清晨五点的渔港，老船长潮伯蹲在码头石阶上，借着一盏渔灯翻看那本牛皮封面的航海日志。年轻水手小满跑来问：“潮伯，明天浪大不大？能不能出海？”潮伯头也没抬：“明天的浪，神仙也说不准。可这一季的渔汛，我心里有数——水温比往年高了半度，鱼群会提前十天洄游，浅湾的收成会比深海差。”小满愣住了。潮伯指指海图：“这张图告诉我潮汐怎么走，物理规律摆在那儿；这本日志记着四十年来的水温、渔汛和风暴，经验都在里头。两样合起来，我看得见一个季节，而不是一朵浪。”这正是气候预测的智慧：它不赌 2040 年 7 月 15 日那一整天的晴雨，而是回答——如果世界沿着某条路走下去，未来几十年的平均温度、降水格局与极端天气会变成什么模样。潮伯的“海图”是地球系统模型，潮伯的“日志”则是 AI。

岗位关联

学完本节，你将理解 AI 如何在物理方程与海量数据之间搭桥，把“未来的排放情景”翻译成可量化的气候风险。这套“物理规律 + 数据驱动 + 不确定性量化”的建模范式，是 AI 从业者进入科学智能领域最值钱的一张入场券。

目录
  1. 可视化演示
  2. 气候与天气之别
  3. 排放情景设定
  4. 地球系统模型
  5. AI 预测方法
  6. 区域降尺度
  7. 不确定性量化
  8. 极端事件捕捉
  9. AI 应用场景
  10. Python 演示
  11. 常见误区
  12. 面试题

可视化演示

展示物理地球系统模型与AI数据驱动气候预测方法对比、AI降尺度分辨率提升与集合预测不确定性量化，交互调节分辨率查看区域预测精度变化。

本节配有交互动效（进入视口后自动加载，约 3KB）。

物理模型vs AI数据驱动气候预测 物理模型：求解流体动力学方程，动力学基础强 AI方法：学习历史数据映射，捕捉非线性模式 ESM: ∂u/∂t + (u·∇)u = -∇p/ρ + ν∇²u 物理模型提供动力学基础，AI方法补充数据驱动预测，两者结合提升区域尺度精度

气候与天气之别

潮伯从不向年轻人许诺“明天风平浪静”，只会说：“今年水暖，鱼汛提前。”一句话里藏着两种时间尺度——明天的一朵浪是天气，整个季节的浪潮是气候。

用统计语言说，气候就是天气这个大随机变量的分布。“明天杭州下不下雨”是天气问题；“未来三十年中国东南部夏季平均降雨如何变化”是气候问题。混沌理论（蝴蝶效应）决定了单日预报存在约两周预报上限，但气候的统计量由温室气体等外部强迫决定，在长期尺度上反而高度可预测。

世界气象组织约定用 30 年窗口（如 1991-2020 年）的平均与方差来定义气候态。AI 在气候预测中的第一步，正是从海量观测中估计这些统计量，并预测统计量如何整体转移。

潮伯不看明天的浪尖，而是读整片海的“平均脾气”：哪年回暖、哪年多风。气候预测就是把无数个“明天”揉成统计画像，再从中找出确定性的变化方向，而 AI 让这幅画像画得更细、更快。

Tˉ30=1N∑i=1NTi,σT=1N∑i=1N(Ti−Tˉ30)2\displaystyle \bar{T}_{30} = \frac{1}{N}\sum_{i=1}^{N} T_i, \qquad \sigma_{T} = \sqrt{\frac{1}{N}\sum_{i=1}^{N}\left(T_i - \bar{T}_{30}\right)^2}
公式含义：30 年窗口的平均温度刻画“气候态”，标准差刻画“变率”，两者合起来就是气候的画像。
  1. T_i第 i 天（或第 i 个时刻）观测到的温度，是天气的“样本”。
    TiT_i
  2. N30 年窗口内的总观测次数，样本量越大画像越稳健。
    N=30×365N = 30 \times 365
  3. 求和平均把所有样本加总再除以 N，得到气候平均态。
    Tˉ30=1N∑i=1NTi\bar{T}_{30} = \frac{1}{N}\sum_{i=1}^{N} T_i
  4. 标准差 σ衡量天气在均值附近波动的幅度，即气候变率。
    σT=1N∑i=1N(Ti−Tˉ30)2\sigma_T = \sqrt{\frac{1}{N}\sum_{i=1}^{N}\left(T_i - \bar{T}_{30}\right)^2}

排放情景设定

出海前，潮伯会问船东一句话：“往北去渔场，还是往南追暖流？”目的港不同，航线天差地别。气候预测面对同样的选择——未来的温室气体排放走哪条路？科学家把这些路画成一张张“情景地图”，统称 SSP（共享社会经济路径）。

SSP 不是预言，而是“如果……会怎样”的条件假设：如果全世界大力减排、普及清洁能源（SSP1），如果维持当前政策惯性（SSP2），如果化石能源开发不受约束（SSP5）……每种路径都对应一组人口、经济、技术与政策的组合，进而给出未来的温室气体浓度。

浓度变化会改变地球的辐射平衡，产生“辐射强迫”ΔF（单位 W/m²）。以 CO₂ 为例，强迫与浓度近似成对数关系——浓度翻一倍贡献约 3.7 W/m²。在平衡态附近，全球平均升温近似等于辐射强迫乘以气候敏感度参数 λ。AI 也把情景向量作为输入特征，学习“情景 → 气候响应”的映射。

情景就是潮伯手中的航线图——没有人知道船东最终选哪条，但每条航线都有它的洋流、暗礁与渔获。气候预测也如此：给出“如果走这条路”的后果，供决策者提前备好锚与帆。

ΔT≈λ×ΔF,ΔF=αln⁡(CC0)+ΔF其他\displaystyle \Delta T \approx \lambda \times \Delta F, \qquad \Delta F = \alpha \ln\left(\frac{C}{C_0}\right) + \Delta F_{\text{其他}}
公式含义：温室气体浓度越高，辐射强迫越大，平衡态升温越高；λ 是把“强迫”翻译成“温度”的敏感度系数。
  1. C 与 C₀未来与工业化前的 CO₂ 浓度（ppm），比值越高温升越明显。
    C,C0C, \quad C_0
  2. 对数强迫CO₂ 辐射强迫与浓度成对数关系，说明浓度越高，同样增量带来的强迫越有限。
    αln⁡(CC0)\alpha \ln\left(\frac{C}{C_0}\right)
  3. 其他强迫甲烷、氧化亚氮、气溶胶等成分的贡献之和。
    ΔF其他\Delta F_{\text{其他}}
  4. 气候敏感度 λ每单位辐射强迫对应的平衡升温量。
    λ=ΔTΔF\lambda = \frac{\Delta T}{\Delta F}
  5. 升温估计把强迫代入敏感度方程，即得该情景下全球平均升温。
    ΔT≈λ×ΔF\Delta T \approx \lambda \times \Delta F

地球系统模型

潮伯最宝贝的是一张海图，上面画着潮汐、洋流与暗礁——每个标记都来自物理规律：月亮引潮力怎么作用，暖流往哪个方向走。地球系统模型（ESM）就是这张海图的三维数字化版本，它把地球当作一台精密机器：大气、海洋、陆面、冰雪彼此交换热量、水分与碳。

模型的核心是一组偏微分方程，源自牛顿力学与热力学：流体运动由 Navier-Stokes 方程描述，能量守恒决定温度演化。方程之间强耦合——海洋蒸发给大气水分，大气降水回馈陆面，陆面径流改变海洋盐度……一环扣一环。

数值求解时，地球被切分成一个个网格（常见 100-250 公里），在每个格点上离散求解方程。分辨率越高细节越真，但计算量随分辨率急剧增长；云、对流等亚网格过程只能用参数化方案近似。这套系统能回放工业革命以来的升温，也能在给定情景下外推未来，代价是超级计算机要跑上数月。

海图再准，也要水手去验证。ESM 的网格像渔网——网眼太大，小杂鱼（区域细节）会漏掉。这就是为什么科学家要把 AI 请上船：让 AI 从数据中补上物理模型漏掉的细网眼。

∂v∂t=−1ρ∇p+ν∇2v+g\displaystyle \frac{\partial \mathbf{v}}{\partial t} = -\frac{1}{\rho}\nabla p + \nu \nabla^2 \mathbf{v} + \mathbf{g}
公式含义：大气速度场如何随气压梯度力、摩擦力与重力演化，是地球系统模型中最核心的物理方程之一。
  1. 速度变化率速度场随时间的变化，即气流如何加速或减速。
    ∂v∂t\frac{\partial \mathbf{v}}{\partial t}
  2. 气压梯度力空气从高压被推向低压，这是风的“发动机”。
    −1ρ∇p-\frac{1}{\rho}\nabla p
  3. 黏性耗散刻画摩擦与耗散对气流的削弱作用。
    ν∇2v\nu \nabla^2 \mathbf{v}
  4. 重力项让大气“压”在地表，构成大气的垂直结构。
    g\mathbf{g}
  5. 耦合求解该方程还要与能量守恒、水汽方程同时求解，彼此交换通量。
    ∂ρ∂t+∇⋅(ρv)=0\frac{\partial \rho}{\partial t} + \nabla \cdot (\rho \mathbf{v}) = 0

AI 预测方法

潮伯那本记了四十年的航海日志，写满了水温、渔汛与风向。他说：“海图告诉我规律，日志告诉我经验——规律管大方向，经验补小偏差。”AI 在气候预测中的角色，正是这样一本不断更新的“日志”：它从历史观测与模式输出中学习规律，把排放情景映射到未来气候。

具体而言，AI 方法分为三类。第一类统计学习：把历史气候场 X 与对应情景 E 作为输入，训练神经网络输出未来的气候统计量；第二类仿真替代（Emulator）：用神经网络模拟地球系统模型的地表输出，推理速度比原始模式快上千倍，让研究者能跑遍成千上万种情景；第三类物理约束混合：把能量守恒等物理定律作为正则项或网络结构约束，避免 AI 产出“反物理”的预测。

任何监督学习都依赖损失函数。训练时，AI 不断调整权重 θ，使预测结果与真实气候场的误差最小。这里的真实值既可以是观测，也可以是 ESM 输出——后者正是“AI 学习物理模型”的关键路径。

日志再厚，也不能替代海图——AI 学到的经验如果违背物理，在未见过的情景上就会翻船。所以潮伯总把日志和海图叠着看，科学家也把 AI 与 ESM 叠着用：一个快而灵活，一个稳而有据。

Y^=fθ(Xhist,Essp),θ∗=arg⁡min⁡θL(fθ(X),Ytrue)\displaystyle \hat{\mathbf{Y}} = f_{\theta}\left(\mathbf{X}_{\text{hist}}, \mathbf{E}_{\text{ssp}}\right), \qquad \theta^{\ast} = \arg\min_{\theta} \mathcal{L}\left(f_{\theta}(\mathbf{X}), \mathbf{Y}_{\text{true}}\right)
公式含义：神经网络把历史气候与排放情景映射为未来预测；训练的目标就是寻找让误差最小的参数 θ。
  1. 历史数据 X温度、降水、海温等多变量的历史观测场。
    Xhist\mathbf{X}_{\text{hist}}
  2. 情景向量 E如 SSP1-2.6 的温室气体浓度路径，作为条件输入。
    Essp\mathbf{E}_{\text{ssp}}
  3. 网络映射 f_θ参数为 θ 的神经网络函数，即“AI 模型”本身。
    fθf_{\theta}
  4. 输出预测 Ŷ模型生成的未来气候预测，如 30 年平均升温场。
    Y^=fθ(Xhist,Essp)\hat{\mathbf{Y}} = f_{\theta}(\mathbf{X}_{\text{hist}}, \mathbf{E}_{\text{ssp}})
  5. 损失与优化不断调整 θ 让预测与真值的差距最小。
    θ∗=arg⁡min⁡θL(fθ(X),Ytrue)\theta^{\ast} = \arg\min_{\theta} \mathcal{L}\left(f_{\theta}(\mathbf{X}), \mathbf{Y}_{\text{true}}\right)

区域降尺度

潮伯知道整个渔场的汛情，但具体到哪个海湾下网，还得看湾口的暗流与岸线——大渔场的规律不能直接套到小海湾。气候预测同样面临分辨率鸿沟：全球 ESM 的网格约一百公里起，对一座城市、一条流域来说太粗，城市规划者需要的是“我的城市”，而不是“我的大陆”。

降尺度就是“从大处着眼、往细处落笔”。统计降尺度：建立全球模式大尺度变量与区域观测之间的映射关系（回归、机器学习皆可），再把它应用到未来的全球输出上；动力降尺度：把高分辨率区域模式像鸟巢一样嵌套在全球模式边界内，完整模拟局地物理过程。两者经常配合偏差校正一起使用。

统计降尺度的灵魂是一个稳定性假设：历史上学到的“全球 ↔ 区域”关系在未来依然成立。AI 在这里大放异彩——神经网络能捕捉非线性地形与海陆分布对局地气候的影响，比传统线性回归更擅长刻画山脉迎风坡暴雨这类局地细节。

对小海湾来说，一张大渔场图还远远不够——湾口的每一块礁石都影响下网。降尺度就是潮伯在不同海湾来回踩点的功夫：把全球尺度的“大趋势”翻译成决策者能用的“本地数字”。

T区域,未来=T区域,当前+(T全球,未来−T全球,当前)\displaystyle T_{\text{区域,未来}} = T_{\text{区域,当前}} + \left(T_{\text{全球,未来}} - T_{\text{全球,当前}}\right)
公式含义：把全球模式给出的“变化量”叠加到区域当前观测上，得到区域未来估计——这是最直观的降尺度手段。
  1. 区域当前值区域站点的当前观测气候值（如某城市年平均温度）。
    T区域,当前T_{\text{区域,当前}}
  2. 全球变化量全球模式预测的未来减当前的差值，即“距平”。
    T全球,未来−T全球,当前T_{\text{全球,未来}} - T_{\text{全球,当前}}
  3. 叠加外推假设区域与全球同步变化，把差值搬到区域真值上。
    T区域,未来=T区域,当前+ΔT全球T_{\text{区域,未来}} = T_{\text{区域,当前}} + \Delta T_{\text{全球}}
  4. 假设局限该法要求关系稳定；AI 可学习更复杂的非线性映射来改进。
    ε=T区域,未来−g(T全球,未来)\varepsilon = T_{\text{区域,未来}} - g(T_{\text{全球,未来}})

不确定性量化

潮伯报渔汛时从来不说死话：“往年这时候八成丰产，两成碰上寒潮。”这份“成数”就是他对不确定性的诚实。气候预测若只输出一条曲线，等于自欺欺人——未来是分布，不是单点。

不确定性主要来自三处：情景不确定性（人类到底走哪条排放路？）、模式不确定性（不同模型对物理过程的近似不同）、内部变率（气候系统本身的自然振荡，如厄尔尼诺）。三者叠加，构成了预测的“喇叭口”——越往未来越宽。

科学界用集合预报来量化它：让多个模型（或同一模型多个初始条件）各跑一遍，得到一族预测。集合平均给出最可能路径，集合离散度给出不确定性大小。最终输出不再是单线，而是均值 μ 加减置信区间——如 95% 区间约为 μ ± 1.96σ。

“七八成把握”不是含糊，而是专业——潮伯的“成数”让船东敢做决定，AI 的置信区间让政府敢花钱修堤。把不确定性讲清楚，本身就是在创造价值。

μ=1M∑m=1Mym,σens=1M−1∑m=1M(ym−μ)2\displaystyle \mu = \frac{1}{M}\sum_{m=1}^{M} y_m, \qquad \sigma_{\text{ens}} = \sqrt{\frac{1}{M-1}\sum_{m=1}^{M}\left(y_m - \mu\right)^2}
公式含义：把所有模型成员的平均当作预测中心，成员间的离散度当作不确定性；区间越宽，说明越没把握。
  1. 集合成员数 M如 CMIP 第六阶段全球几十个模式的成员个数。
    MM
  2. 单成员预测 y_m第 m 个模型对未来某年温度的预测值。
    ymy_m
  3. 集合平均 μ所有成员的中心估计，即最可能的升温路径。
    μ=1M∑m=1Mym\mu = \frac{1}{M}\sum_{m=1}^{M} y_m
  4. 集合离散度 σ成员间标准差，刻画“模型们吵得多凶”。
    σens=1M−1∑m=1M(ym−μ)2\sigma_{\text{ens}} = \sqrt{\frac{1}{M-1}\sum_{m=1}^{M}(y_m - \mu)^2}
  5. 置信区间用 1.96σ 构建约 95% 区间，输出“升温 2-4°C 属大概率”这类结论。
    μ±1.96 σens\mu \pm 1.96\,\sigma_{\text{ens}}

极端事件捕捉

渔港的老人们都记得 1985 年那场台风——几十年一遇，却一夜之间改写了半条渔村的命运。潮伯说：“平常年份练的是勤快，极端年份赌的是命。”极端事件发生概率低、破坏力高，恰恰是气候预测最该盯住的“尾巴”。

气候变暖并不只是把平均温度抬高，更会把整个温度分布向右平移并展宽。于是，原本“百年一遇”的高温阈值，可能变成“五十年一遇”甚至“二十年一遇”。一个分布只右移 1°C，其尾部概率可能翻倍——这是极端事件研究最反直觉也最重要的结论。

AI 在极端事件捕捉上有三板斧：一是异常检测，从海量数据中识别热浪、暴雨的前兆模式；二是把极端值统计与深度学习结合，拟合分布的尾部并外推重现期；三是用生成模型把粗网格模式模拟“超分辨率”到能刻画局地短时暴雨的尺度，为预警赢得时间。

潮伯在台风季前加固船缆，因为他知道“可能不来，但来了就要命”。极端事件捕捉的意义正是如此：用 AI 把“看不见的尾部风险”变成“提前准备的行动”。预测的意义，不在预知，而在预备。

T重现期(x)=1P(X>x),P新(X>x旧)>P旧(X>x旧)\displaystyle T_{\text{重现期}}(x) = \frac{1}{P(X > x)}, \qquad P_{\text{新}}(X > x_{\text{旧}}) > P_{\text{旧}}(X > x_{\text{旧}})
公式含义：重现期是超过阈值概率的倒数；气候变暖让旧阈值被超过的概率上升，“百年一遇”缩水成“数十年一遇”。
  1. 上尾概率某年极端温度超过阈值 x 的概率。
    P(X>x)P(X > x)
  2. 重现期定义超过概率的倒数，T = 100 即“百年一遇”。
    T重现期(x)=1P(X>x)T_{\text{重现期}}(x) = \frac{1}{P(X > x)}
  3. 分布移动新气候下同一阈值被超过的概率更高，意味着重现期缩短。
    P新(X>x旧)>P旧(X>x旧)P_{\text{新}}(X > x_{\text{旧}}) > P_{\text{旧}}(X > x_{\text{旧}})
  4. AI 的角色尾部概率极难直接估计，AI 用数据外推与高分辨率生成来压低估计方差。
    P^(X>x)=1M∑m=1M1{ym>x}\hat{P}(X > x) = \frac{1}{M}\sum_{m=1}^{M} \mathbf{1}\{y_m > x\}

AI 应用场景

城市防洪与基础设施规划

阶段：区域降尺度 + 不确定性量化

解决的问题：传统 ESM 输出网格太粗，城市设计师无法直接使用；AI 降尺度把全球趋势变成城市级的温度与降水分布，并给出置信区间，支撑百年一遇防洪标准的量化设计。

具体案例：某沿海城市用 AI 降尺度叠加集合预报，评估 2050 年海平面上升与风暴潮叠加风险，据此调整排水管网口径与海堤标高。决策者拿到的不是一条曲线，而是“不同情景下的水位概率区间”。

农业种植带迁移决策

阶段：排放情景设定 + 仿真替代模型

解决的问题：农民决策依赖多年气候平均态，传统方法难以快速评估多种情景；AI Emulator 秒级输出不同 SSP 下的积温带移动，把数百小时的模式模拟压缩到毫秒级。

具体案例：一个农业科技团队训练神经网络模拟全球模式的温度输出，预测 2060 年不同排放路径下玉米种植北界北移距离，用于指导选种、种植日历与农业保险定价。

极端高温概率预警

阶段：极端事件捕捉

解决的问题：传统天气预报只提前数天到两周，难以预警持续性热浪；AI 从全球模式的季节尺度信号中学习前兆，把预警窗口拉长到 1-2 个月。

具体案例：某省气象局部署深度学习热浪预警模型，输入海温与环流指数，输出未来 60 天高温日数的概率分布，供电网负荷调度与卫健部门部署防暑资源使用。

Python 演示

python38 行
import numpy as np  def build_scenarios():    """构造三条合成的SSP式排放路径, 返回年份序列与CO2浓度(ppm)."""    years = np.arange(2020, 2101)    n = years - 2020    ssp_green = 420 + 80 * (1 - np.exp(-n / 40))    ssp_mid = 420 + 320 * (1 - np.exp(-n / 60))    ssp_high = 420 + 560 * (1 - np.exp(-n / 85))    return years, ssp_green, ssp_mid, ssp_high  def fit_sensitivity(rng):    """从合成历史观测学习 dT = a * ln(CO2/340) + b 的映射."""    co2_hist = np.linspace(340, 420, 60)    temp_true = 1.1 * np.log(co2_hist / 340) / np.log(420 / 340)    temp_obs = temp_true + rng.normal(0, 0.06, 60)    design = np.vstack([np.log(co2_hist / 340), np.ones(60)]).T    coef, *_ = np.linalg.lstsq(design, temp_obs, rcond=None)    return coef  def main():    rng = np.random.default_rng(42)    coef = fit_sensitivity(rng)    years, ssp_green, ssp_mid, ssp_high = build_scenarios()    print("AI气候预测演示: 从历史CO2-温度映射外推未来")    print("学到的敏感度系数 a = %.3f, b = %.3f" % (coef[0], coef[1]))    for name, conc in [("SSP1可持续", ssp_green),                       ("SSP2中间路径", ssp_mid),                       ("SSP5高排放", ssp_high)]:        dT = coef[0] * np.log(conc / 340) + coef[1]        print("路径%s: 2100年升温 %.2f 度(较2000年)" % (name, dT[-1]))  if __name__ == "__main__":    main()
目的：演示 AI 气候预测的核心范式——从历史 CO₂-温度数据中学习敏感度映射，再外推到不同排放情景得到未来升温估计。
  1. temp_obs = temp_true + rng.normal(0, 0.06, 60)给“真值”加观测噪声，模拟现实中数据的不完美，这正是 AI 必须从含噪数据中学习的处境。
  2. design = np.vstack([np.log(co2_hist / 340), np.ones(60)]).T构造回归设计矩阵：特征是对数浓度，常数项代表基线，对应公式中的 ln(C/C₀)。
  3. coef, *_ = np.linalg.lstsq(design, temp_obs, rcond=None)用最小二乘拟合出敏感度系数，这就是“从历史数据中学习映射”的本质。
  4. for name, conc in [("SSP1可持续", ssp_green), (...)]遍历三条排放情景，类比潮伯“不同航线去往不同未来”。
  5. dT = coef[0] * np.log(conc / 340) + coef[1]把学到的映射应用到未来情景浓度上，外推 2100 年升温。
  6. if __name__ == "__main__":可执行入口，保证脚本能直接运行并输出三条路径的升温估计。

常见误区

误区“我以为气候预测就是天气预报时间轴拉长，用 AI 把预报模型往前推几十年，它能直接告诉我 2040 年某天的高温是多少度。”

正解气候与天气是两类问题。天气是初始值问题，依赖精确的实况初始场，混沌让它最多预报两三周；气候是强迫问题，预测的是统计量的变化。潮伯能说清整个渔汛的趋势，却说不准某天的浪高。AI 气候预测输出的是未来 30 年均值与概率区间，不是日历上的某个具体日期。

为何常见：两者都用“模式 + 数据”，名称里都带“预测”，且日常生活里“天气”与“气候”经常被混用，容易让人以为只是时间长短不同。

误区“既然 AI 能学习任何映射，那就用纯数据驱动模型替代地球系统模型，又快又省，物理方程可以丢掉了。”

正解纯数据模型依赖训练数据的覆盖范围，一旦情景超出历史经验，就会外推出“反物理”的结果。地球系统模型的物理方程提供强约束与可解释性；AI 更擅长补位：仿真替代加速、降尺度细化、偏差校正、极端检测。潮伯的日志再厚也离不开海图，海图再精也需日志补细节——两者是叠加而非替代。

为何常见：深度学习在图像、语言领域的“大力出奇迹”让人高估其外推能力，忽略了气候数据的样本有限性与物理强约束特性。

误区“SSP5-8.5 预测 2100 年升温多少度，那就是预言；只要模型够好，未来就一定按这条线走。”

正解情景是“如果……会怎样”的条件假设，不是预言。它回答“如果世界走这条路，气候会如何响应”，而世界究竟走哪条路取决于未来几十年的政策与技术。因此预测输出必须捆绑不确定性：集合区间、概率分布，而不是一条孤零零的曲线。

为何常见：新闻标题常把“高排放情景下升温 4 度”简写成“本世纪末升温 4 度”，把条件句变成了断言句，久而久之形成误解。

误区“置信区间宽到好几度，这也叫科学？什么都说不准，不如不预测。”

正解量化不确定性恰恰是科学预测最有价值的部分。决策者需要区间来设计防洪标准、保险定价与农业保障；“八成概率升温超过 2 度”足以触发减排行动。潮伯报“七成丰产、两成寒潮”不是含糊，而是让船东能冒风险、能上保险。隐瞒不确定性才是最危险的。

为何常见：人们习惯把“预测”理解为“给出唯一正确答案”，低估了风险决策对概率信息的需求。

误区“降尺度不就是把全球模式的 100 公里网格附近插值成 5 公里吗？画出来更漂亮而已，没有新信息。”

正解插值只改变“画法”，不增加信息。统计降尺度学习全球变量与局地气候的历史映射，能修正地形与海陆效应造成的偏差；动力降尺度更是重新求解高分辨率物理方程。插值相当于把地图放大，降尺度则是补充地图上没有的街道级细节。

为何常见：两者都会让输出看起来“更细”，视觉结果相似，导致人们把机制误解为同一个操作。

面试题

Q1. 气候预测与天气预报最根本的区别是什么？

单选题 · easy

  • A.预测的时间尺度与对象不同← 正确答案
  • B.前者只关心海洋的温度
  • C.天气预报不需要初始条件
  • D.气候预测完全不受物理约束

答案：A。气候预测回答“未来几十年的统计量变化”，天气预报回答“未来两周内某地的具体状态”。前者由外部强迫驱动，后者是初始值问题。潮伯能预判渔汛却说不准明天的浪高，正是这两类问题的差别。B 只说海洋太片面，C、D 都与事实相反。

Q2. SSP 排放情景在气候预测中的作用是？

单选题 · mid

  • A.描绘不同政策下的排放路径← 正确答案
  • B.给出未来某天的准确温度
  • C.替代所有历史观测数据
  • D.消除全部模型系统误差

答案：A。SSP 是“如果世界走某条政策与技术路线，排放会怎样”的假设路径，提供温室气体浓度来驱动模型计算辐射强迫与升温响应。它不预报某天温度，不替代观测，更不能消除模型误差，所以 B、C、D 均不对。

Q3. 地球系统模型把地球切成网格求解，主要原因是？

单选题 · mid

  • A.数值方法只能在离散点上近似← 正确答案
  • B.网格边界能让云层更加美观
  • C.连续方程无法描述大气运动
  • D.网格越细则计算量越小

答案：A。偏微分方程难以在连续空间解析求解，数值方法必须把地球离散成网格并在格点上近似。网格越细精度越高但计算量急剧上升，网格与美观无关，连续方程也能描述大气运动，故 B、C、D 错误。

Q4. 下列属于 AI 辅助气候预测方法的有？

多选题 · mid

  • A.学习历史气候与排放的映射← 正确答案
  • B.用神经网络仿真地球系统模型← 正确答案
  • C.完全丢弃物理守恒定律
  • D.用物理约束引导模型训练← 正确答案

答案：ABD。AI 方法包括统计学习映射、仿真替代传统模式、物理约束混合建模。C 完全丢弃物理约束会导致外推反物理，是典型错误做法，不属于合理方法。

Q5. 统计降尺度的基本假设是？

单选题 · mid

  • A.全球与区域的映射关系稳定← 正确答案
  • B.未来关系必然会发生突变
  • C.局地气候与全球因子无关
  • D.只需要模式无需站点数据

答案：A。统计降尺度的灵魂是“历史学到的全球与区域映射在未来仍然成立”。一旦关系突变或与全球无关，该方法就失去依据；同时它必须依赖站点观测来建立映射，因此 B、C、D 都不对。

Q6. 气候预测不确定性的主要来源包括？

多选题 · hard

  • A.未来排放情景存在多种可能← 正确答案
  • B.模式参数化方案存在差异← 正确答案
  • C.气候系统内部自然变率← 正确答案
  • D.超级计算机精度已完全足够

答案：ABC。不确定性来自情景、模式与内部变率三大类。排放走哪条路未知、不同模型参数化不同、厄尔尼诺等自然振荡都会叠加影响。D 与事实相反——计算资源与观测覆盖本身有限，恰恰是不确定性的来源之一。

Q7. 集合预报通过多个成员主要刻画什么？

单选题 · easy

  • A.预测结果的概率分布范围← 正确答案
  • B.唯一确定的最优预测值
  • C.观测数据的历史平均值
  • D.参数调优的最优学习率

答案：A。集合预报用多模型或多个初始条件生成成员样本，均值是预测中心，离散度是不确定性范围。它不是寻找唯一真值，也不是平均历史观测，更与学习率无关。

Q8. 气候敏感度参数 λ 的物理含义是？

单选题 · hard

  • A.单位辐射强迫对应的平衡升温← 正确答案
  • B.海洋吸收热量的速率常数
  • C.全球平均气温的年际方差
  • D.温室气体浓度的年增长率

答案：A。λ 把辐射强迫（W/m²）翻译成平衡态升温（°C），是“强迫 → 温度”的转换系数。海洋热吸收速率、年际方差、浓度增长率都不是 λ 的定义，故 A 正确。

Q9. 关于极端事件捕捉，下列说法正确的是？

多选题 · easy

  • A.升温会改变分布的尾部概率← 正确答案
  • B.百年一遇可能变数十年一遇← 正确答案
  • C.极端事件只包括极端低温
  • D.AI 可用于热浪前兆检测← 正确答案

答案：ABD。气候变暖把温度分布右移并展宽，尾部概率上升，重现期缩短，这是极端事件研究的核心结论。极端事件既包括高温热浪也包括暴雨洪水，C 说“只包括极端低温”明显错误。

Q10. 关于 AI 仿真替代模型（Emulator），下列说法正确的是？

单选题 · extreme

  • A.用神经网络近似模式的输出场← 正确答案
  • B.推理速度慢于原始超级计算
  • C.无法用于任何情景外推
  • D.不需要训练数据即可运行

答案：A。Emulator 用神经网络学习地球系统模式的输入-输出映射，推理快数千倍，并可用于大量情景扫描。B 说它更慢、C 否认其外推能力、D 否认其需要训练数据，均与事实不符。