玻尔百科在理解和预测地球未来的探索中，科学家们创造了有史以来最复杂的计算工具之一：地球系统模式 (Earth System Models, ESMs)。它们并非简单地将天气预报延长至数百年；它们是综合性的数字实验室，模拟着大气、海洋、冰、陆地乃至生命本身之间错综复杂的相互作用。这些模式所要解决的核心挑战是捕捉主导我们气候的复杂反馈，例如全球变暖如何影响森林和海洋吸收二氧化碳的能力。若不理解这些相互作用，我们对未来的看法将存在严重缺陷。
本文将带您深入了解这些卓越的工具。首先，在“原理与机制”一章中，我们将探讨 ESM 的基本构建模块，从构成其核心的简洁优美的守恒定律，到用于表示我们无法直接观测过程的巧妙参数化艺术。我们将看到不同的模式分量是如何被组装并同步为一个协调统一的整体。然后，在“应用与跨学科联系”一章中，我们将发现这些模式的功能，审视它们如何将社会经济叙事转化为气候预估，探究地球的碳循环，并为关键政策决策提供信息，为新一代混合物理-数据模式铺平道路。
要真正理解地球系统模式 (ESM) 是什么，我们必须深入其内部。您可能会想象一个极其纠缠的代码网络，一个数字版的弗兰肯斯坦的怪物。但如果仔细观察，您会发现一些惊人的东西：在其核心，ESM 是少数几个极其简单而优美的物理定律的表达。它是一个并非建立在任意规则之上，而是建立在与主导我们宇宙相同的守恒和核算原则之上的世界。让我们踏上一段旅程，看看科学家们如何从这些第一性原理出发，构建一个数字地球。
物理学中的一切，从落地的球到行星的轨道，都可以通过一个简单的问题来描述：“什么被守恒了？”自然界最强大的法则是守恒定律——这些不可打破的规则规定了某些量，如能量和质量，既不能被创造也不能被消灭，只能被转移或改变形式。一个地球系统模式，首先是地球行星的一位一丝不苟的记账员，其基础正是这些定律。
想象一下，将整个地球——大气、海洋和陆地——划分成一个巨大的盒子网格，就像一个行星蜂巢。每个盒子都是一个控制体积，一个我们将在其中追踪事物的、小的、已定义的空间区域。这些盒子的表面是系统边界。气候建模的整个游戏就是核算所有流经这些边界的东西。
思考一下一个空气盒子里的热能。它的温度升高可能有两个原因：要么盒子内部的一个源产生了热量（比如水蒸气凝结成云滴，释放潜热），要么热量从邻近的盒子流入。同样，如果它辐射热量或有热量流出，它的温度就会降低。模式最基本的任务是为每个盒子、每个重要量——热量、水、碳、盐、动量等等——求解一个收支方程。这个方程简单地表述为：
盒子内物质的变化率 = (流入量 - 流出量) + (内部产生量 - 内部消亡量)
这个源于连续介质力学定律的原则，是 ESM 中每个分量的基石。跨越边界的向外流动或通量，是盒子预算的一笔借项，而向内通量则是一笔贷项。通过确保一个盒子的借项与邻近盒子的贷项完全平衡，模式保证了在传递过程中没有任何东西丢失。这就是守恒的数字体现。
在这里，我们遇到了第一个主要挑战。如果我们的网格盒子有100公里宽怎么办？看进这样一个盒子里，我们会看到一个复杂的世界，而模式以其粗糙的网格是看不到的。它看不到单个的雷暴、湍流的阵风，也看不到单个云滴的形成。这种未被解析的复杂性被称为次网格异质性。
我们不能简单地忽略这个未见的世界。无数小尺度过程的集体效应可能对大尺度气候产生巨大影响。例如，天空中被明亮的积云覆盖的比例决定了有多少阳光被反射回太空，这是地球能量收支中的一个关键因素。
这就引出了所有建模中最巧妙、最关键的概念之一：参数化。由于我们无法直接模拟这些小过程，我们创造了一个简化的规则或“配方”，来表示它们对整个网格盒子的净效应。参数化是一种闭合方案，它将我们的模式能看到的东西（网格尺度的平均温度、湿度、风）与它不能看到的东西（湍流通量、云形成率）联系起来。
再以云为例。一个针对云微物理的基于物理的参数化可能会利用热力学和流体动力学的原理，创建一套方程来描述，例如，网格盒子平均水汽中有多少会凝结成云滴，以及这些云滴以多快的速度生长并合并形成雨。这些并非任意的方程；它们是真实物理的简化、宏观版本，旨在遵守总水量和能量的守恒。
另外，统计参数化可能会从大量数据中学习网格尺度状态与次网格效应之间的关系，这些数据通常由能够看到小尺度细节的极高分辨率、小区域模拟生成。现代机器学习技术越来越多地被用于此，创造出高效的替代模型，这些模型可以被训练以遵守基本的守恒定律。
该领域的前沿是开发尺度感知方案——即足够智能，能够知道它们所在的网格盒子大小的参数化方案。随着计算机变得更强大，网格盒子变得更小，更多的物理过程被直接解析。一个尺度感知方案会随着分辨率的提高而优雅地减少自己的贡献，确保从参数化世界到解析世界的平滑、准确过渡。
有了守恒和参数化这两个基本原则，我们就可以开始构建我们的数字星球了。ESM 不是一个单一、庞大的代码块。它是一部模块化的交响曲，是多个专家模式的集合，每个模式模拟地球系统的一个不同分量：
一个包含这些物理分量的模式通常被称为大气环流模式 (General Circulation Model, GCM)。它模拟由太阳能驱动的大气和海洋环流。但要成为一个真正的地球系统模式 (Earth System Model, ESM)，我们必须再增加一层生命——字面意义上的生命。
从 GCM 到 ESM 的决定性飞跃是包含了交互式的生物地球化学。最重要的例子是碳循环。在 GCM 中，气候科学家通常将大气中二氧化碳的浓度作为外部强迫来规定。模式被告知有多少 ，然后计算由此产生的变暖。然而，ESM 将大气 浓度视为一个预报变量——一个由模式自身预测的量。
这需要增加新的模块来处理陆地生物圈（追踪森林、土壤和草地中的碳）和海洋生态系统（追踪浮游生物对碳的吸收）。现在，ESM 模拟了大气、陆地和海洋之间的碳通量。一个更暖的气候可能导致土壤释放更多的碳，这会增加大气中的 ，从而导致更多的变暖。这是一个反馈循环，而模拟物理气候与地球生命系统之间这些错综复杂反馈的能力，正是 ESM 的真正力量和目的所在。
组装好我们的分量模式管弦乐队后，我们面临一个艰巨的挑战：如何让它们合拍、协调地演奏？大气模式在一个计算网格上运行，时间步长为分钟级别。海洋模式使用完全不同的网格，时间步长为小时级别。它们如何以一种物理上一致且完美守恒这些量的方式交换热量、水和动量？
这是一项由名为耦合器的专用软件组件完成的工作。可以把耦合器想象成一位集首席外交官、翻译和会计于一身的角色。 它的职责是巨大的：
现代耦合框架，如 ESMF 或 OASIS3-MCT，是巨大的软件工程成就，使得这种复杂的数字编排成为可能，让世界各地的专家能够将他们的分量模式贡献给一个单一、协调的整体。
您已经构建了宏伟的钟表式地球。您用关于当今气候的最佳可用数据对其进行了初始化。您按下“运行”按钮。会发生什么？很可能是混乱。模式状态立即开始漂移，因为各个分量在孤立状态下初始化，彼此之间并未处于平衡状态。深层海洋的温度剖面可能与大气模式想要提供的表面通量不一致，导致大规模的、人为的热量交换。
这是因为 ESM 是一个受迫耗散动力系统。它有自己偏好的长期状态，或称吸引子，这是由其自身内部物理和施加的外部强迫决定的一个微妙平衡。一个任意的初始条件几乎肯定不在这个吸引子上。
为了得到有意义的模拟，我们必须首先让模式找到它自己的自然节律。这个过程被称为模式自旋启动 (model spin-up)。科学家们用固定的、前工业时期的条件（例如，1850年的 水平）运行模式数百甚至数千个模拟年。在这个漫长的积分过程中，初始的不平衡被平滑掉。快速的大气迅速适应海洋。海洋的表层在几十年内调整。但广阔、缓慢的深海及其碳含量可能需要几千年才能完全平衡。只有当模式达到统计平衡——一个尽管天气仍在发生，但长期平均气候稳定且不再漂移的状态——自旋启动才算完成。
只有从这个平衡的、自旋启动完成的状态开始，我们才能开始我们真正的实验，比如增加温室气体，并相信我们看到的响应是对此变化的真实反应，而不仅仅是模式稳定过程中的产物。
科学家是否总是需要这个极其复杂、完全耦合、需要数月进行自旋启动并在超级计算机上运行的地球系统模式？绝对不是。科学的艺术常常在于简化——在于隔离一个现象以理解其本质。本着这种精神，建模者使用一个模式层级 (hierarchy of models)，应用简约性原则（也称为奥卡姆剃刀）来选择能够回答手头问题的最简单模式。
这个层级就像一个理解的阶梯：
在最底层的阶梯上，我们有零维能量平衡模式。它们将整个地球表示为一个具有温度的单点，平衡着传入和传出的辐射。要理解深海热量吸收的基本时间尺度，一个简单的双箱模式（一个代表表层，一个代表深海）通常是完美的工具。
往上走，我们发现一维模式，例如那些按纬度解析气候的模式。如果你想研究北极冰-反照率反馈的基本物理过程，一个能捕捉南北温度梯度和海冰增长的模式就足够且理想。
一个特殊而强大的工具是单柱模式 (Single-Column Model, SCM)。它只模拟模式完整物理包中的一个垂直柱，将其与三维大气运动的复杂性隔离开来。它是开发和测试那些对整个事业至关重要的参数化方案的完美实验室。
另一个理想化的世界是水行星 GCM (Aquaplanet GCM)，这是一个在一个完全被水覆盖的行星上运行的完整三维大气模式。通过移除大陆和山脉的复杂性，科学家可以研究大气动力学与云形成等物理过程之间纯粹、基本的相互作用。
在阶梯的顶端是耦合 GCM 和完整的 ESM。如果问题涉及区域现象，如季风降雨，这取决于详细的三维大气流动和气溶胶-云相互作用，那么 GCM 就是必需的。而如果问题是关于人为碳的长期命运，那么只有具备交互式碳循环的完整 ESM 才能提供答案。
这个层级揭示了地球系统建模的真正精神。它不是一个旨在构建一个完美、包罗万象模式的单一任务。它是一项丰富、动态和战略性的科学事业，其中一个以简单、优美的守恒定律为基础的多样化模式工具箱，被用来阐明我们复杂而奇妙的星球的运作方式。
在窥探了地球系统模式内部错综复杂的钟表机构之后，我们现在来到了最引人入胜的问题：我们能用它做什么？这个虚拟地球告诉我们什么时间？我们发现，这些不仅仅是学术上的好奇心，而是我们用来驾驭人类与地球之间复杂关系的最强大工具。它们是观察未来的望远镜，是检验我们理解的实验室，也是在不确定的世界中指导政策的指南针。
从本质上讲，地球系统模式是一台将“如果……会怎样”的情景故事转化为严谨、物理上一致的预估的机器。国际科学界通过像政府间气候变化专门委员会 (IPCC) 这样的努力，为此发展了一套复杂的流程。它不是从物理学开始，而是从关于我们未来的故事开始——这些被称为共享社会经济路径 (SSPs) 的叙事，描述了全球发展的不同可能路径，从可持续和公平的增长到一个民族主义复兴和化石燃料驱动发展的世界。
这些叙事被输入到综合评估模式 (IAMs) 中，这些模式将社会经济假设转化为人为排放的路径。这正是 ESM 登台的地方。在所谓的“排放驱动”模拟中，模式被赋予这些未来排放作为强迫。它的任务是计算地球系统如何响应。最根本的问题是：在我们排放的所有二氧化碳 () 中，究竟有多少会留在大气中使地球变暖？
人们可能天真地假设一个简单的、恒定的比例。但模式揭示了一个更微妙和深刻的真相。地球自然碳汇——广阔的森林和深邃的海洋——的效率不是恒定的。排放物中留在大气中的比例，即所谓的瞬态大气滞留分数，取决于我们所走的路径。在高排放情景中，碳汇变得效率较低。更暖的海水溶解的 更少，而变化的环流模式会减缓碳向深海的输送。在陆地上，虽然一些植物可能因更多的 而生长得更快（一个称为 施肥效应的过程），但这种效应可能被热应激和土壤中碳分解增加所压倒。在一系列全球模式中稳健模拟出的结果是一个正反馈：我们污染得越多，自然界清理我们烂摊子的效率就越低，我们排放物中更大比例会累积在大气中。这种情景依赖的大气滞留分数行为是 ESMs 提供的关键且发人深省的见解。
其后果不仅限于温度。通过将海洋环流的物理学与碳酸盐化学的复杂性耦合起来，ESMs 可以预估“另一个 问题”：海洋酸化。这些模式不仅追踪热量；它们还追踪化学示踪剂，如溶解无机碳 () 和总碱度 ()。通过求解虚拟海洋中每个网格单元的化学平衡，它们预测人为 的吸收如何降低海洋的 值。这使得科学家能够绘制出海洋的哪些部分将变得不适宜那些用碳酸钙构建外壳和骨骼的生物生存，从食物网底部的微小浮游生物到宏伟的珊瑚礁。
我们如何能对这些复杂的预估有信心？毕竟，每个 ESM 都是对现实的不完美表述。答案在于科学方法的一种优美体现：模式比对计划 (MIP)。科学界不是依赖单一模式，而是组织大型、协调的实验，让来自世界各地的数十个独立建模小组在相同、严格控制的协议下运行他们独特的模式——相同的初始条件、相同的强迫、相同的实验设计。
结果是一个模式的“集合”或议会。在模式一致的地方，我们的信心得到加强。在它们不一致的地方，其结果的离散度提供了一种被称为“结构不确定性”的特定不确定性的诚实、定量的度量——这种不确定性源于科学家在构建其模式时所做的不同选择。这比一遍又一遍地运行单一模式要强大得多；这就像向二十位世界顶级的医生寻求诊断，而不是仅仅一位。
这些 MIPs 不仅仅用于评估预估；它们是科学发现的强大工具。考虑一下解开上升的 和上升的温度对陆地碳汇的竞争效应这一挑战。一个设计精巧的 MIP 可以分离这些反馈。在一个因子实验中，模式以几种配置运行：一个控制运行，一个只有 增加的运行（分离生物地球化学效应，），一个只有气候变暖的运行（分离气候-碳反馈，），以及一个两者都变化的运行。这种优雅的设计使科学家能够清晰地划分响应，并精确理解为什么不同模式的行为不同，为未来的改进指明了方向。支撑这一切的是 ESMs 中陆地模式的空间显式特性，它将景观离散化为相互连接的单元格马赛克，每个单元格都有自己的属性和水平衡，从而允许模拟横向流动和异质响应。
虽然一个完全耦合的 ESM 是综合性的顶峰，但它并不总是正确的工具。就像大师级工匠的作坊一样，气候科学家的工具箱包含一整个模式层级，每种模式都适合不同的任务。
在最简单的层次上是零维能量平衡模式 (EBMs)，它们将整个地球视为一个单点，并平衡传入和传出的能量。上一层是简化气候模式 (SCMs)，它们增加了对碳循环的基本表示。然后是中等复杂度的地球系统模式 (EMICs)，它们可能有一个简化的与完整三维海洋耦合的大气，设计用于跨越数千年的运行。在顶层是们一直在讨论的综合性 ESMs。
该领域的智慧在于理解这个层级，并选择一个具有“决策相关保真度”的模式。最好的模式不是最复杂的那个，而是足够好以告知特定决策的最简单的那个，在保真度与计算成本和时间限制之间取得平衡。这种选择是将在工具的规模与问题的规模相匹配的深刻实践。
例如，为了给旨在实现长期温度目标的全球碳价提供信息，一个快速运行的简化气候模式或在一个少数复杂模拟上训练的 ESM“模拟器”通常是理想的。它可以探索广阔的政策和排放不确定性空间，这是 ESM 因计算成本过高而无法做到的。相比之下，要管理城市空气质量并预测污染物标准的每小时超标情况，全球 ESM 是无用的。需要的是一个高分辨率的区域气象和化学模式，根据城市的具体地理和排放源量身定制。而要评估海洋热浪对珊瑚白化的风险，则需要一个能够模拟威胁珊瑚礁的区域海洋动力学和极端温度的高分辨率 ESM 的力量。每个问题都需要它自己的工具。
地球系统建模的世界并非静止不变。它的前沿是一个激动人心的跨学科领域，在这里，经过时间考验的物理定律与机器学习的尖端力量相遇。这催生了新一代的“混合物理-数据模式”。
我们可以将传统的 ESM 看作是由一个物理核心，一个算子 控制的，它根据流体动力学、热力学和化学的离散化方程来演化系统状态。这个核心是强大的，但并不完美。它存在差距，特别是在表示那些太小或太复杂而无法明确解析的关键过程中，比如云的形成或海洋中的湍流。
在这里，机器学习提供了一种强大的新方法。一个统计分量 可以在海量数据集上进行训练——这些数据既可以来自真实世界的观测，也可以来自超高分辨率、物理上纯净的模拟——以“学习”缺失的物理过程。这个学习到的分量并不取代物理核心；它增强了物理核心。它充当一个数据训练的校正项，修补我们理论理解中的漏洞。系统的状态由来自 的已知物理和来自 的学习校正之和来推进。
这种混合方法代表了一种优美的综合：由物理守恒定律提供的稳健、可泛化的结构，通过数据科学灵活的、发现模式的能力得到增强。这是科学创造性和不断发展本质的证明，预示着一个未来，我们的虚拟地球将成为我们称之为家的这个复杂、有生命的星球的更忠实反映。