{
  "id": "climate-model-ensemble",
  "title": "气候模型集合",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "气候模型集合通过多组模拟研究气候行为、估计受迫变化，并刻画内部变率、模型构建和未来情景带来的不确定性。",
  "category": "geography",
  "subcategory": "",
  "type": "concept",
  "aliases": [
    "气候模式集合"
  ],
  "generated_at": "2026-11-04",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/climate-model-ensemble/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/climate-model-ensemble/",
      "json": "https://aiwiki.page/en/climate-model-ensemble.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "气候模型集合是汇总分析的一组气候模拟，用于研究气候系统的行为，以及在特定假设下可能出现的结果范围。集合成员可以在初始条件、物理过程表述、参数值、外部影响或未来排放情景等方面有所不同。集合有助于区分外部驱动引起的响应与自然波动，比较气候过程的不同表述方式，并评估气候变化预估中的不确定性。但它们并不天然构成对所有可能的未来气候具有统计代表性的样本。"
    },
    {
      "heading": "目的与概念基础",
      "text": "气候模型描述大气、海洋、陆地、冰之间的相互作用，有些模型还涵盖生物和化学循环。大气与海洋环流模型模拟大尺度的大气或海洋环流，而地球系统模型还描述碳循环、气候与生态系统相互作用等过程。\n\n单次模拟只能给出某一组假设下的一条演变轨迹。即使采用相同的模型和外部影响，初始气候状态的细微差异也可能导致不同的天气序列和多年尺度波动。不同模型对相同外部影响的响应也不尽相同，因为它们采用的方程、数值方法、分辨率和过程表述各有差异。\n\n集合通过将多次模拟组织为有设计的试验或协调开展的模拟集来处理这些问题。它们与天气预报中的集合预报有关，但目的和时间尺度往往不同。天气集合通常估计某个正在演变的大气状态的不确定性。长期气候集合通常考察分布、季节状况、极端事件或数十年平均值的变化，而不是预测遥远未来某一天的具体天气。\n\n集合成员是集合中包含的一次模拟。各成员不必来自不同模型：同一模型的数百次模拟可以构成一个集合，而多个模型各提供一次模拟，也可以构成另一个集合。"
    },
    {
      "heading": "主要类型",
      "text": "初始条件集合\n\n初始条件集合采用相同的模型配置和外部强迫，但改变起始状态。在未进行观测初始化的气候变化试验中，微小扰动使各次模拟在承受相同外加驱动的同时，产生不同的内部气候波动序列。\n\n这类集合尤其适合研究气候内部变率，包括与厄尔尼诺—南方涛动及海气相互作用有关的波动。足够大的集合有助于估计：即使在完全相同的强迫路径下，区域趋势或极端事件频率仍会有多大的差异。\n\n当各成员特有的波动在平均后相互抵消时，集合平均值能够近似分离出模型的受迫响应。各成员相对于该平均值的偏差，刻画的是这一模型内部的变率，而不是所有可能的模型表述方式所带来的不确定性。\n\n经过初始化的季节和年代际预测集合也会改变初始条件，但其起始状态受到观测约束。这类集合的目的之一，是在初始化能够提供有用信息的时段内，预测真实气候系统的演变。\n\n多模型集合\n\n多模型集合汇集不同模型的模拟。模型之间的差异可能包括空间分辨率、数值方案、分量耦合方式，以及对对流、云形成等未解析过程采用的气候模型参数化方案。\n\n这类集合探索了与模型构建方式有关的部分不确定性。然而，这些模型并不是从某个已知总体中独立抽取的样本。它们可能共用代码、参数化方案、开发沿革，以及评估时使用的观测信息。因此，一个包含许多近缘模型的集合，其实际多样性可能低于成员数量所暗示的程度。\n\n参数扰动集合\n\n参数扰动集合在同一模型框架内改变参数值，在某些语境下也称为物理扰动集合。这些参数可能控制云微物理、湍流混合或陆气交换等过程。\n\n这类集合考察过程表述中的不确定性如何影响模拟气候。结果取决于改变了哪些参数、参数的允许范围，以及参数组合的采样方式。在单一模型框架内改变参数，通常不如比较构建方式存在显著差异的模型那样，能够探索更广泛的结构多样性。\n\n情景集合\n\n情景集合比较由不同未来人类活动和外部影响假设所驱动的模拟。这些假设可能包括温室气体排放量或浓度、气溶胶排放以及土地利用变化。\n\n情景模式比较计划（ScenarioMIP）是耦合模式比较计划下的一项活动，采用与共享社会经济路径及指定强迫水平相关的情景，协调开展未来气候试验。情景是对可能未来的条件性描述，并不天然等同于预测，也不自带概率。\n\n同一模型可以在每种情景下提供多个初始条件成员。因此，集合可以具有嵌套结构：情景下包含模型，模型下包含多个实现。"
    },
    {
      "heading": "不确定性的来源",
      "text": "一种常用框架区分了三类主要的不确定性来源：\n\n- **内部变率：**即使外部影响不变，气候系统内部也会产生的波动。\n- **模型不确定性：**由模型结构、参数选择、分辨率和反馈表述方式的差异所产生的不确定性。\n- **情景不确定性：**未来排放、土地利用及其他外加条件的差异。\n\n辐射强迫的不确定性也可能十分重要，其中包括气溶胶和火山活动的影响。观测不确定性则会影响模型评估和历史变化估计。\n\n这些来源的相对重要性取决于所研究的变量、区域、空间尺度和时间范围。对于较短时段和较小区域，内部变率尤为重要。随着未来强迫路径逐渐分化，情景差异对许多长期结果的影响会越来越大。对于区域降水和气候敏感度等量，模型差异始终是重要因素。\n\n这些组成部分并不总能清晰分离。模型的变率可能随其平均气候的变化而改变，不同模型对不同情景的响应也可能不同。因此，不确定性估计取决于试验设计和统计假设。"
    },
    {
      "heading": "统计分析",
      "text": "集合平均值与离散度\n\n对于 \\(N\\) 次可相互比较的模拟，其数值为 \\(x_i\\)，不加权的集合平均值为\n\n\\[\\bar{x}=\\frac{1}{N}\\sum_{i=1}^{N}x_i.\\]\n\n离散度的一种常用度量是样本方差，\n\n\\[s^2=\\frac{1}{N-1}\\sum_{i=1}^{N}(x_i-\\bar{x})^2.\\]\n\n这些表达式描述的是选定的集合成员。其含义取决于成员之间有哪些差异。单模型初始条件集合的离散度主要反映模拟的内部变率；跨模型的离散度则混合了多种差异来源。\n\n集合平均值通常能够削弱成员之间不同步的波动，并且在某些大尺度气候量上表现良好。但它仍是统计构造，而不是物理上实际发生的一条演变轨迹。对模拟取平均可能模糊环流特征，或削弱发生在不同地点、不同时间的极端事件。\n\n因此，极端事件分析通常先在各次模拟中计算相应的事件统计量，再汇总结果。从平均气候场计算出的极值，通常并不等同于各成员极值的平均值。\n\n加权\n\n加权集合平均值为\n\n\\[\\bar{x}_w=\\sum_{i=1}^{N}w_i x_i, \\qquad w_i\\geq 0, \\qquad \\sum_{i=1}^{N}w_i=1.\\]\n\n权重可以反映模型表现、模型独立性，或其他明确定义的标准。等权重处理简单直接，但可能使提供大量相关模拟的模型家族占比过高。赋予每个模型相同的总权重，可以避免初始条件成员较多的模型主导平均值，但无法消除模型之间的依赖关系。\n\n按表现加权也有局限。模型能够良好再现某个历史量，并不必然意味着它也能准确预估另一个量，或超出历史范围的未来气候。加权可以缩小集合范围，却不能据此证明缩小后的范围更可靠。\n\n概率与校准\n\n集合成员中超过某一阈值的比例，并不天然等于真实气候超过该阈值的概率。这种解释需要对成员的代表性、依赖关系、模型误差，以及可能结果的分布作出假设。\n\n同样，模型结果中间的90%区间，并不天然是经过校准的90%预测区间。校准关注的是：在适当的检验案例中，给出的概率或区间是否与观测频率一致。对于长期预估，直接检验的机会有限，因此还需要借助历史试验、物理认识和多种观测约束提供证据。"
    },
    {
      "heading": "协调项目与发展历程",
      "text": "气候集合随着数值气候建模的发展和计算能力的提升而发展。早期试验通常只依靠少量模拟。后来的计算技术进步，使更大规模的初始条件集合、系统性的参数试验，以及建模中心之间协调开展的比较成为可能。\n\n耦合模式比较计划（CMIP）创立于20世纪90年代，为比较耦合气候模型提供共同的试验规范和标准化输出约定。其历次阶段均包括历史模拟、未来情景试验，以及为研究特定过程而设计的试验。\n\nCMIP既不是单一模型，也不是有意随机抽取的统计样本。参与情况取决于建模中心的资源、科学研究重点和试验要求。因此，可用模拟构成的集合通常被称为机会集合。\n\n包括区域气候降尺度协调试验（CORDEX）在内的区域性项目负责协调区域气候模拟。通过气候降尺度，全球模型信息被转化为更精细尺度的气候信息。这些集合可能同时包含来自全球驱动模型、区域模型和降尺度方法的不确定性。由同一全球模型驱动的模拟仍保留着重要的共同依赖关系。"
    },
    {
      "heading": "应用",
      "text": "气候模型集合支持几类不同的分析：\n\n- **受迫变化估计：**识别与外部驱动有关的温度、降水、环流或其他变量的变化。\n- **检测与归因：**将观测到的变化与不同影响因素预期产生的变化模式进行比较。\n- **极端事件分析：**估计不同模拟气候之间事件频率或强度的差异，有时采用事实与反事实试验。\n- **影响评估：**为水文学、农业、生态系统、能源需求和沿海灾害等模型提供气候输入。\n- **预测：**在初始化能够提供预测信息的情况下，估计季节或年代际结果的范围。\n- **物理机制研究：**检验反馈和过程表述如何影响预估变化。\n\n对于非线性影响，通常将各个气候实现分别输入影响模型，而不是仅使用集合平均输入。例如，干旱阈值、作物响应和洪水形成，可能取决于一连串的气候条件，而取平均会抹去这些序列特征。"
    },
    {
      "heading": "局限与解读",
      "text": "更大的集合只能改善其实际探索维度内的采样。为同一模型增加大量成员，可以细化对该模型变率的估计，却不能降低其结构性误差的不确定性。共同偏差也可能持续存在于多模型集合中。\n\n模型之间的一致性，能够说明集合内部结果相符，但其本身并不是准确性的证明。模型可能因稳健的物理约束、共同假设或共同遗漏而得出一致结果。反过来，分歧可能揭示了结果对不确定过程的敏感性，而不意味着气候建模整体失效。\n\n比较时还需要采用一致的定义、空间范围、参照时段和试验。历史距平通常相对于共同基准计算，以减小不同模型平均状态的影响，但这并不能消除变率或强迫响应中的误差。重网格化和偏差订正还会引入更多方法上的选择。\n\n因此，透明的集合分析应区分模型与实现，明确所包含的情景和试验，并说明报告的离散度代表什么。集合范围、评估得出的不确定性范围和概率预报彼此相关，却是不同的产物。"
    }
  ],
  "links": [
    "climate-change",
    "general-circulation-model",
    "earth-system-model",
    "ensemble-forecasting",
    "el-nino-southern-oscillation",
    "climate-model-parameterization",
    "greenhouse-gas",
    "radiative-forcing",
    "precipitation",
    "climate-sensitivity",
    "variance",
    "probability",
    "coupled-model-intercomparison-project",
    "climate-downscaling",
    "temperature",
    "hydrology"
  ],
  "sources": [],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}