玻尔百科预测地球气候的未来是当今科学面临的最复杂的挑战之一。气候并非沿着单一、预定的路径发展；它是一条分岔的道路，其走向在很大程度上取决于人类未来的集体选择。由于我们无法为政治协议、技术革命或社会转变赋予简单的概率，因此我们无法真正预测未来的气候。这种关于我们自身行为的深刻且不可简化的未知性，是科学家们称之为“深度不certainty”的核心问题。
为了应对这一挑战，科学界开发了一个强大的气候变化情景框架。这些情景并非预测，而是连贯、自洽的“如果-会怎样”的故事，旨在探索一系列合理的未来。本文将深入探讨这些情景背后的复杂机制。在“原理与机制”部分，我们将剖析这些情景是如何构建的，从社会经济叙事到气候模型的物理语言。我们将探讨共享社会经济路径 (SSPs)、代表性浓度路径 (RCPs) 的作用以及不确定性的不同来源。随后，“应用与跨学科联系”部分将展示这些情景如何为工程师、生态学家、公共卫生官员和经济学家提供一种通用语言，以评估风险并建立一个更具韧性的世界。
想象一下，你正站在一座大山脚下，想知道明天山顶的天气会是怎样。你的预测将取决于两件截然不同的事情：支配天氣系統如何演變的基本氣象學定律，以及一個關鍵的、不可知的因素——目前遠在海上的強大風暴系統是否會轉向你的山脈。一部分是关于物理学，另一部分是关于一个尚未解决的选择，或者至少是一种偶然性。
预测地球气候的未来是一个类似但远为复杂的挑战。未来气候并非我们注定要遵循的单一、预定路径。它是一条分岔的道路，我们所选择的转弯取决于人类的集体选择。因为我们无法为人类文明的未来进程——我们的政治协议、技术革命和社会价值观——赋予一个简单的概率，所以我们无法像预测抛出的球的路径那样预测未来的气候。这种关于我们自身未来行为的深刻且不可简化的未知性，就是科学家所说的深度不确定性。
那么，我们该怎么做呢？我们不做单一、徒劳的预测，而是采取任何优秀战略家都会采取的做法：我们探索一系列合理的“如果……会怎样？”的故事。我们构建情景。这些情景并非预测；它们是关于未来的自洽叙事，旨在帮助我们理解不同选择的后果，并为一系列可能的结果做好准备。
任何气候情景的核心都是关于人的故事。毕竟，气候并非自行变化；它是被我们的活动所迫而改变的。为了构建一个连贯的故事，我们需要思考人类社会的基本驱动力。气候科学家与经济学家和社会学家合作，将此简化为几个关键要素，这些要素著名地体现在一个类似于Kaya恒等式的关系中：总碳排放量可以看作是人口、人均经济活动、该活动所使用的能源以及每单位能源排放的碳的乘积。
这就是现代气候情景第一个主要组成部分的来源：共享社会经济路径 (Shared Socioeconomic Pathways, SSPs)。SSPs是一套五种丰富、详细的叙事，描述了在不考虑任何新的、具体的气候政策的情况下，世界在21世纪可能如何演变。它们是背景，是气候变化这出戏剧可能展开的舞台。
这些叙事不仅仅关乎数字；它们探讨了社会的质地：
这些故事中的每一个都伴随着一套关于人口增长、GDP和城市化等方面的定量预测。但叙事同样重要，因为它告诉我们一个社会应对挑战的能力。例如，在合作、技术先进的SSP1世界中实现气候目标，要比在碎片化、互不信任的SSP3世界中容易得多。
现在我们有了这些关于人类的丰富故事。但是一个地球系统模型——一个模拟我们星球物理、化学和生物学的巨型计算机模拟——无法理解一个“故事”。它理解的是瓦特/平方米和十亿吨碳之类的事情。我们如何将SSP的定性叙事翻译成物理学的定量语言？
这是称为综合评估模型 (Integrated Assessment Models, IAMs)的复杂计算机模型的工作。它们充当着伟大的翻译者。IAM接收SSP叙事及其相关数字（人口、GDP等），并模拟由此产生的能源系统、土地利用，以及至关重要的温室气体和其他污染物的排放。这个过程创建了一个连续的因果链：
社会经济驱动力 () 排放 () 浓度 () 辐射强迫 ()
SSP故事 () 被IAM翻译成各种物质（、、气溶胶等）的排放 ()。这些排放随后被输入简化的碳循环和大气化学模型，以确定它们如何在大气中累积为浓度 ()。最后，辐射传输的基本物理学告诉我们这些浓度如何改变地球的能量平衡。这种能量平衡的变化被称为辐射强迫 ()，即对气候系统的直接物理“推动力”。
虽然SSPs提供了“无气候政策”的基准线，但科学家们常常想问另一种问题：“一个具有特定水平气候变化的世界会是什么样子？”这需要一个目标。你能给气候模型的最直接的物理目标不是温度本身，而是驱动温度变化的辐射强迫。
这就是代表性浓度路径 (Representative Concentration Pathways, RCPs)的作用。你可能见过像RCP2.6、RCP4.5或RCP8.5这样的标签。这些只是情景的名称，它们被设计成在2100年达到特定的辐射强迫水平。数字代表了相对于工业化前时代的目标强迫，单位是瓦特/平方米 ()。因此，RCP2.6是一个极低排放的未来，目标是一个的小能量失衡，而RCP8.5是一个极高排放的未来，导致一个的巨大失衡。
值得注意的是，这些标签是针对所谓的有效辐射强迫 (Effective Radiative Forcing, ERF)的近似目标，这体现了科学的诚实性。“有效”部分承认，当你向大气中添加温室气体时，大气本身会非常迅速地调整，这些调整也会影响能量平衡——例如，通过改变云量——甚至在广阔、缓慢移动的海洋有时间变暖之前。由于不同的气候模型以略微不同的方式表示这些快速调整，它们为给定情景计算出的确切强迫值会有所不同。因此，RCP标签最好不被理解为精确的数字，而是作为不同气候未来家族的名称[@problemid:4082269]。
这个框架的真正威力在于我们将社会经济故事 (SSPs) 与气候目标 (RCPs) 结合起来时。这是在一个名为情景模型比对计划 (ScenarioMIP)的宏大实验设计中完成的，该计划协调世界各地的模型中心。
该框架创建了一个矩阵。例如，SSP2-4.5情景提出这样一个问题：“在一个‘中间道路’的社会经济世界 (SSP2) 中，人类需要做什么才能将2100年的辐射强迫限制在？”为了回答这个问题，IAMs必须引入气候政策。由于SSPs被定义为没有气候政策的基准线，因此需要另一个要素：共享政策假设 (Shared Policy Assumptions, SPAs)。这些是关于可以使用的政策类型的标准化假设，例如全球碳价、国际合作的时机，或碳捕获等关键技术的可用性。SPAs是模型可以拉动的“杠杆”，用以将SSP的基准排放轨迹向下弯曲，以达到特定的RCP目标。
这个矩阵使我们能够探索至关重要的问题。在SSP3的碎片化世界中，能否实现雄心勃勃的目标？与在SSP1的合作世界中相比，这要困难多少？这种架构使我们能够将社会经济背景的影响与所需的气候行动严厉程度分离开来。
一旦像SSP2-4.5这样的情景被完全定义——即随时间变化的温室气体浓度、气溶胶排放和土地利用变化路径——它就被输入到大型地球系统模型 (ESMs)中。这些模型实际模拟海洋、大气、冰和陆地的详细响应。
但即使是对于单一情景，模型也不会产生单一的答案。它们产生一个可能未来的“扇形”分布。这是因为存在三种截然不同的不确定性来源，理解它们是正确解释任何气候预测的关键。
情景不确定性： 这是最大的不确定性：我们根本不知道人类会选择哪条道路。它是像SSP1-2.6这样的低排放世界的整个预测扇面与像SSP5-8.5这样的高排放世界的扇面之间的差异。这就是我们开始时谈到的深度不确定性。
模型不确定性： 每个ESM都是由不同科学团队独立尝试用一组方程来表示极其复杂的气候系统。虽然所有模型都基于相同的物理定律，但它们在细节上有所不同，例如它们如何表示云或海洋涡旋。运行完全相同情景的不同模型得出的结果差异就是模型不确定性。它代表了我们对气候系统本身知识的不完整性。
内部变率： 气候是一个混沌系统。它有其自身的非强迫性自然节律，如El Niño和La Niña。即使在气候恒定的情况下，有些年份比其他年份热，有些十年比其他十年湿。气候系统内部固有的“噪音”或“天气”就是内部变率。科学家通过多次运行完全相同的模型和完全相同的情景，但初始条件有微小的“蝴蝶效应”差异来衡量它。
这种关于不确定性的思考框架带来了一个深刻而实用的见解。想象一下，你正在内部变率的“噪声”中寻找气候变化的“信号”。
在近期 (未来10-30年)，不同的SSP-RCP情景还没有太多时间产生分歧。SSP1-2.6和SSP5-8.5之间的强迫差异仍然很小。同时，特别是在区域尺度上，内部变率的自然“噪声”非常大。想想你所在城市的温度在一个夏天和下一个夏天之间有多大的变化。因此，在近期，区域气候预测的不确定性主要由内部变率主导。我们无法仅通过观察未来十年的天气就自信地说出我们正处于哪种情景。
在长期 (至2100年)，情况完全翻转。情景现已急剧分歧，造成了巨大的辐射强迫差异——一个强大的“信号”。此外，当我们观察全球平均温度时，区域性的高点和低点内部变率往往会相互抵消，从而大大减少“噪声”。在这种情况下，气候变化信号响亮而清晰。世纪末全球温度的不确定性绝大多数由情景不确定性主导。最大的问题不是模型的物理原理或天气的随机性；而是我们选择哪条路径。
如果这个全球情景和模型框架不能帮助我们理解自家后院的风险，那它就仅仅是一项学术活动。但它能。该过程的最后一步通常是降尺度，它将全球模型的粗粒度输出转化为本地影响研究所需的高分辨率数据。
一种方法是统计降尺度，它利用大尺度天气模式与本地气候之间的历史关系来进行统计预测。这种方法速度快，但它假设过去的关系在未来依然成立——在一个迅速变化的世界里，这是一个有潜在风险的假设。一种更强大但计算成本更高的方法是动力降尺度。这涉及在一个较小区域上运行一个高分辨率、基于物理的区域气候模型，使用全球模型的输出作为其边界条件。
这最后一步使我们能够将整个推理链——从关于全球经济的故事 (SSP) 到物理强迫目标 (RCP)，通过全球气候模拟和降尺度——连接起来，以回答关键的本地问题。例如，公共卫生官员可以使用这些降尺度的温度和降水预测来驱动传染病模型，估算在SSP3-7.0的世界与SSP1-2.6的世界中，特定流域的蚊媒疾病风险可能会如何变化。
这就是气候变化情景的美丽而复杂的机制。它是一个诞生于谦卑的框架——承认我们对未来的深刻不确定性。但它也是一个威力无穷的工具，让我们能够探索我们选择的后果，并睜大眼睛， navigating the branching paths ahead with our eyes wide open.
现在我们已经探讨了气候变化情景背后的机制——社会经济路径 (SSPs) 与代表性浓度路径 (RCPs) 之间复杂的舞蹈——你可能会想，“这些东西有什么用？”这是一个合理的问题。它们仅仅是精心編造的故事，一種學術界的科幻小說嗎？答案是响亮的“不”，而且这是一个美好的答案。这些情景不是水晶球，但它们是极其强大的透镜。它们是我们用来审视一系列合理未来、提出严谨的“如果……会怎样？”问题，并开始建立一个更具韧性的世界这项艰巨但至关重要的工作的工具。它们形成了一种通用语言，让来自截然不同领域的人们——工程师、生态学家、医生和经济学家——能夠在人类有史以来面临的一些最复杂的挑战上进行合作。让我们踏上旅程，探索其中一些联系。
气候情景最直接的应用也许是在工程领域。我们建造的东西——我们的房屋、城市、基础设施——都设计为可以使用数十年，并且它们的设计基于对其将要承受的气候的假设。但是，当气候本身不再是一个可靠的常数时，会发生什么？
考虑像建筑物这样简单的东西。今天的工程师可能会使用历史天气数据来估算冬季供暖和夏季制冷需要多少能源。但今天建造的建筑在2070年仍将矗立。使用气候情景，即使是一个简单的情景，比如温度均匀增加，工程师也可以进行更现实的计算。他们可以估算一个更温暖的世界可能会如何大幅减少供暖需求，同时大幅增加空调系统的负荷。这不仅仅关乎舒适度；这关乎规划我们的电网规模、确保能源安全以及管理未来世界的家庭开支。
当我们考虑到我们的公共卫生基础设施时，挑战变得更加严峻。想象一个沿海城市，其卫生系统建于一个世纪前，是为历史上的降雨模式和海平面设计的。气候情景不仅预测海平面上升，还预测极端降雨事件强度的增加。一个老旧的合流制下水道系统可能会不堪重负，将未经处理的污水排入街道和水道。低洼地区的坑式厕所可能被淹没，污染地下水并传播疾病。情景使规划者能够超越被动的修补。他们可以设计和建造能够应对未来的系统：为预计的2050年洪水水位设计的密封和抬高的卫生系统，或者能够处理特大风暴带来的泥沙和污染物激增的水处理厂[@problemid:4821121]。这是预见性的行动，将抽象的气候数据转化为具体、拯救生命的决策。
自然界对气候的适应极其精妙。随着气候的变化，生命的地理分布也将随之改变。生态学家使用气候情景来预测这些大规模的迁移，绘制未来栖息地的地图。对于任何给定的物种，他们可以模拟其“气候生态位”——即该物种繁衍生息的温度和降雨条件组合。通过预测这些条件将如何在景观中移动，他们可以预测一个物种为了生存可能被迫迁移到哪里。
这具有深远的意义。例如，通过模拟采采蝇未来的适生性，我们可以预测非洲人类锥虫病（昏睡病）的风险区域可能会如何扩大或转移，从而指导公共卫生监测和控制工作进入新的区域。这些模型本身可以非常简单，也许只是用一条平滑的曲线来描述一个物种的耐受性，但它们提供的见解至关重要。
但自然界比简单地看作物种独立移动的集合要复杂得多。生态系统是相互连接的网络，气候变化能够以深刻而出人意料的方式改变它们。基于情景的建模得出的一个关键见解是，天气特征的变化，而不仅仅是平均值的变化，可能是变化的主要驱动力。考虑一个巨大的河流系统，它就像一条行星的动脉，将水、沉积物和碳从陆地输送到海洋。一个气候情景可能表明，虽然年总降雨量保持不变，但它将以更少、更强的风暴形式出现。这个看似微小的转变会产生巨大的后果。更猛烈的风暴会显著增加土壤侵蚀和有机物从陆地冲刷的量。一个模拟此过程的模型揭示，一个风暴更强的未来可能会大幅增加冲入海洋的碳量，这是一种非线性响应，如果只看平均降雨量，将完全被忽略。这显示了情景如何帮助我们揭示地球复杂机制中隐藏的敏感性。
在某些情况下，变化不是渐进的转变，而是彻底的转型。在易发火灾的景观中，预测更热、更干燥条件的气候情景可以与植被和火灾的生态模型相结合。结果可以显示一个生态系统跨越了一个临界点。例如，在一片温带森林中，在未来更频繁和更严重的野火下，可能无法再生。取而代之的是，它可能被草地或灌木丛所取代，这是一个完全不同的生态状态。这些复杂的模型将火灾不视为固定的节拍器，而是将其概率和强度本身视为气候变化的函数，这对于试图在一个迅速变化的世界中保护生态系统完整性的土地管理者至关重要。
归根结底，气候变化的影响是人类的影响。将气候情景 (RCPs) 与社会经济情景 (SSPs) 相结合，为探索我们未来的脆弱性创建了一个强大的框架。以热浪为例。一位公共卫生官员想知道，到2060年，因中暑而住院的人数可能会增加多少。答案取决于两件事：天气变得多热（气候情景，或RCP）和社会是什么样子（社会经济情景，或SSP）。一个不仅炎热，而且拥有更大、更老龄化、更贫穷的城市人口的未来（SSP 3，“区域竞争”），将比一个变暖程度相同但社会更富裕、更公平、基础设施更好的未来（SSP 1，“可持续发展”）面临更严重的健康危机。通过对SSPs和RCPs的合理组合运行健康影响模型，我们可以了解风险的全貌，并确定最关键的干预措施，无论是热浪预警系统，还是投资于绿地和公共降温中心。
这引导我们走向问题的核心：做决策。如果情景不是精确的预测，我们如何用它们来做选择？答案是停止寻找单一的“最优”解决方案，而开始寻找“稳健”的解决方案。想象你是一位预算有限的保护规划师，任务是创建一个自然保护区，以保护一种稀有植物，其栖息地将随着气候变暖而转移。你有三个不同的气候模型，它们为你描绘了三种不同的未来图景。模型A说最好的栖息地将在北方，模型B说在东方，模型C说在南方。如果你把所有赌注都押在模型A上，而结果证明它是错的，你将一无所有。
相反，一种稳健的策略是寻求找到一个行动组合，无论哪种未来成为现实，它都能表现得相当好。你可能会选择保护一个地块组合——一些在北方，一些在东方，一些在南方——这在任何单一情景下都不会给你绝对最好的结果，但保证在所有情景中都有一个足够好的结果。这就是“极小化极大”方法：你最大化你的最低表现，实质上是为防止灾难性错误创建一个安全网。
当我们承认气候预测中固有的“深度不确定性”时，这种思维方式变得更加关键。我们看得越远，我们需要的空间尺度越精细，不确定性就越被我们对气候系统本身不完整的知识（认知不确定性）所主导，而不仅仅是其固有的随机性。高分辨率模型并不能消除这种不确定性；它们只是描绘了一幅更详细的画面。在这些情况下，像“极小化极大后悔值”这样的决策框架变得非常有价值。目标是选择一条能够最小化你最大潜在后悔值的路径——即如果你从未来回望，意识到自己做了一个可怕的选择时会有的感觉。这通常会导致多样化、灵活和适应性的策略，我们在其中监测世界的早期预警信号，并准备在我们学到更多时改变方向[@problemid:2471804]。
最后，气候情景不仅用于评估影响；它们还是制定政策的基本工具。经济学家使用综合评估模型来探索不同脱碳路径的成本和效益。该领域的一个核心概念是碳的社会成本 (Social Cost of Carbon, SCC)，它代表了今天额外排放一吨所造成的所有未来全球损害的货币化价值。计算SCC需要运行一个与气候系统模型耦合的世界经济模型，并展望遥远的未来。通过将碳排放的价格设定为等于SCC，我们迫使经济体系“内化”气候损害的外部性，让污染者为他们造成的损害付费。这个碳价本身会根据情景随时间演变，然后可以用来指导以最低成本向清洁能源系统过渡。它是连接气候变化物理科学与最优政策经济科学的桥梁。
从设计空调到保护物种，从预防疾病暴发到指导全球经济政策，气候情景提供了一个统一的、不可或缺的框架。它们证明了科学有能力照亮前方的道路，不是通过承诺确定性，而是通过给予我们智慧来驾驭其深刻且不可避免的不确定性。