玻尔百科模拟地球气候是现代科学的重大挑战之一。地球是一个由海洋、大气、冰、陆地和生命相互作用组成的复杂系统，其运行跨越了广阔的时空尺度。为了理解它，科学家们发展出了一系列层级分明的工具。一端是综合地球系统模式（ESMs），它们代表了我们最详尽的虚拟地球，但需要巨大的超级计算能力，这使得数千年的模拟成本高得令人望而却步。另一端是简单的概念模型，它们能提供优雅的见解，但缺乏关键细节。这留下了一个关键的空白：我们如何才能有效地研究气候的长期动态，从冰河时代到我们排放的遥远未来影响？
本文探讨了该问题的解决方案：中等复杂程度地球系统模式（EMICs）。这些模式是長期气候科学的主力，其巧妙的设计旨在捕捉地球的基本反馈机制，而没有完整ESMs的计算负担。本次探讨将分为两个主要部分。首先，在“原理与机制”部分，我们将深入探究其内部，以理解抽象的艺术、参数化的使用以及使得EMICs能够模拟海洋、冰冻圈和碳循环等关键组成部分的简化物理过程。随后，“应用与跨学科联系”一章将展示这些模式如何被用作行星实验室，以研究遥远过去的冰河期节律、预测人为碳的长期命运，并帮助我们应对不确定的气候未来。
要真正欣赏中等复杂程度地球系统模式（EMICs）的力量与优雅，我们必须深入其内部一探究竟。科学家们如何将像我们星球这样浩瀚而复杂的系统提炼成一组可以在计算机上运行的方程？这不是粗糙的简化行为，而是一种复杂的抽象艺术，它以物理学的基本定律和对特定科学问题真正关键之处的深刻理解为指导。这是一场深入探索地球系统运转核心的旅程。
想象一下你想理解飞行。你可以从折一架纸飞机开始。它以最简单的方式捕捉了升力和阻力的本质。在另一个极端，你可以建造一架无线电遥控的涡轮动力喷气机，配有功能齐全的控制面和可伸缩的起落架。这个模型极其逼真，但建造和飞行的成本也极为高昂且复杂。在这两者之間，你可能会有一架轻木滑翔机——它比纸飞机精密得多，捕捉了空气动力学和稳定性的原理，但又没有喷气机那样的完全复杂性。
气候模式也存在于类似的层级结构中。在最简单的一端，我们有概念模型，例如零维能量平衡模型。在这里，整个地球被视为空间中的一个单点，具有单一的温度 。其随时间的变化由一个方程决定，这个方程是常识的优美表达：变暖的速率与输入的能量（来自太阳）减去输出的能量（辐射回太空）成正比。
在谱系的另一端是气候科学的巨擘：成熟的地球系统模式（ESMs）。它们就是那些无线电遥控的喷气机。它们是庞大的代码，通常有数百万行之长，在全球范围的三维网格上求解流体动力学、化学和生物学的基本方程。它们模拟从形成雷暴的阵风到海洋中浮游生物错综复杂的舞蹈的一切。它们是我们最完整的“虚拟地球”，但其巨大的复杂性是有代价的——它们需要大型超级计算机，并且模拟一个世纪可能需要数月时间。
这就是EMICs的用武之地。它们是气候世界里的轻木滑翔机。它们被设计来占据“中间”地带，捕捉气候系统的基本反馈回路和长期行为，而没有ESM的计算开销。关键在于，这个层级结构不仅仅关乎网格点的间距。从简单模式向复杂模式的攀升，涉及到对预报状态变量（模式明确预测随时间变化的量）、解析的时空尺度范围以及包含的相互作用过程数量的刻意增加 [@problem_targ_id:3877137]。
模式的选择遵循一个强大的科学原则，即简约原则，或称奥卡姆剃刀：选择能够解释观测结果的最简单的解释（或模式）。不存在唯一的“最佳”模式，只有适合特定任务的正确工具。如果你的目标是理解百年尺度全球碳收支的基本物理过程，你可能不需要一个能解析单个云的模式。一个具有简化大气但能很好地代表碳循环的EMIC是更简约，因此也更强大的选择。它允许你分离出你关心的机制，而不会迷失在不必要的细节海洋中。
那么，科学家们是如何巧妙地降低地球的复杂性来创建一个EMIC的呢？这个过程取决于一个关键概念：次网格参数化。一个模式网格的单元边长可能为200公里。但无数关键过程发生在更小的尺度上：云的形成、海洋湍流、单棵树的生长。模式无法明确解析这些过程。取而代之的是，它必须表示它们对更大网格单元的集体统计效应。这种表示就是一种参数化。
想象一下试图用一个1公里网格的地图来描述一片森林。对于每个方格，你不会列出每一棵树。相反，你可能只说明平均树高和地面覆盖的百分比。这就是一种参数化。你丢失了单棵树的细节，但保留了理解森林对（比如说）局部风型或水资源可用性影响所必需的基本信息。
这种必要性源于一个被称为闭合问题的基本数学挑战。当我们将流体运动的非线性方程在一个网格框内进行平均时，最终会得到代表次网格尺度波动（如湍流涡旋）效应的项。然而，这些项本身依赖于模式所不知道的次网格变量！这些方程是“不闭合的”。参数化是我们引入的物理假设，用以“闭合”这些方程，方法是将未知的次网格效应与已知的大尺度变量联系起来。
一些参数化方案是确定性的，意味着对于给定的网格单元状态，次网格效应总是一样的。另一些则是随机的，承认未解析的湍流是混沌的。随机方案增加了一个随机元素，例如，允许次网格涡旋偶尔将能量传回大尺度流，这种现象称为反向散射。这为气候系统的内部变率提供了一个更真实、更动态的表述。
让我们看看这种抽象的艺术是如何应用于典型EMIC中地球系统不同部分的。
在模拟土壤湿度时，许多模式使用了一个极其简单的想法：桶状模型。一个网格单元中的土壤被想象成一个具有特定容量（）的桶。降水 填充桶，蒸散 使其排水。规则简单且符合物理：
大气气体与辐射相互作用的方式极其复杂，像水和 这样的分子在数千个特定频率（谱线）上吸收和发射能量。要完美捕捉这一点，需要进行密集的“逐线”计算。EMIC通常通过灰体气体近似等近似方法大大简化了这一过程。这种方法将大气视为均匀吸收所有波长的长波辐射，就好像它是一个均匀的灰色物体。这就像透过黑白太阳镜看一幅色彩鲜艳的画——你失去了所有的色彩细节，但你仍然能看到主要的形状和阴影。对于地球的基本能量平衡而言，这些“形状和阴影”通常才是最重要的。同样，太阳（短波）辐射的衰减可以用更简单的比尔-朗伯定律来描述，该定律给出了光穿过吸收介质时的指数衰减，将散射和光谱吸收的复杂细节抽象成一个单一的体 系数。
南北极不仅仅被一层简单的冰覆盖；海冰是一种动态的、破碎的物质，它会漂移、碰撞和堆积。为了简化这一点，许多EMICs使用由W. D. Hibler开创的框架。模式不跟踪每一块浮冰，而是用两个主要变量来描述网格单元中冰的状态：其面积覆盖率 和平均厚度 。然后，模式基于两组过程来演变这些变量：
海洋是气候系统中缓慢而深刻的记忆。当ESMs求解完整、复杂的流体运动原始方程时，许多EMICs使用更简化的公式，例如准地转（QG）方程。其物理洞察是深刻的。在海洋盆地的大尺度上，流动处于科里奥利力（由地球自转引起）和压力梯度之间的近乎完美平衡状态。这被称为地转平衡。
QG理论的奇妙之处在于，整个缓慢、大尺度流动的状态——洋流、涡旋和环流——可以由一个单一的标量决定：准地转位涡 ()。这个量结合了流体的局地旋转（相对涡度）、地球的自转（行星涡度）以及由层结引起的水柱伸展的信息。模式的主要任务变得简单得多：它只需要计算 场如何被流动携带。然后，在每个时间步，它执行一个称为反演的数学操作。通过求解一个单一的椭圆偏微分方程，它可以从已知的 分布中恢复整个流函数场 ()。而从流函数可以得知所有的洋流。这是一个极其优雅的 simplification: predict one quantity, , and you can diagnose the entire state of the dynamic ocean.
当我们首次初始化一个模式时，也许是使用当今观测到的气候数据，其内部物理过程可能与这个起始状态不完全平衡。这就像从一个任意位置释放一个复杂的摆，它会剧烈摆动，然后才会稳定到其自然的、稳定的节奏。模式中的这个调整期称为spin-up（预积分）。目标是让模式运行足够长的时间以达到平衡状态，即深层、缓慢的组分不再系统性漂移，且主要储库之间的热量和碳的净通量平均为零。
为什么这需要这么长时间？我们可以用一个简单的尺度分析来理解。冲刷一个储库所需的特征时间是其体积除以通过它的通量：。对于深海，其体积 约为 ，来自大洋翻转环流的通风通量 约为 ，其时间尺度约为数千年！
全球碳循环与这种缓慢的海洋环流以及更慢的地质过程（如海底碳酸盐沉积物的溶解）相联系，使其调整时间尺度长达数千年。这正是EMICs的巨大威力所在。它们的计算效率使我们能够执行这些关键的、长达数千年的预积分，而这对一个完整的ESM来说是成本高昂的任务。这使我们能够研究地球的长期动态，从冰河期周期到人为碳排放的遥远未来后果。
最后，使用模式展望未来需要一份谦逊和对不确定性的清醒认识。在气候模拟中，我们通常谈论三种基本类型的不确定性：
情景不确定性：这是关于人类未来选择的不确定性。我们将继续依赖化石燃料，还是会转向可再生能源？这些不同的社会经济路径导致了温室气体排放和土地利用变化的未来差异。这不是模式的缺陷；这是关于社会将选择何种道路的不可簡化的不确定性。
参数不确定性：我们的模式包含数十个参数——控制我们参数化方案行为的“旋钮和刻度盘”。例子包括土壤分解速率、海洋碳吸收效率，或Hibler模型中冰強度的精确值。我们可以通过实验室和现场数据来约束这些参数，但我们永远无法完美地知道它们的值。
结构不确定性：这可能是最深刻的不确定性来源。它源于我们在模式设计本身中的选择。用“桶”来模拟土壤是否正确？对大气使用“灰体气体”假设是否足够？我们的模式是否应该包含氮循环来限制植物生长？不同的科学团队对于包含哪些过程以及如何表示它们做出了不同但同样有效的选择。这些模式“结构”上的差异导致了一系列的预测结果。
EMICs是探索这些不确定性的独特强大工具。它们的速度使我们不仅能运行一次模拟，还能运行由数百或数千次运行组成的大型集合模拟。我们可以探索未来情景的全方位范围，系统地改变参数以观察哪些最重要，并比较具有不同结构的不同EMIC，以理解它们分歧的根源。这将模拟从简单的预测行为转变为一场宏伟的发现之旅，照亮了未来可能性的范围，并帮助我们理解我们这个奇妙而复杂星球的本质。
要真正欣赏一个科学工具的力量和美，我们必须看到它在实际中的应用。在探索了中等复杂程度地球系统模式（EMICs）的内部工作原理——它们巧妙的简化和物理基础——之后，我们现在转向它们帮助我们回答的宏大问题。一个EMIC不仅仅是方程的集合；它是我们星球的实验室，一个我们可以回溯时间、快进到未来、并进行现实世界中不可能的实验的地方。这些模式处在一个庞大的科学工具层级中的“最佳平衡点”，弥合了零维箱式模型的优雅简约与综合地球系统模式（ESMs）强大的、能解析天气细节的差距。通过捕捉基本物理过程而不迷失于细节，EMICs成为我们穿越地球历史浩瀚时间尺度及其潜在未来的向导。
地球科学中最深刻的谜团之一是冰河期的节奏性舞蹈。数十万年来，地球在漫长、寒冷的冰期和较短、温暖的间冰期（如我们今天所处的时期）之间循环。是什么驱动着这个行星的节拍器？EMICs非常适合解决这个问题，因为它们的计算效率允许模拟跨越这些巨大的时间尺度。
故事始于天际。塞尔维亚地球物理学家Milutin Milankovitch提出，地球轨道的微妙、类似钟表的变动是触发器。这些并非对地球接收的总太阳能的剧烈改变，而是对阳光在季节和纬度间的温和重新分配。这些变化源于三个周期：
EMICs将这些天文参数转化为随时间变化的入射太阳辐射图，即“日照”。例如，北半球高纬度夏季日照的轻微减少，可能让一个冬天的雪存留到下一个冬天，从而开始了冰盖缓慢而无情的增长。这种轨道强迫扮演着指挥棒的角色，但管弦乐队是地球系统本身，拥有其自身强大的内部反馈。
在这些内部参与者中，最主要的是深海环流。EMICs旨在捕捉的一个关键特征是大西洋经向翻转环流（AMOC），这是一条巨大的水体“传送带”，输送着巨量的热量。温暖、含盐的水在表层向北流动，在北大西洋将其热量释放给大气，变得寒冷而密集，下沉到深海，最终向南返回。这种环流从根本上与密度梯度相关联。在一个极简的表述中，这个流动的强度可以理解为与盆地不同部分之间的密度差成正比。这种简化植根于热成风关系的基本物理学，使EMICs能够探索关键的气候动力学。例如，当气候变暖融化冰盖，向北大西洋释放大量淡水时会发生什么？这些淡水密度较低，因此可以削弱密度梯度，可能减缓甚至关闭AMOC——这是一个具有巨大区域和全球气候后果的“临界点”，EMICs可以模拟其数千年的演变。
虽然窥探过去引人入胜，EMICs也是理解我们当前困境和可能未来的不可或缺的工具。当我们向大气中添加二氧化碳（）时，会出现两个基本问题：碳去了哪里？地球变暖了多少？
想象一下，我们可以向大气中注入1000亿吨碳的脉冲，然后静观其变。会发生什么？EMICs使用一个极具直觉性的概念——脉冲响应函数（IRF）来回答这个问题。这个函数告诉我们，初始脉冲中有多大比例随时间留在大气中。它不是像放射性半衰期那样的简单指数衰减。相反，它是几个指数的总和，每个都有不同的时间尺度，代表不同的碳汇：
但为什么比大气大得多的海洋不能简单地吸收所有多余的呢？答案不仅在于物理学，还在于化学。当溶解在海水中时，它形成碳酸，使水变得更酸。然而，海洋的碳酸盐化学系统会缓冲这种变化。这种“化学反推力”由雷维尔因子量化，以纪念先驱海洋学家Roger Revelle。更高的雷维尔因子意味着海洋更不愿意从大气中吸收额外的。对于大气中给定的百分比增长，表层海洋中溶解无机碳的百分比增长要小得多，大约小十倍（即当今海洋的雷维尔因子）。这个化学瓶颈是EMICs必须包含的关键部分，以便正确地在空气和海洋之间分配碳。
一旦我们知道了大气中残留了多少\text'CO}_2，我们就可以问它使地球变暖了多少。第一步是计算辐射强迫——由增强的温室效应引起的初始能量不平衡。你可能认为将温室气体的量加倍会使其暖化效应加倍，但事实并非如此。这种效应是对数的，由著名的公式描述。想象一下把一扇窗户涂成黑色来挡光。第一层涂料效果显著。第二层有所帮助，但它只挡住了穿过第一层的光。的主要吸收带已经被部分“涂上”了，所以增加更多的气体产生的影响会递减（尽管仍然显著）。
这个强迫 是对气候系统的“推动”。地球的温度响应 由气候科学中最基本、最优雅的方程之一决定： 这里，是地球达到新平衡时的温度变化，而 是净气候反馈参数。你可以把 看作是地球自我冷却能力的度量。每变暖一度，地球就会向太空多辐射 瓦每平方米的能量。更大的 意味着更高效的散热器和更小的最终温度变化（低气候敏感度）。更小的 意味着地球散热效率较低，导致更大的温度变化（高气候敏感度）。
的值是气候系统中所有反馈的净结果。最基本的是普朗克反馈：一个更热的行星辐射更多能量，这是一个强烈的负（稳定）反馈。但这被正（放大）反馈部分抵消，比如更暖的大气含有更多的水汽（一种强大的温室气体），以及融化的冰雪暴露出吸收更多阳光的深色表面。所有模式（无论简单还是复杂）气候预测中最大的不确定性来源，就是 的确切值。EMICs提供了一个框架，用于探索关于这些关键反馈的不同假设如何在长时间尺度上演变。
建立一个气候模式不仅仅是编程行为；它是一种科学推理和不断质询的行为。我们如何对这些简化的世界建立信心？它们如何与更复杂的“同类”合作以增进我们的理解？
一个模式的好坏取决于它与现实世界的联系。科学过程的一个关键部分是不断将模式模拟的现实与观测进行核对。例如，在一个模拟AMOC的EMIC中，科学家可以利用模式自身的内部物理来进行可检验的预测。他们可以从模拟的温度和盐度场计算出大西洋东西向的密度梯度。然后，利用热成风关系，他们可以推导出AMOC的输送量应该是多少。这个推导值可以与模式实际模拟的输送量进行比较，以确保内部一致性。但关键步骤是将其与真实世界的测量结果进行比较，例如来自RAPID系泊阵列的数据，该阵列在北纬处持续监测AMOC。当模式的强度和结构与这些观测结果一致时，我们对其简化物理过程捕捉到现实本质的信心就会增强。
如果我们有一个由几十个不同EMIC组成的集合，每个都基于略有不同的假设构建，每个都对未来给出略有不同的预测，该怎么办？这似乎是混乱的根源，但在这多样性中隐藏着一个强大的机遇。这就是涌现约束背后的思想。
想象你有一堆不同大小和材质的钟。你不知道哪个是“真”钟，但你想知道它被敲击时会发出什么基调。一个涌现约束就是，如果你在整个集合中发现了一个关系：那些具有某种可测量的当今属性——比如轻轻敲击时的振动方式——的钟，正是在被重击时产生高音调的钟。如果你能在真实世界的“钟”上测量到那种“振动”，你就约束了它未来的“音调”。在气候科学中，当今气候的一个可观测属性，比如全球温度的年际变率，可能与未来的某个属性，比如气候敏感度，有物理上的联系。如果这样一个关系在一个多样化的模式集合中“涌现”出来，我们就可以利用我们对当今气候变率的观测来缩小未来可能变暖的范围。这是一个极其美妙的想法，它将模式间的分歧从弱点转变为了优势。
最后，至关重要的是要理解EMICs并非孤立存在。它们是跨越广阔复杂性范围的“模式伟大链条”中的一个至关重要的环节。在一端，我们有以精细细节模拟单一大气柱的模式，解析单个气溶胶颗粒和云滴。在另一端，我们有最全面的ESM，它们消耗超级计算资源来创造全球气候惊人详细的画像。
这些不同类别的模式之间存在着强大的共生关系。来自高分辨率模式的详细物理过程可以用来开发和校准EMICs中使用的更智能、更简单的参数化方案。这是一个正式的“跨越层级”过程，其中使用复杂的数学技术来确保简化模式尊重其更复杂亲属的物理原理并遵守基本的守恒定律。反过来，EMICs可以探索数千年的气候演变或测试各种情景——例如不同的地球工程策略——而这些对于大型ESM来说在计算上是不可能的。这个相互连接的模式生态系统，每个都有其自身的优势，是我们理解我们这个动态星球的过去、现在和未来的最强大工具包。