新学期，一位经验丰富的老教师接手了一个“天才班”。班里的每个学生都说自己最懂天气，甚至能画出五十年后的气温曲线。但老师心里明白：说得再漂亮，不如考一次试。于是他出了一张卷子，题目是“真实气候”，标准答案是地球自己写的那份——观测资料。谁的答案离标准答案越近，谁的模型就越可信，将来才配得上“专家”的称号。这就是气候模型评估：把每个气候模式的模拟结果拿去和真实观测对答案，用一把公平的尺子量出它们的可信度，再据此决定谁的建议能进入防灾减灾、城市规划、能源布局等重大决策。本文将以“阅卷老师”的视角，带你走完从准备标准答案、设计评分指标、规范考试流程，到分析成绩波动、安排补课计划、最终上战场验证的全过程。

岗位关联

掌握气候模型评估，意味着你拥有了判断 AI 模型与物理模型“谁更靠谱”的硬核技能，是气候预测类项目从实验走向业务落地的最后一道质检关。

目录
  1. 可视化演示
  2. 评估基础概念
  3. 观测数据来源
  4. 核心评估指标
  5. 评估流程方法
  6. 不确定性分析
  7. 优化改进策略
  8. 应用案例实践
  9. AI 应用场景
  10. Python 演示
  11. 常见误区
  12. 面试题

可视化演示

演示气候模型与观测对比、误差指标分析与AI改进评估，理解气候模型性能评估方法。

本节配有交互动效（进入视口后自动加载，约 3KB）。

观测对比：模型vs观测 观测 模型 fit 模型拟合观测

评估基础概念

新学期，一位经验丰富的老教师接手了一个“天才班”。班里每位学生都宣称自己最懂未来天气，有人甚至能画出五十年后的气温曲线。可老师凭什么相信他们呢？总不能谁嗓门大就信谁。于是他决定：先考试，再评价；考得好，才敢让你代表班级去参赛。气候模型评估，就是这场决定“信任票”的摸底考试。

在人工智能时代，气候模型的种类越来越多：传统物理模型、统计降尺度模型、AI 大模型……模型输出五花八门，没有一把统一的“标尺”，就无法判断谁值得信赖。评估的本质，就是把模型的模拟结果（记为 \(\mathbf{M}\)）和真实世界的观测资料（记为 \(\mathbf{O}\)）放在同一张答卷上，计算二者的差距。

评估的目标绝不是给模型排名那么简单，而是要系统性检验模型对真实气候系统关键过程的刻画能力。评估对象既包括对过去气候的“回溯模拟”，也包括对未来气候的“预估输出”。评估结果服务于三个科学问题：模式哪部分可信、哪部分不可信、改进应该往哪个方向走。这一套逻辑，正是 AI for Science 中“可解释、可验证”理念在气候领域的具体体现。

就像老师要先想清楚“考什么科目、怎么算分”才能开始阅卷，评估的第一课，就是选对对比的对象与打分的规则。框架立住了，后面的数据、指标、流程才有章可循。

S=f(M,O)\displaystyle S = f(\mathbf{M}, \mathbf{O})
评估就像把两份答案放在一起对照打分：\(S\) 是综合成绩，越大代表模式越可信。
  1. 模式输出向量模型中每个格点、每个时刻的模拟结果组成一条序列，相当于“考生交上来的整张答卷”。
    M=[M1,M2,…,Mn]\displaystyle \mathbf{M} = [M_1, M_2, \ldots, M_n]
  2. 观测向量与模式一一对应的真实观测值组成参照序列，相当于“阅卷用的标准答案”。
    O=[O1,O2,…,On]\displaystyle \mathbf{O} = [O_1, O_2, \ldots, O_n]
  3. 评估函数把两条序列按某种规则映射成一个分数，规则不同则“考试科目”不同，对应 RMSE、相关系数等不同指标。
    f:(M,O)↦S\displaystyle f: (\mathbf{M}, \mathbf{O}) \mapsto S
  4. 评估结果分数 \(S\) 代表模式与真实气候系统的整体贴近程度，是决策者决定“是否信任该模式”的核心依据。
    S∈R, 越大表示越可信\displaystyle S \in \mathbb{R}, \text{ 越大表示越可信}

观测数据来源

考试要有标准答案，标准答案的质量直接决定考试的公正性。如果答案本身错漏百出，那么再公正的阅卷也会把学生带偏。气候模型评估中的“标准答案”，来自那张覆盖全球的观测网——它由站点仪器、卫星遥感与再分析资料共同誊写而成。

观测数据主要有三大来源。地面气象站点的观测，就像学校里的随堂测验，精准可靠但覆盖面有限，海洋、沙漠、极地大片区域没有站点，难以拼出全球全貌。卫星遥感则是“高空俯拍的无人机”，覆盖全球、空间连续，但反演出的温度、降水存在系统性的反演误差。再分析资料（如 ERA5）把观测与模式预报在物理框架内融合，相当于把散落各处的原始答案统一誊抄成一本完整的标准答案集，是当前评估中最常用的参考基准。

无论数据来自哪条渠道，都必须经过质量控制：剔除明显异常值、校正仪器漂移、统一单位与网格坐标。否则，“标准答案”里的错别字会直接变成所有考生共同的扣分项，污染每一份成绩单。

记住这句话：标准答案不是圣旨，它本身也有误差。高明的阅卷老师心里清楚每道题的“出题歧义”，这正是后续不确定性分析的起点。

O^i=Oitrue+εi\displaystyle \hat{O}_i = O^{\text{true}}_i + \varepsilon_i
我们拿到的观测值 \(\hat{O}_i\)，其实是“真答案”加上观测误差 \(\varepsilon_i\)——标准答案并不完美。
  1. 真实气候值地球表面某个位置、某个时刻的“真答案”，是客观存在的，却永远无法被直接完整测量。
    Oitrue\displaystyle O^{\text{true}}_i
  2. 观测误差仪器噪声、采样稀疏、卫星反演近似都会在读数中混入随机偏差，通常假设它服从均值为零的正态分布。
    εi∼N(0,σo2)\displaystyle \varepsilon_i \sim \mathcal{N}(0, \sigma_o^2)
  3. 观测值合成记录仪上读到的数据等于“真答案 + 误差”，所以评估中必须对标准答案自身的可信度保持清醒。
    O^i=Oitrue+εi\displaystyle \hat{O}_i = O^{\text{true}}_i + \varepsilon_i

核心评估指标

阅卷不能只看总分。一个学生数学满分但语文不及格，叫偏科；两个学生总分相同，一个靠逻辑、一个靠蒙，含金量完全不同。气候模型也是这样，需要用多个“科目”从不同维度打分，而最常用的三科是：均方根误差、相关系数和系统偏差。

均方根误差（RMSE）相当于“答卷与标准答案的总偏离程度”，先把每个格点的误差平方，再取平均后开方。由于平方运算会给大误差加倍惩罚，RMSE 对“离谱的错误”极其敏感。相关系数（\(r\)）看的是“波形像不像”——即使模式数值整体偏高，只要气候变化的节奏与观测同步，就说明“解题思路对路”。系统偏差（Bias）则检查平均水平的整体偏移，反映模式是否存在“手抖”式的系统性高估或低估。

泰勒图则像一张把多科成绩画在一起的雷达图，把相关系数、标准差之比和 RMSE 同时绘于一张极坐标图上，一眼就能比较几十个模式的综合优劣，是气候评估中使用频率最高的可视化工具。

就像老师会综合每个科目的表现来判断学生是否全面发展，一次完整的气候模型评估也绝不止看一个指标。RMSE 小、相关高、偏差小，三者共同达标，才称得上“德智体美劳”全面发展。

RMSE=1n∑i=1n(Mi−Oi)2\displaystyle RMSE = \sqrt{\frac{1}{n}\sum_{i=1}^{n}\left(M_i - O_i\right)^2}
RMSE 越小，说明模式输出与观测的平均距离越近，是评估报告中出现频率最高的“总分指标”。
  1. 求偏差先计算模式与观测在每一个格点上的差值，相当于逐题核对“学生答案”与“标准答案”的差距。
    di=Mi−Oi\displaystyle d_i = M_i - O_i
  2. 平方放大将每个差值平方，让较大的错误在总分中占据更重比例，这是 RMSE 对极端误差敏感的原因。
    di2=(Mi−Oi)2\displaystyle d_i^2 = (M_i - O_i)^2
  3. 取平均对所有格点误差平方求平均，得到平均错误能量，相当于统计全班每道题的平均失分程度。
    d2‾=1n∑i=1n(Mi−Oi)2\displaystyle \overline{d^2} = \frac{1}{n}\sum_{i=1}^{n}(M_i - O_i)^2
  4. 开方还原最后开平方，把量纲还原回原始单位（如摄氏度），得到直观可比的均方根误差。
    RMSE=d2‾\displaystyle RMSE = \sqrt{\overline{d^2}}

评估流程方法

考试要公平，就必须统一时间、统一考场。有的学生擅长“小灶”，有的擅长“临场发挥”，如果不统一考试环境，成绩就没有可比性。气候模型评估的第一步，就是把模式输出与观测数据“对齐”到同一张答题卡上。

具体操作包括空间对齐（把模式那几百公里见方的网格与稀疏的站点观测统一到同一分辨率）和时间聚合（把逐小时、逐日、逐月的数据统一成同一时间尺度）。对齐之后进行多模式横向对比——把参加 CMIP6 的上百个模式当作同场竞技的考生，在同一变量、同一区域、同一时段内排名。为对抗单个模式的“偏科”，研究者常采用集合评估法，把多个模式的输出结果直接平均，相当于“集百家之长，补一家之短”。

近年来，机器学习开始深度参与评估流程：一方面用聚类、主成分分析等算法在几十维的评估指标中提取综合信号；另一方面用神经网络学习模式误差的空间结构，辅助诊断“错误集中发生在哪里”。这相当于给阅卷老师配上一台 AI 放大镜，让流程从“人工逐题批改”升级为“智能辅助阅卷”。

流程规范之后，考试结果的公平性才有保障。而 AI 的加入，不是要取代阅卷老师，而是帮老师从堆积如山的试卷中更快地找出规律、定位问题。

Mˉens=1K∑k=1KMk\displaystyle \bar{M}_{\text{ens}} = \frac{1}{K}\sum_{k=1}^{K} M_k
多模式集合平均就是把 \(K\) 个模式的输出逐点取平均——同学之间互换笔记，往往比单打独斗更稳。
  1. 单个模式输出每个模式 \(k\) 对同一时段、同一区域给出自己的模拟序列，代表“一位考生的答卷”。
    Mk\displaystyle M_k
  2. 对所有模式求和把 \(K\) 位考生的答卷逐点加起来，相当于把全班答案集中到一张汇总表上。
    ∑k=1KMk\displaystyle \sum_{k=1}^{K} M_k
  3. 除以模式个数对总和取平均，得到集合平均结果，它在统计上能够抵消掉每个模式各自的随机偏差。
    Mˉens=1K∑k=1KMk\displaystyle \bar{M}_{\text{ens}} = \frac{1}{K}\sum_{k=1}^{K} M_k

不确定性分析

阅卷最尴尬的时刻是：题目本身有歧义。学生答得有理有据，但标准答案只有一种，老师批改时心里直打鼓——这个分数真的公平吗？气候模型评估同样处处充满不确定性，忽略它们，再精确的分数也只是虚假的自信。

不确定性主要来自三个层面。第一层，观测误差：上一节已经说过，标准答案本身就有噪声，观测网络稀疏地区的“参考答案”尤为可疑。第二层，模式结构差异：不同模式对云、对流、辐射等过程的物理参数化方案不同，就像不同学生解题思路不同，答案自然有出入。第三层，气候内部变率：大气本身是混沌系统，即使初值完全相同，模式也能走出不同的“随机剧情”，这部分随机波动会稀释评估信号，让分数带上运气成分。

因此，负责任的评估必须给出置信区间，而不是一个冷冰冰的分数。通常假设误差近似正态分布，用样本标准差和 \(t\) 分布临界值构造区间，只有模式差异在统计上显著时，才敢于下“A 模式优于 B 模式”的结论。

明白了不确定性，很多“冤枉分”就能避免。评估报告里那句“模型与观测的差异在 95% 置信区间内不显著”，背后是科研工作者对每一道“歧义题”的审慎记录。

xˉ±tα/2, n−1⋅sn\displaystyle \bar{x} \pm t_{\alpha/2,\, n-1} \cdot \frac{s}{\sqrt{n}}
置信区间像是一根带刻度的游标卡尺：它告诉我们“真实差异”大概率落在哪个范围内，而非只给一个孤零零的数值。
  1. 样本均值把多次模拟或多年评估的差值取平均，得到中心估计，相当于统计某道题的平均得分差异。
    xˉ\displaystyle \bar{x}
  2. 标准误样本标准差 \(s\) 除以样本量平方根 \(\sqrt{n}\)，衡量“平均值本身”有多不稳定，样本越少、波动越大。
    sn\displaystyle \frac{s}{\sqrt{n}}
  3. 临界值\(t_{\alpha/2, n-1}\) 是根据置信水平（如 95%）和自由度查表得到的系数，决定区间宽度，相当于“留出多大的容错余量”。
    tα/2, n−1\displaystyle t_{\alpha/2,\, n-1}
  4. 区间合成均值加减容错余量，得到置信区间的上下界，落在区间之外才可视为“显著差异”。
    xˉ±tα/2, n−1⋅sn\displaystyle \bar{x} \pm t_{\alpha/2,\, n-1} \cdot \frac{s}{\sqrt{n}}

优化改进策略

摸底考试的目的不是张贴成绩单，而是让每位学生看清自己的薄弱科目，然后针对性补课。气候模型评估的最终价值，正是驱动“评估—诊断—改进—再评估”的闭环，让模型“成绩”一级一级往上涨。

改进策略主要有四条路径。参数率定：像纠正学生的计算习惯一样，调整模型中的物理参数（如云滴有效半径、地表粗糙度），让模拟更贴合观测。偏差校正：利用历史时期的模式平均偏差作为“补偿项”，对未来输出做统计后处理，这是实用且成本最低的手段。多模式集合平均：让“偏科生”互相补位，显著降低总体误差。AI 混合建模：用神经网络学习模式残差并直接修正输出，或把推理速度快的 AI 模型与物理模型级联使用。

需要特别提醒的是：偏差校正能改善统计特性，却无法修复物理过程的本质错误。这就像临时背答案能提高模拟考分数，但真正的理解还要靠吃透物理机制，否则换个题型照样丢分。

“补课”最有成就感的一刻，是模拟考分数提高后，在真正的考场（未来预测）上同样取得了好成绩。优化策略的终极检验，永远来自下一次独立的评估。

Mi′=Mi−Bˉ,Bˉ=Mˉ−Oˉ\displaystyle M'_i = M_i - \bar{B}, \quad \bar{B} = \bar{M} - \bar{O}
偏差校正就是先算出历史平均“手抖幅度” \(\bar{B}\)，再在每次预测时把这一幅度减掉，让答卷回到正确水平线。
  1. 历史平均偏差用评估期内的模式均值减去观测均值，得到系统的平均偏离量，相当于统计“这位考生习惯性多写几分”。
    Bˉ=Mˉ−Oˉ\displaystyle \bar{B} = \bar{M} - \bar{O}
  2. 逐点减去偏差将每个格点的模式输出减去该平均偏差，得到校正后的值，消除整体性高估或低估。
    Mi′=Mi−Bˉ\displaystyle M'_i = M_i - \bar{B}
  3. 校正后的序列\(M'_i\) 的平均水平与观测对齐，但逐格点的波动形态仍保持模式自身的特征，因此属于“统计修正”而非“物理重算”。
    M′‾≈Oˉ\displaystyle \overline{M'} \approx \bar{O}

应用案例实践

当学生走出模拟考的考场、走上真正的战场时，老师的目光会一路追随。气候模型评估的终极应用，正是对真实气候事件与业务决策的检验和支撑，让“经过检验的模型”真正走进千家万户。

温度模拟评估是最经典的案例：IPCC 第六次评估报告对每个 CMIP6 模式计算全球平均气温的 RMSE 与偏差，筛选出表现最好的模式子集，将其作为未来升温预估的核心依据。降水评估则复杂得多，因为降水空间变率大、局部性强，评估时常用泰勒图结合区域细化指标。极端事件检验聚焦“几十年一遇”的暴雨、热浪等小概率事件，这类预报必须衡量概率质量，Brier 分数因此成了标准工具——它对“自信满满却报错”的预测进行双重惩罚。

在业务系统中，国家气候中心等机构把评估结果直接嵌入服务流程：得分高的模式获得更高权重，参与汛期降水预测和防灾决策；AI 气象大模型的交叉评估也为极端天气预警赢得提前量，成为"AI for Science"从论文走向实战的标杆。

故事到这里形成一个完整的圆：老师批改模拟考卷（评估）—发现薄弱科目（诊断）—安排补课（优化）—再上考场验证（再评估）。气候模型评估从来不是一次性的打分，而是贯穿建模全生命周期的质量守门员。

BS=1n∑i=1n(pi−oi)2\displaystyle BS = \frac{1}{n}\sum_{i=1}^{n}\left(p_i - o_i\right)^2
Brier 分数给“概率型预测”打分：预测概率 \(p_i\) 越接近实际发生情况 \(o_i\)，得分越低越好，是检验极端事件预警的公平秤。
  1. 预测概率模式或预报员给出某地发生极端事件的概率（0 到 1 之间），相当于“押注的把握程度”。
    pi\displaystyle p_i
  2. 实际结果真实观测中该事件是否发生，发生记为 1，未发生记为 0，这是揭晓后的标准答案。
    oi∈{0,1}\displaystyle o_i \in \{0, 1\}
  3. 误差平方计算概率预测与实际结果的偏差并平方，既惩罚漏报，也惩罚“狼来了”式的虚报。
    (pi−oi)2\displaystyle (p_i - o_i)^2
  4. 求平均对多次事件取平均，得到总体概率预报技巧分数，数值越小代表预警系统越可靠。
    BS=1n∑i=1n(pi−oi)2\displaystyle BS = \frac{1}{n}\sum_{i=1}^{n}\left(p_i - o_i\right)^2

AI 应用场景

IPCC 气候评估报告中的多模式筛选

阶段：数据驱动评估与决策支持

解决的问题：CMIP6 有上百个全球气候模式，直接取所有模式的平均会稀释可靠信息。传统做法依赖人工查阅评估表格，效率低且主观性强。AI 模型评估技术可以把 RMSE、相关系数、偏差等指标组成高维特征，再用聚类和排序算法自动筛选出“优等生子集”，为 IPCC 报告提供客观、可复现的模式筛选流水线。

具体案例：某研究团队对 40 个 CMIP6 模式的全球温度与降水模拟结果进行自动评估，用主成分分析把 6 类指标降维成 2 个综合得分，再按得分挑选前 10 个模式构成集合平均，其预估的全球升温幅度与官方评估高度一致，计算成本却大幅降低。

气象业务中的模式优选与灾害预警

阶段：模型诊断与业务化部署

解决的问题：区域气象中心每天要面对多个全球模式与区域模式的预报结果，哪个模式今天更可信？传统经验是“老预报员说了算”。利用气候模型评估指标对历史预报持续打分，训练一个实时“模式可信度排序器”，让 AI 根据近期表现动态分配各模式在预报融合中的权重，显著提升汛期暴雨落区预报的准确率。

具体案例：某省级气象台将 3 个全球模式 + 1 个区域模式的降水预报接入评估系统，按过去 30 天滚动 RMSE 动态加权融合。在 2024 年一次极端暴雨过程中，融合预报的 24 小时降水中心位置误差比单一最优模式缩小了约 20 公里，为人员疏散争取了宝贵时间。

AI 气象大模型的交叉检验

阶段：模型评测与迭代优化

解决的问题：盘古气象、GraphCast 等 AI 大模型推理速度快，但缺乏物理约束，偶尔会输出“物理上不可能”的天气场。传统评估只看 RMSE，无法暴露这类隐患。将物理模型的评估方法论（偏差分解、泰勒图、极端事件 Brier 分数）迁移到 AI 大模型评测中，构建“物理一致性 + 统计准确性”双通道质检，是 AI 大模型落地气象业务前的必要检查。

具体案例：某机构对 GraphCast 的 10 天预报进行系统性评估，发现其温度场 RMSE 优于传统模式，但在热带气旋路径的极端情形下偏差显著。依据评估结果，研发团队在损失函数中加入物理约束项，使该场景的路径误差下降 12%。

Python 演示

python40 行
import numpy as np  def evaluate_model(model, obs):    """计算气候模型评估的三个核心指标"""    model = np.asarray(model, dtype=float)    obs = np.asarray(obs, dtype=float)    diff = model - obs    bias = np.mean(diff)    rmse = np.sqrt(np.mean(diff ** 2))    corr = np.corrcoef(model, obs)[0, 1]    return {"bias": bias, "rmse": rmse, "corr": corr}  def ensemble_mean(models):    """多模式集合平均：把每个模式的结果取平均"""    return np.mean(np.asarray(models), axis=0)  def main():    rng = np.random.default_rng(42)    t = np.linspace(0, 100, 100)    # 观测数据：真实气候信号 + 观测噪声    obs = 15 + 8 * np.sin(t / 10) + rng.normal(0, 0.3, len(t))    # 三个模式：各有不同的偏差、振幅和噪声    models = []    for bias, amp, noise in [(14.2, 7.5, 0.8), (15.8, 8.4, 0.6), (14.8, 7.8, 1.0)]:        models.append(bias + amp * np.sin(t / 9.5) + rng.normal(0, noise, len(t)))    print("== 单模式评估 ==")    for i, m in enumerate(models):        r = evaluate_model(m, obs)        print(f"模式{i + 1}: bias={r['bias']:.3f} rmse={r['rmse']:.3f} corr={r['corr']:.3f}")    ens = ensemble_mean(models)    r2 = evaluate_model(ens, obs)    print("== 多模式集合平均评估 ==")    print(f"集合平均: bias={r2['bias']:.3f} rmse={r2['rmse']:.3f} corr={r2['corr']:.3f}")  if __name__ == "__main__":    main()
目的：用合成数据模拟三个“考生”气候模式与观测的对比，计算偏差、RMSE、相关系数三大指标，并演示多模式集合平均如何降低总体误差。
  1. def evaluate_model(model, obs):定义评估函数，对应“阅卷老师”的打分逻辑，输入模式与观测两条序列。
  2. diff = model - obs逐点计算模式与观测的偏差，这就是“逐题核对答案”。
  3. rmse = np.sqrt(np.mean(diff ** 2))平方、平均、开方三步走，得到均方根误差这一核心总分。
  4. corr = np.corrcoef(model, obs)[0, 1]用 NumPy 直接算相关系数，检查“波形像不像”。
  5. models.append(bias + amp * np.sin(...))生成三个各有偏科（偏差、振幅、噪声不同）的模拟模式。
  6. ens = ensemble_mean(models)对三个模式取集合平均，相当于让偏科生互相补位。
  7. r2 = evaluate_model(ens, obs)对集合平均结果重新评估，验证“补课后的进步”。
  8. if __name__ == "__main__":标准入口，保证脚本可直接运行。

常见误区

误区很多初学者把 RMSE 当成唯一真理，认为只要 RMSE 小，这个气候模式就是“优等生”，可以直接用于未来预测。

正解RMSE 只是“总偏离度”，它把系统偏差、随机误差和形态错位全部混在一起。一个模式可能整体数值很接近（RMSE 小），但完全错过了气候变化的节奏（相关系数低）；另一个模式 RMSE 稍大，却准确抓住了极端事件的时机。就像两个学生总分相同，一个靠背答案、一个靠真理解，含金量完全不同。全面评估必须同时看 RMSE、相关系数与偏差，并用泰勒图综合呈现。

为何常见：因为 RMSE 是一个直观的标量，报告里最容易引用，人也天然喜欢“一个数字定优劣”的简单结论。

误区有人以为网格越细（分辨率越高）的模型就是“尖子生”，评估时直接采信高分率模式，忽略低分辨率但经过充分调优的模式。

正解高分辨率确实能刻画更精细的地形和过程，但也带来更大的计算成本与更多可调参数，有时反而引入新的系统性偏差。CMIP 实践中，低分辨率模式经过良好的参数化，在区域平均温度评估中往往与高分辨率模式不相上下。评估的准则是“以观测为标准答案”，而不是“以分辨率为标准答案”。

为何常见：人们容易把“看起来更精细”等同于“更真实”，这是视觉直觉带来的认知偏差。

误区初学者常把再分析资料或卫星反演数据当作“真值”，认为评估结果因此绝对可靠，误差全部来自模式。

正解正如公式 \(\hat{O} = O^{\text{true}} + \varepsilon\) 所示，观测值本身混合了仪器噪声、采样稀疏和反演近似。在站点稀少的极地与海洋，观测与“真值”的差距可能相当大。负责任的做法是把观测不确定性纳入评估：给出置信区间，并对观测误差敏感的结果保持谨慎解释。

为何常见：因为“标准答案”的比喻太深入人心，让人忽略了标准答案也是人写的、也会出错。

误区有人质疑：评估用的是过去的数据，未来气候又没发生，凭什么说评估过的模式就能预测未来？

正解这忽略了评估的双重价值。一是“回溯检验”确实只能验证过去，但我们可以用“独立时段回算”（把一部分历史藏起来当“未来”）来检验模式的泛化能力，就像用模拟考推断真实考场的发挥。二是评估的真正目的不是证明“模式绝对正确”，而是量化“模式在什么条件下更可信”，这种可信度图谱本身就是决策者最需要的知识。

为何常见：把“无法直接验证未来”误解为“评估完全无效”，本质是把科学检验的间接逻辑与日常经验的直接验证混为一谈。

面试题

Q1. 气候模型评估中，被当作“标准答案”的是？

单选题 · easy

  • A.模式自身的模拟输出
  • B.系统的观测资料← 正确答案
  • C.历史文献的文字记载
  • D.领域专家的主观判断

答案：B。评估的本质是对比模式输出与真实世界，观测资料是唯一直接反映真实气候的参照。模式自身输出是“考生答卷”，不能既当运动员又当裁判；文献记载与专家判断虽然有用，但都不是可直接逐格点对比的量化标准答案。

Q2. RMSE 的中文全称是？

单选题 · easy

  • A.平均绝对误差
  • B.均方根误差← 正确答案
  • C.相对系统偏差
  • D.标准化相关系数

答案：B。RMSE 是 Root Mean Square Error 的缩写，流程为“求差→平方→平均→开方”。平均绝对误差（MAE）少了平方加权的惩罚效果；系统偏差和相关系数则是另外的指标，不要混淆。

Q3. 相关系数 r 主要反映模拟与观测之间的？

单选题 · mid

  • A.误差的绝对大小
  • B.变化形态的一致性← 正确答案
  • C.数据样本量的多少
  • D.模式运行速度的快慢

答案：B。相关系数衡量两条序列“同涨同跌”的同步程度，就像看学生的答题思路是否对路。它不关心绝对数值偏高还是偏低，因此不能替代 RMSE 和偏差，需要多指标互补使用。

Q4. 再分析资料的核心生成方式是？

单选题 · mid

  • A.纯站点观测的空间插值
  • B.观测与模式预报的融合← 正确答案
  • C.纯物理模式的自由积分
  • D.气象专家的人工誊抄

答案：B。再分析（如 ERA5）利用数据同化技术，把稀疏观测持续“注入”物理模式框架中，生成时空连续的资料集。纯插值无法填补模式动力信息，纯模式积分又不受观测约束，二者缺一不可。

Q5. 多模式集合平均的主要作用是？

单选题 · mid

  • A.显著增加计算耗时
  • B.抵消单个模式的随机偏差← 正确答案
  • C.保证结果完全无误差
  • D.替代观测数据的采集

答案：B。不同模式的结构差异导致误差方向各异，取平均后随机部分相互抵消，整体 RMSE 通常优于大多数单个模式。但它不能消除所有误差，更不能替代观测，只是“集百家之长”的统计策略。

Q6. 偏差校正的核心做法是？

单选题 · mid

  • A.减去历史平均偏差后再使用← 正确答案
  • B.把模式输出整体放大若干倍
  • C.用随机数替换模式输出值
  • D.直接删除偏差大的模拟时段

答案：A。偏差校正先统计历史期模式均值与观测均值的差 \(\bar{B}\)，再对每个格点执行 \(M' = M - \bar{B}\)，把系统性高估或低估拉回正确水平。它改善统计特性，但不修复物理过程错误。

Q7. Brier 分数主要用于评估哪类预测？

单选题 · hard

  • A.确定性的逐日温度预报
  • B.概率性的极端事件预报← 正确答案
  • C.模式运行的稳定性水平
  • D.卫星轨道的定位精度

答案：B。Brier 分数对概率预测打分，比较预测概率 \(p_i\) 与事件实际发生与否 \(o_i \in \{0,1\}\) 的平方误差，特别适合暴雨、热浪等极端事件的预警检验。确定性温度预报通常用 RMSE 与偏差评估。

Q8. 气候模型评估中不确定性的主要来源包括？

多选题 · mid

  • A.观测数据自身存在误差← 正确答案
  • B.模式间物理方案有差异← 正确答案
  • C.气候系统内部变率干扰← 正确答案
  • D.计算机屏幕分辨率太低

答案：ABC。观测误差让标准答案不完美；不同模式的参数化方案不同导致结构差异；内部变率带来随机波动。屏幕分辨率只是显示问题，与评估误差无关，属于干扰选项。

Q9. 泰勒图可以同时展示哪些统计量？

多选题 · hard

  • A.均方根误差← 正确答案
  • B.相关系数← 正确答案
  • C.标准差之比← 正确答案
  • D.CPU 使用率

答案：ABC。泰勒图把相关系数（角度方向）、归一化标准差（径向距离）和 RMSE（与参考点的距离）绘制在同一张图上，是气候评估的可视化利器。CPU 使用率与模式物理性能无关。

Q10. 机器学习在气候模型评估中的典型应用包括？

多选题 · hard

  • A.学习模式误差并做偏差订正← 正确答案
  • B.对高维评估指标降维诊断← 正确答案
  • C.取代物理机理的基础研究
  • D.识别模拟偏差的空间模式← 正确答案

答案：ABD。神经网络可学习模式残差实现订正，聚类与主成分分析可压缩高维指标，空间模式识别能定位“错在哪”。但机器学习只是辅助工具，不能取代对气候物理机理的基础研究，选项 C 属于误导。