玻尔百科地球大气是一片广阔而湍动的空气海洋，是一个混沌系统，其行为决定着我们的日常天气和长期气候。预测其未来状态是我们这个时代最重大的科学挑战之一，然而，从短期的公共安全到长期的气候变化政策决策，它都至关重要。但是，我们究竟如何才能在计算机中捕捉这种复杂性？我们如何将物理学的基本定律转化为一个能够解释从单个云层到全球气候系统万物的预测工具？
本文对大气建模这门科学与艺术进行了全面概述。我们将从核心物理原理出发，一路探索至使现代预报成为可能的复杂计算技术。在第一章原理与机制中，我们将把一个大气模型分解为其基本组成部分，审视物理定律如何为计算而调整，行星的能量收支如何计算，以及连续的大气如何在离散的数字世界中得到表示。随后，关于应用与跨学科联系的章节将拓宽我们的视野，揭示这些模型不仅是预报工具，更是跨学科科学的强大仪器，将大气与海洋、冰盖乃至计算的基本极限联系起来。
想象一下，你想描述一个简单而熟悉的物体，比如一个在台球桌上滚动的台球。你会使用牛顿定律。你会谈论它的质量、速度、来自台面的摩擦力，以及它如何从台边反弹。现在，如果你的“台球”是整个地球大气，而“台球桌”是一个由遥远恒星加热的、自转、倾斜且凹凸不平的行星呢？这就是大气建模的宏大挑战。原理是相同的——质量、动量和能量守恒——但舞台要复杂得多。大气建模的任务就是将这些永恒的定律翻译成计算机能够理解的语言，这个过程既是一门艺术，也是一门科学。
要驾驭这种复杂性，我们必须做的第一件事就是领会事物的尺度。地球是巨大的，其半径约为公里。大气层，这片翻腾的空气海洋，对于生活在底部的我们来说似乎广阔无垠。但从宇宙的视角来看，它是一个极其薄的外壳。大部分“天气”——对我们至关重要的云、风暴和风——都被限制在对流层中，这是一个特征厚度仅约公里的层。
让我们停下来思考一下这两个数字的比率。我们大气的纵横比是。这个数字，仅仅是一个微不足道的分数，却是我们工具库中最强大的工具之一。因为相对于行星的大小，大气层是如此之浅，我们可以进行一系列深刻的简化，称为浅层大气近似。例如，我们可以假装当我们的大气中上下移动时，离地心的距离并没有真正改变。我们可以简单地用常数平均半径来代替它。我们造成的误差在的量级，这是可以忽略不计的。同样，引力，虽然严格来说会随距离减弱，但可以在这个薄层中被视为一个常数。这些可能看起来像是小小的记账技巧，但它们具有变革性。它们将控制方程中极其复杂的球面几何简化为更易于管理的形式，将一个棘手的问题转变为我们可以开始解决的问题。
是什么让这个薄薄的流体壳层运动起来的？是来自太阳的能量。让我们建立一个最简单的地球气候模型。想象我们的行星是一个吸收阳光的简单球体。单位面积上的入射太阳功率，即太阳常数，约为。地球作为一个球体，在一个圆形面积上截取这种辐射，但通过其整个表面积向太空辐射热量。一部分入射光，即反照率（地球约为），被反射掉。平衡能量输入和输出，我们得到了地球有效辐射温度的公式：
代入数字，我们发现，即寒冷的。这远低于舒适的全球平均地表温度（）。我们的星球本应是一个冰球，但事实并非如此。为什么？
答案在于大气的微妙性质及其与光的相互作用，这个过程由辐射传输方程描述。关键的洞见是，大气对待太阳光和“地球光”的方式截然不同。太阳辐射来自一个温度近的物体，因此其能量集中在短波（可见光）波段。而地球辐射，由一个约的表面和大气发出，其能量则集中在长得多的波长（热红外）上。
对于大气来说，这就像看到了两种不同颜色的光。它对太阳光的“颜色”基本透明，让其穿过来加热地面。然而，它对地球光的“颜色”则相当不透明。水蒸气和二氧化碳等温室气体吸收了这种向外的红外辐射。通过吸收并重新辐射这些热量，其中一部分返回到地表，大气就像一条毯子，使地表温度远高于没有大气的情况。这就是著名的温室效应。
在我们的模型中，我们通过一个巧妙的近似来捕捉这一点。当我们计算短波（太阳）辐射的传输时，我们可以基本忽略大气本身在发射热量的事实，因为在这些高能波段，其热辐射是完全可以忽略的。对于可见光频率()和大气温度()，普朗克定律中的指数项变得巨大，将发射抑制到几乎为零。但是，当我们计算长波（地球）辐射的传输时，这个热辐射项反而成为主角。它是辐射的主要来源，主导着热量通过大气层流向太空的过程。这种将辐射分为两个不同波段的方法，是一个深刻的物理原理如何简化计算问题的优美范例。
所以，我们有一个浅层流体，由复杂的辐射引擎驱动。这种流体的运动由一组偏微分方程（PDEs）——原始方程——所控制，它们是著名的纳维-斯托克斯方程的“近亲”。大尺度大气流动的一个奇特特性是，在很好的近似下，它们是不可压缩的。这并不意味着密度是恒定的，而是说气块没有被快速挤压或膨胀，声波也不重要。
模型如何强制执行这一点？不可压缩流体有一个神奇的特性：如果你在一个地方戳它一下，整个流体必须瞬时调整以保持质量守恒。这种全局的、瞬时的通信在数学上由一个椭圆型偏微分方程描述，例如关于压力的泊松方程。在每个时间步求解这个方程，就像收紧一张覆盖整个模型区域的刚性网络，确保速度场在任何地方、任何时刻都保持无散度。
为了求解这些方程，我们必须将它们交给计算机。这意味着我们必须进行离散化：将连续的时空世界切分成有限的网格点。这又带来了许多新的挑战。
你如何在一个球体上包裹一个网格？最显而易见的方式，即经纬度网格，却饱受极地问题的困扰。就像地球仪上的经线在两极汇聚于一点一样，经纬度网格上的网格单元在两极变得无限窄。为了防止信息在一个时间步内跳过这些微小的单元——这违反了Courant-Friedrichs-Lewy (CFL) 条件——模型必须采用极小的时间步长，这在计算上是毁灭性的。现代的解决方案是放弃经纬度结构，转而采用更各向同性的网格，例如基于二十面体（一种20面的骰子）的网格。这些非结构化网格用大小基本均匀的单元覆盖球体，巧妙地避开了极点奇点。
选择如何随时间推进（时间离散化）也是一门精巧的艺术。像流行的龙格-库塔格式这类方法必须谨慎选择以确保数值稳定性。每种格式都有一个“绝对稳定区域”，我们必须选择足够小的时间步长，以使量（其中与我们系统中最快波的频率有关）保持在该区域内。如果它超出了这个区域，数值解将无限制地放大，模型将在一堆无意义的数字中崩溃。
即使是最强大的超级计算机也无法解析大气中的每一个涡旋和涡流。一个典型的全球模型可能具有公里的网格间距。这意味着任何比这更小的现象——一个单独的雷暴、一阵湍流风、一个云滴的形成——对模型来说都是不可见的。它发生在网格点“之间”。
我们不能简单地忽略这个次网格尺度的世界；它的集体效应是巨大的。这引发了大气建模的核心挑战之一：参数化。我们必须编写简化的、基于物理的“配方”，来表示这些未解析过程对模型所能看到的大尺度的净效应。例如，由未解析的湍流涡旋引起的剧烈混合被参数化为“涡黏性”。这不是像分子黏性那样的真实流体属性；它是一个描述湍流输送效率的参数。它的值通常比空气的分子黏性大数百万倍，这告诉我们，在大气中，是湍流而非分子摩擦完成了所有重要的混合工作[@problem_d:4102407]。
离散化过程本身也可能引入问题。一些数值格式虽然对于平滑流动非常精确，但却是无耗散的。它们没有机制来消除在网格所能表示的最小尺度上虚假堆积的能量，导致一种称为“网格尺度噪音”的数值垃圾。为了解决这个问题，建模者通常会添加显式滤波或超扩散。这就像一个高度选择性的数值阻尼器，仅对靠近网格尺度的极短、非物理波长施加强烈的制动，而几乎不触及那些重要的、大尺度的天气系统。
当我们希望放大特定区域以获得更详细的预报时，我们会使用区域气候模型 (RCM)。这是一种在高分辨率下运行于有限区域的模型，其边界信息取自一个更粗糙的全球模型。这种嵌套引入了侧边界条件的关键问题。RCM 是一个开放系统，信息在其中流入流出。双曲型偏微分方程的数学告诉我们一个优美而严格的道理：为了使问题是适定的，我们只能在流动进入区域的“入流”边界提供信息。我们必须允许信息自由地从“出流”边界流出。如果我们违反此规则并试图在出流点强加数据，我们将产生虚假波，这些波会反射回区域内部，污染整个模拟。
最后，我们必须面对一个令人谦卑的真相：我们的模型并不完美，而大气本质上是混沌的。这导致了预报的不确定性。我们可以将这种不确定性看作两种类型。首先是认知不确定性：我们知识的缺乏。我们无法完美地知道大气的初始状态，我们的模型方程和参数都是近似的。其次是随机不确定性：系统的内在随机性，源于未解析的次网格过程的混沌性质。
处理这个问题的现代方法是集合预报。我们不再运行单一的、“最佳猜测”的预报，而是运行一个庞大的集合，即一系列预报。集合中的每个成员都略有不同：我们从略有差异的初始条件开始（以代表初始状态的不确定性），我们微调它们的参数，甚至使用不同的结构模型或随机参数化方案。结果不是一个未来，而是一系列可能的未来。集合的离散度为我们提供了预报不确定性的直接度量。预报结果的紧密聚集给了我们信心；一个广泛、分散的模式则告诉我们未来高度不确定。这种概率方法是从寻求单一正确答案到量化我们对一系列可能性信心的深刻转变，它代表了现代大气建模的巅峰。
在遍历了为大气模型注入生命的基本原理之后，人们可能会倾向于将其视为一个自洽的方程宇宙。但这就像研究和声定律却从未听过交响乐。大气建模的真正美丽和力量，只有当我们将它转向世界，不仅仅是为了预测我们野餐时的天气，而是为了理解我们整个星球错综复杂的舞蹈时，才会显现出来。这些应用不仅仅是注脚；它们是整个事业的目标，在其中，我们发现了与几乎所有科学分支的惊人联系。
让我们从一个听起来宏大，几乎难以估量的问题开始：地球大气的总质量是多少？人们可能想象需要向天空的每一层发送探测器，一丝不苟地测量密度和体积。但答案，以一种物理推理的优美展示，就躺在我们的脚下。你周围空气给你带来的压力，大约是每平方米牛顿，这不过是从那一平方米一直延伸到太空的空气柱的重量。
如果我们知道每平方米上方空气的重量，并且我们知道地球的总表面积，我们就可以简单地将它们全部相加。总作用力是压力乘以地球表面积。由于重量是质量乘以重力加速度，大气的总质量就是这个总作用力除以。这是一个非常简单的公式：。请注意这个方程中没有什么：我们不需要知道大气的温度、它的成分，或者它的密度如何随高度变化。使用已知的地表压力和地球半径值，这个简单的模型给我们的答案大约是公斤。这就是一个好模型的力量：它可以将复杂的现实提炼成简单而深刻的洞见。
当然，对于详细的天气预报，我们需要的不仅仅是总质量。一个现代的大气模型将世界划分成一个网格，但即使有最快的超级计算机，每个网格框的边长也可能有几公里。那个网格框内部发生了什么？积云的美丽、湍急的漩涡，摩天大楼周围的阵风，空气拖曳过森林的摩擦——所有这些都比我们的网格要小。它们是“次网格”现象。
这是否意味着我们的模型对它们视而不见？完全不是。这就是*参数化艺术的用武之地。我们教给模型这些看不见过程的影响*。参数化是一种规则，或一种“本构关系”，它用我们模型确实知道的大尺度变量（如整个网格框的温度或风）来表达未解析的次网格世界的影响。
想想边界层，即大气与地面相接的那个翻滚、湍动的区域。风并非毫无摩擦地滑过地表；它“感受”到下面地形的粗糙度。为了模拟这一点，我们必须参数化动量通量——即动量从空气传递到地表的速率。我们引入了诸如空气动力学粗糙度长度和零平面位移高度等参数。对于一片草地，可能只有几厘米。对于一个密集的城市或森林，大部分拖曳力作用于建筑物或树木的高处，有效地面被向上位移了，粗糙度变得更大，可能达到几米。这些不仅仅是随意的数字；它们是具有物理意义的参数，可以通过卫星数据（如森林冠层的激光雷达扫描）来估算，从而让我们的模型能够真实地模拟一阵风在森林上空与在开阔湖面上空减速的不同情况。这种表示次网格世界的过程是所有大气模型的基础，使它们能够解释从单个云的形成到气体的辐射效应等一切现象。
大气不是独奏者；它是宏大行星交响乐团的一部分。它的故事与海洋、冰盖、陆地以及覆盖其上的生命的故事密不可分。当今最先进的模型不仅仅是“大气模型”，而是*地球系统模型*，其中为每个组成部分——大气、海洋、陆地、冰——开发的独立、复杂的模型被耦合在一起，在持续的对话中交换信息。
考虑海洋和大气之间的相互作用。沿着加利福尼亚或秘鲁的海岸，风常常将温暖的表层海水推离海岸，使得深海中寒冷、富含营养的海水上涌。大气感觉到了什么？海面温度的突然下降。这片冷水直接冷却了其上方的空气，使其密度远大于上方的暖空气。这形成了一个强烈的逆温层，像一个盖子一样，将湿气困在凉爽的海洋边界层内。结果呢？大片持续存在的层积云形成。对这个过程的一个简单模型显示，仅仅摄氏度的海面温度下降就可能导致云量显著增加，增幅可能高达（或12%）。这是一个跨学科科学的美丽范例：一个海洋学过程（上升流）直接控制一个气象学过程（云的形成），对区域乃至全球气候产生深远影响，因为这些明亮的云将大量阳光反射回太空。
耦合可以更加紧密。正如我们所见，地表的粗糙度至关重要。在海洋上，是什么决定了粗糙度？是波浪。平静的海面在空气动力学上是光滑的，而被风暴掀起的白浪滔滔的海洋则为风提供了一个粗糙得多的表面。最先进的耦合模型不再将海洋粗糙度视为一个简单的常数。大气模型将风场提供给一个专门的波浪模型（如 WAM 或 WaveWatch III）。波浪模型模拟波浪的生长和传播，并反过来告诉大气模型有关海况的信息——例如，通过提供定向波谱或一个量化波龄的参数。这使得大气模型能够计算出一个物理上一致、随时间变化的粗糙度长度，捕捉到随着海面变得更汹涌拖曳力如何变化，甚至风的应力如何在产生波浪和驱动洋流之间分配。
这种对话延伸到我们星球最寒冷的地区：冰冻圈。格陵兰和南极洲的巨大冰盖并非静止不动。它们是流动的冰河，在表面积累雪，并向海洋排放冰山。蓬松的表面雪（称为粒雪）压实成固态冰川冰的速率，关键取决于上覆大气的条件。致密化过程是一种热激活蠕变现象，很像金属棒在应力下缓慢弯曲。在较高的温度和较高的降雪累积率压力下，这个过程进行得更快。我们的模型通过一些关系式来捕捉这一点，其中致密化速率与温度呈指数关系（阿伦尼乌斯型定律），与累积率呈幂律关系。大气模型提供温度和降雪量；冰盖模型用这些信息来计算粒雪如何压实，这反过来又改变了冰盖的表面高程。这种高程变化随后反馈给大气，改变了当地的温度和风型。这是一个缓慢而强大的反馈回路，对于理解海平面上升的长期未来至关重要。
尽管我们的模型如此复杂，我们必须面对一个深刻的真相：大气是混沌的。这不是关于无序的陈述，而是一个精确的数学性质。控制流体运动的方程是非线性的，它们表现出*对初始条件的敏感依赖性*——著名的“蝴蝶效应”。今天大气状态中一个微小、无法测量的差异，可能导致几周后完全不同的天气预报。这意味着即使一个拥有近乎完美初始数据的完美模型，其可预报性也有一个根本的极限。
这种混沌性质不是一个缺陷；它是该系统固有的特性。模型的行为通常可以用其状态空间中的*吸引子来理解。一个简单的系统可能会稳定在一个不动点*（一个稳定的平衡态），或一个*极限环（一个完美的重复振荡，如简单生态系统模型中的捕食者-猎物循环）。然而，混沌系统在一个混沌吸引子*上演化——这是一条被限制在有限区域内但从不重复、并无休止地自我折叠和拉伸的轨迹。一个连续的自治系统至少需要三个变量才能表现出混沌；这就是为什么简单的二维模型可以有极限环但没有混沌的原因。洛伦兹模型是一个从大气对流方程推导出的简化三变量系统，是混沌吸引子的首个也是最著名的例子之一，揭示了天气深层次的不可预测性。
如果大气是混沌的，我们到底如何预报天气？关键是不断用真实世界的观测来引导我们的模型。这个过程称为数据同化。每隔几个小时，大量来自卫星、气象气球、飞机和地面站的数据被输入模型。但我们不能简单地用观测值覆盖模型的状态；观测数据是稀疏的，并且自身带有误差。相反，我们使用统计技术来找到模型预报和新观测之间的最佳折衷。最强大的现代技术之一是*集合卡尔曼滤波*（EnKF）。我们不再运行一个预报，而是运行一个完整的集合——也许是50个或100个——每个都有略微不同的初始条件。集合的离散度为我们提供了预报不确定性的度量。当观测数据到达时，每个集合成员都会被更新，其方式是将整个集合拉近观测值，同时保留不同变量（如风和压力）之间复杂的、物理上一致的相关性。对于高度复杂、非线性的模型，EnKF 是一个近似方法，但它非常有效，已经彻底改变了数值天气预报。
最后，值得一提的是，一个地球系统模型不仅仅是一套方程；它是有史以来建造的最复杂的科学仪器之一。它是软件工程、数值分析和计算机科学的杰作，通常包含数百万行代码，运行在世界上最大的超级计算机上。构建这样一个模型是一项巨大的跨学科挑战。
考虑耦合问题。大气在几分钟和几小时内变化，而冰盖则在几个世纪内演变。大气模型和冰盖模型应该多久交流一次？如果它们交换信息的频率太低，比如说一个月一次，冰盖模型将完全错过由日循环驱动的短暂而强烈的夏季融化事件。如果它们交流得太频繁，计算成本将是惊人的。耦合间隔的选择是一个信号处理问题。为了准确捕捉像日循环这样的信号，我们必须至少每个周期采样两次（奈奎斯特定理）。但为了避免扭曲信号的幅度，耦合必须更加频繁。详细分析表明，要将捕获太阳辐射日循环的误差保持在百分之几以内，模型可能需要每4到6小时交换一次信息。
那么计算本身的速度呢？这些模型是大规模并行的，将地球的网格划分给数千甚至数十万个处理器核心。但根据计算机科学中的*阿姆达尔定律*，总加速比最终受到代码中无法并行化部分的限制。在耦合模型中，耦合器本身——例如，从海洋模型收集数据并将其重映射到大气网格上的组件——通常是一个串行瓶颈。即使我们有无限多的处理器来运行大气和海洋组件，我们仍然必须等待单线程的耦合器完成其工作。如果耦合器占总时间的10%，而代码的其余部分95%可并行化，我们所能期望的最大加速比不是无限的，而是不到7倍。这揭示了一个深刻的联系：我们提出和回答关于气候的科学问题的能力，从根本上受到计算机体系结构原理的制约。
从用一个简单的方程衡量空气重量，到面对并行计算的极限，大气建模是一个在学科交叉点上蓬勃发展的领域。它是物理定律统一力量的证明，也是我们探索和生存在这个复杂、不断变化的星球上的关键工具。