当气候模型失真：如何把不确定性变成决策优势

构建灾难模型

" bdsfid="265">气候的复杂性使其无法进行精确建模。因此，我们必须利用这种不确定性来发挥我们的优势。

作者：" bdsfid="269">David Stainforth

编辑：阿K

现今复杂的气候模型并不等同于现实。事实上，地球的计算机模型与现实相去甚远——尤其是在区域、国家和地方层面。它们无法体现许多已知对气候变化至关重要的物理过程，这意味着我们不能依赖它们来提供详细的局部预测。这令人担忧，因为我们如何应对人为造成的气候变化，完全取决于我们对未来的理解。这种理解赋予我们力量：它让我们洞察自身行为的后果，从而做出明智的决策。它帮助我们思考，如果我们采取强有力的措施减少温室气体排放，如果我们只是浅尝辄止，或者如果我们无所作为，未来将分别走向何方。这些信息使我们能够评估，作为个人、社区和国家，我们认为值得投入的资金水平，并帮助我们在应对气候变化的行动与其他财政需求（如健康、教育、安全和文化）之间找到平衡。

对我们许多人而言，这些问题都源于个人经验和切身感受：我们想知道自己居住、熟悉且情感深厚的地区将会发生什么变化。我们想要的是基于社会不同选择的本地气候预测。

那么，我们从哪里获取这些预测呢？如今，大多数气候预测源自复杂的计算机气候系统模型——即所谓的地球系统模型（ESM）。这些模型在气候变化科学领域无处不在，原因很充分。大气中温室气体的不断增加，正将气候系统推向一个前所未有的状态。这意味着历史经验无法再有效指导未来，仅基于历史观测的预测已不可靠：信息并不蕴含在观测数据中，无论如何处理都无法提取。因此，气候预测的关键在于我们对气候物理过程的理解，而非数据处理。鉴于涉及的物理过程如此繁多——从大气中热量和水分的运动，到海洋与冰盖的相互作用——计算机模型自然成了首选工具。

但问题在于：模型并不等同于现实。

那么，我们能做什么？一种方法是改进模型，使其更精细复杂。但这引出了一个关键问题：模型要到何时才足够逼真，足以预测气候变化这样复杂的现象？模型何时才能“达标”？我们目前没有答案。事实上，科学家们才刚开始研究这个问题，一些人甚至认为，这些模型可能永远无法精确到足以做出长达数十年的局部气候预测。

然而，改变我们使用地球系统模型（ESM）的方式，或许能提供一条不同且更有效的途径，来生成我们所需的局部气候信息。这样做意味着我们要正视不确定性，将其视为我们对气候变化认知的重要组成部分。这也意味着我们要退后一步，承认我们真正需要的并非精确的预测，而是稳健的预测——即便这种稳健性本身就建立在我们承认对未来认知存在巨大不确定性的基础之上。

在深入探讨如何真正绘制本地未来蓝图之前，我想先澄清一个更广泛的背景。本文批判性地探讨了当前气候变化科学方法的可靠性问题。这种探讨可能会被误读为淡化人为气候变化的现实性或严重性。但这将是完全错误的结论。我对气候系统物理学的理解告诉我，人为气候变化的现实性及其对我们社会和文化的严重威胁，是毋庸置疑的。事实上，在我的著作《预测我们的气候未来》（2023）中，我仅用了11个段落概述了为何仅凭高中水平的科学知识，加上对气候变化社会后果的一些常识性思考，就足以证明这一威胁的严重性和规模——足以证明采取变革性行动的必要性。然而，接受这一问题的现实性和重要性，并不意味着其中没有许多值得探讨的细节。气候变化科学和社会科学都是持续研究的领域，因此我们理应预见到辩论和分歧的存在。

计算机模型很容易被挑出毛病。正如统计学家乔治·博克斯（George Box）所说：“所有模型都是错误的，但有些是有用的。”真正的问题是这些模型是否有用。而这取决于你试图解决的问题。要理解这一点，我们需要深入了解这些模型的工作原理。

地球系统模型（ESM）是现代计算机科学的杰出成就，也是极其有用的科研工具。它们将大气和海洋划分成网格单元——通常边长在20到100公里之间——对于每个网格单元，计算机程序会求解一组源自经典物理学的、理论基础扎实且易于理解的方程，这些方程描述了空气和水等流体的行为。这被称为模型的“动力学核心”。可以说，模型的这一部分是基于物理学原理的。

仅仅因为它们是优秀的科研工具，并不意味着它们是可靠的预测引擎。

但仅靠“动力学核心”不足以模拟地球气候系统。这是因为许多关键过程我们尚未完全理解，也缺乏稳健且经过充分验证的数学模型来描述，例如热带和温带森林的生长行为。此外，还有许多过程（例如云、大气对流和海洋涡旋）发生的尺度远小于网格单元，但对地球气候的行为却至关重要。如果模型要模拟气候变化，就必须包含这些过程。然而，我们无法准确描述这些过程的实际情况，因为我们要么对此知之甚少，要么计算上不可行——或者两者兼而有之。因此，我们通过称为“参数化方案”的代码片段将它们纳入模型。这些参数化方案并非对物理过程的直接描述，而是对每个过程如何影响模型其他部分以及与其他部分相互作用的统计表征。云、海洋涡流和许多陆地表面系统就是通过这种方式在模型中“被代表”的。

这种基于物理学的“动力学核心”与统计拟合的“参数化”之间的差异，乍看之下似乎是个最好留给专家们去研究的枯燥问题。但实际上，这场差异对于“气候科学究竟能在多大程度上揭示未来”的争论至关重要。

不过，在深入探讨之前，我们不妨先回顾一下这些模型取得的巨大成就。它们涵盖了从大气动力学到海洋环流、海冰以及一系列陆地表面过程。它们是研究气候系统不同组成部分如何相互作用的极其宝贵的研究工具。用乔治·博克斯的话来说，它们或许并不完美，但对于许多研究领域而言，无疑非常有用。

然而，仅仅因为它们是优秀的科研工具，并不意味着它们就是可靠的预测引擎。作为有用的科研工具，它们只需体现我们所研究过程的一些关键特征即可。但要提供可靠的、跨越数十年的气候变化局部后果预测，它们需要体现我们认为在气候变化时间尺度上可能重要的所有相互作用的过程。而且，它们需要以一种现实的方式做到这一点，需要体现我们认为实际正在发生的事情。这些模型或许不必完美——所有模型皆有误差——但它们必须尽可能接近气候系统所有相关方面的实际情况。

不幸的是，在数十年的时间尺度上，几乎万物都会相互影响。北极海冰的变化可能会影响印度夏季风；北大西洋降雨量的变化可能会影响中非的气温模式。“所有相关方面”涵盖的范围实在太广了。

此外，当今的地球系统模型与现实相去甚远。在许多方面，它们与现实差异巨大。当我们使用这些模型模拟过去时，其输出结果与现实世界的情况大相径庭。对于北美中部或中欧等大片区域，这些模型模拟的温度可能比实际情况高出或低好几度。这意味着，例如，模型模拟的植被将与观测结果显著不同，或者即使吻合良好，也必然是“出于错误的原因”。这一点至关重要。这意味着模型无法反映实际发生的进程，因此任何对变化的预测都将存在缺陷。实际上，我们早已知道情况如此，因为模型中缺失了许多进程，而那些通过参数化方案表示的进程往往无法反映其潜在行为。最终结果是，这些模型与现实的差异过大，无法在区域和局部尺度上做出可靠的、跨越数十年的预测。

这导致气候研究界出现分歧。对于那些希望研究气候变化区域性后果的人，以及希望支持社会构建气候适应型系统的人来说，这些模型提供的数据看起来就像是他们所寻求的预测结果。正因如此，这类模拟被广泛用于这些目的。然而，气候研究界也普遍承认，这些模型在数十年尺度预测方面并不可靠——人们普遍认为这些模型存在重大缺陷。分歧在于我们应该如何应对：如何才能获得关于地球未来气候的更准确信息。

目前存在两种观点。一种观点认为，现有模型不足以胜任，我们需要改进它们。另一种观点则认为，在我们了解模型需要改进到什么程度之前，改进它们意义不大。而且，由于我们无法确定计算机模型何时才算“足够好”，从而对局部气候做出可靠的、长达数十年的预测，因此后一种观点倾向于关注如何更巧妙地运用模型和科学认知。

第一种方案组织得井井有条。在2023年7月柏林的一次峰会上，有人呼吁发起一项新的国际气候建模倡议。这项名为“地球虚拟化引擎”（EVE）的倡议，预计在最初十年内耗资约150亿美元。其中大部分资金将用于大幅提升地球系统模型（ESM）的分辨率，将网格单元的尺寸缩小到边长约1公里。

这种高分辨率模型能提供更“局部”的信息：它们可以区分模拟的悉尼不同郊区，或者模拟的卡尔加里和班夫。但追求高分辨率的必要性主要不在于这些额外细节，而在于其可靠性。还记得那些参数化方案吗？在地球系统模型（ESM）的模拟大气中，这些方案包含了对流等关键过程，而对流对于在气候系统中输送热量和水分至关重要。那些希望通过提高分辨率来改进模型的人认为，目前由统计拟合的参数化方案表示的过程，届时将转而从基于物理的“动力学核心”中产生。也就是说，对流等过程将被“解析”（resolved），从而使模型更好地反映科学认知。这一点至关重要，因为基于科学认知的模型更有可能进行外推（extrapolate）：即使我们没有过去气候变化的观测数据，也能预测未来气候的变化趋势。

这是一个很有道理的论点。更高的分辨率确实有可能去除一些参数化。对于其他现象（例如云），提高细节水平或许能让模型更准确地反映我们对底层物理过程的理解。这些改进将使科学家能够研究气候系统中众多复杂相互作用的更多方面。因此，提高地球系统模型的分辨率将为某些类型的研究创造更好，或者至少是更多的工具。但它能否产生更可靠的气候预测呢？

我认为答案是否定的。它不会。这使我完全站到了反对阵营。虽然更精细网格的模型分辨率可能更高，但仍会遗漏许多过程——例如大气化学和海洋生物地球化学的某些方面，而这些过程已被证实至关重要。尽管分辨率有了显著提升，在模拟从植被等地表效应到大气、海洋和冰冻圈中的诸多过程时，这些模型仍然需要统计拟合的参数化方案。简而言之，这些模型仍然远不能反映我们对现实的理解。

顺便一提，值得注意的是，气候预测需要比天气预报更接近现实的模型。部分原因是，数十年尺度的预测需要我们纳入几乎所有气候过程，因为几乎所有过程都可能影响预测结果。相比之下，天气预报可以忽略许多过程，因为相关的组成部分（例如海洋温度或陆地覆盖）在几天或几周的短期天气尺度上变化不大。另一个重要的区别是，我们可以通过预测和观测结果的周期性对比来衡量天气预报的可靠性。而气候预测无法做到这一点，因此我们对气候预测的信任主要依赖于模型的真实性——依赖于我们相信这些模型代表了当前科学对地球系统运行方式的理解。

那么，如果我们的模型与现实不够接近，而更高的分辨率又不是解决办法，那么另一阵营的方法是什么？他们是谁？他们呼吁什么？

另一阵营其实并非一个统一的群体。他们由来自不同学科、形形色色的学者组成，这些学者都看到了上述问题，并试图寻找不同的解决之道。他们倾向于从“可能发生什么”而非“已经发生了什么”来思考未来。

该阵营认为，前进的方向有两种。

第一种方法涉及故事。“故事线”（Storylines）方法建立在我们对气候系统特定部分的理解之上：例如，印度夏季风、热带气旋的驱动因素，或导致北欧极端洪水的天气模式。这种方法随后会描述该系统的这一部分在未来可能发生的合理变化。当然，气候系统是一个庞大的、由各种不同组成部分构成的集合，它们彼此相互影响，因此不可避免地需要引入关于系统其他部分的专业知识，但在“故事线”方法中，这是通过我们感兴趣的方面来进行的。例如，关于海洋环流变化的问题可能只关注其特征，即它们可能对欧洲极端降雨事件产生的具体影响。

必须认识到，这种“故事线”方法并非凭空捏造叙事。相反，这些变化必须与我们对相关过程的科学理解相一致；我们需要能够以可信的方式描述不同类型的变化是如何发生的。只要能做到这一点，“故事线”就能为我们探索未来各种气候行为提供途径，以便我们在制定应对气候变化的社会决策时加以考虑。“故事线”可以根据特定地点和问题进行设计，并且侧重于利用科学专业知识和理解，而非计算机模型。

然而，真正有效的气候叙事的关键在于，它们应该始终成组出现：一系列叙事共同反映了特定地区或特定类型气候事件可能发生的不确定性。构建这些叙事的学者必须深入思考在特定研究领域内所有可信的气候行为。

这种方法的一个例子是2018年的一项研究，该研究探讨了全球变暖可能导致印度夏季风发生怎样的变化，以及这些变化可能对印度南部的水资源产生怎样的影响。我曾参与这项研究，团队由英国利兹大学气候变化适应学教授苏拉杰·德赛（Suraje Dessai）领导。该项目表明，对气候系统中潜在相互作用的科学思考，能帮助我们更好地理解气候变化对社会重大影响的不确定性。

这个项目也让我意识到，“故事线”方法面临着一个有趣的社会学障碍。这个障碍源于气候变化研究中复杂计算机模型的主导地位。正因为这种主导地位，我们理应预料到专家意见会基于模型所呈现的行为，而不是仅仅反映专家对气候系统过程的理解。在我们的研究过程中，我们不得不努力说服专家们，我们希望了解的是他们对印度夏季风过程的专业知识，而不仅仅是他们对模型中印度夏季风响应的了解。

因此，“故事线”方法并非简单的解决方案。它们需要精心设计，而且侧重于专家而非计算机，所以要大规模应用，就需要对大量具备必要专业知识的人员进行培训和认证。尽管如此，我仍然很欣赏这种方法，因为它们显然建立在我们已有认知的基础上。

然而，还有另一种探索未来可能情况的方法，这种方法同样需要用到地球系统模型（ESM）。与其不断改进这些模型——追逐一个足够逼真、能够做出可靠气候预测的虚幻目标——我们不如让它们对大气中温室气体的增加做出不同的响应。我们的目标应该是响应的多样性。我们需要大量的模型，它们共同展现未来在对我们重要的尺度上可能发生的各种变化。这种方法意味着，我们需要设计一套能够整体发挥作用的模型集合，将它们作为一个整体来使用，而不是关注单个模型并逐一分析它们的影响。

这里的观点是，虽然所有地球系统模型（ESM）都与现实差异巨大，无法单独用于气候预测，但它们都概括了真实世界气候系统的关键特征。正因如此，它们是优秀的科研工具。例如，如果我们通过改变参数化方案中的假设来调整模型，就可以创建替代版本。许多这样的替代“模型版本”与原始模型一样可信，但可能会向我们展示未来气候变化的不同可能路径，尤其是在局部尺度上。此外，如果我们发现无法使模型达到某些类型的响应，那么我们就获得了一种新的信息：一条新的证据线，它或许表明地球（或任何与我们地球略有相似的星球）无法以某种方式响应气候变化。

这第二种方法并非空想。过去25年间，许多项目都生成了模型版本集合。这些集合被称为“扰动物理集合”（perturbed physics ensemble），其中规模最大的当属牛津大学于2003年启动的气候预测项目（CPDN）开展的一项实验。该实验采用“公共资源分布式计算”模式：公众自愿贡献自己的计算机，在闲置时运行模型版本。坦白地说，气候学家迈尔斯·艾伦（Myles Allen）最初提出了这个项目的想法，而我也是联合创始人之一——因此，我对这些实验格外感兴趣也就不足为奇了。

CPDN实验生成了对温室气体增加反应各异的新模型版本。从这些模型版本中可以得出一些明确的信息。例如，所有6203个通过基本相关性一致性检验的模型版本都显示出全球变暖（这在意料之中，是基本的物理规律），而且每个模型都显示北欧冬季降雨量增加，地中海盆地夏季降雨量减少。

这表明，生成新模型版本的过程可以产生清晰的信息。但当然，这个过程也会产生很大的不确定性。例如，在CPDN实验中，北欧冬季降雨量的增幅从不到10%到超过50%不等，而该地区/季节的相关气温增幅则从低于2摄氏度到超过8摄氏度不等。不过，不必过分认真对待这些数字；该实验使用的是一个旧模型，其海洋环境高度理想化，并且大气温室气体的变化情景也刻意设定得不切实际——之所以如此设定，是因为该模型旨在解决与全球气候整体敏感性相关的特定研究目标。这里的重点在于它所产生的各种可能性，而不是绝对数值本身。

如何才能更好地理解我们未来的气候？现有的实验（例如CPDN项目）已经展示了如何利用我们的模型来探索未来的可能性，但迄今为止，还没有专门设计用于研究应在局部尺度上考虑的各种未来气候行为的实验，也没有任何实验旨在生成能够为社会决策提供信息的模型版本。事实上，利用现有的地球系统模型（ESM）来实现这一点需要庞大的计算资源，而且成本非常高昂。但是，我们不应忽视此类投资的可能性——毕竟，高分辨率的EVE计划正在寻求数十亿美元的资金用于ESM研究。如果这些资金能够到位，那么开发能够解决EVE所针对的相同问题的模型版本将是更明智的使用方式。

探索多种可能的应对方案，而非仅仅提高现有模型的分辨率，也改变了基于模型的预测中根本的科学问题。过去，这个问题类似于：“一个模型何时才足够现实，能够预测未来的气候？”而从多样性的视角来看，我们需要问的是：“一个模型何时太过不切实际，以至于无法提供关于未来气候的有效信息？”这是一个意义深远且至关重要的转变，气候变化科学和社会科学都需要接受它。

但专注于高分辨率建模的危险之处不仅在于我们无法回答“模型何时才足够接近现实”这个问题，还在于投资于这种方法也意味着我们缺乏探索不确定性的能力，这必然会导致人们对模型预测结果过度自信。这一点尤其令人担忧，因为地球系统模型正越来越多地被用于指导我们社会各方面的决策和投资。因此，对基于模型的预测过度自信可能会导致错误的决策：这些决策是基于模型中设想的未来情景而制定的，而不是基于我们对现实中各种可能未来情景的理解。

相比之下，“扰动物理集合”和“故事线”方法则侧重于探索和描述我们的不确定性。将不确定性置于核心地位至关重要。当我们进行投资或赌博时，我们不会仅仅基于我们认为最可能的结果，我们会考虑所有可能的结果——理想情况下，这些结果应该用概率来描述，尽管这并非总是可行。气候变化也是如此。我们不应仅仅基于对未来可能发生情况的最佳估计来制定计划，还应考虑我们预见的各种可能结果。

我们对不确定性的认识也是我们对气候变化认识的一部分。我们应该接受这种认识，拓展它，并加以利用。如果我们充分理解不确定性，就能将自身的价值观应用于我们愿意承担的风险。因此，不确定性必须成为适应规划的核心，同时也是我们评判气候政策和能源转型价值的视角。在我看来，希望为社会做出贡献的气候研究人员和建模人员应该专注于理解、描述和量化不确定性，并避免陷入寻求能够做出可靠预测的气候模型的陷阱。

因为这样的模型或许永远不会存在。

作者

大卫·斯坦福斯（David Stainforth），他是伦敦政治经济学院格兰瑟姆气候变化与环境研究所的教授级研究员。他是《预测我们的气候未来：我们知道的、我们不知道的以及我们无法知道的》（2023 年）一书的作者。

我们是谁

我们的世界不止有一种声音 | 独立·多元·深度

日新说深耕国际议题，秉持普世价值与人文精神，致力于多元视角讲述与思考我们的世界。

欢迎关注我们其他平台账号（腾讯新闻、微博、头条、B站、百度、小宇宙）：日新说Copernicium

每日更新，敬请期待，若想投稿或加入读者社群请添加小编微信：rixinshuo114

文章仅供交流学习，不代表日新说观点，观点不合，欢迎投稿~