玻尔百科气候模型是我们预测地球未来的最复杂工具，但它们并不提供单一的、确定性的预言。相反，它们提供了一系列可能的结果，这一特征常常被误解为一种弱点。然而，这种范围并非失败的标志，而是气候科学的一个关键特征，它代表了一幅严谨量化的地图，标示出我们已知什么以及我们知识的边界在哪里。本文探讨了这种不确定性的基本性质，揭示其来源，并展示其在实际决策中的关键作用。首先，在“原理与机制”部分，我们将剖析不确定性的三个核心来源：气候固有的混沌性、构建模型时必要的近似处理，以及未来人类行为的不可预测性。在这一基础理解之后，“应用与跨学科联系”部分将探讨该框架如何应用于不同领域，从工程弹性基础设施到保护生态系统和保障公共卫生，将抽象概念转化为应对变化世界中的实用工具。
为了把握我们星球的未来，我们求助于气候模型——这些基于物理学基本定律构建的、对地球进行的庞大而复杂的模拟。然而，任何对未来的预测，尤其是对像我们气候这样复杂系统的预测，都不是以单一、清晰的预言形式出现，而是以一系列可能性的合唱形式呈现。这种结果的范围常常被误认为是模型的缺陷。实际上，理解这种不确定性的来源和结构是现代气候科学最深远的成就之一。它不是承认无知，而是一张描绘我们知识及其局限的地图。目标不是消除不确定性，因为其中一部分是世界本身固有的，而是量化它，理解其特征，并从中学习它告诉我们所面临的选择。
想象一下，你正试图预测一滴雨水在湍急河流中落下的确切位置。你的预测会因三个不同原因而不确定。首先，河流本身是混沌的，其涡流和水流无法被完美了解。其次，你对河流的“模型”——你对流体动力学的理解——可能被简化或不完整。第三，你不知道上游是否有人会打开水坝，从而完全改变河流的流向。
气候预测的不确定性可以类似地理解，它被划分为三个核心来源：内部变率、模型不确定性和情景不确定性。科学家们使用一种巧妙的统计框架来厘清这些来源，该框架在概念上类似于全方差定律，使他们能够分离出由每个因素引起的预测离散度。
地球的气候系统是大气、海洋、冰和陆地的一场狂野、混沌的舞蹈。即使太阳能量和我们的温室气体排放保持完全恒定，气候仍会自行波动。这就是内部变率。它是带来干旱和洪水的厄尔尼诺事件、长达十年的寒潮以及在没有任何外部推动下自然发生的热浪的来源。
物理学家称这类不确定性为偶然不确定性（aleatoric），源自拉丁语中的“骰子”。它是系统固有的、不可简化的随机性。你可以了解骰子，知道掷出六点的概率是六分之一，但你永远无法预测单次投掷的结果。同样，气候科学家使用初始条件集合（initial-condition ensembles）来量化这种变率。他们采用一个单一的、原始的模型，运行数十次，每次都对起始条件——世界的“初始状态”——进行微小的、蝴蝶翅膀扇动般的扰动。这些模拟所采取的不同路径揭示了纯粹由于系统自身混沌性质而可能展开的气候范围。
气候模型是里程碑式的成就，但它们并非地球的完美复制品。它们是近似。源于我们构建这些模型方式的不确定性被称为模型不确定性。这是一种认知不确定性（epistemic uncertainty）——一种知识上的欠缺，原则上我们可以通过更好的科学、更强大的计算机和更全面的观测来减少它。这种不确定性本身有两种主要类型。
想象两组杰出的工程师被要求制造一个汽车引擎。他们都了解内燃机的原理，但可能会做出不同的设计选择：一个可能使用涡轮增压器，另一个则使用机械增压器。两种方法都有效，但性能表现会有所不同。
气候建模者面临类似的选择。物理定律是已知的，但它们无法对地球上每个空气和水分子进行精确求解。那些太小或太复杂而无法直接表示的过程，比如单个云的形成，必须被简化并用近似公式表示，这被称为参数化。世界各地的不同建模中心就如何构建这些参数化方案做出了不同的、有科学依据的选择。例如，一个模型可能使用基于质量通量的函数来表示对流（热量和水分的垂直运动），而另一个模型则使用阈值松弛方案。这些是根本不同的数学形式，反映了关于表示复杂过程的“最佳”方式的深度不确定性。这就是结构不确定性，它通过多模式集合（MME）进行探究，即比较来自世界各地数十个独立模型的结果。
即使在单一选定的结构内部，也存在一些“调节旋钮”——即一些系数和参数，它们的精确值无法从第一性原理中完美得知。考虑一个非常简单的地球能量平衡模型，其中由强迫 （如 ）引起的增温 被向外辐射所稳定，而向外辐射由一个反馈参数 控制。这个参数 代表了云、雪覆盖等事物如何响应变暖，从而放大或减弱它。科学家们对 的范围有一个很好的概念，但他们不知道其确切值。这是一个从气候系统中所有复杂相互作用中涌现出的数字。
这就是参数不确定性。为了探索它，科学家们使用扰动参数集合（PPE）。他们采用一个单一模型并运行数百次，每次都在物理上合理的范围内微调其内部参数的值——例如那些控制云形成或海洋混合的参数。这揭示了模型的预测对其物理过程的“调谐”有多敏感。
最后一个，也是最终最大的不确定性来源与物理学无关。它就是我们自己。情景不确定性关乎人类在未来几十年将选择的道路。我们会迅速过渡到可再生能源吗？全球人口会继续增长吗？我们将如何利用土地？这些选择决定了温室气体排放和其他气候强迫的未来轨迹。
这不是一种可以通过更多气候观测来减少的不确定性。这是对未来人类行为的深刻无知，是一种如此根本的不确定性，以至于科学家称之为深度不确定性。对此，我们无法赋予客观概率。我们不能说有30%的可能性是高排放未来，70%的可能性是低排放未来。这些是政策和社会意愿的问题，而非几率问题。
科学家们并不试图预测人类的未来，而是探索一系列合理的“假设”故事或情景。这些情景范围从可持续发展的乐观未来到持续依赖化石燃料的悲观未来。然后，模型在每种情景下运行。这类似于一个生态学家试图预测一种植物在50年后的栖息地。他们面临着该植物能否在全新的、更温暖的气候中生存的不确定性（类似于模型不确定性），但他们面临一个更深层的不确定性，即气候究竟会变暖多少，因为这取决于我们的集体行动。因此，许多分析师现在使用“稳健决策”等方法，这些方法旨在寻找在所有可能的未来范围内都能合理运作的策略，而不是试图为某一个预测结果进行优化。
至关重要的是，这三种不确定性的相对重要性会根据我们展望未来的时间跨度而发生巨大变化。
在季节到几年的时间尺度上，预测主要由内部变率主导。大气和海洋的特定混沌演变——例如，明年是否会形成厄尔尼诺现象——是不确定性的最大来源。来自不同模型和情景的强迫趋势还没有时间产生显著分歧。
在几十年（例如，到2050年）的时间尺度上，模型不确定性成为主要驱动因素。在这个时间范围内，气候的内部随机性开始平均化，但模型之间的差异——尤其是在它们如何表示敏感反馈（如云反馈）方面——变得非常明显。即使在相同的排放情景下，不同模型的预测也开始分化。
在一个世纪（例如，到2100年及以后）的时间尺度上，情景不确定性占据主导地位。到本世纪末，一个采取了积极气候行动的世界与一个没有采取行动的世界之间的气候结果差异，变得远大于模型之间的差异或内部变率带来的噪音。
这告诉我们一些极其重要的事情。近期气候的不确定性在很大程度上是我们这个混沌世界的一个固定特征。然而，长期气候的不确定性在很大程度上是人类选择的产物。未来不是一条我们注定要走的单行道，而是一个充满可能性的、分支广阔的三角洲。模型不给我们一个单一的答案，因为答案本就不是唯一的。相反，它们照亮了我们可能选择的道路所带来的后果。
知晓一件事是一回事；知道如何利用它则完全是另一回事。在经历了气候模型不确定性的原理和机制之旅后，我们现在转向我们探索中最激动人心的部分：看到这些思想在行动中体现。正是在这里，在理论与现实的十字路口，不确定性的抽象概念绽放成理解我们世界、做出决策和驾驭变化未来的工具。这不仅仅是一项学术活动；它是我们建立有韧性的城市、保护生态系统、保障人类健康以及做出其后果将回响几代人的选择所依据的框架。
我们的探索将如同观察石子投入池塘后泛起的涟漪。我们从中心开始，即气候和地球科学领域内的直接应用，然后跟随涟漪向外扩散，触及生态学、工程学、医学乃至决策哲学本身的遥远彼岸。
全球气候模型是一件宏伟的作品，一个在超级计算机内嗡嗡作响的微型地球。但我们并非生活在全球平均值中。我们生活在特定的地方，有其自身的天气、河流和脆弱性。第一个巨大挑战是将全球模型不确定的交响乐转化为有意义的局部预报。这个被称为降尺度的转换过程本身就是一个不确定性的级联。统计模型的选择、该模型内的参数、提供大尺度天气模式的特定GCM，以及总体社会经济情景，都为最终的预测增添了一份不确定性。理解这个“不确定性预算”是做出负责任预测的第一步。
但是我们如何利用这样的预报呢？其中一个最深远的应用是在极端事件归因领域。在一场毁灭性的热浪或灾难性的洪水之后，问题不可避免地出现：“这是气候变化造成的吗？”回答这个问题是科学侦探工作的杰作。科学家们利用我们讨论过的集合在他们的计算机中创造出两个版本的世界：一个是我们排放了所有人为温室气体的“事实”世界，另一个是从未经历过工业革命的“反事实”世界。通过对这两个世界进行数千次模拟，他们可以计算出特定强度的事件在每个世界中发生的频率。这些概率的比率给了我们“风险比”——衡量人类活动在多大程度上增加了灾难发生的可能性。这个过程是艰苦的，需要使用极端值理论等框架进行仔细的统计建模，对模型进行稳健的偏差校正，并全面考虑每一个不确定性来源，从GCM的选择到天气的自然混沌。这就是科学如何超越相关性，做出因果关系的定量陈述。
这种预测未来风险的能力迫使像土木工程这样古老的领域进行了一场革命。几个世纪以来，工程师们在设计我们的基础设施——桥梁、建筑和雨水管道时，一直基于平稳性的假设。这个假设认为，虽然天气是可变的，但其变率的潜在统计数据（例如，“百年一遇洪水”的概率）随时间推移是恒定的。气候变化打破了这一假设。我们祖辈那一代的百年一遇洪水，可能在我们这一代就变成了三十年一遇。继续使用历史上的强度-历时-频率（IDF）曲线——工程师进行降雨设计的圣经——就是系统性地低估风险，为一个已不复存在的世界进行建设。
现代方法是接受非平稳性。它涉及使用气候模型集合来开发随时间变化的IDF曲线，并且设计时不是为了一个单一、固定的标准，而是为了在资产整个生命周期内达到特定的可靠性水平。这催生了像“适应性路径”这样强大的新概念，即初始设计就包含了未来升级的预先计划触发器。想象一座海堤，其设计能抵御当今的风暴，但其地基已为未来的扩建做好了准备，并制定了一项政策：“当2050年的五年平均海平面预测超过这个阈值时，我们将执行升级。” 这不是规划的失败；这是其最高形式——一个能够学习的计划。
物理世界是生命戏剧上演的舞台。当舞台改变时，戏剧也必须随之改变。我们气候预测中的不确定性，如涟漪般贯穿生态网的每一根丝线。考虑一下保护生物学面临的挑战：试图保护一种稀有的高山花卉或一种候鸟。物种分布模型（SDM）试图根据温度和降水等气候变量来绘制物种的适宜栖息地地图。为了预测物种未来的分布范围，生态学家必须将气候模型的输出结果输入到这些SDM中。
他们立即继承了整个不确定性的级联：排放情景、GCM结构差异和降尺度方法都会产生不同的未来世界地图。一位保护规划者看着这些地图，会看到一系列令人困惑的可能性。他们应该在哪里建立一个新的自然保护区？投资于一个在某种气候模型下看似完美的位置，如果另一个同样合理的模型显示该地区将变得不适宜居住，那可能就是一种浪费。通过使用完整的气候预测集合来运行其SDM，生态学家可以绘制不确定性本身的地图，识别出在多种可能未来中仍然适宜的区域（“气候避难所”），并量化生物多样性面临的风险。
这种连锁反应同样有力地触及我们人类自身。在公共卫生领域，流行病学家对疟疾、登革热或莱姆病等媒介传播疾病的传播进行建模。媒介——蚊子和蜱虫——的生命周期对温度和降雨量极为敏感。基本再生数（）告诉我们一个病例会产生多少新感染，它不是一个常数，而是天气的函数。为了预测疾病扩展其领土的风险，科学家必须将气候模型的不确定性传播到他们的流行病学模型中。这是一个多层次的挑战，将气候预测的不确定性与蚊子叮咬率或潜伏期等参数中的生物学不确定性结合起来。其结果不是一个单一的未来风险数字，而是一个可能结果的分布，使得卫生机构能够为一系列可能性做准备。
这种联系可以更加直接和个人化。想象一下，在一次残酷的热浪中，一名急诊室医生试图判断哪些病人最有可能中暑。一个预测工具，也许运行在平板电脑上，可能会使用当天的温度和湿度以及病人的年龄和病史来计算风险评分。但如果模型不确定呢？在这里，结构不确定性和参数不确定性之间的区别成为生死攸关的问题。
参数不确定性意味着我们选择了正确的风险方程式，但我们对其系数并不完全确定。病人的风险评分可能是75，但置信区间在65到85之间。意识到这一点的医生可能会决定，即使评分略低于官方阈值也要进行干预。结构不确定性更为深远。它意味着我们可能完全使用了错误的方程——也许我们遗漏了一个关键变量，如空气污染，或者假设了一种线性关系而实际上是指数关系。不同的模型结构可能会完全重新排列病人的风险等级，将另一组人标记为最脆弱的群体。在临床环境中有责任地使用任何预测模型，理解这些不同形式的不确定性是至关重要的。
面对这种普遍存在的不确定性，人很容易感到束手无策。但科学不是被动的观察者，而是积极的参与者。气候科学最优雅的前沿之一是寻找涌现约束。这个想法既简单又强大。虽然气候模型对未来的预测（如地球将变暖多少，即平衡气候敏感度或ECS）存在广泛分歧，但也许它们的分歧与我们今天可以准确观察到的某些东西有关。例如，热带云季节性周期较强的模型，可能也是ECS较高的模型。如果我们能用卫星数据测量现实世界中的那个季节性周期，我们就可以“约束”这个集合，给予那些能准确模拟当今气候的模型更大的权重。这为缩小未来不确定性的范围提供了物理基础，将现在的某一属性转变为洞察未来的透镜。
当我们考虑像太阳辐射管理（SRM）这样的高风险、行星尺度的干预措施时，理解和管理不确定性的探索变得至关重要。在这里，认知不确定性（源于知识缺乏，原则上可减少的不确定性）和偶然不确定性（固有的随机性或不可预测性，不可减少）之间的区别是首要的。我们或许可以通过更多的实验室实验来减少硫酸盐气溶胶光学性质的认知不确定性。但我们永远无法消除源于气候自身混沌内部变率的偶然不确定性。任何此类干预都将是跃入一个统计上模糊的未来，而对这些不同类型不确定性的清醒认识，是就其风险和收益进行任何理性讨论的绝对先决条件。
最终，我们必须做出决策。我们不能坐等不确定性消失，因为其中大部分永远不会消失。这催生了在深度不确定性下进行决策的新策略——即我们甚至对不同未来情景的概率都无法达成一致的情况。其目标不是试图为单一的、“最可能”的未来进行优化，而是找到稳健且适应性强的策略。
一个简单的方法是“最小-最大”策略：选择在最坏情况下能带来最好结果的选项。一个更复杂的版本是稳健满意。在这里，我们不寻找“最佳”策略。相反，我们定义什么是“足够好”或“令人满意”的结果（例如，重新引入的狼群数量在未来一个世纪的90%时间内保持在50只以上），然后寻找一个能在最广泛的合理气候未来范围内实现这一满意结果的策略。
这些政策本身被设计成适应性的。它们不是固定的50年计划。它们是“适应性路径”——包括监测、触发器和应急行动的策略。该计划可能是：“我们将从重新引入10只狼开始。我们将监测鹿的数量和积雪。如果在任何三年期内，积雪低于阈值X，我们触发行动A（修建廊道）。如果狼群数量低于阈值Y，我们触发行动B（补充易地放归）。”这就创造了一种能够学习、反应并驾驭不断展开的未来的政策，无论未来带来什么。这是一个深刻的转变，从寻求单一最优路径转向设计一段有韧性的旅程。
从大气的物理学到病人的生理学，从下水道管的设计到物种的保护，不确定性的概念并非失败的标志。它是一个复杂系统的标志。学习描述它、传播它，并在其存在的情况下做出稳健的决策，或许是我们时代核心的科学和社会挑战。这是一个要求严谨、谦逊和创造力并重的挑战。