玻尔百科全球气候变化是一个全球性现象，但其最关键的影响是在局部地区感受到的——在我们的城市、流域和生态系统中。全球气候模型（GCMs）虽然功能强大，但其运行分辨率較粗，模糊了定义一个地区独特天气和气候的精细细节。这就产生了一个“尺度鸿gōu”，即全球预测与有效规划所需的局部现实之间的鸿沟。本文将介绍弥合这一鸿沟的关键工具：区域气候模型（RCM）。我们将深入探讨 RCMs 的核心概念，探索它们如何像一个作用于我们世界的计算放大镜。第一章“原理与机制”将解析 RCMs 如何作为开放系统构建，并使用一种称为动力降尺度的技术生成高分辨率细节。接下来的“应用与跨学科联系”一章将展示这项技术如何应用于不同领域，以理解极端天气、评估生态系统影响，并为人类健康和安全的关键决策提供信息。
要真正理解区域气候模型是什么，我们不妨先从一个简单的思想实验开始，而不是从计算机谈起。想象一下，你想为你所在的城市创建一个完美的天气预报。你围绕城市边界建起一堵墙，把所有最优秀的`气象学家和仪器都放在里面。他们能做到吗？当然不能。他们将完全看不到一百英里外正在酝酿的巨大风暴系统，看不到从北方南下的高压脊，也看不到从海洋流入的水汽带。天气不遵守城市边界；它是流动的。
这正是区域气候建模的核心挑战和指导原则。我们希望以惊人的高分辨率细节模拟世界特定地区的气候——一个山脉、一条海岸线、一个流域——但该地区并非孤岛。它是一个庞大、相互关联的全球气候系统的一小部分。我们的任务是建立一个“盒子里的天气”模型，但这个盒子必须有能看清外部世界的完美透明窗口。
要了解我们为什么首先需要这个“盒子”，我们必须先看看我们用来模拟整个地球的工具：全球气候模型（GCMs）。这些是科学和工程领域的巨大成就，模拟了全球范围内大气、海洋、冰和陆地之间复杂的相互作用。但它们存在分辨率问题。想象一下，你只想用边长十厘米的大乐高积木来搭建一个精细的人脸雕塑。你可以得到头部的基本形状，但鼻子、眼睛、嘴唇呢？它们都会消失，被模糊成一个单一的积木块。
GCMs 也面临类似的问题。出于计算原因，它们将世界划分为一个由大型单元格组成的网格，边长通常为 公里或更长。一个基本的采样原理，即工程师所熟知的 Nyquist-Shannon 采样定理，告诉我们，要解析任何波或特征，你需要以每个波长至少采样两次的频率进行采样。这意味着，一个网格间距为 的 GCM 只能明确“看到”波长为 或更大的天气模式。
这会错过什么？几乎所有定义你当地气候的东西。一个 的网格单元可能包含山脉、山谷、森林和城市。对于 GCM 来说，这一切只是一个数字——一个平均海拔、一个平均温度、一个平均绿度。GCM 看不到引发山洪的单个雷暴，看不到山脉如何迫使空气上升在一侧形成降雨而在另一侧造成沙漠，也看不到夏日里凉爽的海风如何给沿海城市带来 राहत。这些关键过程是次网格尺度的；它们发生在比模型网格小得多的尺度上。GCM 只能使用简化的公式来近似它们的统计效应，这个过程称为参数化。
这就是尺度鸿沟，即 GCM 的粗略视角与局部气候的精细现实之间的鸿沟。为了弥合这一鸿沟，我们使用一个强大的放大镜：区域气候模型（RCM）。我们将一个更精细的网格，其单元格边长可能只有 到 公里，覆盖在我们感兴趣的特定区域上。然后，我们在这个新的高分辨率网格上求解物理学的基本定律。这项技术被称为动力降尺度，它使我们能够将一个模糊、像素化的区域视图转变为一幅清晰、生动的画面。
现在我们回到“盒子里的天气”。我们的 RCM 是一个“有限区域”模型——它有人为的墙壁。这些墙壁上发生的事情是区域建模中最重要的问题。大气是一种流体，其行为受一套物理定律支配：质量、动量和能量守恒。这些定律以波动方程的形式出现，这意味着信息——以天氣系统的形式——不斷從一個地方傳播到另一個地方。
如果我们不告诉 RCM 什么正通过其墙壁流入，这个数学问题就是不适定的，无法求解。解决方案是把 RCM“嵌套”在一个 GCM 内部。GCM 在 RCM 的外边缘提供随时间变化的天气信息——风、温度、压力和湿度。这些是侧边界条件（LBCs）。这使得 RCM 成为一个开放系统，其演变从根本上并持续地受到其 GCM 驱动程序提供的大尺度流的制约。
这是 RCM 和 GCM 之间最深刻的区别。GCM 模拟整个地球，一个没有侧边界的球体。它在水平方向上是一个闭合系统。GCM 中的总质量和能量在内部是守恒的（除了与太阳和太空交换的能量）。而在 RCM 中，质量、动量和能量不断地通过边界流入和流出。因此，RCM 的区域平均状态，即其整体天气，将继承其驱动 GCM 的低频变率和长期趋势。如果 GCM 模拟了一个厄尔尼诺事件，RCM 将通过其边界上变化的条件感受到其影响。
那么，我们如何物理上地将信息从粗糙的 GCM 网格传输到精细的 RCM 网格中呢？你不能 просто把两者粘在一起。这会产生一个尖锐的人为不连续性——一个数值懸崖——会产生虚假的非物理波，这些波会在 RCM 中荡漾，并破坏模拟。
解决方案要优雅得多。RCM 被设计成在其周边设有一个多孔的“海绵层”，而不是坚硬、不可渗透的墙壁，这个海绵层通常有几个网格单元宽。这通常被称为 Davies 松弛区。在这个区域内，RCM 内部计算的解被 gently地“轻推（nudged）”向 GCM 提供的状态。这种轻推在区域内部最弱，越靠近绝对边缘则越强。
这种“软”边界具有出色的双重目的。首先，它平滑地将来自 GCM 的大尺度信息融入 RCM 区域。其次，同样重要的是，它允许在 RCM 内部生成的海浪和天氣系統流出域外，而不會從硬牆上反射回來。這可以防止模型被自己反射的噪聲填滿，並實現一個乾淨、穩定的模擬。这种设置需要一套完整的驱动数据，不仅包括侧边界条件，还包括整个三维大气状态的初始条件以及模型大气顶部和底部的边界条件，之后还需要一个“spin-up（启动）”期，让模型进行调整。
即使有这个巧妙的边界，RCM 作为一个复杂的混沌系统，有时也会“漂移”，偏离其驱动 GCM，发展出与全球图景不一致的自身大尺度环流模式。为了解决这个问题，建模者可以采用另一种称为谱 nudging 的技术。想象一下 RCM 中的天气模式是一段音乐，由低音（大尺度波）和高音（小尺度涡流和风暴）组成。谱 nudging 仅对低音施加一个非常温和的校正力，推动 RCM 的最大尺度波与 GCM 的大尺度波保持同步。而高音——正是 RCM 设计用来创建的细节——则完全自由地根据高分辨率物理学发挥。这在保持宏观图景一致的同时，也允许了生动的局部细节。
所有这些复杂工作带来的巨大回报是什么？那就是终于能够模拟 GCM 只能粗略近似的物理过程。
回想一下，GCMs 必须使用参数化来表示比其网格单元更小的过程。对于一个 GCM 来说，这包括整个雷暴复合体。对流参数化本质上是一个统计配方：如果一个网格单元中的条件适合雷暴发生，该方案就会触发，并 depositing a prescribed amount of rain and heat, adjusting the grid cell's average state.
现在，考虑一个以对流解析分辨率运行的 RCM，比如说网格间距 小于约 或 公里。一个典型的雷暴上升气流有几公里宽。这是第一次，它不再是次网格尺度的！模型现在可以显式模拟暖湿空气的浮力羽流上升、复杂的垂直运动以及雨和冰晶的形成。要做到这一点，模型必须是非静力的，这意味着它的控制方程必须完全考虑垂直加速度，这个因素在更大尺度上可以忽略不计，但它正是雷暴的引擎 [@problemlj_id:4081127]。
在一个对流解析 RCM 中，我们只需关闭深对流参数化方案。模型的基本动力学方程， coupled with a microphysics scheme that governs phase changes of water, generate the storms organically. The "closure" problem is not eliminated, but it is shifted from the enormous uncertainty of parameterizing whole storms to the much smaller scale of parameterizing cloud droplets and turbulence. This leads to vastly more realistic simulations of high-impact weather, especially extreme precipitation events.
尽管 RCMs 功能强大，但它们并非水晶球。它们是工具，要明智地使用它们，我们必须理解它们固有的局限性，这些局限性都源于生活在一个有限的盒子里。
首先，大气是一个混沌系统。这就是著名的“蝴蝶效应”。两个从无穷小的不同初始条件开始的 RCM 模拟，经过一两周后，会演变成完全不同但同样合理的天气模式。这就是内部变率。单个 RCM 模拟只是气候的一种可能实现。为了描绘出可能性的范围，科学家们运行大型集合模拟，每个模拟都对其初始条件进行微小的扰动。结果的离散度直接衡量了源于系统自身混沌性质的不确定性。
其次，RCM 是其驱动程序的俘虏。它的好坏取决于提供给它的边界条件。它对其领域之外发生的事情是盲目的。这对于遥相关——地球遥远部分之间的气候联系，通常由巨大的行星波介导——尤其重要。例如，热带太平洋的厄尔尼诺事件可以改变北美的冬季天气。一个覆盖北美的 RCM 并不模拟太平洋；它只是通过到达其西部边界的天气模式变化来体验厄尔尼诺的影响。此外，嵌套通常是单向的。如果 RCM 模拟了一场巨大的热浪，而这场热浪在现实中应该会改变急流并影响上游很远地方的天气，那么这条反馈路径就被打破了。信息无法传出盒子。
最后，因为 RCM 是现实世界的不完美复制品，其内部物理和数值有时可能存在微妙的偏差，在长时间的模拟中，即使在静止的强迫下，也会导致其气候慢慢漂移，偏离一个稳定状态。这就像一块有轻微缺陷的手表，会慢慢地走时不准。科学家们开发了复杂的诊断方法，使用长时间窗口的移动平均值来检测这种漂移，并将其与自然的、长期的内部波动区分开来。
因此，区域气候建模的艺术与科学，是一场在约束与自由之间的精妙舞蹈。它关乎于在一个盒子内建立一个数值世界，这个盒子既要足够开放，能够忠实地被真实世界的大尺度环流驱动，又要足够独立，能够允许其自身的高分辨率物理学生成更丰富、更详细、更真实的我们称之为家的地方的图景。
在我们了解了区域气候模型的基本原理之后，您可能会对它们复杂的 meccanics——一种物理学与计算的美丽钟表——产生一种印象。但是这个钟表是为了什么？我们能用它做什么？答案是，我们为自己建造了一种非凡的新型工具。可以把它看作是一个万能放大镜。虽然全球气候模型为我们提供了整个地球宏伟但粗略的蓝图，但区域模型是一个我们可以放置在该地图任何部分上的镜头，以使当地景观呈现出清晰、生动的焦点。
这种放大的能力，将全球气候变化的宏大敘事转译成本地故事的能力，不仅仅是一个技术技巧。它是一项深刻的科学进步，为无数领域打开了大门，将大气物理学的抽象世界与我们的森林、城市和我们自身健康的 tangible 现实联系起来。在本章中，我们将探索这个充满活力的应用生态系统，看看这个“放大镜”如何帮助我们理解我们的世界并驾驭其未来。
在我们使用放大镜之前，我们必须首先学会如何 cầm它。一个区域气候模型（RCM）不能存在于真空中；它生活在一个由较粗糙的全球气候模型（GCM）创造的世界里。RCM 将 GCM 的输出——风、温度和压力的广阔模式——用作其边界处持续的信息流，就像风景画家在描绘前景的花朵之前，会先勾勒出远处的山脉和地平线一样。这个过程被称为“嵌套”。
通过这种设置，科学家可以设计两种基本类型的虚拟实验。第一种是时间切片实验。这就像为一个特定时代拍摄一幅详细的“快照”，例如 21 世纪末的气候。我们用高溫室气体浓度运行 GCM 一个未来时期，然后用那个模拟的全球气候来驱动 RCM。通过将这个未来“切片”的详细区域气候与当今的类似切片进行比较，我们可以提出尖锐的问题：热浪的特性将如何改变？一个地区年降雨量会增加还是减少？
第二种类型是瞬变模拟，这更像一部“电影”而非快照。在这里，RCM 连续运行数十年，GCM 提供的边界条件随着温室气体和海面温度等外部强迫的逐渐变化而演变。这使我们能够观察气候的演变，并从年复一年的变率噪音中识别出长期趋势的出现。在这两种方法中，科学家都可以使用像谱 nudging这样的巧妙技术，来 gently地引导 RCM 的最大天气模式与它的父 GCM 保持同步，防止区域“电影”偏离到完全不同的情节中去。
也许 RCMs 最引人注目的应用是在理解和预测极端天氣方面。许多最具破坏性的事件，如强烈雷暴引发的山洪，都源于全球模型根本无法看到的太小的过程。要捕捉它们，我们需要将我们的放大镜推到最高倍率。
考虑一下预测印度夏季风期间极端降雨的挑战。为此，科学家们使用了特殊的“对流解析”模型，这些 RCM 的网格间距非常精细——通常只有几公里——以至于它们不再需要用统计规则来近似雷暴的影响。相反，它们可以直接开始模拟对流系统的 turbulent 生命周期，求解支配其剧烈垂直上升气流的非静力运动方程。
但运行這樣的模擬是一門藝術。為了為未來情景，比如說“SSP5-8.5”這個高排放世界，創造一個物理上有意義的預測，所有的一切都必須是一致的。RCM 大氣中的溫室氣體濃度，它下面感受到的海洋表面溫度，甚至氣溶膠污染的量，都必須取自生活在同一個 SSP5-8.5 世界中的同一個父 GCM。否則，就像試圖在裝滿海水的淡水水族箱裡研究一條魚一樣——环境将是根本错误的。
此外，產生堆積如山的數據并不等於產生知識。為了得出穩健的結論，例如在比較世界不同地區的極端降雨時，科學家們必須在分析中 meticulous。他們使用的方法在從精細的模型網格轉移到更粗糙的分析網格時，能夠守恒像水質量這樣的物理量。更微妙的是，他們認識到“罕见”事件是相对的。在熱帶雨林中不起眼的倾盆大雨，在沙漠中可能是一場千年一遇的洪水。因此，他们通常不是用绝对阈值来定义极端事件，而是用局部 quantiles——例如，比局部第 99 百分位数更罕见的事件——从而可以公平且有意义地比较不同区域将如何受到气候变化的影响。
RCMs 的力量超越了天氣，讓我們能够看到那些將我們的星球編織成一个單一、有呼吸的系统的复杂且往往令人驚訝的聯繫。一个美麗的例子來自研究森林砍伐的後果。当大片热带雨林被清除并被牧场取代时会发生什么？使用 RCM 作为虚拟实验室，我们可以 disentangle 两种不同类型的影响。
第一种是生物地球物理影响。森林是黑暗的、粗糙的和潮湿的。它的黑暗（低反照率）意味着它吸收了大量的太阳能。它的粗糙度产生摩擦，减缓风速并产生混合大气的湍流。而它庞大的根系和叶面积使其能夠通过蒸腾作用“出汗”釋放大量水汽，這個過程由吸收的太陽能驅動。这种潜热通量 冷却表面，就像汗水冷却我们的皮肤一样。
相比之下，牧场更亮、更光滑、更干燥。它较高的反照率将更多的阳光反射回太空，这意味着表面可用的净辐射 更少。它的平滑度降低了表面阻力或动量通量 。最重要的是，没有深根树木，其蒸腾能力 bị crippled. 本来会用于蒸发的能量现在直接用于加热空气，导致更热、更干燥的局部气候。RCM 可以模拟所有这些物理变化——地表能量和水平衡的转变——这些都是简单改变土地覆盖的结果。
第二个影响是生物地球化学的。森林生物質儲存了大量的碳。無論是通過燃燒还是腐烂来清除它，都会将这些碳释放到大气中，增加了 的局部浓度。此外，新的牧场通过光合作用吸收 的能力要低得多。最终结果是一种强大的新温室气体来源。一个将大气物理学与生态系统过程耦合的 RCM 可以模拟我们行动的物理和化学后果，揭示连接生物世界和气候的深刻双向街道。
最终，气候科学的价值是通过其为影响人类生活的决策提供信息的能力来衡量的。RCMs 作为一座关键的桥梁，将全球预测转化为与公共卫生、城市规划和资源管理相关的信息。
想象一个沿海大城市的儿科健康团队试图评估幼儿热应激的风险。他们不能简单地使用一个可能横跨 100 公里的 GCM 网格单元的温度。一个孩子实际的热暴露是由其邻里的微气候决定的，而微气候又是由城市热岛效应、海风的冷却影响以及城市的复杂地形 shaping的。使用 RCM 的动力降尺度方法至关重要，因为它能显式模拟这些非线性的中尺度过程，而纯粹基于历史数据训练的统计模型在变化的世界中可能会错过这些过程。
这种与健康的联系延伸到我们周围复杂的生命网络。“One Health (同一健康)”方法认识到人类健康、动物健康和环境健康是密不可分的。考虑一种由蚊子传播的虫媒病，其生命周期对温度和降雨极其敏感。为了预测未来的风险，研究人员可以将疾病传播模型与 RCM 的输出耦合起来。这需要一个连贯的情景，将气候轨迹（代表性浓度路径，RCP）与社会轨迹（共享社会经济路径，SSP）相结合。SSP 为土地利用和人口密度等决定人类和动物暴露的因素提供了一个 plausible 的未来，而由 RCP 驱动的 RCM 则提供了当地的气候条件。由于疾病模型通常是高度非线性的，RCM 准确捕捉分布尾部——热浪或干旱的频率——的能力对于做出可靠的风险评估至关重要。
当然，即使是最好的 RCM 也不是完美的。它们的输出可能包含小的系统性误差或偏差。在这里，科学家们通过创建混合降尺度方法找到了强大的协同作用。在 RCM 完成模拟物理过程的重任之后，再应用一层最终的统计后处理。通过将模型输出与特定地点的历史观测数据进行训练，我们可以“调整”原始输出，校正局部偏差并校准其分布。这种物理学与统计学的结合产生的预报不仅物理上一致，而且经验上可靠。
这种可靠性是使科学具有可操作性的关键。对于一位每天面临是否实施昂贵的防洪措施决策的水务经理来说，只有当预报值得信赖并能用他们的决策语言表达时，它才有用。仅仅提供一个可能降雨量的集合是不够的。关键步骤是将该集合转化为一个校准的概率预报。这意味着要确保当预报说有 70% 的事件发生概率时，该事件实际上平均发生 70% 的时间。一旦建立了这种信任，预报就可以直接用于成本-损失框架。对于已知的行动成本 和潜在损失 ，最佳策略是在预报概率 超过成本-损失比 时采取行动。这是气候科学的“最后一英里”：将复杂的模型输出转化为清晰、校准且与决策相关的情报。
这把我们带到了应用区域气候模型的最后一个，也许也是最深刻的方面。尽管它们功能强大，但它们不是水晶球。任何对未来的预测都籠罩在不确定性之中，明智的使用者必须理解其本质。科学家将这种不确定性分为不同的“种类”。有初始条件不确定性（天气的混沌），我们可以通过多次运行同一个模型，每次对起点进行微小调整来探索。有*参数不确定性*，来自模型方程中不精确的数字，可以通过“扰动物理”集合来探索。
然后是长期预测中最大的不确定性来源：结构不确定性。这源于世界各地的不同建模小组使用不同但同样合理的设计和假设来构建他们的 GCMs 和 RCMs。像 CORDEX 这样的国际项目中的模型集合并非未来概率分布的完美抽样。相反，它是我们自身科学无知的一张地图——对与我们当前不完整知识相符的合理未来的探索。这被称为认知不确定性，它不是可以轻易平均掉的东西。
那么，面对这种深刻的不确定性，我们如何做出关键的、现实世界的决策呢？考虑一下一个保育机构面临的挑战，他们计划进行“辅助迁移”来拯救一种受气候变暖威胁的稀有树种。他们有一组降尺度 RCM 预测，但他们知道没有一个单一的预测是“正确”的。将所有模型平均，预测一个单一的“最可能”未来气候，然后为这棵树挑选一个单一的“最佳”新家，将是一个严重的错误。在未来比平均值稍暖或稍干的情况下，那个最佳地点很容易变成一个死亡陷阱。
相反，需要一种更稳健的方法。该机构可以通过将各种模型预测视为一组不同的、合理的未来情景来拥抱不确定性。他们可以寻求一种稳健的策略——一个在最广泛的未来范围内表现都相当不错的迁移地点组合，而不是为一个单一的结果进行优化。他们可能会使用像最小最大后悔值这样的标准，旨在选择一个能最小化其最大潜在“如果当初”悲伤的组合。也就是说，他们想确保无论哪个未来展开，他们的选择事后看来都不会是灾难性的错误。这种方法通常与适应性管理相结合，即监测地点是否有压力的早期预警信号，并有预先计划的触发器以采取纠正措施。
在这里，我们看到了我们放大镜的终极角色。它不是要向我们展示一个单一、确定的未来。它最大的贡献是照亮可能性的 landscape，绘制出合理范围的边界，并量化我们不确定性的本质。通过为我们提供这张地图，区域气候模型给予我们工具，不是为了完美预测未来，而是为了更明智地驾驭它。在一个变化的世界里，没有比这更有价值的知识了。