玻尔百科大尺度气候模式面临一个根本性挑战：它们的网格尺度太大，无法解析单个云团，而云团是大气环流的引擎。几十年来，模式开发者依赖于简单的“调整方案”，这些方案在没有真正体现底层物理过程的情况下修正大气不稳定性。这种方法造成了知识鸿沟，将云视为一个需要修复的问题，而不是一个需要理解的物理过程。质量通量方案作为一种强大且基于物理的解决方案应运而生，彻底改变了我们模拟天气和气候的方式。
本文全面概述了质量通量方案，带领读者从其核心理论基础走向其广泛的实际应用。在“原理与机制”部分，我们将解构对流羽、夹卷和补偿性下沉的精巧模型，正是这一模型使得这些方案能够如此有效地输送能量。随后，“应用与跨学科联系”部分将探讨这些方案如何在现代气候模式中实施，它们在不同尺度上面临的挑战，以及它们在连接大气物理与更广泛的地球系统乃至行星科学中的重要作用。
想象一下，你正试图描述一个繁华的城市，但你唯一的工具是一台从太空拍照的相机，每个像素覆盖一百平方公里。你将看不到单个的汽车、行人或建筑，只能看到一片灰色、模糊的平均景象。这正是气候科学家所处的困境。他们的模式将大气划分为网格，这些网格远大于单个云团。然而，这些云并非无关紧要的细节；它们是大气的引擎，是将热量和水汽从地球表面提升并重新分配的巨大电梯，驱动着天气和气候。那么，我们究竟该如何考虑它们呢？
很长一段时间里，模式开发者使用一个简单的技巧。如果一个网格变得不切实际地温暖和湿润——这是本应形成云的能量积聚的迹象——模式就会简单地“调整”它，将温度和湿度调回到一个更稳定、更合理的状态。这就像注意到一个城市的交通图是鲜红色的，就直接把它涂成绿色，并假设交通已经自行疏通。这些“调整方案”能完成任务，但它们没有告诉你任务是如何完成的。它们是一种修正，而不是一种解释。突破来自于一个更物理、更优美的想法：质量通量方案。
质量通量方案没有将网格视为一个均匀的模糊体，而是提出了一个简单而优雅的划分。我们想象，在我们广阔的网格内，一小部分区域被活跃的、上升的空气柱占据——即对流上升气流，或称气流羽 (plumes)。其余广阔的区域则是较为平静的、环绕四周的环境。突然间，我们的故事里有了角色：英勇的上升气流和广阔的、旁观的环境。
这种对流活动的强度可以用一个单一而强大的概念来捕捉：上升气流质量通量，用字母 表示。它代表每秒钟通过这些气流羽向上涌动的总空气质量，单位是每模式网格面积。如果上升气流占据的分数面积为 ，密度为 ，并以平均垂直速度 上升，那么质量通量就是它们的乘积：
这个方程是整个框架的基石。它超越了简单的修正，为我们提供了一个描述对流强度的物理量。这不再是魔法，而是力学。
真实的云并非一个完美的、密封的电梯在天空中上升。它是一个湍流的、混乱的物体，不断与其周围环境相互作用。它会呼吸。它从环境中吸入空气，这个过程称为夹卷 (entrainment)，用 表示。它也会呼出，留下一些自身的云空气，这个过程称为脱卷 (detrainment)，用 表示。
我们的气流羽在上升过程中，其生命就是这两个过程之间的斗争。其质量通量随高度 的变化由一个非常简单直观的方程描述：
这个方程所表达的仅仅是：如果气流羽夹卷的空气多于脱卷的空气（），它的强度（）就会增长；如果它脱卷的空气多于夹卷的空气（），它就会减弱并最终消亡。对气候模式开发者来说，关键而困难的工作是确定夹卷和脱卷的规则——即方案的闭合 (closure)。这些规则决定了气流羽如何“感受”其环境，正如我们将看到的，这对对流的生死存亡至关重要。
所以我们有了一个上升和呼吸的气流羽。它的目的是什么？它的目的是输送“物质”。主要是，它将热量和水汽从低层大气输送到高层大气。任何属性（我们称之为 ，可以是温度、水汽或任何其他东西）的垂直对流通量由另一个优美简洁的公式给出：
通量就是气流羽的强度 乘以该属性 在气流羽（）和其环境（）之间的差异。如果气流羽比其周围环境更暖、更湿，它就会向上输送热量和水汽。
但这里有一个微妙之处，正是这些美丽的物理细节改变了一切。当一个气流羽向上输送某物时，它并不仅仅是将其 déposé 在顶部。对环境的影响是通过通量的辐散来体现的。任何给定高度的加热或加湿都与 成正比。
我们还必须引入另一个角色。根据牛顿第三定律，每一个作用力都有一个大小相等、方向相反的反作用力。如果质量在一个微小的气流羽中向上飞速运动，质量守恒定律要求它必须在其他所有地方缓慢下沉以作补偿。这种在环境中的缓慢下沉运动被称为补偿性下沉 (compensating subsidence)。这种下沉并非微不足道的细节，而是一种主导力量。随着环境空气下沉，它被压缩并变暖，从而深刻地改变了大气的温度廓线。
让我们看看这种输送机制有多强大。想象一个处于平衡状态的大气，其中向太空的辐射冷却与来自地表的加热完全平衡。在热带地区，这种平衡需要大约 的向上能量输送。如果我们试图用一个简单的扩散模型（其中通量与局地梯度成正比）来参数化这种输送，我们会遇到一个严重的问题。在一个粗糙的网格中，垂直温度梯度非常小。一个现实的扩散系数只能产生大约 的通量——这远远不够！。
然而，质量通量方案不依赖于局地梯度。它是一个非局地 (nonlocal) 过程。它将炎热、潮湿的地表层与凉爽的高层大气直接联系起来。通过物理上合理的上升气流速度和面积值，质量通量方案可以轻易地输送所需的 。它不是温和的扩散；它是一个大气的快速电梯，没有它，我们的气候模式根本无法维持地球的基本能量平衡。
气流羽并非在真空中上升。它所经过的环境既可以滋养它，也可以扼杀它。深对流最强有力的“刺客”之一是中层干燥 (mid-level dryness)。
想象一下我们英勇的气流羽，饱和且有浮力，正在穿越对流层中层。它勤奋地夹卷，或吸入，周围的空气。但如果这些环境空气非常干燥呢？当这些干燥空气进入潮湿的云中时，云自身的液态水被迫蒸发以维持饱和。正如任何洗完澡走出浴室的人所知，蒸发会导致冷却——即潜热冷却。这种冷却就像一个刹车。它降低了气流羽的温度，侵蚀了它的浮力，并可能完全阻止其上升。上升气流摇摇欲坠，在较低的高度脱卷其质量后消亡，未能成为一个高耸的深厚积雨云。
这是参数化云与解析环境之间复杂舞蹈的一个美丽例子。对流的命运并非预先注定；它是通过夹卷过程时刻协商的结果。这也凸显了一个关键点：质量通量方案不仅输送热量和水汽，它们还输送动量，搅动大气并在不同高度之间混合风。
这种关于气流羽、夹卷和下沉的图景仅仅是一个方便的漫画吗？还是它暗示了更深层次的真理？让我们退后一步，再次思考我们模糊的网格。一个更好的描述其内部变率的方法可能是使用概率密度函数 (Probability Density Function, PDF)——一条曲线，告诉你找到具有特定温度或湿度的空气的概率。
在对流区域，这个 PDF 通常是双峰的。有一个对应于上升气流羽的暖湿峰值，和一个对应于下沉环境的较冷、较干的峰值。当你研究数学时，会发现一件神奇的事情：简单的双羽质量通量模型在数学上等同于假设次网格 PDF 是一个由两个狄拉克δ函数构成的简单双峰分布。
这种联系揭示了惊人的一致性。为了确保模型能够守恒总水量等属性，质量通量模型中上升气流的面积分数 必须完全等于从底层 PDF 诊断出的云量 。这表明质量通量框架不仅仅是一个任意的模型；它可以被看作是对大气更基本的统计描述的一种物理约束下的简化。这幅漫画是对更深层次现实的素描。
随着我们的模式变得越来越复杂，它们从简单的诊断闭合 (diagnostic closures)（其中参数根据当前状态瞬时计算）转向预报闭合 (prognostic closures)，后者通过随时间演化诸如湍流动能等额外变量来携带“记忆”。这种统计学观点提供了一条强大而统一的前进道路。
一个物理定律或一个好的参数化的真正力量在于它能够解释涌现现象——即从简单的局地规则中产生的复杂格局。质量通量框架使我们能够做到这一点。
考虑对流自组织 (convective self-aggregation) 现象，其中最初随机散布在热带海洋上的雷暴自发地聚集成一个巨大的、有组织的系统，留下大片晴朗、干燥的空气。这是如何发生的呢？质量通量框架为我们提供了理解它的工具。
这里存在一种竞争。一方面，有一种“富者愈富”的反馈：一个比周围略微湿润的区域拥有更多的水汽。水汽是一种温室气体，因此它会捕获更多的辐射，导致局地变暖，这又会助长更多的对流，而对流反过来又从周围吸入更多的水汽。这是一种希望创造结构的不稳定性。另一方面，对流是能量的输出者。湿润区域中更强的对流通过输送能量来抑制异常。
自组织的开始是辐射反馈在这场与对流抑制的战斗中获胜的时刻。利用对流能量输出的质量通量表示（），科学家可以推导出这种不稳定性何时应该发生的精确数学判据。他们可以建立一个基于湿静力能空间方差的诊断量，告诉他们模型中自组织何时即将开始 [@problem-id:4062645]。
这是质量通量思想的最终胜利。它将我们从单个云的小尺度、混乱的物理过程，通过气流羽和下沉的优雅力学，引向对塑造我们星球气候的宏伟、有组织的格局的理解。这证明了将世界看作不是一个模糊的平均值，而是强大的、集中的行动者与其广阔的、响应性环境之间动态相互作用的力量。
在探索了质量通量方案复杂精密的机制之后，我们现在站在了一个有利的位置。我们已经看到了齿轮和传动装置——夹卷的气流羽、补偿性下沉，以及赋予这些幻影行动指令的闭合方案。但一台机器不仅仅是它的零件；它的目的取决于它做什么。所以现在我们要问：这套优雅的理论物理学在哪里找到了它的用武之地？这个抽象的云模型如何与天气预报、气候变化乃至遥远行星的特征等有形世界联系起来？
我们的故事从这里离开单个气流羽的理想化世界，进入地球系统美丽而混乱的现实。我们将看到，质量通量方案并非一个孤立的工具，而是一个至关重要的枢纽，一个翻译器，让构成我们星球物理交响乐的不同部分能够相互对话。
想象一下，一个气候模式就像一个覆盖全球的巨大三维网格。每个网格——边长可能有一百公里——都是我们世界这幅宏伟数字画卷中的一个像素。模式的运动和热力学定律只能用大笔触作画，将大量的热量和水汽从一个网格移动到另一个网格。但大气的生命线——雷暴、积云——比这些像素小得多。它们是模式本身无法呈现的精细笔触。
质量通量方案就是艺术家的细画笔。它在每个网格内部运作，为更大的模式回答一个关键问题：给定这个网格内的条件，所有在其中生灭的不可见云团的净效应是什么？方案的输出不是一幅云的图画，而是一组简单的指令：“将这一层加热这么多，将那一层干燥这么多”。这就是对流加热趋势，是大型模式能够理解的语言。它是无数上升气流抬升湿润空气，空气凝结释放潜热，从而加热周围大气的综合效应。
这个角色凸显了任何气候模式内部的一个关键分工。质量通量方案是垂直输送的专家。它的工作是表示一群次网格气流羽将如何搅动一列空气，将热量和水汽从边界层提升到对流层高处。然而，它不负责将水汽变成云滴，或将云滴变成降雨的具体细节。那是另一个专家的工作：微物理参数化。质量通量方案计算由次网格速度 引起的输送，而微物理方案则计算局地相变以及雨滴和冰晶在重力作用下的沉降。这种优雅的职责分离使得每个组件都能专注于其设计用来捕捉的物理过程，协同工作以产生一个连贯的整体。
这种整洁的分工基于一个简单的假设：云比我们的网格小得多得多。几十年来，当模式的分辨率是几百公里时，这是一个完全合理的假设。但随着我们的计算机变得越来越强大，网格越来越小，会发生什么呢？如果我们的像素尺寸变成，比如说，5公里呢？
一个典型的雷暴可能有几公里宽。突然之间，这个现象不再是舒适的“次网格”了。模式自身的解析动力学——它的大笔触——可以开始描绘风暴的形状。模式方程中的风场 开始显示出有组织的上升气流。我们进入了“对流灰色地带”。
这带来了一个深刻的理论危机。一个传统的质量通量方案，不知道网格的大小，会看着不稳定的气氛，勤奋地计算其加热趋势。与此同时，模式的动力核心，现在部分解析了对流上升气流，也会向上输送热量。同一个物理过程被计算了两次。这种“重复计算”可能导致失控的反馈循环，产生不可能强烈的、网格尺度的风暴，从而破坏模拟。
解决方案是让参数化方案具有“尺度感知”能力。一个真正智能的方案知道它所处的网格大小。随着网格间距 的缩小，方案必须优雅地减少自身的活动，认识到解析动力学正在接管它的工作。在一个优美的简单尺度论证中，可以证明为了使一列空气中的总加热与我们选择的网格无关（现实中必须如此），参数化的加热趋势必须随着网格缩小而与 成比例增加。这确保了平稳的过渡，让解析动力学和参数化方案能够顺利交接。
重复计算的挑战不仅仅局限于模式自身的动力学。一个气候模式是多个参数化方案的集合，每个方案代表一个不同的物理过程。例如，在地球表面附近，一个行星边界层 (PBL) 方案模拟由风切变和地表加热产生的混乱、小尺度的湍流。这个方案和对流方案一样，也输送热量和水汽。当一个浅积云的根部在边界层时，哪个方案负责输送？是看到普遍湍流的PBL方案？还是看到有组织热泡的质量通量方案？
简单地将它们的效果相加将是另一种形式的重复计算。优雅的解决方案再次来自物理推理。我们可以将每个输送过程——PBL的扩散湍流和对流羽的有组织上升——看作具有一个特征时间尺度。一个基于物理的混合策略通过每个方案的时间尺度的倒数，即其速率，来加权其贡献。作用更快的过程在总输送中拥有更大的发言权。这就像一个交响乐指挥告诉铜管乐器组（快速、强大的对流）要大声演奏，同时示意弦乐器组（较慢的、背景的湍流）要轻柔演奏，确保最终的声音是和谐的，而不是一片嘈杂。
这些看似是模式开发者内部问题的细节，对我们模拟地球气候的能力有着巨大的影响。考虑覆盖亚热带海洋的大片层积云。它们是地球的反射盾，将大量阳光反射回太空，保持地球凉爽。这些云层处于持续的斗争中，有的力量试图维持它们，有的力量试图将它们分解成零散的、反射率较低的信风积云。
一个用于浅对流的质量通量方案正处于这场斗争的核心。一个关键参数，夹卷率 ，它决定了多少来自上方的干燥、温暖空气被混合到云中，可以决定结果。这个参数化混合的轻微增加可以稀释云层，使它们变暖变干，加速从明亮的、完整的云层向破碎积云场的过渡。正确设置这一个参数对于一个模式正确预测云将如何响应全球变暖并对其产生反馈至关重要。
此外，参数化的选择本身就塑造了模式气候的“个性”。一种较老、较简单的“对流调整”方法像一个严格的执法者：每当它看到不稳定性（CAPE），它会立即将其移除，使大气松弛到中性状态。而质量通量方案则更为细致。因为它的气流羽会因夹卷而减弱，它需要一定背景水平的有限CAPE才能运作。它不消除不稳定性；它与不稳定性共存，在有限的时间尺度内消耗它。
这个看似微小的差异意义深远。在一个由对流调整主导的世界里，大气没有不稳定性的记忆。在一个由质量通量方案主导的世界里，大气可以在更长的时间内储存和释放能量。这导致了一个具有更真实变率的气候。当一个随机强迫，比如一阵随机的风，扰动系统时，质量通量模型会以更长的自相关时间“振铃”，产生更大、持续更久的能量和水汽波动——这种行为更接近真实世界的混沌之舞。
质量通量方案不仅仅是关于孤立的大气；它们是连接大气与地球其他部分的桥梁。在陆地上，雷暴的触发取决于从地表注入空气的热量和水汽。太阳能分配为感热通量（加热空气）和潜热通量（蒸发水）是由陆地表面——土壤湿度和植被类型——控制的。一片湿润的灌溉田会产生一个潮湿、凉爽的边界层，而一片干燥的森林则会产生一个炎热、深厚的边界层。质量通量方案是将这些不同的地表条件转化为关于对流时间和强度的预测的组件，将生物圈和水圈与大气联系起来。
而这种物理学的适用性并不仅限于地球大气层。当行星科学家建立大气环流模式（GCMs）来理解火星、金星或遥远系外行星的气候时，他们面临着同样的基本问题：如何表示对于其模式网格来说太小的对流。在简单的对流调整和更物理的质量通量方案之间的选择，对于理解一个潮汐锁定的“眼球”行星和对于地球同样至关重要。上升气流、下沉气流、夹卷和补偿性下沉的语言是普适的，这证明了物理学统一的力量。
尽管质量通量方案非常优雅，但它们仍然是复杂现实的简化模型。它们难以捕捉对流丰富的涌现组织，比如雷暴如何组织成巨大的飑线，或者它们的雨冷下沉气流形成的冷池如何触发新的风暴。气候模拟的前沿正在努力超越这些限制。
一种方法是“超参数化”——一个暴力但优美的想法。我们不在粗糙气候模式的每个网格中使用一组简单的方程，而是嵌入一个微型、高分辨率的云解析模型。这个微型模型明确模拟气流羽、它们的相互作用以及产生的冷池，然后将净效应报告给父模型。这用涌现的物理过程取代了参数化的夹卷和闭合，尽管计算成本巨大。
一个更新的前沿是使用机器学习（ML）。科学家可以离线运行这些昂贵的、高保真度的模拟（或超参数化），并使用其输出来训练一个深度神经网络。ML模型学习从大尺度大气状态（其输入）到正确的对流趋势（其输出）的复杂非线性映射。它可以作为一个已知方案的强大、快速的模拟器，或者更进一步，学习表示我们简单的质量通量方程无法捕捉的复杂物理过程，如中尺度组织。挑战在于，而且这是一个巨大的挑战，要确保这些“黑箱”模型遵守物理学的基本守恒定律。
从简单的气流羽模型到人工智能的前沿，对流表示的探索是科学实践的完美典范。这是一个关于巧妙近似、与尺度限制搏斗，以及一次一个网格地构建我们世界及其他世界日益逼真的肖像的故事。