hạn để giảm thiểu các vấn đề số học gần cực. Việc lựa chọn bước thời gian cũng rất quan trọng: bước thời gian quá lớn có thể làm cho mô hình không ổn định, trong khi bước quá nhỏ sẽ làm chậm quá trình mô phỏng. Do đó, một số lược đồ số học nhất định—chẳng hạn như bán ẩn hoặc phân tách-hiện—được sử dụng để duy trì tính ổn định trong khi vẫn đảm bảo hiệu quả.
3. Tham số hóa các quy trình lưới con
Nhiều quá trình quan trọng diễn ra ở quy mô nhỏ hơn ô lưới, chẳng hạn như sự hình thành mây, nhiễu loạn lớp ranh giới, mưa đối lưu hoặc tương tác giữa sol khí và mây. Vì không thể mô phỏng chúng một cách rõ ràng ở độ phân giải toàn cầu thông thường, chúng được biểu diễn bằng các tham số hóa: các quy tắc thực nghiệm hoặc bán thực nghiệm liên hệ các điều kiện ở quy mô lưới với tác động trung bình của các quá trình nhỏ.
Việc tham số hóa là một trong những nguồn gây ra sự không chắc chắn lớn nhất trong các dự báo khí hậu, đặc biệt là liên quan đến mây, yếu tố ảnh hưởng đến độ phản xạ (suất phản xạ) và phản hồi bức xạ của Trái đất. Các kỹ thuật tham số hóa hiện đại bao gồm các phương pháp tham số hóa ngẫu nhiên, kết hợp các yếu tố xác suất để thể hiện những biến đổi nhỏ mà lưới không thể giải quyết được.
4. Mô hình tuần hoàn chung và mô hình hệ thống Trái đất (GCM & ESM)
Các mô hình khí hậu toàn cầu nổi tiếng nhất là Mô hình Tuần hoàn Chung (GCM), mô phỏng sự tuần hoàn khí quyển và/hoặc đại dương ở quy mô hành tinh. Các mô hình toàn diện hơn được gọi là Mô hình Hệ thống Trái đất (ESM), bổ sung thêm các chu trình sinh hóa như chu trình carbon và nitơ cũng như động lực học thảm thực vật. Với ESM, các nhà nghiên cứu có thể nghiên cứu không chỉ phản ứng nhiệt độ đối với lượng khí thải mà còn cả cách biến đổi khí hậu ảnh hưởng đến khả năng hấp thụ carbon của hệ sinh thái, từ đó tạo ra phản hồi khí hậu-carbon.
Ở cấp độ ứng dụng, mô hình này được sử dụng cho các thí nghiệm "kịch bản": ví dụ, khí hậu sẽ diễn biến như thế nào nếu lượng khí thải tiếp tục tăng, ổn định hoặc giảm nhanh. Kết quả tạo cơ sở cho các nghiên cứu khoa học quốc tế và cung cấp thông tin cho chính sách khí hậu.
5. Thu nhỏ quy mô: từ toàn cầu xuống khu vực
Nhu cầu của người dùng thường mang tính địa phương: tác động đến lượng mưa đô thị, nhiệt độ khắc nghiệt ở các khu vực nông nghiệp, hoặc nguy cơ lũ lụt lưu vực sông. Vì các mô hình toàn cầu thường quá thô sơ đối với các chi tiết địa phương, nên các kỹ thuật thu nhỏ tỷ lệ được sử dụng.
Có hai phương pháp chính. Thứ nhất, hạ quy mô động học bằng Mô hình Khí hậu Khu vực (RCM), sử dụng mô hình độ phân giải cao trên một khu vực cụ thể với các ràng buộc của mô hình toàn cầu. Thứ hai, hạ quy mô thống kê, thiết lập các mối quan hệ thống kê giữa các biến quy mô lớn (ví dụ: tuần hoàn khí quyển) và các biến cục bộ (lượng mưa tại trạm). Hạ quy mô thống kê ít tốn kém hơn nhưng dựa trên giả định rằng các mối quan hệ thống kê trong quá khứ sẽ vẫn đúng trong tương lai.
6. Đồng hóa dữ liệu để tái cấu trúc và đảm bảo tính nhất quán của mô hình
Mặc dù phương pháp đồng hóa dữ liệu được biết đến nhiều nhất trong dự báo thời tiết, kỹ thuật này cũng rất quan trọng trong mô hình khí hậu, đặc biệt là để phân tích lại và tái tạo các điều kiện khí hậu lịch sử. Đồng hóa dữ liệu kết hợp các quan sát (vệ tinh, trạm đo, tàu thuyền, phao) với các giả định tiên nghiệm của mô hình để tạo ra các ước tính nhất quán về mặt vật lý về trạng thái của khí quyển và đại dương.
Các phương pháp phổ biến bao gồm Bộ lọc Kalman (và các biến thể của nó như Bộ lọc Kalman theo nhóm) và các phương pháp biến phân (3D-Var/4D-Var). Trong bối cảnh khí hậu, việc đồng hóa dữ liệu giúp thống nhất các dữ liệu phân tán và không đầy đủ, cung cấp các sản phẩm lịch sử hữu ích cho việc đánh giá mô hình và hiểu các xu hướng dài hạn.
7. Mô hình tập hợp cho sự không chắc chắn và xác suất
Khí hậu rất hỗn loạn, do đó kết quả mô phỏng rất nhạy cảm với các điều kiện ban đầu và lựa chọn tham số. Để đạt được điều này, người ta sử dụng mô hình tập hợp: chạy mô hình nhiều lần với các điều kiện ban đầu, kịch bản hoặc tham số khác nhau để tạo ra một loạt các khả năng. Mô hình tập hợp cho phép các nhà nghiên cứu đánh giá xác suất của một sự kiện (ví dụ: khả năng xảy ra đợt nắng nóng cực đoan tăng gấp đôi) thay vì chỉ một quỹ đạo kết quả duy nhất.
Ensemble cũng hỗ trợ các tập hợp đa mô hình, kết hợp nhiều mô hình từ các cơ quan khác nhau. Việc so sánh giữa các mô hình rất hữu ích để xác định các đặc điểm mạnh mẽ (nhất quán) và không chắc chắn.
8. Đánh giá mô hình và đo lường hiệu suất (kiểm chứng mô hình)
Các kỹ thuật mô hình hóa không chỉ dừng lại ở việc chạy mô phỏng; việc đánh giá mô hình cũng quan trọng không kém. Các mô hình được so sánh với các quan sát lịch sử, phân tích lại và các ghi chép về khí hậu cổ đại (ví dụ: lõi băng hoặc trầm tích) để xác minh khả năng tái tạo các mô hình về nhiệt độ, lượng mưa, hoàn lưu gió mùa, El Niño–La Niña và xu hướng nóng lên toàn cầu. Các phương pháp đánh giá bao gồm các chỉ số thống kê (sai lệch, RMSE, hệ số tương quan), phân tích các hiện tượng cực đoan và đánh giá về bảo tồn năng lượng và nước.
Phương pháp đánh giá hiện đại cũng nhấn mạnh đánh giá dựa trên quy trình: không chỉ đơn thuần là so khớp các con số, mà còn đánh giá xem mô hình có tái tạo được các quá trình vật lý chính xác hay không, ví dụ như cơ chế hình thành mây ở vùng nhiệt đới hoặc động lực học của các dòng hải lưu chính.
9. Học máy và các mô hình lai
Trong những năm gần đây, học máy (ML) đã trở thành một kỹ thuật bổ trợ. ML được sử dụng để tăng tốc các thành phần đắt tiền (mô hình thay thế), hiệu chỉnh sai lệch (hiệu chỉnh sai lệch) hoặc xây dựng các tham số hóa của mây và nhiễu loạn được học từ các mô phỏng độ phân giải rất cao và dữ liệu quan sát.
Một phương pháp đầy hứa hẹn là mô hình lai: kết hợp lõi vật lý (để duy trì tính nhất quán với các định luật bảo toàn) với mô-đun học máy (ML) cho các quá trình dưới lưới. Những thách thức chính là khả năng khái quát hóa vượt ra ngoài phạm vi dữ liệu huấn luyện, khả năng giải thích và đảm bảo tính ổn định số học khi ML được tích hợp vào các mô hình khí hậu dài hạn.
10. Tính toán hiệu năng cao và hiệu quả năng lượng
Mô hình khí hậu hiện đại được vận hành trên các siêu máy tính với hàng nghìn đến hàng triệu lõi xử lý. Các kỹ thuật song song hóa, tối ưu hóa mã và quản lý đầu vào-đầu ra dữ liệu là rất quan trọng. Độ phân giải ngày càng cao và các tập hợp mô phỏng lớn hơn tạo ra hàng petabyte dữ liệu, khiến việc quản lý dữ liệu, nén dữ liệu và phân tích tại chỗ (xử lý dữ liệu trong khi mô phỏng đang chạy) ngày càng trở nên quan trọng.
Sự ra đời của GPU và các kiến trúc điện toán mới đã thúc đẩy việc phát triển lại các mô hình để làm cho chúng hiệu quả hơn. Đồng thời, cộng đồng nghiên cứu khí hậu cũng bắt đầu xem xét lượng khí thải carbon của điện toán, khiến hiệu quả không chỉ là vấn đề thời gian mà còn là vấn đề tiêu thụ năng lượng.
Đóng cửa
Các kỹ thuật mô hình hóa khí hậu tính toán kết hợp vật lý, toán học số, thống kê, khoa học dữ liệu và điện toán hiệu năng cao. Từ các mô hình động lực dựa trên phương trình, phân chia lưới, và tham số hóa dưới lưới, đến các tập hợp mô hình, thu nhỏ quy mô, tích hợp dữ liệu và tích hợp học máy, tất cả đều nhằm mục đích hiểu hệ thống khí hậu phức tạp và cung cấp thông tin đáng tin cậy. Khi các quan sát, lý thuyết và khả năng tính toán được cải thiện, mô hình hóa khí hậu sẽ ngày càng có thể trả lời các câu hỏi cấp bách: khí hậu đang thay đổi như thế nào, tốc độ thay đổi ra sao, và những chiến lược nào sẽ hiệu quả nhất cho việc giảm thiểu và thích ứng trong tương lai.
