玻尔百科预测大气和海洋的未来状态是现代科学中最复杂和最关键的挑战之一。这项工作的核心是原始方程模型，这是一套复杂的数学法则，构成了日常天气预报和长期气候预测的基础。这些模型将旋转行星上的流体动力学基本定律转化为一个可通过计算求解的系统。但这些基本方程是如何推导出来的？它们代表了哪些物理平衡？以及如何利用它们来创建强大的预测工具？本文旨在填补这一知识空白，全面概述原始方程模型，从其理论基础到实际应用。
以下章节将引导您深入了解这个多方面的主题。第一章“原理与机制”将解构方程本身，探讨静力平衡近似的巧妙简化、旋转和层结的主导作用力，以及限制可预报性的内在混沌性。第二章“应用与跨学科联系”将探讨如何通过数值方法将这些理论工具付诸实践，如何通过数据同化将其与现实联系起来，以及如何将其应用于复杂的地球系统模型中，以回答关于我们这个不断变化的星球的深刻问题。
要理解天气，我们必须从物理定律开始。想象一个气块——一个在空气中漂浮的、微小无形的“气球”。它受到气压差的推动，受重力的牵引，并因地球的自转而被甩向一侧。对这场“舞蹈”的完整描述，被包含在著名的、用于描述旋转球体上流体的纳维-斯托克斯方程中。这些方程非常全面。但对于全球天气预报而言，它们也极其复杂，计算量大到令人望而却步。
为什么？因为它们描述了一切。它们既描述了急流的宏大尺度运动，也描述了远处雷声传播过来的声波的嘶嘶声。声波虽然引人入胜，但其传播速度约为每秒 米。要在计算机模拟中捕捉它们，你需要采用极小的时间步长，大约在秒的量级。试图用如此微小的步长来预报下周的天气，所需时间将超过一周本身！
于是，科学在这里变成了一门艺术。这个故事中的“艺术家”——大气模拟的先驱们——做出了一个绝妙的简化假设，这个假设使得现代天气预报成为可能。他们观察大气层并注意到，对于我们所关心的大范围、延展的天气系统而言，大气层是极其薄的。一个气旋的水平尺度可能达到一千公里，但大气层本身只有几十公里厚。在这些尺度上，大气的行为就像一叠非常薄的煎饼。在每一层内部，向下的重力和向上的气压梯度力之间存在着近乎完美、瞬时的平衡。与这两个巨大的力相比，气块的净垂直加速度完全可以忽略不计。
这个假设被称为静力平衡近似。我们用一个简单而优雅的诊断平衡关系式，取代了描述垂直运动的完整动力学方程：
这个方程简单地表明，当垂直向上移动一小段距离 时，气压 的变化由当地的密度 和重力 决定。这是一个平衡状态的表述。这一巧妙处理的后果是深远的：它从我们模型的物理机制中滤除了垂直传播的声波。 那些在气象学上无关紧要、但在数值计算上却是“自杀式”的声学模态被消除了。
剩下的一套控制律就是所谓的原始方程。它们被称为“原始”（primitive）并非因为粗糙，而是因为它们代表了大规模大气流动的基本或“初始”（primary）方程。在这个系统中，我们不直接通过动量方程来预测垂直速度。相反，我们使用预报方程——即随时间向前积分的方程——来求解定义大尺度状态的量：水平风（ 和 ）、温度（），以及一个代表气柱中总空气质量的变量，例如地面气压（）。而垂直速度这个天气拼图中的关键部分，则是在每个时间步长利用质量守恒定律从其他变量中诊断出来的。 可以这样理解：预报变量就像你银行账户的余额，它会随时间演变。而诊断变量就像你的净资产，你可以在任何时刻通过汇总你的资产和负债来计算出来。
原始方程所描述的世界由两大主导力量支配：地球的旋转和大气稳定的层结状态（下层为冷的、密度大的空气，上层为暖的、密度小的空气）。要理解其动力学，我们需要知道哪种力量占主导地位。
物理学家喜欢使用无量纲数来比较事物，这里最重要的就是罗斯贝数（Rossby number），。它比较了流动的惯性力（由特征速度 和特征长度尺度 代表）与科里奥利力（由科里奥利参数 代表）。当你搅拌咖啡时，罗斯贝数很大，旋转的作用不大。但对于一个横跨数千公里（ 很大）、以每秒数十米速度移动（ 适中）的庞大天气系统来说，罗斯贝数非常小（）。
在这个低罗斯贝数的世界里，奇妙的事情发生了。水平动量方程简化为科里奥利力与气压梯度力之间的一种近似平衡。这就是地转平衡。它规定了风并非直接从高压区流向低压区，而是沿着等压线流动。这就是为什么在天气图上，北半球的风会围绕低压中心逆时针旋转，围绕高压中心顺时针旋转。这是大尺度大气运动的基本“交通规则”。
第二个关键因素是层结，它由布伦特-维赛拉频率（Brunt-Väisälä frequency） 来衡量，该频率告诉我们一个垂直位移的气块会以多强的趋势振荡回到其平衡位置。层结与旋转之间的相互作用由另一个无量纲数——伯格数（Burger number），——来描述。这个数比较了层结效应的特征尺度（，即内部罗斯贝变形半径）与运动尺度 。当中纬度风暴系统的 在 1 的量级时，其动力学表现为旋转效应和层结效应之间丰富而复杂的相互作用，从而引发形成我们天气的斜压不稳定。
尽管原始方程经过了简化，但它们仍然描述了一曲运动的交响乐。我们如何理解这一切呢？矢量微积分中一个优美的定理——亥姆霍兹分解（Helmholtz decomposition）——为我们提供了帮助。该定理告诉我们，任何水平风场在数学上都可以分解为两个不同的部分：描述从某点流出或汇入某点的辐散部分，以及描述旋转或涡旋流动的旋转部分。
这种数学分解在我们的模式大气中具有深刻的物理意义。
风的辐散部分是原始方程所允许的最快运动——惯性重力波——的引擎。连续性方程 提供了它们之间的联系。在水平流场辐合（）的地方，质量会堆积，迫使空气向上运动（）。这种上升运动会抬升并冷却空气，从而改变气压场和温度场。不平衡由此产生，大气通过以快速移动的波的形式辐射掉多余的能量来寻求恢复平衡。它们是大气的振动和振荡，不断地致力于维持大尺度的静力平衡和地转平衡。
相比之下，风的旋转部分与缓慢、持续、承载天气信息的模态——涡旋——相关。这是气旋、反气旋以及广阔蜿蜒的罗斯贝波的领域。这一部分的演变不是由快速振荡控制，而是由精妙而深刻的位涡守恒原理所支配。
为了更好地理解这种分离，我们可以看一个更简单的“玩具”模型：浅水方程。想象一个带有自由表面的单薄流体层，在旋转的行星上晃动。这个模型没有垂直结构，没有温度，也没有斜压不稳定性。然而，它完美地捕捉了原始方程中主要角色的精髓。它支持快速的外部重力波（自由表面上下起伏），也支持由浅水位涡守恒驱动的涡旋和罗斯贝波的缓慢演变。这是一个简化的模型，但它保留了快波和慢天气之间的根本区别。
现在，让我们设身处地地站在天气预报员的角度。我们拥有一个由卫星、探空气球和地面站组成的网络，它们提供了当前大气状态的快照。这个被称为“分析场”的快照不可避免地是不完美的。它混合了真实的、缓慢的“天气”信号和看起来像随机噪声的观测误差。
如果我们将这个原始的、充满噪声的分析场直接输入我们的原始方程模型会发生什么？模型会看到辐散风场中的不平衡和噪声，并立即试图通过产生一场高频重力波的风暴来纠正它们。预报结果将被剧烈的、不真实的振荡所污染，就像“敲钟一样振铃”。
这就是经典的平衡初始化问题。我们需要在开始预报之前，轻轻地“微调”初始状态，使其与模型偏好的缓慢、平衡的动力学相一致，滤除虚假的噪声。关键在于控制初始风场的辐散分量。
一种非常优雅的技术是正常模态初始化（NMI）。这个过程类似于音乐工程。首先，对模型的线性化方程进行数学分析，以找到其“正常模态”——即振动的基本模式，每种模式都有一个特征频率。这些模态自然地分为两类：高频的惯性重力波和低频（或零频率）的平衡涡旋模态。然后将初始分析场分解为这些模态。最后一步是“外科手术式”的：将那些嘈杂的、快速移动的重力波模态的振幅直接设为零，或者调整它们以与缓慢演变过程保持一致。而包含在缓慢旋转模态及其相关位涡场中的气象学重要信息则被小心地保留下来。最终得到一个干净、平衡的初始状态，从而可以开始平稳、真实的预报。
建立一个数值模型就像创造一个有自己规则的宇宙。为了让这个宇宙可信，它的一些规则必须反映我们自己宇宙的基本定律。在一个封闭、无摩擦的系统中，质量和能量是守恒的。它们的总量必须随时间保持不变。一个为原始方程精心设计的数值方案必须以“通量形式”构建，以保证这种离散守恒具有非常高的精度。这些就是守恒律，它们支配着系统的演变。
模型中的其他规则则不同。静力平衡关系 并非守恒律。它是一个诊断关系——一个我们在每一时刻都强加于模型状态之上的约束。它不告诉我们一个量如何演变，而是告诉我们不同变量在当下必须满足的关系。理解这一区别对于理解模型如何工作至关重要。
这一区别也再次揭示了静力平衡近似的巨大威力。在一个完整的非静力平衡模型中，要强制质量守恒，需要在每个时间步求解一个复杂的三维椭圆（泊松）方程来得到气压场。对于一个有数百万甚至数十亿格点的网格来说，这是一项艰巨的任务。然而，静力平衡近似创造了一个奇迹。它将这个三维问题简化为一个简单得多的二维椭圆问题，用于求解地面气压。计算成本降低的倍数约等于模型的垂直层数——速度提升了近百倍！正是这种由一个物理洞见所带来的计算魔法，使得全球天气和气候模拟成为可能。
最后，我们必须考虑模型中时间的流动。在消除了声波之后，剩余的最快信号是外部重力波，其传播速度约为每秒 300 米。一个简单的“显式”时间步进方案的稳定性受制于著名的 CFL 条件，该条件要求时间步长必须足够短，以至于波不能在一步之内跨越整个网格单元。这仍然施加了相当严格的限制。为了摆脱束缚，模型开发者使用了半隐式方案。这些巧妙的方法隐式地处理快速移动的重力波项（在未来时间点上联立求解它们），从而消除了它们的稳定性约束。这样，时间步长就只受限于慢得多的风速本身，从而可以显著而高效地增大步长。 当然，我们的模型宇宙需要边界——地面、大气层顶，或区域模式的侧边界。在每个边界上，我们都必须施加物理上一致的规则，例如防止空气穿过坚实的地面，或确保海洋表面的压力与上方大气的压力相匹配。
我们构建了一件杰作：一套优雅的方程，通过物理洞察加以提炼，用巧妙的数值技术求解，并以手术般的精度进行初始化。这是否意味着我们可以无限期地预测天气？
答案，或许令人失望但同样深刻，是否定的。原因在于原始方程本身固有的一个性质：它们是非线性的，其解是混沌的。
这就是“蝴蝶效应”，更正式的说法是初始条件敏感依赖性。任何两个初始状态，无论多么接近，最终都会分道扬镳。随机动力系统理论和 Oseledets 的乘法遍历定理为此提供了严谨的语言。它们证明了，对于像我们离散化的天气模型这样的系统，存在一个李雅普诺夫指数谱。
可以将这些指数看作误差的自然增长率。如果最大的（或“主导的”）李雅普诺夫指数 是正的，这意味着平均而言，最微小的初始误差也会被指数级放大，以 的因子增长。正的李雅普诺夫指数是混沌的明确标志。
这个主导指数的大小设定了一个基本的可预报性期限。它告诉我们误差增长的特征 e-折时间。对于地球大气，这个时间大约是几天。这意味着即使我们能建立一个完美的模型，并将初始测量误差减少一千倍，我们也只能多获得几天的有效预报。误差的指数级增长是一个无情且无法战胜的敌人。
这不是我们模型的失败，而是我们试图预测的大气本身深刻的内在特征。这就是现代预报采用集合方法的原因——不是运行一个，而是几十个预报，每个都从一个略有不同但同样合理的初始状态开始。由此产生的预报轨迹散布图为我们提供了关于不确定性的真实画面。它承认混沌的存在，并通过这样做，从一个本质上不可预测的系统中提取出最有用的信息。原始方程没有给我们一个水晶球，但它们给了我们一些更有价值的东西：对我们自身知识局限的深刻理解。
在上一章中，我们探讨了原始方程的基本原理，这是支配我们大气和海洋之舞的宏大法则。我们看到了气压梯度、科里奥利力以及静力平衡和质量守恒约束的精妙相互作用如何能以优雅的数学形式写下。但这些方程不仅仅是陈列在黑板上供人欣赏的博物馆展品。它们是鲜活的工具。当我们将它们用于构建我们星球的数字孪生——一个我们不仅可以预测天气，还可以揭示气候变化复杂性的虚拟实验室时，它们的真正威力才得以显现。
本章讲述的就是这种转变：从抽象原理到具体应用。我们将探讨如何通过巧妙的数值方法将这些方程付诸实践，如何“驯服”它们在世界上最强大的超级计算机上运行，以及最终如何用它们来提出我们这个时代一些最深刻的“如果……会怎样？”的问题。
大气和海洋连续流动的现实，必须用计算机网格上的一组有限数字来表示。这种转换是数值模拟的艺术和科学。第一个挑战是空间。我们如何在全球范围内表示像温度这样的场？一种方法是格点法，它在地图上的离散点上存储数值，就像图片中的像素一样。然后，通过观察相邻点之间的差异来近似计算导数，例如气压梯度。另一种更具整体性的方法是谱方法。在这种方法中，物理场不是表示为局部点的集合，而是表示为光滑的、全球性的数学波——球谐函数的总和。在这个“谱空间”中求导变成了一个简单的乘法运算，这是一个计算上非常优雅的技巧。每种方法都有其自身的特点：格点法直观且局部性强，但在网格线汇聚的极地附近可能会遇到困难；而谱方法是全球性的，对于平滑场非常精确，但需要不断在格点空间和谱空间之间进行转换以处理复杂的物理过程。
有了空间表示之后，我们必须在时间上向前推进。这又带来了一个精妙的难题。我们的流体世界包含着速度差异巨大的现象。一个深海重力波可以在一天内穿越整个海盆，而一个大型海洋环流可能需要几十年才能完成一次旋转。如果我们使用一个足够小的单一时间步长来精确捕捉最快的波，那么模拟一个世纪的气候在计算上将是不可能的。为了解决这个问题，模型开发者们设计了巧妙的分裂显式时间步进方案。模型的物理过程被分为“快”的部分（如控制那些快速表面波的正压模态）和“慢”的部分（与内部密度结构相关的斜压模态）。在对慢物理过程使用一个大的、高效的时间步长的同时，模型会采用许多微小、快速的子步长来精确处理快物理过程。这既保证了数值稳定性，又保证了计算的可行性，让模型可以“一心二用”。
我们又该如何模拟空气本身的运动——即平流过程？一个简单的基于网格的方法可能计算成本高昂且容易出错。一个更巧妙的视角是半拉格朗日方法。该方法不是固定在某个格点上观察风带来了什么，而是提出了一个更具洞察力的问题：对于现在到达我们格点的空气，它在一个时间步长之前来自哪里？通过沿着轨迹向后追踪气流，我们可以简单地从出发点“拾取”其属性（如温度和湿度），并将其带到到达的格点。这种视角的优雅转变允许使用更长、更稳定的时间步长，并且是许多现代天气预报模型的基石。当然，这需要一个完全三维的视角，因为气块不仅水平移动，还垂直移动（），这要求在所有三个空间维度上进行仔细的插值，以找到非网格出发点的属性。
尽管原始方程模型功能强大，但它们有一个致命弱点：尺度。一个网格间距为 100 公里的全球模型无法“看到”雷暴、一小团海洋飞沫或边界层中的湍流涡旋。这些关键的物理过程发生在比模型网格更小的尺度上。我们不能简单地忽略它们；它们的集体效应是巨大的。解决方案是参数化：我们创建简化的、基于物理的规则，来表示这些次网格过程对可解析的大尺度流场的净效应。
这是一项精细的工作，有时原始方程的可解析动力学与参数化的“幽灵”之间的相互作用会导致病态行为。一个经典的例子是格点风暴。想象一个粗分辨率模型，其中深对流的参数化方案过于简单：每当一个气柱变得不稳定时，该方案就立即释放大量潜热。在单个网格列中的这种突然、强烈的加热使空气产生浮力，导致气柱垂直膨胀。这种膨胀产生强大的水平气压梯度，迫使周围的空气在低层向该网格单元辐合。这种辐合带来更多水汽，在下一个时间步长再次触发不稳定对流。一个失控的正反馈循环就此产生，创造出一个不真实的、锁定在单个格点上的永久性风暴——这是一个由模型显式动力学与其隐式物理之间粗糙的“对话”产生的数值假象。这个警示性的故事强调，一个好的模型不仅仅在于拥有正确的核心方程，还在于用智慧和精妙的方式来表示那些你无法看到的物理过程。
一个用现有最佳数据初始化的模型，随着时间的推移，将不可避免地偏离现实。初始状态的微小误差和模型物理过程的不完美之处将会增长和累积。为了做出有用的预报，我们必须利用观测不断地将模型“推”回真实世界。这个过程远比简单的校正复杂得多，被称为数据同化。
可以把它看作一种统计融合。在每一步，我们都有两个信息来源：模型的预报（附带对其自身不确定性的理解，即背景误差协方差），以及一组新的观测（也有其自身的误差特征）。数据同化以最优的方式结合这两部分信息，生成一个新的、更准确的大气或海洋状态估计，即分析场。
一个关键的挑战是定义模型的误差结构。模型可能会在哪些方面出错？一个地方的温度误差是否可能与别处的速度误差相关？一个简单的答案是假设误差是随机且不相关的。但真实的误差并非随机的；它们是由模型的物理机制塑造的。现代数据同化系统会构建基于物理的误差模型。例如，在海洋中，误差已知是各向异性的——沿着等密度线（isopycnals）的相关性比穿过它们的相关性更强。模型误差协方差矩阵，通常表示为 ，其结构必须反映这一物理现实，其相关性要尊重层结、海底地形和已知的海洋变率模式。
原始方程模型本身已成为我们理解其自身误差的最佳工具。在集合数据同化中，我们不是运行一个模型，而是运行一个集合（一个系综）的模型，每个模型都经过轻微扰动。这个集合的离散度和结构提供了模型不确定性的“流依赖”估计，这比任何静态、预定义的结构都更加真实。通过将这种源自集合的信息与静态背景误差模型相结合，混合集合-变分（EnVar）系统可以创建非常一致和平衡的分析增量。例如，在同化海平面异常的卫星测量数据时，混合系统可以利用集合中存在的地转平衡交叉协方差，不仅同步更新海面高度，还以物理上一致的方式更新下方的流场和密度结构，从而显著改善对中尺度涡等动力学特征的表示。
地球不是独立部分的集合，而是一个单一的、相互关联的系统。大气与海洋对话，海洋与冰雪对话，陆地与它们所有部分对话。原始方程模型构成了这些更大型的地球系统模型中大气和海洋分量的动力学核心。将这些分量耦合在一起，在物理学和计算机科学上都是一个巨大的挑战。
以海气界面为例。大气对海洋施加应力，驱动其洋流。但这并非单向作用。海面的粗糙度决定了风能多有效地“抓住”水面，而粗糙度又取决于波浪的状态。波浪则由风产生，但同时也被洋流携带。一个真正一致的耦合系统需要大气模型、海洋模型和谱波浪模型之间的三方对话。每个模型都必须以一种严格守恒基本属性并遵守像伽利略不变性这样的物理定律的方式来交换信息——风速、流速、粗糙度长度以及动量和能量通量。例如，产生波浪的风不是绝对风，而是相对于移动洋流的风。正确处理这些细节对于模拟从飓风到厄尔尼诺-南方涛动等各种现象至关重要。
执行这些庞大的模拟需要一种不同的工程技术。一个全球气候模型可能有数十亿个变量。没有一台计算机能单独处理。任务通过区域分解被拆分，即全球被划分为数千个较小的子域，每个子域分配给超级计算机上的一个不同处理器核心。在每个时间步，每个核心计算其自己那一小块世界的演变。但物理是局部的。为了计算其区域边缘的变化，一个处理器需要知道其邻居区域正在发生什么。这需要在处理网络中不断进行精心编排的信息交换——即“光环”数据的交换。通常，通信最密集的步骤是求解全球压力泊松方程，这是确保流场保持无辐散的必要步骤。这种通信模式的效率是限制整个模拟性能的关键因素 [@problem_-id:3806482]。
或许，原始方程模型最深刻的应用是作为虚拟实验室来理解我们不断变化的气候。它们让我们能够超越预报，去问“如果……会怎样？”。一个有力的例子是极端事件归因的故事线方法。
假设一场破纪录的飓风登陆。一个紧迫的问题是：“这次事件的破坏力有多少是由人为气候变化造成的？”我们无法在真实世界中重演历史，但在模型中可以。伪全球变暖（PGW）方法为此提供了一个绝佳的框架。科学家首先运行一个真实事件的模拟，用观测条件进行初始化，成功地再现了风暴的路径和强度。然后，他们仔细构建一个反事实的初始状态——一个可能存在过的世界。他们从初始的温度和湿度场中，减去可归因于长期气候变化的平均增温和增湿信号。这种扰动操作极其精细，通常通过施加一个水平均匀的变化来完成，以保留定义初始天气模态（地转风）的大尺度气压梯度。然后，模型从这些反事实的初始条件重新运行。天气的大尺度“故事线”——即引导飓风的低压系统的路径——保持不变，因为它被初始的平衡动力学锁定。但现在，风暴在一个热力学环境不同的条件下演变：一个更冷、更干燥的环境。真实世界运行与反事实运行之间模拟出的风暴强度和降雨量的差异，为气候变化对该特定事件的贡献提供了一个直接的、基于物理的估计。
从天气预报的数值引擎，到地球系统科学的宏大舞台，再到气候归因的精微探究，原始方程已被证明是科学界最通用、最强大的工具之一。它们是我们用来与我们的数字星球对话、学习其秘密并在其上导航未来的语言。