{
  "id": "climate-model-parameterization",
  "title": "气候模型参数化",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "气候模型参数化通过建立过程效应与模型变量之间的关系，表示无法显式解析或需简化计算的过程。",
  "category": "geography",
  "subcategory": "",
  "type": "concept",
  "aliases": [
    "气候模式参数化"
  ],
  "generated_at": "2026-11-04",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/climate-model-parameterization/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/climate-model-parameterization/",
      "json": "https://aiwiki.page/en/climate-model-parameterization.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "气候模型参数化是指对大气与海洋环流模型或地球系统模型无法显式解析，或因计算成本过高而无法完整、细致计算的物理、化学或生物过程进行表示。参数化根据模型中可用的变量，如温度、水分、风和地表特性，估算这些过程的效应。例如，湍流涡旋对热量的输送、云内降雨的形成，以及海洋涡旋引起的混合。参数化将发生在不同尺度上的过程联系起来，是模拟气候不可或缺的组成部分。"
    },
    {
      "heading": "为什么需要参数化",
      "text": "气候模型将大气、海洋、陆地和冰划分为计算单元，并以离散时间步推进其状态。空间尺度远小于这些单元，或时间尺度远短于时间步长的过程，无法得到显式表示。即使一个过程横跨数个网格单元，也可能仍未得到充分解析，因为数值方法通常需要更多网格点才能准确描述其结构。\n\n例如，一个模型网格单元内可能同时存在晴空、多种类型的云，以及上升和下沉的空气。模型中的平均温度和湿度无法唯一确定这些特征的分布，而这种分布又会影响太阳光反射、红外辐射发射和降水。\n\n因此，参数化所解决的不仅是计算能力不足的问题，还包括如何根据对系统的不完整描述，推断其内部变异的总体效应。有些方案表示次网格过程；另一些方案则简化发生在可解析尺度上、但因相互作用过于繁多而难以直接计算的过程，例如整个电磁波谱上的精细辐射吸收过程。\n\n参数化并不等同于指定一个常数。参数化方案可以包含预报方程、诊断关系、条件规则、查找表或随机成分。其输出通常会随模型状态的演变而变化。"
    },
    {
      "heading": "数学基础与闭合",
      "text": "模型方程可以示意性地写为\n\n\\[\\frac{\\partial \\mathbf{X}}{\\partial t} = \\mathcal{D}(\\mathbf{X}) + \\mathcal{P}(\\mathbf{X};\\boldsymbol{\\theta}),\\]\n\n其中，\\(\\mathbf{X}\\) 是模型所解析的状态，\\(\\mathcal{D}\\) 表示显式计算的动力过程，\\(\\mathcal{P}\\) 表示参数化的变化率或通量。向量 \\(\\boldsymbol{\\theta}\\) 包含系数及方案的其他参数。在实际应用中，方案还可能依赖地表特征、外部强迫、额外的预报变量以及过去的状态。\n\n一个核心问题是闭合：对控制方程求平均后，会引入一些无法仅由平均变量确定的量。例如，物理量 \\(q\\) 的平均垂直输送满足\n\n\\[\\overline{wq} = \\overline{w}\\,\\overline{q} + \\overline{w'q'},\\]\n\n其中，\\(w\\) 为垂直速度，上横线表示平均运算，撇号表示相对于该平均值的偏差。协方差 \\(\\overline{w'q'}\\) 表示未解析脉动造成的输送。参数化为这一项提供估计。\n\n一种简单的湍流扩散闭合形式为\n\n\\[\\overline{w'q'} = -K_q\\frac{\\partial \\overline{q}}{\\partial z},\\]\n\n其中，\\(K_q\\) 为有效扩散系数，\\(z\\) 为高度。这一形式假定输送沿已解析变量梯度的反方向进行。它在某些条件下很有用，但仅靠这一形式，无法描述有组织的上升羽流或其他非局地运动造成的全部输送。\n\n参数化方案受到物理原理的约束，包括质量和能量守恒，以及与热力学的一致性。物理推理、观测、实验室测量和高分辨率模拟都为方案的构建提供依据。"
    },
    {
      "heading": "主要应用",
      "text": "大气湍流与边界层\n\n湍流输送热量、水汽、动量和化学组分。在近地表区域，这些交换有助于决定温度的日变化、雾、低云以及大气边界层的发展。\n\n边界层方案既包括局地扩散形式，也包括将扩散与有组织羽流输送相结合的方法。有些方案预报湍动能，并据此确定混合速率。地表交换方案则利用地表粗糙度、稳定度以及地表与近地表条件之间的差异等因素，估算大气与陆地、海洋或冰面之间的通量。\n\n对流\n\n大气对流包括由浮力驱动的上升气流及相应的补偿运动。在粗分辨率下，单个对流云无法得到显式模拟。对流方案估算这些云对温度、水分、动量和降雨的集体效应。\n\n许多方案采用质量通量方法，用理想化的上升气流、有时也包括下沉气流来表示输送。其中的重要假设涉及：\n\n- **触发：**对流何时开始。\n- **闭合：**如何确定对流强度。\n- **卷入与卷出：**空气如何进入和离开对流羽流。\n- **降水形成与蒸发：**水如何转化为下落粒子，以及如何重新分布。\n\n这些选择会影响热带降雨、一天中降水发生的时间，以及对流与大尺度环流之间的相互作用。\n\n云与微物理\n\n云方案估算云量以及液态水和冰的含量。云微物理方案描述凝结、冻结、碰撞并合、冰粒子增长和粒子沉降等过程。\n\n总体参数化方案只预报有限的一组性质，例如云水或雨水的质量。更复杂的方案还会预报粒子数浓度，或采用多个粒径类别。即使模型能够解析大型对流云的运动，大多数微物理过程仍需参数化。\n\n云量和粒子性质影响云辐射效应。因此，云参数化既影响当前气候的能量平衡，也影响模拟中气候对变暖的响应。\n\n辐射\n\n辐射传输方案计算气体、云、气溶胶和地表对辐射的吸收、发射与散射。常规气候模拟通常采用计算效率较高的光谱近似方法，而不是逐条计算每一条吸收线。\n\n辐射方案依赖包括二氧化碳在内的大气成分，以及温度和云的性质。它们还需要对云层在垂直方向上的重叠方式，以及未解析的云变异如何影响辐射作出假设。\n\n海洋混合与涡旋\n\n海洋模型对小尺度湍流、内波破碎和其他未解析运动引起的混合进行参数化。当中尺度涡旋未得到充分解析时，模型也可能用参数化来表示这些涡旋对热量、盐分和其他示踪物的输送。\n\n不同方案针对不同的过程。沿等密度面的混合、跨等密度面的混合，以及涡旋对海水的重新分布，具有不同的物理后果。这些表示方式会影响海洋热量吸收和大尺度环流，包括与温盐环流相关的过程。\n\n陆面、地形与海冰\n\n陆面方案表示土壤、植被、积雪和大气之间水、热量和碳的交换。其组成部分包括土壤水运动、蒸发、蒸腾、积雪演变和径流形成。未解析的土地覆盖差异可以通过网格单元内不同覆盖类型所占的比例或子单元来表示。\n\n次网格地形方案描述的效应包括未解析丘陵对大气产生的拖曳，以及山地激发的重力波对动量的输送。海冰方案则表示与卤水有关的热力学过程、融池，以及小于模型网格尺度的机械变形等过程。"
    },
    {
      "heading": "主要方法",
      "text": "确定性参数化对给定的模型状态和参数组计算出确定的结果。许多成熟的物理方案采用这种方法，但其中也可能包含额外的演变变量。\n\n随机参数化引入随机成分，以表示未解析的变异或不确定性。随机扰动可以具有预先规定的空间和时间相关性。其目的不是任意添加噪声，而是以统计方式表示那些无法由已解析条件唯一确定的效应。\n\n尺度感知参数化会随模型分辨率的变化调整自身的贡献。当模型开始解析某一过程的一部分时，参数化的贡献应减小或作出其他相应调整，以避免遗漏或重复计算。\n\n超参数化在较粗分辨率模型的各个柱内嵌入简化的高分辨率云模型。它显式表示部分云系统动力过程，同时保留微物理和小尺度湍流等过程的参数化。\n\n数据驱动参数化利用机器学习或相关统计方法，从观测或精细模拟中学习变量之间的关系。它们可以仿效现有方案，也可以直接估计未解析过程造成的变化率。物理约束和混合方法有助于确保守恒并改善数值表现，但在训练条件以外的表现仍是一个核心问题。"
    },
    {
      "heading": "开发、校准与评估",
      "text": "参数化方案的开发通常借助野外观测试验、卫星观测、实验室实验和精细过程模拟。例如，大涡模拟能够解析携带主要能量的湍流运动，同时仍对更小的涡旋进行参数化。\n\n评估在多个层面开展：\n\n- 过程测试在受控或观测充分的条件下检验方案。\n- 单柱模型在给定的大尺度强迫下，检验大气柱内部的相互作用。\n- 给定初始条件的短期模拟在误差被模型的长期调整所掩盖之前将其暴露出来。\n- 全球模拟与耦合模拟评估环流、能量平衡、变率以及各组成部分之间的相互作用。\n\n校准在气候建模中通常称为调参，是在有合理依据的范围内调整不确定的系数，以改善模拟气候的某些选定方面。这不同于选择方案的数学结构，不过两项工作会相互影响。\n\n成功拟合全球平均温度或大气层顶辐射，并不能证明每一个底层过程都是正确的。误差相互抵消，也可能产生看似真实的总体结果。因此，评估采用多个变量、区域、季节以及过程之间的关系，而非单一的性能评分。卫星辐射测量，包括云与地球辐射能量系统的测量，为模拟中的能量流动提供了重要约束。"
    },
    {
      "heading": "分辨率与灰区",
      "text": "已解析过程与参数化过程之间的界限会随网格间距而变化。一个模型中需要参数化的过程，在另一个模型中可能部分甚至大部分得到解析。\n\n灰区是指某一过程已被部分解析、但常规参数化所依据的假设开始失效的分辨率范围。对于对流，粗网格方案可能假定一个网格单元内包含许多云，可以从统计上处理它们的集体行为。而在更高分辨率下，一个单元可能只包含一个云系统的一部分。\n\n因此，提高分辨率并不意味着可以简单地关闭参数化。允许显式模拟对流的模型仍需要表示云微物理、小尺度湍流、辐射和地表交换。它也可能仍需对浅对流或其他未解析的云运动作出处理。\n\n这一问题同样影响气候降尺度：更精细的区域网格能够改善地形和有组织天气系统的表示，但并不能消除对参数化方案选择的依赖。"
    },
    {
      "heading": "不确定性与局限",
      "text": "参数化引入了几类可以区分的不确定性来源：\n\n- **结构不确定性：**同一过程可采用不同的数学表示。\n- **参数不确定性：**所选表示形式中的系数取值存在不确定性。\n- **尺度依赖性：**方案的适用性随网格间距或时间步长而变化。\n- **环境状态依赖性：**方案在不同环境或气候状态下表现不同。\n- **相互作用不确定性：**方案之间交换变量、通量或变化率时产生的误差。\n\n云和对流方案对模拟降雨及气候敏感度尤为重要。它们的影响并不限于局地行为：云加热或对流输送的变化可以改变环流，并影响遥远地区。\n\n气候模型集合通过比较不同模型或改变参数，对其中一部分不确定性进行采样。然而，集合离散程度并不能完整衡量不确定性。模型可能具有共同的假设、组成部分或偏差，而扰动参数集合也只能探索其母模型所包含的结构。\n\n长期稳定性是另一项约束。一个方案即使能够再现短期过程模拟，在与全球模型耦合并运行数十年或数百年后，也可能产生不切实际的行为。因此，除平均准确性外，还必须评估守恒性、数值稳定性、极端值的合理性，以及在陌生条件下的表现。"
    },
    {
      "heading": "历史发展与持续研究",
      "text": "参数化在二十世纪伴随数值大气建模而发展起来。早期环流模型需要对辐射、地表交换和对流调整作简化处理。后续发展引入了更细致的质量通量对流方案、湍流闭合、云微物理、海洋涡旋表示，以及可交互的陆面过程。\n\n数值天气预报与气候建模之间相互借鉴方法，但两者的评估重点不同。天气预报侧重特定大气状态的演变，而气候建模还要求可信的长期统计特征、反馈和耦合系统能量平衡。\n\n当前研究将更精细的网格与改进的闭合方法结合起来，而不是将两者视为相互排斥的途径。主要挑战包括表示有组织对流、约束云对变暖的响应、保持模型各组成部分之间的物理一致性，以及开发在不同分辨率下或在不同于校准所用气候的条件下仍然可靠的方案。"
    }
  ],
  "links": [
    "general-circulation-model",
    "earth-system-model",
    "climate",
    "temperature",
    "humidity",
    "precipitation",
    "thermodynamics",
    "turbulence",
    "cloud-radiative-effect",
    "radiative-transfer",
    "carbon-dioxide",
    "thermohaline-circulation",
    "machine-learning",
    "calibration",
    "ceres",
    "climate-downscaling",
    "climate-sensitivity",
    "climate-model-ensemble",
    "numerical-weather-prediction"
  ],
  "sources": [],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}