计算气候建模技术
计算气候建模是一门科学，它致力于将地球气候系统（包括大气、海洋、陆地、冰盖和生物圈）以数学方程的形式呈现，并通过计算机进行模拟。其目标并非仅仅是“预测天气”，而是要了解长期气候变化趋势，评估人类活动的影响，并基于温室气体排放、土地利用以及火山爆发和太阳活动变化等自然因素，探索未来的气候情景。由于气候是一个复杂的系统，气候建模依赖于多种互补的计算技术，从基于方程的物理模型到统计和机器学习方法。
1. 基于物理方程的模型（动力学模型）
气候建模中最基础的技术是动力学建模，它基于已知的物理定律构建模型。本质上，大气和海洋的动力学由偏微分方程描述，例如纳维-斯托克斯方程（用于描述流体）、热力学方程（能量）、质量守恒方程（连续性方程）以及水汽输送或盐度方程。由于这些方程在行星尺度上缺乏简单的解析解，因此需要使用计算机进行数值积分。
气候动力学模型通常由几个部分组成：大气、海洋、陆地、海冰，有时还包括大气化学。这些部分之间的相互作用通过能量、水分、动量和碳通量的交换耦合在一起。物理方法的优势在于它与自然界的基本原理相符；其缺点在于计算成本高昂，并且对于尺度过小的过程（例如对流云）依赖于简化。
2. 网格离散化和时空分辨率
由于地球是连续的，模型需要离散化技术：地表和大气层在经纬度和垂直方向上被划分成网格单元（正方形）。网格分辨率（例如 100 公里、25 公里或更精细）决定了可以表示的细节程度。分辨率越高，可以更清晰地“显示”的局部过程就越多，但计算需求也会急剧增加。
除了传统的经纬度网格外，一些模型还采用立方球面网格或有限元方法来缓解极点附近的数值问题。时间步长的选择也至关重要：过大的时间步长会导致模型不稳定，而过小的时间步长则会降低模拟速度。因此，一些数值格式——例如半隐式或分裂显式格式——被用于在保持效率的同时维持模型的稳定性。
3. 亚网格过程的参数化
许多重要过程发生在小于网格单元的尺度上，例如云的形成、边界层湍流、对流降水或气溶胶-云相互作用。由于这些过程无法在常用的全球分辨率下进行显式模拟，因此通常采用参数化方法来表示：即建立经验或半经验规则，将网格尺度条件与小尺度过程的平均效应联系起来。
参数化是气候预测中最大的不确定性来源之一，尤其是在云的预测方面，因为云会影响地球的反射率（反照率）和辐射反馈。现代参数化技术包括随机参数化方法，该方法引入概率元素来表示网格无法分辨的微小变化。
4. 大气环流模型和地球系统模型（GCM 和 ESM）
最知名的全球气候模型是通用环流模型（GCM），它模拟行星尺度的大气和/或海洋环流。更全面的模型被称为地球系统模型（ESM），它增加了生物地球化学循环，例如碳循环、氮循环和植被动态。借助ESM，研究人员不仅可以研究排放对温度的影响，还可以研究气候变化如何影响生态系统吸收碳的能力，从而形成气候-碳反馈。
在应用层面，该模型用于试验各种“情景”：例如，如果排放量持续上升、保持稳定或迅速下降，气候将如何演变。试验结果构成国际科学研究的基础，并为气候政策提供依据。
5. 降尺度：从全球到区域
用户需求通常具有地域性：例如对城市降雨的影响、农业地区的极端气温或流域洪涝风险。由于全球模型通常过于粗糙，无法反映局部细节，因此需要采用降尺度技术。
主要有两种方法。第一种是利用区域气候模型（RCM）进行动力降尺度，即在全球模型的约束下，对特定区域运行高分辨率模型。第二种是统计降尺度，即建立大尺度变量（例如大气环流）与局部变量（例如站点降雨量）之间的统计关系。统计降尺度计算成本较低，但其前提假设是过去的统计关系在未来仍然成立。
6. 用于模型重建和一致性的数据同化
尽管数据同化技术最广为人知的应用领域是天气预报，但它在气候建模中也至关重要，尤其是在历史气候条件的再分析和重建方面。数据同化技术将观测数据（卫星、地面站、船舶、浮标）与模型先验信息相结合，从而生成与物理实际相符的大气和海洋状态估计值。
常用的方法包括卡尔曼滤波（及其衍生方法，例如集合卡尔曼滤波）和变分方法（3D-Var/4D-Var）。在气候领域，同化有助于整合分散且不完整的数据，提供可用于评估模型和理解长期趋势的历史产品。
7. 不确定性和概率的集成建模
气候具有混沌特性，因此模拟结果对初始条件和参数选择非常敏感。为了解决这个问题，研究人员采用了集成建模：多次运行模型，每次使用不同的初始条件、情景或参数，从而生成一系列可能的结果。集成建模使研究人员能够评估事件发生的概率（例如，极端热浪发生的概率翻倍），而不仅仅是单一的结果轨迹。
Ensemble 还支持多模型集成，即结合来自不同机构的多个模型。模型间的比较有助于识别稳健（一致）和不确定的特征。
8. 模型评估和性能测量（模型验证）
建模技术并非止步于运行模拟；模型评估同样重要。模型需与历史观测数据、再分析资料以及古气候记录（例如冰芯或沉积物）进行比较，以验证其重现温度、降水、季风环流、厄尔尼诺-拉尼娜现象和全球变暖趋势模式的能力。评估方法包括统计指标（偏差、均方根误差、相关性）、极端事件分析以及节能节水评估。
现代评估还强调基于过程的评估：不仅要匹配数字，还要评估模型是否重现了正确的物理过程，例如热带地区云的形成机制或主要洋流的动力学。
9. 机器学习和混合模型
近年来，机器学习（ML）已成为一种辅助技术。ML用于加速昂贵的组件（代理建模）、纠正偏差（偏差校正）或构建从高分辨率模拟和观测数据中学习到的云和湍流参数化模型。
一种很有前景的方法是混合模型：将物理核心（以保持与守恒定律的一致性）与用于次网格过程的机器学习模块相结合。主要挑战在于如何将模型推广到训练数据范围之外、如何提高模型的可解释性，以及如何在将机器学习集成到长期气候模型中时确保数值稳定性。
10. 高性能计算和能源效率
现代气候模型运行在拥有数千至数百万个计算核心的超级计算机上。并行化技术、代码优化和数据输入输出管理至关重要。日益提高的分辨率和更大的集合会产生PB级的数据，使得数据管理、压缩和原位分析（在模拟运行期间处理数据）变得越来越重要。
GPU 和新型计算架构的出现推动了模型的重新开发，以提高其效率。与此同时，气候界也开始关注计算的碳足迹，使得效率不仅关乎时间，也关乎能源消耗。
关闭
计算气候建模技术融合了物理学、数值数学、统计学、数据科学和高性能计算。从基于方程的动力学模型、网格离散化和亚网格参数化，到集合模拟、降尺度、数据同化和机器学习集成，所有这些技术的目标都是为了理解复杂的气候系统并提供可靠的信息。随着观测、理论和计算能力的不断提升，气候建模将越来越能够回答一些紧迫的问题：气候是如何变化的，变化的速度有多快，以及未来减缓和适应气候变化最有效的策略是什么。
