“随机”技巧或有望打造气候科学更佳模型

实际上，“随机”技巧被广泛应用于经济学、物理学、工程学和天气预报等领域。但它们却从未在气候模型中找到归宿。

3位统计学家去打猎，发现了1只鸭子。第一枪过高，子弹越过了鸭子的头部。第二枪有点低，子弹在鸭子腹部以下飞过。第三位统计学家则跳上跳下，最终大喊：“我们抓住它了！”

这或许不是猎获水禽的最佳方式，但在它们的栖息地，研究人员发现类似漫无目的的方式对预测复杂系统行为非常有效。实际上，“随机”技巧被广泛应用于经济学、物理学、工程学和天气预报等领域。但它们却从未在最受人瞩目和最饱受争议的预测领域——气候模型中找到归宿。

在气候模型领域，研究人员通常以确定性解决方案为目标：从越来越详细和复杂的数据模拟中得到气候将如何响应温室气体排放等输入因素的单一情节。这些结论具有科学意义，但有批评者指出，由于其自身的复杂性，该模型已经变得不再实用。

结果较差

“这栋房子原来有两层，现在却有8层。它承受着所有的重量，而墙壁正在出现裂纹。”澳大利亚莫纳什大学气候模型专家Christian Jakob说，“给你两个选择，你可以进去，加固基础，或者是时候建一座新房子了。”

现在，一些研究人员正呼吁全面整修：这些模型应该按照随机线进行改造。例如，本月月底，英国《皇家哲学学报A》特刊将刊登14篇论文展示随机气候模型框架。

气候模型预测结果不良的一个主要原因是这并非它们被设计用来做的事。研究人员主要为另一个目标而设计了它们：在全球尺度上探索该系统不同部分的相互作用。这些模型首先通过将大气划分为由像箱子一样元素构成的巨大3D网格，水平边缘通常100公里长、1公里高。基于物理学定律的方程式则用来描述每个箱子里的变量如何影响临近箱子中的匹配变量，这些变量主要是压力、温度、湿度和风速。

对于那些在比网格更小的尺度上运行的过程，例如云体形成，科学家通过利用它们在过去数年中已经改进的确定性公式与网格元素相结合，以描绘其典型行为。然后，通过利用超级计算机将整个网格进行数据处理来解决这些方程式。

该方法已经被证明在探索地球气候系统方面非常有用，例如，化石燃料排放、大气中的二氧化碳以及全球气候变化间的相互影响。但当需要预测未来气候何地、何时和如何严重变化时，它将难以达到要求。

例如，去年，政府间气候变化专门委员会（IPCC）的科学家系统地对照了20个重要气候模型的预测和过去60年的气候数据。美国迈阿密大学气候学家、IPCC第五评估报告短期预测章节的联合作者Ben Kirtman表示，结果令人失望。这些模型在预测全球平均表面气温方面结果较好，并且在大西洋也有一定的预测价值，但在预测广阔的太平洋方面几乎没有作用。

阻碍横生

Kirtman提到，最综合的模型未必是最有效的。当气候学家不断向模拟过程增加组件时——详细到叶片生长和白蚁分布，这些模型会变得臃肿不堪，并且运行缓慢，无法得出更好的结论。“这是一个根本问题。”他说，“他们正试着增加所有东西。”而且，这些模型中一部分无法很好地模拟自然，Jakob补充道：“一些老的问题尚未解决。在诸如模拟降雨和云体形成等事件上，进展缓慢得令人痛苦。”

大部分问题可以归结为网格分辨率。“事实是，模型的细节水平并不真正取决于科学的约束。”主张气候模型随机方法的英国牛津大学物理学家Tim Palmer说，“它完全由计算机尺寸决定。”粗略而言，计算能力增加一个数量级，网格尺寸要减半。典型水平网格尺寸已经从上世纪70年代的500公里降到了目前的100公里，并且将在10年时间里降到10公里。但Palmer指出，即使这样也将不会对模拟云体形成等极其重要的小尺度现象有很大帮助。

另一方面，在科学家取得此类细节之前，计算机运行可能会遭遇一个物理障碍：能量功耗。“百亿亿次级别的设备（每秒进行1018浮点运算）即将出现，但问题是，你可能需要100兆瓦来运行它。”Palmer说。这些能量足以为一个10万人的城镇提供足够的电能。

面对这些障碍，Palmer和其他人拥护一个新起点。他们表示，气候模型建造者需要后退，并从天气预报，尤其是英国欧洲中期天气预报中心（ECMWF）开发的技术中获得灵感。

自上世纪90年代起，ECMWF研究人员通过将随机方法引入模型，重组了全世界的天气预报。这些也被称为蒙特卡罗法的技术，首先由第二次世界大战期间曼哈顿计划的科学家所开发，以模拟中子扩散如何穿过材料。这个想法是类似于反复滚动骰子或旋转轮盘：多次计算产生一系列不同结果，然后通过聚合结果“优化”模型，将它们与经验观测值相比较。现在，相关技术被广泛应用于物理学和工程学的许多分支中，甚至计算机生物学家也用其模拟细胞膜或蛋白质。

注入新活力

为了将该方法应用于天气预报，ECMWF模型专家将小型随机扰动引入原始天气条件中。通过使用略有不同的原始条件多次运行该模型—— 一种被称为组合模型的方法，该中心产生了更准确的天气预报。该方法已经被全世界大部分重要天气预报所采纳。

Palmer表示，息息相关的方法将改变气候模型。一个主要差异体现在时间尺度上：与天气模型建造者不同——他们能快速发现预测是否准确，而气候研究人员要考虑未来数十年的情况。要优化模型，他们必须输入某一年的气候记录，以观察它如何预测未来十年的气候模式。

Palmer还指出，随机模型将能控制气候系统的组成部分，这些部分对传统的确定性模型而言因太过不稳定而难以处理。他提到，例如，热带雷暴系统对全球气候系统“非常重要”。但由于它们的核心仅有数公里宽，普通的模型网格无法捕捉到它们，并且固定的数学描述包含“重大错误”。

研究人员还建议了若干补充方法，以便将此类方法包含入气候模型中。这些观点包括通过允许晶体管级的随机误差使得超级计算机运转更快以及通过在不同尺度上对不同过程建模以减缓计算机负担等。

在另一个方法中，模型专家将提取现有气候模型的特定组件，例如模拟云体形成的子程序，并利用随机相等物进行替代。美国纽约大学柯朗数学科学研究所数学家Andrew Majda和同事正在这样做。他发现，将一个随机云模拟插入国家大气研究中心（NCAR）气候模型将近乎复制出一种重要的热带天气模式。

一些研究人员相信此类方法只有当创立全新气候模型后才能检验。“理想情况下，我认为我们需要回去从头设计模型。”Palmer说，“你确实想在基础水平上建立随机性，以便使其与基本物理定律更一致。”

其他人也可能更进一步，并且在气候记录统计数据的基础上预测气候变化。英国伦敦政治经济学院的Leonard Smith及其同事Emma Suckling报告了一个实验结果，他们提取了过去半个世纪不同站点的全球气候数据，将数据引入最杰出的气候模型中，并将预测结果和简单统计模型结果进行了比较。结果显示，简单模型表现最好。无论如何，Kirtman表示：“我认为我们仍有大量的东西要学习。”