計算氣候建模技術
計算氣候建模是一門科學，它致力於將地球氣候系統（包括大氣、海洋、陸地、冰蓋和生物圈）以數學方程式的形式呈現，並透過電腦進行模擬。其目標並非僅僅是“預測天氣”，而是要了解長期氣候變遷趨勢，評估人類活動的影響，並基於溫室氣體排放、土地利用以及火山爆發和太陽活動變化等自然因素，探索未來的氣候情景。由於氣候是一個複雜的系統，氣候建模依賴多種互補的計算技術，從基於方程式的物理模型到統計和機器學習方法。
1. 以物理方程式為基礎的模型（動力學模型）
氣候建模中最基礎的技術是動力學建模，它是基於已知的物理定律來建立模型。本質上，大氣和海洋的動力學由偏微分方程式描述，例如納維-斯托克斯方程式（用於描述流體）、熱力學方程式（能量）、質量守恆方程式（連續性方程式）以及水汽輸送或鹽度方程式。由於這些方程式在行星尺度上缺乏簡單的解析解，因此需要使用計算機進行數值積分。
氣候動力學模型通常由幾個部分組成：大氣、海洋、陸地、海冰，有時還包括大氣化學。這些部分之間的相互作用透過能量、水分、動量和碳通量的交換耦合在一起。物理方法的優點在於它與自然界的基本原理相符；其缺點在於計算成本高昂，並且對於尺度過小的過程（例如對流雲）依賴於簡化。
2. 網格離散化和時空分辨率
由於地球是連續的，模型需要離散化技術：地表和大氣層在經緯度和垂直方向上被劃分成網格單元（正方形）。網格解析度（例如 100 公里、25 公里或更精細）決定了可以表示的細節程度。解析度越高，可以更清晰地「顯示」的局部過程就越多，但計算需求也會急劇增加。
除了傳統的經緯度網格外，一些模型還採用立方球面網格或有限元素方法來緩解極點附近的數值問題。時間步長的選擇也至關重要：過大的時間步長會導致模型不穩定，而過小的時間步長則會降低模擬速度。因此，一些數值格式——例如半隱式或分裂顯式格式——被用於在保持效率的同時維持模型的穩定性。
3. 亞網格過程的參數化
許多重要過程發生在小於網格單元的尺度上，例如雲的形成、邊界層湍流、對流降水或氣溶膠-雲相互作用。由於這些過程無法在常用的全球解析度下進行明確模擬，因此通常採用參數化方法來表示：即建立經驗或半經驗規則，將網格尺度條件與小尺度過程的平均效應聯繫起來。
參數化是氣候預測中最大的不確定性來源之一，尤其是在雲的預測方面，因為雲會影響地球的反射率（反照率）和輻射回饋。現代參數化技術包括隨機參數化方法，該方法引入機率元素來表示網格無法分辨的微小變化。
4. 大氣環流模式和地球系統模式（GCM 和 ESM）
最知名的全球氣候模式是通用環流模式（GCM），它模擬行星尺度的大氣和/或海洋環流。更全面的模型被稱為地球系統模型（ESM），它增加了生物地球化學循環，例如碳循環、氮循環和植被動態。借助ESM，研究人員不僅可以研究排放對溫度的影響，還可以研究氣候變遷如何影響生態系統吸收碳的能力，從而形成氣候-碳反饋。
在應用層面，該模型用於試驗各種「情境」：例如，如果排放量持續上升、保持穩定或迅速下降，氣候將如何演變。試驗結果構成國際科學研究的基礎，並為氣候政策提供基礎。
5. 降尺度：從全球到區域
使用者需求通常具有地域性：例如對城市降雨的影響、農業地區的極端氣溫或流域洪澇風險。由於全球模型通常過於粗糙，無法反映局部細節，因此需要採用降尺度技術。
主要有兩種方法。第一種是利用區域氣候模式（RCM）進行動力降尺度，即在全球模式的限制下，對特定區域運行高解析度模型。第二種是統計降尺度，即建立大尺度變數（例如大氣環流）與局部變數（例如站點降雨量）之間的統計關係。統計降尺度計算成本較低，但其前提假設是過去的統計關係在未來仍然成立。
6. 用於模式重建和一致性的資料同化
儘管資料同化技術最廣為人知的應用領域是天氣預報，但它在氣候建模中也至關重要，尤其是在歷史氣候條件的再分析和重建方面。資料同化技術將觀測資料（衛星、地面站、船舶、浮標）與模式先驗資訊結合，從而產生與物理實際相符的大氣和海洋狀態估計值。
常用的方法包括卡爾曼濾波（及其衍生方法，例如集合卡爾曼濾波）和變分方法（3D-Var/4D-Var）。在氣候領域，同化有助於整合分散且不完整的數據，提供可用於評估模式和理解長期趨勢的歷史產品。
7. 不確定性和機率的整合建模
氣候具有混沌特性，因此模擬結果對初始條件和參數選擇非常敏感。為了解決這個問題，研究人員採用了整合建模：多次運行模型，每次使用不同的初始條件、情境或參數，產生一系列可能的結果。整合建模使研究人員能夠評估事件發生的機率（例如，極端熱浪發生的機率翻倍），而不僅僅是單一的結果軌跡。
Ensemble 還支援多模型集成，即結合來自不同機構的多個模型。模型間的比較有助於辨識穩健（一致）和不確定的特徵。
8. 模型評估和性能測量（模型驗證）
建模技術並非止步於運行模擬；模型評估同樣重要。模型需與歷史觀測資料、再分析資料以及古氣候記錄（例如冰芯或沉積物）進行比較，以驗證其重現溫度、降水、季風環流、厄爾尼諾-拉尼娜現象和全球暖化趨勢模式的能力。評估方法包括統計指標（偏差、均方根誤差、相關性）、極端事件分析、節能節水評估。
現代評估也強調基於過程的評估：不僅要匹配數字，還要評估模型是否重現了正確的物理過程，例如熱帶地區雲的形成機製或主要洋流的動力學。
9. 機器學習與混合模型
近年來，機器學習（ML）已成為一種輔助技術。 ML用於加速昂貴的元件（代理建模）、修正偏差（偏差校正）或建立從高解析度模擬和觀測資料中學習到的雲和湍流參數化模型。
一個很有前景的方法是混合模型：將物理核心（以保持與守恆定律的一致性）與用於次網格過程的機器學習模組結合。主要挑戰在於如何將模型推廣到訓練資料範圍之外、如何提高模型的可解釋性，以及如何在將機器學習整合到長期氣候模型中時確保數值穩定性。
10. 高效能運算與能源效率
現代氣候模型運行在擁有數千至數百萬個計算核心的超級電腦上。並行化技術、程式碼最佳化和資料輸入輸出管理至關重要。日益提高的解析度和更大的集合會產生PB級的數據，使得數據管理、壓縮和原位分析（在模擬運行期間處理數據）變得越來越重要。
GPU 和新型運算架構的出現推動了模型的重新開發，以提高其效率。同時，氣候界也開始關注計算的碳足跡，使得效率不僅關乎時間，也關乎能源消耗。
關閉
計算氣候建模技術融合了物理學、數值數學、統計學、數據科學和高效能運算。從基於方程式的動力學模型、網格離散化和亞網格參數化，到集合模擬、降尺度、資料同化和機器學習集成，所有這些技術的目標都是為了理解複雜的氣候系統並提供可靠的資訊。隨著觀測、理論和運算能力的不斷提升，氣候建模將越來越能夠回答一些緊迫的問題：氣候是如何變化的，變化的速度有多快，以及未來減緩和適應氣候變遷最有效的策略是什麼。
