玻尔百科世界海洋是地球气候系统的关键组成部分，但其浩瀚与复杂性使其极难观测和理解。为了弥合这一差距，科学家们依赖数值海洋模型——这种复杂的计算机模拟能够表征海洋的物理状态和动力过程。但是，我们究竟如何才能捕捉整个洋盆中每一个水分子的复杂运动呢？答案在于近似和计算表征这门巧妙的科学。本文旨在揭开这些强大工具的构建和使用之谜。在第一部分“原理与机制”中，我们将剖析海洋模型的基础构建模块，从其所依据的物理定律到使其在计算上可行的关键简化和数值技术。随后，“应用与跨学科联系”部分将展示这些模型如何被用作虚拟实验室，以预测未来气候、重建过去，并将稀疏的观测数据整合到一幅连贯的全球图像中。
构建一个海洋模型，就是踏上一段宏大的简化之旅。我们从物理定律开始，即 Newton 运动定律和热力学原理，这些定律在其完整形式下描述了每一个水分子的运动。但是，为整个世界海洋求解这些方程是一项极其庞大的任务，即使是速度最快的超级计算机也需要数千年的时间。因此，海洋模拟的艺术和科学不在于解决完整的问题，而在于明智地选择我们可以忽略问题的哪些部分，以及如何巧妙地处理我们无法直接看到的部分。
我们的第一步是驯服控制方程的惊人复杂性。我们不需要追踪在深海中飞速传播的声波，因为它们携带的能量很少，而且会迫使我们在模拟中采取小到无法想象的时间步长。因此，我们做出Boussinesq 近似。我们宣告，为了动量的目的，水是不可压缩的——其体积不随压力变化。但是——这是一个非常微妙的“但是”——我们允许其密度随温度和盐度发生轻微变化，因为正是这些微小的密度差异驱动着深海巨大、缓慢的浮力环流。这个巧妙的技巧滤掉了我们不关心的快速声波模态，同时保留了作为海洋环流核心的缓慢、旋转和层化的动力过程。
接下来，我们看看海洋本身的形状。它本质上是地球表面一层非常非常薄的膜。一个典型的洋盆可能有数千公里宽，但只有几公里深。对于任何一个水体而言，其运动绝大部分是水平的。让我们做一个物理学家喜欢做的比较。作用在水体上的重力是巨大的。那么它自身的垂直加速度，即它的上下起伏所产生的力呢？尺度分析表明，这就像一只苍蝇撞到一头大象。垂直加速度与持续、无情的重力相比完全微不足道。对于大尺度运动，垂直加速度与重力的比值可以小到百亿分之一。
意识到这一点，我们做出了一个深刻的简化：静力平衡近似。我们宣告，任何深度的压力都仅仅是由于其上方水的重量造成的。垂直动量方程，曾经是一个复杂的巨兽，变成了一个简单而优雅的平衡：。这一个步骤是大规模海洋模拟的支柱之一。它滤掉了一些高频内波，但保留了塑造海洋气候系统的大尺度 Rossby 波、地转流和涡旋。
有了简化的方程，我们面临下一个挑战：计算机无法思考连续的海洋。它以数字、离散的块为单位进行思考。因此，我们必须将我们连续的世界分割成有限的网格盒子，或称“单元”。海洋的运动随后被简化为这些盒子之间热量、盐分和动量的交换。
但我们应该如何排列这些盒子呢？这不是一个无足轻重的问题，其选择会产生深远的影响。想象一下三种不同的切分海洋蛋糕的方式：
位势坐标或 -层坐标： 这是最直接的方法。我们将海洋切成固定深度的水平层，就像一堆煎饼。计算压力梯度的数学过程简单明了。最大的困难出现在底部。海底不是平的！在这种坐标系中，倾斜的大陆架变成了一个粗糙的“楼梯”。这可能导致水流表现异常，仿佛它们撞上了一组巨大的水下台阶。
地形追随坐标或 -坐标： 为了解决楼梯问题，我们可以发明一种能够弯曲和拉伸的坐标系，平滑地跟随海底的轮廓。在底部，我们的网格盒子完美地贴合着沉积物。这对于表示海底附近的过程非常有利。但是，天下没有免费的午餐。在这个扭曲的网格中，计算水平压力梯度——驱动地转流的核心力量——变成了一场噩梦。它涉及到用两个非常大的数相减得到一个非常小的数。大数中的微小数值误差可能导致最终压力出现巨大误差，从而凭空制造出虚假的洋流。这个臭名昭著的“压力梯度力误差”已经困扰了模拟研究者几十年。
等密度面坐标： 也许最符合物理直觉的方式是让我们的网格层跟随海洋的自然分层。既然水倾向于沿着恒定密度面（isopycnals）运动，为什么不将这些面作为我们的坐标系呢？在这样的模型中，水体的“水平”运动就是等密度面运动。这极大地减少了一种称为伪跨等密度面混合的数值误差，这种误差在其他坐标系人为地跨密度层混合水体时发生。然而，这个系统的优点也伴随着它自身的麻烦。在表层，即混合层中，密度几乎是均匀的，坐标面可能变得垂直甚至消失，导致模型崩溃。
坐标系的选择是一项基本的设计决策，是在各种弊端之间进行的权衡，也证明了没有单一“完美”的方法可以在计算机中表征海洋。
一旦我们有了网格，我们的模型就变成一个巨大的方程组——每个盒子都有一组方程——告诉我们该盒子中的温度、盐度和速度在下一个瞬间将如何变化。然后，我们必须将这个系统一步步地“积分”或“推进”时间。
在这里，又出现了一个根本性的选择：我们的格式应该是显式的还是隐式的？
显式格式简单直接。它仅根据自身及其邻居的当前状态来计算一个盒子的未来状态。例如，一个简单的前向步长是 future = present + (rate of change at present) * (time step)。这对每一步来说计算成本都很低。然而，它带有一个严苛的稳定性约束。如果你试图采取过大的时间步长，解就会因剧烈、不切实际的振荡而“爆炸”。最大稳定时间步长受 Courant-Friedrichs-Lewy (CFL) 条件的限制，该条件指出，信息（如波）不应在单个时间步长内传播超过一个网格盒的距离。对于一个具有小网格盒和快速水流的高分辨率模型，这可能意味着时间步长必须非常短，使得整个模拟时间非常长。
另一方面，隐式格式则更为微妙。它根据一个涉及当前和未来的关系来定义未来状态。这导致一个巨大的耦合代数方程组，必须在整个海洋网格上一次性求解，这是一项计算量巨大的任务。其巨大的优势在于，隐式格式通常是无条件稳定的，允许使用更大的时间步长，仅受精度限制，而不用担心爆炸。在并行超级计算机中，差异是显著的：显式格式主要需要处理器与其直接邻居通信以交换信息，而隐式格式需要全局通信，这可能成为性能的瓶颈。
许多模型中使用的一种经典格式是蛙跳法。它的精度对于其简单性来说非常出色，但它有一个“心魔”：它会产生一个“计算模”。除了真实的物理解，它还会生成一个寄生解，在时间步之间振荡，这是一个纯粹的数值产物，可能会污染结果。为了控制这个“心魔”，模拟研究者通常会使用一种特殊的数值“药物”，称为Robert-Asselin 时间滤波器，它会温和地抑制寄生模，同时基本保持物理分解不变。这完美地说明了我们用来观察自然的工具，有时会创造出它们自己的幻影。
也许海洋模拟中最大的挑战是处理我们无法看到的东西。我们的网格盒子可能有几公里甚至几百公里宽。但真实的海洋充满了更小尺度的运动：湍流涡旋、旋转的细丝和对流羽流。这些次网格尺度过程对于我们模型的网格是不可见的，但它们的集体效应至关重要。它们负责海洋中大部分热量、盐分和营养物质的输运和混合。
忽略它们将得到错误的答案。因此，我们必须对它们进行参数化。参数化是一个基于物理理论的方案、一种近似，它代表了未解析的小尺度对已解析的大尺度的净效应。
一个基本的思想是，海洋中的混合是高度各向异性的（方向依赖的）。想想混合物质所需的能量。湍流沿着恒定密度面搅动水相对“容易”——不需要做功来对抗重力。但是要跨越密度面进行混合——将重的冷水向上提或将轻的暖水向下推——则需要大量的功来对抗稳定的层结。这意味着沿等密度面混合的效率远高于跨等密度面混合。观测表明，沿等密度面的扩散系数 () 可以比跨等密度面的扩散系数 () 大数百万倍。像Redi 等中性面扩散这样的参数化方案就是建立在这个原理之上的，确保模型中示踪物如热量和盐分的次网格混合主要沿着这些容易的等密度面路径进行。这种混合的量级可以通过简单的物理论证来估计，其中扩散系数 与涡旋的尺寸 及其特征速度 成比例，即 。
有时，海洋表面变得足够冷或足够咸，使得表层水比下方的水更稠密。这是一种重力不稳定情况。在真实世界中，这会引发快速而剧烈的翻转，这个过程称为对流。粗分辨率模型无法直接模拟这种翻转。取而代之，它使用一种对流调整方案。一旦模型检测到不稳定性，该方案就像上帝之手一样迅速行动，立即混合水柱以恢复稳定剖面。这样做的理由是，当流体柱不稳定时，它拥有有效位能 (APE)——可以转化为运动的能量。调整方案实际上是说，自然界不会让这种有效位能持续存在；它会几乎瞬间被释放，而该方案只是强制执行这个最终的稳定状态。
自然界还有更多的惊喜。温度、盐度和密度之间的关系是非线性的。这导致了一个迷人的现象，称为盐差混合增密效应（cabbeling）。你可以取两个具有不同温度和盐度，但密度完全相同的水块，将它们混合在一起，得到的混合物会比其任何一个母体都更稠密！。这是形成深层水的一个真实且重要的过程。一个使用 Redi 扩散来分别混合温度和盐度，然后从完整的非线性状态方程计算所得密度的模型，将自动捕捉到这种效应。示踪物沿“中性”路径的混合在质量场上产生了跨等密度面（diapycnal）效应——这是海洋物理学美丽且时而反直觉的统一性的又一个例子。
最后，模拟研究者还使用其他巧妙的技巧来简化他们的工作。其中之一是刚盖近似。快速移动的表面重力波需要非常小的时间步长。为了解决这个问题，我们可以简单地假装海面是一个平坦、刚性的盖子。海洋的体积现在是固定的。但降水和蒸发怎么办？如果我们加入淡水，我们不能提高海平面。取而代之，我们进行一个记账技巧：我们计算如果海平面上升了，盐度会被稀释多少，然后将这个变化直接应用于表层盐度。这被称为虚拟盐通量，这是构建一个可行的世界模型所需创造力的一个绝佳例子。
在遍历了数值海洋模型的基本原理，从宏大的守恒定律到湍流的漩涡之后，我们可能会想坐下来欣赏我们所构建的这套机械的优雅。但这样做就完全错过了重点！这些模型不是供人远观的博物馆展品；它们是活跃、动态的工具，是现代海洋学家的铁铲和望远镜。它们是我们探索无法亲临的世界、在一个我们不敢破坏的星球上进行实验，以及从纷繁零散的线索中拼凑出连贯海洋图景的手段。
所以，让我们卷起袖子，看看这些复杂的装置能做什么。我们会发现，它们的应用范围从其自身构建的实际问题，一直延伸到关于我们星球过去和未来的最宏大问题。
海洋模型的第一个，也许也是最令人谦卑的应用，是直面其自身的局限性。真实的海洋是一幅涵盖所有尺度的运动织锦，从横跨整个洋盆的巨大环流，到耗散热量的微小湍流漩涡，所有这些都在同时发生。要捕捉每一个分子，将需要一个太阳系大小的计算机。因此，我们被迫做出选择。这不是失败，而是一种艺术形式：近似的艺术。
一个主要的挑战是分辨率。想象一下，用一支和朋友的头一样宽的画笔来画他的肖像。你可能会得到基本的轮廓，但会错过眼睛、鼻子、表情——那些定义他们的特征。海洋模型也是如此。像 Gulf Stream 或 Kuroshio Current 这样的关键特征是相对狭窄的急流，是嵌入在缓慢移动的海洋中的温暖水流之河。要正确模拟它们，我们模型的网格单元必须远小于洋流本身。如果我们的网格太粗，模型只能看到一个模糊的斑点。模拟出的洋流会变得人为地宽而迟缓，其向极地输送的热量和水量——全球气候机器中的一个重要齿轮——会被危险地低估。这对模拟研究者来说是一个持续不断的权衡：对细节的追求与计算能力的有限现实之间的权衡。
那么，对于那些小到无可救药的过程，比如米级或厘米级的湍流涡旋，我们该怎么办？我们不能忽略它们；它们是海洋的齿轮，将风的动量传递到水体中，并混合热量、盐分和营养物质。既然我们无法解析它们，我们就必须对它们进行*参数化。这是所有气候模拟中最具智力活力的领域之一。这意味着我们利用我们对物理学的理解来创建一种统计规则，一个“机器中的幽灵”，它在模型可以看到的较大尺度上执行那些缺失的小尺度过程的净效应*。
例如，我们使用“涡粘性”和“涡扩散率”的概念来表示小尺度湍流如何混合动量和热量等示踪物。这些不是像分子粘性那样水的基本属性；它们是模型的参数，概括了未解析的湍流物理过程。没有它们，吹拂在海面上的风将没有有效的方式来搅动下方的水，模型也无法产生一个真实的 Ekman 螺线或支持世界上许多渔业的沿岸上升流。
一些参数化方案甚至更为复杂。考虑在北大西洋形成的、咸而密的海水，它溢出格陵兰和苏格兰之间的海底山脊，并沉入深海。这些溢流是狭窄、快速移动的重力流，对于全球气候模型来说太小而无法看到。然而，它们是填充世界洋盆的深层冷水的主要来源，是全球翻转环流的关键部分。为了捕捉这一点，模拟研究者在模型中构建了整个微型模型。这种参数化方案确定了这类溢流应该发生的位置，利用水力控制原理（很像水流过大坝）计算它们的输送量，并模拟它们沿大陆坡下降的过程，包括它们如何与周围水体混合和夹带，直到它们最终在正确的深度脱离并补给深海。这是一项精妙的物理创造，将小尺度过程的重要动力学嵌入到一个粗糙的全球网格中。
但这种巧妙也带来了一个深远的后果：不确定性。像底拖曳系数 这样的参数，它决定了水流如何与海床摩擦，取决于底部的粗糙度——沙粒的大小、波纹或岩层的存在。这些特性变化很大且测绘不佳。因此，我们对 值的不确定性可能非常大，通常达到50%或更多，而这种不确定性直接转化为模型对底流和能量耗散模拟的不确定性。这是一个至关重要的教训：气候预测中的不确定性很大一部分不仅来自大尺度方程，也来自对小尺度过程必要、巧妙且不完美的参数化。
如果模型是不完美的近似，我们如何让它们与真实世界保持联系？这就引出了第二类应用，在这些应用中，模型和观测进入了一场深入而富有成效的对话。
这种对话最直接的形式是数据同化。海洋浩瀚而我们的观测稀疏——这里一条船的航迹，那里一个漂流浮标。数据同化是将这些分散的观测与数值模型中编码的物理定律相结合的科学。其目标是生成一个“再分析”产品，一个完整、物理一致、四维的海洋状态图，它比单独的模型或数据都更准确。其魔力在于误差统计。同化系统被赋予一个背景误差协方差矩阵 ，它描述了模型的预期误差模式——例如，Gulf Stream 位置的误差很可能沿着洋流路径相关。它还被赋予一个观测误差协方差矩阵 ，它描述了测量的不确定性。然后，系统扮演着一个最佳仲裁者的角色，使用这些矩阵来决定在每一个点上多大程度上相信模型，多大程度上相信新的观测，以一种尊重模型内部物理联系的方式将模型状态推向观测。这种统计学和物理学的完美结合是每日天气预报和我们用来监测气候变化的综合海洋状态估计背后的引擎。
当然，我们也必须验证我们的模型。我们必须严格地用现实来检验它们的预测。但即使是这一点也比初看起来更为微妙。假设一颗卫星在特定点测得海面温度为 。我们的气候模型，其网格单元宽100公里，报告该区域的温度为 。模型错了吗？不一定！模型报告的是一个 km 区域的平均温度，而卫星测量的是一个单点的温度。在该区域内，由于未解析的涡旋和锋面，真实温度可能在 到 之间变化。点值和区域平均值之间的差异被称为代表性误差，这是模型验证中的一个根本性挑战。它不是一个错误，而是比较不同空间尺度事物的一个物理后果，如果我们有一个次网格变率的统计模型，它的大小是可以量化的。
为了弥合尺度间的差距，模拟研究者开发了像网格嵌套这样的强大技术。想象一下，你想研究某个河口或珊瑚礁的环流，但你也需要知道它如何受到大尺度海洋环流的影响。一个全球模型太粗糙，而一个高分辨率的局部模型不知道外部世界正在发生什么。嵌套解决了这个问题。一个高分辨率的“子”网格被嵌入一个较粗的“父”网格中。在最复杂的“双向”嵌套中，父网格为子网格提供边界条件，作为回报，子网格更准确的解被反馈回来以校正重叠区域中的父网格，同时小心地保持跨边界的质量和能量守恒。这就像给你的全球模型增加了一个放大镜，让你能够无缝地放大到最重要的区域。
有了这些工具和技术，我们终于可以转向宏大的挑战。数值模型成为我们的时间机器、我们的水晶球、我们进行行星尺度科学的虚拟实验室。
最巧妙的应用之一是观测系统模拟实验 (OSSE)。假设你想发射一颗价值十亿美元的卫星来测量海面盐度。你怎么知道它的轨道是最佳的？你怎么知道它的测量精度足以改善海洋预报？在发射之前你无法确切知道，而到那时就太晚了。OSSE 提供了一个解决方案。首先，你运行一个非常高保真、超现实的模型，并将其输出称为“自然”（Nature）。这是你完美已知的、合成的现实。然后，你假装自己是卫星，沿着其建议的轨道对“自然”进行采样，并添加真实的测量误差。最后，你将这些合成的观测数据输入一个完全不同的、分辨率较低的预报模型（业务预报中使用的那种），看看这些合成数据相对于已知的“自然运行”的“真实情况”在多大程度上改善了其预报。这是对现实的一次彩排，一种在真实世界中构建观测系统之前，先在虚拟世界中对其进行“试驾”的方法。
当然，这些模型最广为人知的应用是预测未来气候。要回答像“到2100年海平面将上升多少？”这样的问题，我们需要一系列相互作用的模型的协同工作。海洋环流模型，在温室气体情景的驱动下，计算海平面上升的比容分量——海水变暖时的扩张。独立的、高分辨率的冰盖模型，接收来自气候模型的大气和海洋条件，计算格陵兰和南极洲融化带来的质量贡献。专门的冰川模型和陆地水文模型计算与世界山地冰川和陆地水储量的质量交换。最终的预测是对所有这些部分的仔细核算，是整个科学界为闭合全球海平面收支而付出的努力。
我们的时间机器也可以向后运行。通过将模型的边界条件设置为我们所知的古代地球状况——不同的轨道参数、更低的温室气体浓度，以及覆盖北美和欧洲的巨大冰盖——我们可以模拟像大约21000年前的末次冰盛期这样的过去气候。这不仅仅是出于好奇。将模型的模拟结果与地质代用资料（如来自冰芯的温度记录）进行比较，是对模型物理过程最严格的检验之一。如果一个模型不能重现我们拥有数据的过去气候，我们凭什么相信它对未来的预测？这些古气候模拟也迫使我们面对不同类型的不确定性。强迫不确定性源于我们对过去冰盖和温室气体水平的不完美了解。参数不确定性来自我们参数化方案中的可调旋钮。而结构不确定性则源于不同建模团队选择编写方程和构建模型的方式不同。理清这些不确定性是理解我们预测置信度的关键。
未来会怎样？最新的前沿是传统物理模型与现代机器学习激动人心的交集。研究人员现在正在构建物理信息神经网络 (PINNs)。PINN 是一种神经网络，其训练目标不仅是拟合数据，还要遵守支配系统的基本物理定律——如平流-扩散方程。例如，可以训练一个 PINN 来预测海洋混合层的演变，其损失函数会明确惩罚任何违反边界条件的行为，例如由加热、冷却和蒸发引起的地表浮力通量。这些混合方法有望结合两个世界的优点：机器学习的纯粹统计能力和速度，受到永恒严谨的物理定律的约束和指导。
从解析 Gulf Stream 到设计卫星，从重建冰河时代到预测我们星球的未来，数值海洋模型已成为理解和管理海洋不可或缺的工具。它们是人类智慧的证明，是物理学、数学和计算机科学的融合，使我们能够以一种虽小但有意义的方式，把握我们世界海洋的巨大而美麗的复杂性。