气候科学（二）

4.1气候模型类型

气候科学家经常谈论气候模型的“层次”或“谱”，从简单到复杂。 气候模型的复杂性增加：表示的空间尺寸的数量; 那些尺寸的分辨率表示; 在模型中的气候系统组件和流程的范围; 以及那些过程的程度是逼真的而不是简化的表示。 因此，更复杂的模型往往更加计算得多。 下面的讨论引入了几种类型的模型，说明了不同程度的复杂性（对于其他类型，例如，参见，例如，储存器2011; McGuffie＆Henderson-Sellars 2014）。 这里讨论的类型是基于物理学的，因此它们在物理理论中的显着程度上被接地。 数据驱动或“经验”气候模型也已经出于某些目的而开发，但不太常见，并且仅在通过时被提及。

最简单的气候模型中是能量平衡模型（EBMS），旨在以高度骨头的方式代表地球表面能预算（McGuffie＆Henderson-Sellars 2014：Ch.3）。 通常具有表面温度作为其唯一依赖变量的这些模型是使用物理学理论（例如，斯特凡 - Boltzmann方程）和经验参数（例如，代表地球的反卫和大气的发射率）构建）。 零维EBM将整个气候系统代表为单点。 当系统处于辐射平衡时，它们可用于通过手头计算全局平均表面温度的估计。 一维（1-D）和二维（2-D）EBMS采用类似的能量预算方法，但代表不同纬度和/或长度的平均温度，并且以粗略的方式为它们之间运输热量（参见早期示例的卖家1969）。 1-D和2-D EBMS的等式通常在数字计算机的帮助下解决。[1]

地球系统模型的中间复杂性（EMICS）有一系列形式，但既综合又高度理想（Claussen等，2002）。 EMIC不仅可以纳入大气，海洋，陆地和海冰的陈述，还可以纳入一些生物选手，冰盖和海洋沉积物过程的代表性。 然而，这些表示通常是相对简单或粗糙的。 例如，EMIC的气氛分量可能是称为能量水分平衡模型的EBM的二维增强版本。 可以使用流体动力学方程在三个维度下显式模拟海洋，但具有低时空分辨率。 （参见Flato等人。

在频谱的复杂端，耦合的海洋气氛一般循环模型（GCMS）在三个空间尺寸中模拟大气和海洋动动，通常是高分辨率，因为可用的超级计算能力允许。 他们还包含土地面积和海冰的代表，并试图考虑所有这些组件之间的重要互动。 GCMS从大气的一般循环模型演变，这反过来又通过早期天气预报模型（Edwards 2000; Weart 2010）启发。 最新一代气候模型，地球系统模型（ESMS），通过纳入与大气化学，气溶胶和/或海洋生物地球化学相关的其他模型组件来扩展GCMS（Flato等，2013：747）。 在两个GCM和ESM中，数值方法用于估计三维网格上的一组点的离散化版本的流体动态方程的解。[2] 随着近几十年的计算能力增加，这些网格点的水平间距为大气的数百公里到〜100公里，垂直层数从〜10到50增加，时间步长10-30分钟（麦克福特和亨德森-Sellers 2014：282）。 尽管解决了这一分辨率，但许多重要的过程 - 包括形成云和降水，辐射转移和化学反应 - 仍然在子网格尺度上发生; 根据下一节中讨论的，这些过程的效果会计是一项重大挑战。

另一个重要类型的气候模型是区域气候模型（RCM）。 与GCMS和ESM一样，RCMS旨在全面地融入基于理论的气候系统过程的理论。 然而，与GCMS和ESM不同，RCMS仅代表全球的一部分（例如，大陆或国家），其允许它们具有更高的时空分辨率而不超过可用的计算能力。 利用这种更高的分辨率，RCMS可以明确模拟较小尺度的过程，并且它们还具有揭示条件的空间变化 - 由于复杂的地形，例如 - 不能通过GCMS / ESM解决。 这些功能使RCMS成为区域气候变化研究的有吸引力的工具（例如，Mearns等，2013）。 然而，挑战是以物理 - 一致的方式在所建模区域的水平边界处指定条件; 在实践中，这些边界条件通常通过GCM / ESM仿真的结果通知。

4.2构建气候模型

目前，在世界各地的建模中心，有几十个最先进的GCMS / ESMS（见Flato等，2013：表9.1）。 这些是巨大的模型，在某些情况下涉及超过一百万行的计算机代码; 即使在今天的超级计算机上也需要大量的时间来生产与他们的兴趣模拟。 从头开始构建GCM / ESM需要大量的知识和专业知识（参见Lahsen 2005）。 因此，今天的许多GCM和ESMS已经建立在较早世代模型的基础上（Knutti等，2013）。 这些模型经常具有分层历史，他们的代码的某些部分最初是几年甚至几十年来的 - 有时由不再在建模中心工作的科学家以及刚刚添加或升级的其他部分。 甚至在不同建模中心的模型甚至有时有常见的计算机代码，无论是直接共享还是从早期模型中独立分享。

今天的许多GCMS / ESM具有表面上的模块化设计：它们由几个与气候系统 - 大气，海洋，陆地表面等的不同部分相对应的组件模型以及“耦合器”，它在组件系统的空间边界之间传递信息之间的信息会见并必须考虑组件模型的差异“时尚分辨率”（Alexander＆Easterbrook 2015）。 通常这些组件模型是被修改版本的名为独立模型的版本。 例如，位于美国大气研究中心的社区地球系统模型版本1.2（CESM1.2）包括社区氛围模型（CAM）和并行海洋计划（POP）的延伸。 这种模块化旨在允许更容易地重新配置GCM / ESM，用于不同的建模研究，例如，在这就足够的情况下用更简单的版本替换海洋模型。 然而，Lenhard和Winsberg（2010）认为复杂的气候模型实际上只展现出“模糊”模块化：为了使模型整体上运行，将调整组件模型的一些细节，并通过其他组件的特定功能来调整组件模型的一些细节并尝试弥补他们的特定限制。

GCM / ESM中的每个组件模型又包含了在气候系统的该部分内操作的许多重要过程的表示。 例如，对于大气模型，共同区分“动态”和“物理学”（参见，例如，Neale等，2010）。 动态（或“动态核心”）是一组流体动力学和热力学方程，反映了守恒的动量，质量和能量，以及状态方程。 这些方程用于模拟大规模的大气动作，运输热量，质量和水分; 可以解析的运动的比例取决于模型的网格网格。 “物理学”包括以显着的方式影响网格规模条件的子网格进程的表示：辐射转移，云形成，降水等。 这些过程是参数化的，即表示作为在动态核心明确计算的网格级变量的函数（例如，温度，压力，风，湿度）。 在气候模型的其他组件中也是必要的参数化，每当子网格过程显着影响分辨率范围的变量。

构造参数化是一种工程问题，目标是使用有限的成分，找到“足够的替代品”（Katzav 2013A），用于显着模拟子网格过程。 这是一个具有挑战性的任务。 对于网格级变量的给定值，通常存在许多可能的子网条件的实现。 参数化的标准方法已经是一个确定性的方法，旨在估计子网进程的贡献平均值，在与给定的一组网格规模条件（McFarlane 2011）身体上的许多可能的实现。 替代方法获得受欢迎程度是随机参数化，旨在估计与网格级条件（Berner等，2017）物理上一致的一组可随机选择成员所作的贡献（Berner等。2017）。 通常，通过物理理解通知任一类型的参数化，但也包括至少部分地源于观察的元素（参见Sundberg 2007; GuilleMot 2010）; 这就是为什么参数化通常被描述为“半经验”。 由于气候模型将两种公认的物理理论与此类半经验，设计元素，他们有时描述作为具有一个混合现实主义-工具主义的状态（帕克2006; katzav 2013a;另请参见古德温2015）。

参数化还会导致GCMS / ESMS组件模型中的模糊模块化：哪种参数化与给定的气候模型最佳工作程度取决于其他子网格进程如何表示以及其他陈述介绍的错误（参见Lenhard）＆Winsberg 2010就是“生成壕沟”）。 然而，即使是最好的参数化通常通常具有很大的限制。 实际上，关于如何充分参数化子网格过程的不确定性仍然是气候建模中不确定性的主要来源。 参数化的差异 - 特别是对于云流程 - 在气候系统对增加温室气体浓度的反应的思路中的大部分传播（Flato等，2013：743）。 这是一种新方法的参数化方法：超级参数化涉及以简化的方式明确地模拟子网格过程，通过耦合到每个GCM / ESM的过程（例如，云形成）的1-D或2-D模型网格点（Randall等，2013; Gramelsberger 2010）。 这是一种多尺度建模方法，需要相对于传统参数化的重要额外计算能力。

气候模型的构建也不可避免地涉及一些调谐或校准，这涉及（通常是临时）调整参数值或模型的其他元素，以改善模型性能，通常通过适合观察来测量。 目标是案件的目标有所不同; 它们可能与个人流程或聚合，系统级变量相关，如全球平均表面温度（参见Mauritsen等，2012; Hourdin等，2017）。 调整哪个参数值取决于寻求更好的拟合的观察，但通常在参数化内进行调整，以最佳值显着不确定的参数。 调整模型的程度通常没有详细记录或报告或报告（但是有关一名教练示例，请参阅Mauritsen等人。 最近，呼吁在报告调整策略和目标（Hourdin等人2017）中进行更多透明度，部分原因是有关调谐的信息与模型评估相关（参见第4.4节）。 然而，一个有趣的问题是正如未执行与一组观察数据的正式定量比较，即使没有执行与一组观测数据的正式比较，也可以熟悉这些数据，并且可能在模型开发 - 选择中做出选择，这可能合理地对此有所不同 - 随着期望他们将改善模型的表现，了解已经过了已经看到的数据。

另一个问题涉及社会和道德价值在气候模型建设中的作用。 Winsberg（2010年，2012年; Biddle＆Winsberg 2009）认为，这些价值通过在模型开发和归纳风险考虑中塑造了模型开发和归纳风险考虑，例如，当决定代表气候系统过程时影响气候模型建设（以及由此结果）一种而不是另一个方式，以减少模型的结果错误的风险，以一种特别负面的非认知后果。 他争辩，社会和道德价值在气候模型建设中运作，无论何时没有决定性，纯粹的认识理由，用于考虑一个模特建设选项是最好的。 帕克（2014a）纠纷这一点，指向的重要性，务实的因素，如易于实施，当地的专业知识和计算需求。 Interemann（2015）认为，社会和道德价值可以合法地影响气候模型建设，包括通过Winsberg确定的路线，当这一目标促进民主批准的社会和认识目标的研究。

4.3气候模型的用途

气候模型用于许多类型的目的; 这里只会提到一些（参见彼得森2012：CH.5）。 一个重要的用途是在难以通过可用观察中难以学习的气候系统的特征。 例如，气候系统的内部可变性通常从GCM / ESM仿真中看到的可变性估计，其中外部条件在工业前水平保持恒定（BINDOFF等人2013）。 内部变异性难以从乐器记录估计，因为记录相对较短，反映不仅仅是天然内部过程的影响，而且反映了改变外部条件，例如温室气体浓度上升。 内部变异性估计在寻求检测观察中的气候变化的研究中发挥着重要作用（参见第5.1节）。

气候模型也被用作科学家寻求解释和理解。 通常，气候科学中寻求的解释是因果的; 气候科学家寻求准确的气候系统流程，条件和特征的组合如何聚集在一起引起感兴趣的气候现象，包括气候变化。 帕克（2014b）确定了几种方法，其中气候模型有促进这种说明：由作为一个替代的意见，分析其中可以建议说明假设和帮助填写差距在如何-可能/振振有词解释; 通过允许科学家测试与解释相关的假设，例如，模型中代表的一组因果因子足以产生一种现象（另见1970年Lorenz）; 并且通过作为实验系统可以被操纵和研究，以便在其工作中深入了解，这可以为气候系统本身如何运作的思考。 与后者有关，举行（2005年）要求增加开发和系统地研究“持久价值的层次”的努力 - 从高度理想化到非常综合的方式，这构成了它们彼此的已知关系，使得来源它们的行为的差异可以更容易被诊断出来; 他争辩说，这些等级的研究对于二十一世纪的气候理论发展至关重要。

此外，气候模型用于进行预测。 可能认为，由于混乱，气候预测是不可能的。 但混乱是一种精确地预测系统的轨迹的障碍 - 在不（必然）上，用于预测一个或多个轨迹的统计特性，其状态的时间有序序列的轨迹; 气候预测涉及后者。 使用基于物理和经验模型的一年到十年左右的气候的短期预测（例如，Meehl等，2014; Krueger＆Von Storch 2011）。 对于这些预测，假设是关于在预测期间实际上的实际情况的假设，并且预测从基于近期气候系统状态的估计开始。 然而，更好的已知是使用气候模型来制造长期条件预测，称为投影。 这些都是在特定的外部条件场景下将来的气候所在的预测，而不假设实际发生的任何方案，并且它们通常从初始状态推出，该初始状态是在模拟时段开始时表示气候的初始状态，尽管没有直接估计从观察（见第4.4节）。 气候变化预测已成为气候研究的主要关注点，将在下文第5.2节进一步讨论。

最近，在气候建模的实践中呼吁进行纪律变化，以便更好地提及一些刚才提到的目的。 例如，改善气候变化投影，例如Shukla等人。 （2009）呼吁在气候建模中呼吁“革命”，使得既有国际建模中心均巩固了专业知识和计算能力，允许更高的分辨率模拟。 katzav和帕克（2015）批判地检查此以及其他领先的建议，并反映其潜在好处和成本。

4.4评估气候模型

在整个模型开发过程中发生气候模型的评估。 参数化和组件模型通常单独测试“离线”，以查看它们的表现（Randall等，2007），并在缺乏期望时尝试改进它们。 同样，随着不同的型号组件耦合，存在测试和调整。 该评估可以具有定性和定量维度。 例如，可以检查模型的气候基本上是现实的，在大致正确的地方，突出的特征（例如，大气循环）。 定量评估产生了性能指标的分数。 这些可以包括保护和稳定的衡量标准 - 模型实现了达到大气层的能量平衡的程度如何？ - 井在模型输出和观测数据之间的尺寸测量。 然而，在模型开发过程中发生的评估很少在出版物中报告。 报告的是模型的特征，包括它是如何执行的，一旦完全构造，调整并准备被释放以获得科学用途。

气候模型评估可以有许多不同的目标。 基本动机只是为了了解气候模型如何与气候系统有何关系。 借用Giere（2004）的语言，我们可能会说，目标是了解气候模型与气候系统类似的方面和学位（Lloyd 2010）。 例如，气候科学家可能会调查特定的GCM在北美的温度下呈现季节性循环，大致匹配当前发生在真实系统中的北美。 评估努力也可以在理解过程和机制潜在行为的级别的相似之处。 在这方面，Lloyd（2009年，2010年，2015年）要适应模型结果和对各种指标的观察，对模型组件的独立支持，以及结果的鲁棒性，作为相关的考虑因素。 另一个共同的目标的气候模型的评测，密切相关的第一次，就是要了解是否一个模型是足够的特定用途（帕克2009; baumberger等铝。2017）。 如第4.3节所述，科学家们讨论了各种目的的气候模型：以各种情况为特征，以在特定情景下进行未来气候变化的预测，等等。 许多评估活动旨在告知关于气候模型对这些目的的充分性以及IPSO事实上的结论，关于内部可变性的模型估计，他们对未来气候变化的预测等的信心水平。

关于气候模型的成分 - 例如，它们是近似接受的理论或涉及大量简化的原因 - 可以认为该模型以特定方式或适当（或不）特定方式（或不）的模型与气候系统类似（Baumberger等。2017）。 但气候科学家还通过将模型结果与观察结果进行比较来寻求有关相似性和充分性的证据（另见GuilleMot 2010）。 如上所述，这种比较可以是定性的或定量的。 在某些情况下，衡量模型数据比较是否为模型系统相似度或关于特定目的的气候模型的充分性提供了证据或反对假设的证据是相对简单的。 Prime候选人包括假设的案件只需要在模型结果和观察到的气候系统行为之间粗略适应。 因此，例如，政府间气候变化（IPCC）能够报告

非常高的信心，模型再现全球规模年平均表面温度的一般特征在历史时期，包括20世纪下半叶更快的变暖，以及大量火山喷发后的冷却。 （Flato等，2013：743）

然而，在许多其他情况下，更难以衡量模型 - 数据比较提供模型与气候系统的相似性的证据的程度，或者特别是特定目的的充分性。 有许多复杂因素。

首先，建模结果与观察数据之间的差异可能不是由于气候模型的缺点。 气候数据集可以包含错误或具有低估或未报告的不确定性。 事实上，在一个以上的案例中，它已经证明，模型 - 数据冲突在很大程度上得到了解决，支持模型（参见，例如，LLOYD 2012）。 还有情况下，判断建模结果和数据之间的差的难度是由于在模拟期间获得的外部条件（例如，气溶胶浓度）的假设中的误差（例如，Santer等，2014,2017）。 更基本的是与气候模拟初始条件有关的问题（另见Schmidt＆Sherwood 2015）。 通常，特定时期的模拟由代表性的代表发射，该代表在让气候模型运行一段时间之后到达的外部条件下，如假设在兴趣期开始的情况下; 需要该模型的“旋转”以允许其各种组件彼此平衡。 由于这种代表性的状态不可避免地不同于兴趣期开始的实际条件（例如，1900年1月1日），并且由于气候系统被认为是混乱的，因此预计模拟在整个时期内都无法密切追踪观察结果如果模型完美地代表所有气候系统流程; 目标是气候模拟与观察结果之间的差异，而不是在从兴趣期开始时与外部条件一致的其他初始状态运行的完美模型（即，不大于内部变异性的差异）。