玻尔百科在计算机中模拟地球广阔而复杂的海洋是现代气候科学的基石。尽管流体动力学的基本定律众所周知，但一个惊人的尺度问题使我们无法直接捕捉每一个涡旋和洋流。全球气候模型必须使用分辨率远低于需求的网格，这些网格过于粗糙，无法看到海洋中最活跃的“天气”，例如中尺度涡和湍流混合。这些未被解析的，或称为次网格尺度的过程，其影响不容忽视；它们是全球热量、盐分和营养物质输运的关键驱动力。忽略它们将导致模拟出现根本性的缺陷。本文深入探讨了海洋模型参数化的科学——这是一门利用模型可见的大尺度信息来表示这些不可见运动影响的艺术。我们将首先探讨其核心的原理与机制，剖析参数化的必要性以及针对涡旋、对流和混合的关键方案是如何工作的。随后，我们将遍览其多样的应用与跨学科联系，揭示这些参数化方案为何对从预测气候变化到理解海洋、冰盖与固体地球之间错综复杂的联系都至关重要。
想象一下，你想在计算机里构建一个整个地球海洋的复制品。这是一项艰巨的任务，但基本定律是已知的：艾萨克·牛顿的运动定律，经过调整以适用于一个旋转的、被流体覆盖的星球。你写下了速度、温度和盐度随时间变化的方程。但你立刻会遇到一个惊人的尺度问题。海洋是运动的交响乐，从需要数年才能循环一周的跨大陆洋流，到几秒钟内就消散的微小涡旋。要捕捉这一切，你的计算机需要追踪每一个水分子。这不仅仅是困难，而是根本不可能。
所以，我们必须做出选择。我们在数字海洋上铺设一个网格，就像一张由像素构成的照片。每个网格单元可能有一百公里宽。我们决定，我们的模型只求解每个网格单元内的平均属性——平均速度、平均温度。所有小于我们网格单元的复杂、旋转的运动都对我们来说是不可见的。它们是次网格尺度过程。但它们重要吗？绝对重要。
让我们看看运动方程。一个关键项涉及到动量的平流，形式类似于 ，即速度乘以速度的变化。当我们在一个网格单元上对这个方程求平均时，我们会遇到一个数学事实，这也是我们所有麻烦的根源：乘积的平均值不等于平均值的乘积。
如果我们将平均（或“解析”）速度表示为 ，将与平均值的偏差（“未解析”的涡）表示为 ，那么总速度为 。两个速度分量乘积的平均值 变为：
经过一些简化后，我们发现我们用于解析流 的方程中，包含一个恼人的剩余项：次网格应力张量 。这是未解析运动的幽灵。它代表了那些我们实际模拟的大尺度、缓慢洋流所受到的、来自小尺度、快速涡旋的净推力。如果我们简单地忽略这一项，我们的模型将从根本上是错误的。这就像试图通过只关注市值数十亿美元的公司而忽略数百万小企业的综合效应来预测一个国家的经济一样。
参数化的艺术与科学，就是找到一种巧妙的方法，仅使用我们模型能看到的量——如解析场 及其梯度——来表示这个幽灵项 的效应。为此，我们常常依赖一个关键思想：尺度分离。我们假设次网格涡旋比大尺度流小得多，存在时间也短得多。它们摆动和消亡得如此之快，以至于它们几乎是瞬时地响应周围大尺度流的状态。这个假设允许我们创建“局地”闭合，即某一点的次网格应力仅取决于该点的解析流，而无需了解整个海洋的历史。
那么，我们必须考虑的这些不可见运动是什么呢？在广阔的海洋内部，能量最强、最重要的角色是中尺度涡。它们是海洋的天气系统——直径数十至数百公里的旋转水体，缓慢地在海洋中漂移，携带热量、盐分和营养物质。
是什么决定了它们的尺寸？这是一种美丽的物理平衡。海洋是层结的——它像蛋糕一样分层，较轻、较暖的水在较密、较冷的水之上。这种分层强度由浮力频率 来衡量。海洋也处于一个旋转的星球上，这种旋转效应由科里奥利参数 捕捉。一个涡旋的生命是层结（试图将其压平）与旋转（试图将其聚合）之间的持续拔河。这两种力达到平衡的自然长度尺度被称为第一斜压罗斯贝变形半径，由以下公式给出：
这里， 是运动的垂直尺度，通常是主温跃层的深度。让我们代入一些典型的中纬度数值：，，以及 。这给出了一个特征涡旋半径 。
现在，将这个值与我们海洋模型的“像素尺寸”进行比较。一个标准的气候模型可能具有 纬度的网格间距，约为 。对于这样的模型，一个 的涡旋是完全不可见的。即使是分辨率较高的“涡许可”模型，其网格为 （约 ），也只能将涡旋表示为一个模糊的单一像素。它无法解析构成涡旋本质的旋转运动。只有当我们的模型达到“涡分辨”级别，网格尺寸为 （约 ）或更精细时，我们才能开始明确地看到这些舞者。对于绝大多数长期气候模拟而言，中尺度涡牢牢地处于次网格范畴，其影响必须被参数化。
这些涡旋的主要作用是什么？有人可能会认为它们只是将所有东西混合在一起，就像勺子将奶油搅入咖啡一样。但旋转、层结流体的物理学要优雅得多。流体沿着等密度面（isopycnals）移动比跨越它们（这需要对抗重力做功）要“容易”得多。沿等密度面的混合称为等密度面混合，而跨越它们的混合称为跨等密度面混合。
中尺度涡源于大尺度流的不稳定性，它们非常有效地沿等密度面搅动水体属性，如热量和盐分。它们本质上是绝热搅拌器。它们的作用是削平由风生流造成的大尺度等密度面坡度。
现在，想象一下我们粗糙的、非涡分辨的模型。解析出的大尺度环流会产生不切实际的陡峭等密度面坡度。如果我们随后应用简单的水平扩散来平滑示踪剂场（一种常见的数值技术），这种扩散会沿着水平网格线作用，而不是沿着真实的等密度面。在一个陡峭的坡面上，这种水平扩散有很大的分量会跨越等密度面。这会产生巨大的、非物理的伪跨等密度面混合，从内部侵蚀模型的层结[@problem_-id:4072866]。
一个简单的计算表明这是多么危险。如果我们有一个水平扩散系数作用于一个坡度为 的表面上的水平示踪剂梯度，它产生的伪垂直通量大小约为 。对于典型的海洋数值，这个非物理通量可能与我们试图模拟的、由物理驱动的真实垂直通量一样大！
为了解决这个问题，Gent-McWilliams (GM) 参数化方案应运而生。GM 是一个巧妙的方案，它引入了一个“涡致速度”。这个额外的速度被专门设计成绝热的，并以削平等密度面的方式沿其输运示踪剂。它精确地抵消了平均流造成的坡度陡峭化，代表了缺失涡旋的主要效应，并防止了灾难性的伪混合。它将涡旋的温和搅动效应重新引入模型，而没有剧烈的、非物理的摇晃。
当然，海洋中的混合并非都是温和且绝热的。在某些地方和某些时间，海洋会经历剧烈的、垂直的、跨等密度面的混合。
最引人注目的例子之一是开阔大洋对流。如果表层水变得非常冷或非常咸，其密度可能增加到比下方的水更重。这会产生一个引力不稳定状态（），就像一本竖立在其书角上的书。结果是混沌的翻转，稠密的水羽流迅速下沉，并将水柱从上到下混合。我们的网格模型无法模拟这些单独的羽流。取而代之的是，它们使用一种极其简单而有效的参数化，称为对流调整。模型不断检查不稳定性。如果发现一层密度较大的水位于密度较轻的水之上，它会瞬间并完全混合该层，将温度和盐度设置为它们的体积平均值。结果是一个完全均匀、中性稳定的层。该方案完美地守恒了水柱内的热量和盐分，并捕捉了复杂对流过程的基本最终状态。
海洋上层数十至数百米也是一个剧烈混合的区域。这个表层边界层被风搅动，并受到加热、冷却、降雨和蒸发的影响。为了对此进行参数化，许多模型使用K-剖面参数化 (K-Profile Parameterization, KPP)。KPP 是一个更复杂的方案，它首先通过使用一个称为整体理查森数的标准来检查水柱的稳定性，从而诊断出边界层的深度 。然后，它在该层内规定了垂直涡动扩散率 的特定形状。这个剖面在表层附近很强，并随深度衰减，确保了向宁静的海洋内部的平滑过渡。混合的强度取决于表面强迫——风应力（通过摩擦速度 ）和浮力通量（加热/冷却）。该剖面的特征形状是一个三次多项式，，其中 是层内的归一化深度， 是一个湍流速度尺度。KPP 和 GM 是完美的搭档：KPP 处理表层边界层中强烈的跨等密度面混合，而 GM 则负责内部的绝热涡旋搅动。
我们的参数化之旅在访问海床之前还不算完整。当洋流流过粗糙的海底时，它们会经历摩擦。在湍流中，这种摩擦并非你想象的简单粘性拖曳。它主要由形状阻力主导，即水流对岩石和沉积物波纹等粗糙元体施加的压力。这导致了一个二次拖曳定律，其中底应力 与近底速度 的平方成正比：
这里， 是一个无量纲的拖曳系数，用于参数化海床的粗糙度。这种拖曳是海洋环流能量的一个关键耗散项，必须包含在任何现实的模型中。
最后，让我们考虑最后一点，一个奇妙地反直觉的物理现象。海水有一个非线性的状态方程；其密度不是温度和盐度的简单线性函数。这导致一种称为盐密混合效应 (cabbeling) 的奇特现象。想象我们取两个水团，它们的温度和盐度不同，但恰好具有完全相同的密度。我们将它们混合在一起。混合物的密度是多少？令人惊讶的是，它比任何一个母水团都要密！
这是因为在温盐图上，等密度线是弯曲的。当你混合一条线上的两点时，得到的混合物落在连接它们的弦上，而这条弦位于曲线的更密集一侧。这意味着，等密度面混合这一行为本身就可以产生更密集的水，从而驱动一个缓慢、不可逆的跨等密度面转换。一个使用Redi/GM方案沿等密度面混合温度和盐度，然后使用完整的非线性状态方程计算新密度的模型，自然会捕捉到这种盐密混合效应。这是一个微妙而美丽的提醒：即使我们用参数化简化了海洋，它那基本的、有时甚至是奇异的本性依然会显现出来。
在窥探了参数化错综复杂的机制之后，我们可能会倾向于将其视为一系列巧妙但抽象的数学技巧。然而，事实远非如此。这些并非仅仅为了方便；它们是让我们的模型与真实世界相连、应对我们时代最深刻的科学挑战、并以意想不到的美妙方式跨越学科的齿轮和杠杆。参数化是物理学的抽象之美与我们星球混乱而壮丽的现实相遇的地方。例如，年代际气候预测这一宏大挑战，几乎完全取决于我们能否正确地表征这些拥有气候系统“记忆”的不可见过程。
让我们踏上一段旅程，从阳光普照的海洋表层到深渊的无边黑暗，从海洋的中心到冰封的两极，看看这些思想是如何变为现实的。
海洋的表层是活动最剧烈的区域。它是大气与海洋之间的宏伟界面，一个持续对话的场所。要预测气候，我们必须正确地模拟这场对话。这场对话的绝大部分是由那些对于我们的模型来说太小而无法直接“听”到的运动所进行的。
想一想风吹过水面、掀起波浪的简单而熟悉的景象。这不仅仅是表面的表演。风驱动的切变与波浪中水的轨道运动之间的相互作用，产生了一种出人意料地强大而连贯的湍流形式。这种“朗缪尔湍流”将水流组织成旋转的垂直涡旋，就像无形的螺旋钻深入海洋，有力地混合上层海水。这些是海洋的“特快电梯”，迅速输送热量、二氧化碳和营养物质。如果没有参数化来解释它们的影响，模型将会看到一个过于平静和层结的上层海洋，完全误判其吸收大气热量和气体的能力。
但海洋还有更微妙的自我混合方式。在某些区域，可以发现温暖且含盐量高的水层位于较冷且较淡的水层之上。表面上看，这似乎是稳定的。但热量比盐分扩散得快得多。这导致了一种被称为“盐指”的奇特现象。温暖咸水的小水团可以通过向下方水体泄漏热量而冷却。失去热量但未失去盐分后，它们变得更稠密并开始下沉，拉下细长的盐“指”。与此同时，下方较冷、较淡的水变暖、上升，并形成自己的向上移动的指状结构。这创造了一个精致的、相互交错的阶梯结构，使热量和盐分能够以远超简单扩散的速率垂直移动。捕捉这种双扩散对流对于理解海洋温盐结构的长期演变至关重要，而温盐结构又支配着伟大的全球大洋环流。
如果你能用能够看到温度或海表高度的眼睛从太空中俯瞰海洋，你不会看到一片平滑、均匀的广阔水域。你会看到一片骚动：巨大的、旋转的涡旋，或称“中尺度涡”，横跨数百公里。它们是海洋的天气系统，相当于主宰我们大气的的高压和低压系统。它们是主要的推动者，将热带吸收的巨大热量输送到两极。
在很长一段时间里，气候模型的网格是如此粗糙，以至于它们实际上对这种海洋天气视而不见。这些模型中的海洋是一个迟缓、层流的世界，热量的输送必须以粗糙和不正确的方式来表示。Gent-McWilliams (GM) 参数化方案的开发是一个巨大的突破。它认识到这些涡旋的主要作用是削平海洋的密度面。该参数化通过引入一个虚构的速度来模仿这一点，该速度沿着这些密度面输运温度等示踪剂，有效地在水平方向上混合属性。这种混合的强度不是任意的；它可以根据流动的解析属性进行缩放，例如局地涡动能 (EKE) 和层结强度 ()，从而为涡旋的影响提供一个有物理依据的估计。
但即便如此，这仍是一种简化。实际上，混合不仅仅发生在水平或垂直方向；它沿着阻力最小的路径发生，顺着海洋的“纹理”。这些路径是中性面——即位势密度恒定的表面。像Redi等密度面扩散这样的参数化方案旨在将混合张量的作用主要限制在这些表面上。这引入了一个引人入胜的数值挑战：你如何在一个块状的笛卡尔网格上表示一个倾斜的表面？随着我们模型的改进，这些物理思想的数值实现本身也成为了科学研究的关键部分。
当我们的模型变得更好时会发生什么？当网格变得足够精细，以至于开始能看到涡旋，但又不足以完全解析其动力学时，会发生什么？我们进入了一个模糊的“灰色区域”，在这里，什么是已解析的，什么必须被参数化，两者之间的区别变得模糊不清。如果我们让旧的参数化方案继续全强度运行，我们就有可能“双重计算”涡旋的影响——一次由参数化计算，一次由部分解析的流动本身计算。
这催生了“尺度感知”参数化这一激动人心的新领域。其思想是构建一个“智能”的方案。它利用解析流的诊断信息——比如水平温度梯度的强度 ，或衡量旋转重要性的局地罗斯贝数 ——来判断模型本身已经完成了多少“涡旋的工作”。然后，参数化方案会相应地调整自己的强度，随着模型分辨率的提高而平滑地减弱。
另一个思想上的飞跃是完全超越确定性参数化。湍流本质上是一个混沌和随机的过程。一个简单的扩散定律，如 ，可能捕捉到平均效应，但它忽略了湍流固有的随机性和“记忆”。现代方案开始通过向方程中添加一个随机强迫项来表示这一点。例如，可以使用奥恩斯坦-乌伦贝克过程（Ornstein-Uhlenbeck process），一种具有可调记忆时间的“有色噪声”，来表示缺失的变率。这为模拟的流动注入了更真实的纹理，改善了模型的统计特性及其表示极端事件的能力。这是一个跨学科交叉融合的美丽范例，一个来自统计力学的工具在气候模型的核心找到了新的家园。
参数化最令人叹为观止的应用，或许是那些揭示了地球系统不同组成部分之间深刻且往往不直观联系的应用。
思考一下格陵兰和南极洲巨大冰盖的命运。当它们融化时，它们将淡水和冷水注入海洋。但这并非故事的全部。一个巨大的冰盖，仅凭其巨大的重量，就会扭曲地球的构造，并对周围的海洋产生显著的引力，将海水拉向它。当冰融化时，这种引力会减弱。令人惊讶的是，这意味着在融化的冰盖旁边，当地的海平面反而会下降。这种现象被称为自吸引和负载（Self-Attraction and Loading, SAL）。这种下降在海洋中产生了一个压力梯度，驱动了一个环流，将更远海域的较暖海水拉过来，这反过来又加速了融化。这就形成了一个强大的正反馈循环。参数化这种连接了冰冻圈、海洋和固体地球本身的 SAL 效应，对于做出可靠的未来海平面上升预测至关重要。
这种联系也可以跨越广阔的时空尺度。由月球和太阳驱动的潮汐，使海水在崎岖的海底地形上来回晃动。当水流经过水下山脉和海脊时，它会产生不在海面传播，而是在海洋内部传播的波——“内潮”。这些波可以传播数千公里，然后在海洋中部像海滩上的波浪一样破碎。这种破碎耗散了巨大的能量，驱动了深海的湍流和混合。这种混合不仅仅是局地奇观；它是维持全球温盐环流——调节全球气候的海洋大传送带——的关键因素。我们的气候模型无法看到海底山脉或破碎的波浪，必须依赖参数化来表示从潮汐的天文强迫到深渊不可逆混合的这一关键能量路径[@problem_-id:3926701]。
在看到这一系列巧妙的方案后，保持健康的怀疑态度是应该的。我们如何知道这些参数化不只是“凑数因子”，被调整来给我们想要的答案？这就是验证科学的用武之地，它提供了严谨性，将参数化从一门艺术转变为一门科学。
我们用基本的物理定律来检验它们。混合的参数化是否总是将热量从热处传到冷处，符合热力学第二定律？我们可以用通量-梯度对齐度量来衡量这一点。动量的参数化是否在平均意义上耗散解析流的能量，正如湍流应有的那样？我们可以计算能量收支并进行核查。我们还用高分辨率的“基准”模拟来检验它们，这些模拟是我们的数值真理。我们的参数化粗糙模型是否产生了与基准模拟相同的跨尺度能量统计分布——即相同的“方差谱”？
通过让我们的参数化方案遵循这些高标准，我们建立了信心，相信它们不仅仅是数学傀儡，而是对底层物理的忠实表述。它们是我们观察微观不可见世界的眼睛和耳朵，让我们的模型能够描绘出从一个破碎的波浪到下个世纪气候的连贯而可信的整个地球系统图景。