想象你是地球的编剧，要写一本从 2020 年到 2100 年的“未来之书”。这本书的结局并没有注定——它取决于主角的性格：是注重健康与环保的养生派（SSP1），是随波逐流按部就班的中年人（SSP2），是关起门来各扫门前雪的邻居（SSP3），是贫富极度分化的超级城市（SSP4），还是开足马力烧煤烧油只求赚钱的工厂主（SSP5）？这五本“未来剧本”就是科学家精心设计的共享社会经济路径（Shared Socioeconomic Pathways，简称 SSP）。它们不回答“未来会怎样”，而是问“如果世界变成这样，碳排放和气候会怎么样”。而 AI 这位“分镜师”，能把全球尺度的宏观剧本细化到每个城市、每条街道。这篇文章就带你读一读这五本剧本的叙事逻辑，以及 AI 如何帮科学家把它搬上现实舞台。

岗位关联

掌握 SSP 情景框架，是 AI 从业者进入气候建模领域的敲门砖——它决定了你训练什么数据、预测什么目标，也是面向政策与行业客户做气候分析时的共同语言。

目录
  1. 可视化演示
  2. SSP发展脉络
  3. 五大路径叙事
  4. 核心驱动要素
  5. 组合矩阵框架
  6. AI细化适配
  7. 政策应用解读
  8. AI 应用场景
  9. Python 演示
  10. 常见误区
  11. 面试题

可视化演示

展示SSP五路径排放曲线对比、关键驱动因素分解、AI区域适配细化三阶段交互探索。

本节配有交互动效（进入视口后自动加载，约 3KB）。

SSP五路径排放对比 SSP1可持续路径排放下降 SSP2中间路径温和增长 SSP5化石燃料高排放 排放量=GtCO₂/yr，1.5°C阈值≈1.5Gt SSP框架为气候政策提供情景基础

SSP发展脉络

早期的剧本为什么会过时？2000 年 IPCC 发布了一套叫 SRES 的未来情景，就像 20 年前编剧想象中的“未来手机”——可现实里智能机和移动互联网全都改变了生活。SRES 假设世界会沿某些固定模式发展，但实际的人口增速、技术革命和全球化进程全都超出了当年预期。到了 2010 年代，科学家发现手里的老剧本已经对不上今天的舞台了。

后来 2013 年 IPCC 推出的 RCP（代表性浓度路径）更像一个“灯光师”，只规定了舞台的最终亮度（2100 年大气中温室气体浓度），却没告诉演员们社会长什么样。但科学家逐渐意识到：减排难不难，取决于社会经济基础——一个贫穷封闭的社会连太阳能板都买不起，谈何低碳转型？光有气候线、没有社会线的剧本，无法支撑完整的政策分析。

于是，2017 年 IPCC 正式提出 SSP。SSP 的全称是 Shared Socioeconomic Pathways，它不做预测，而是提供一组互相自洽的“假设清单”：人口多少、经济多强、技术多快、政策取向如何。把这些假设喂给综合评估模型（IAM），模型就能算出对应的排放轨迹。SSP 的本质是把“社会剧本”和“气候剧本”编织成一张网。

所以 SSP 不是一本固定的剧本，而是一套“剧本生成器”——放进不同的人设参数，就自动生成相应的未来故事线。理解这个演变历程，就理解了为什么 SSP 是当今气候建模的基准框架。

E(t)=∑sPops(t)×GDPpcs(t)×Intensitys(t)\displaystyle E(t) = \sum_{s} \mathrm{Pop}_s(t) \times \mathrm{GDPpc}_s(t) \times \mathrm{Intensity}_s(t)
这条公式说明：全球排放量等于各行业/地区的“人口 × 人均产出 × 单位产出排放强度”之和，SSP 正是通过设定这三类变量的未来取值来生成不同排放轨迹。
  1. 总排放变量$E(t)$ 表示 t 年全球二氧化碳总排放量，是剧本的核心输出指标。
    E(t)\displaystyle E(t)
  2. 人口项$\mathrm{Pop}_s(t)$ 是 s 行业或地区在 t 年的人口数，人口越多排放基数越大。
    Pops(t)\displaystyle \mathrm{Pop}_s(t)
  3. 经济项$\mathrm{GDPpc}_s(t)$ 指人均 GDP，代表经济活动活跃度，越富裕通常消耗越多能源。
    GDPpcs(t)\displaystyle \mathrm{GDPpc}_s(t)
  4. 强度项$\mathrm{Intensity}_s(t)$ 是单位 GDP 的碳排放强度，反映技术水平和能源结构的清洁程度。
    Intensitys(t)\displaystyle \mathrm{Intensity}_s(t)

五大路径叙事

现在我们拿到五个候选剧本，每个剧本的主角性格完全不同。SSP1「绿色养生」：主角早早意识到健康最重要，坚持低碳饮食、绿色出行，世界走向可持续发展。SSP2「随波逐流」：主角不激进也不落后，按现在的节奏慢慢走，历史趋势大体延续。SSP3「各扫门前雪」：主角把院墙砌得老高，信奉丛林法则，全球合作瓦解。SSP4「贫富分化」：同一个城市里富人区高科技低碳、贫民窟高污染高排放。SSP5「赚钱至上」：主角开足马力烧煤烧油搞生产，把健康抛在脑后。

在现实中，这五条路径的排放结果差异巨大。到 2100 年，SSP1 的全球碳排放可能降到净零附近，而 SSP5 的排放可能比 2020 年还高出一大截。SSP3 因为技术扩散缓慢、能源效率低下，排放也居高不下；SSP4 则呈现“少数清洁、多数脏”的割裂格局。每一条路径都不只是数字，而是一整套关于人口、经济、技术、政策的自洽假设。

这些差异可以通过五条路径的排放强度排序直观看到：

这五个主角就是五面镜子，照出不同人性底色下的地球命运。对于 AI 从业者而言，理解这些叙事的差异，是后续为情景构建机器学习特征的基础。

ISSP1<ISSP2<ISSP4<ISSP3<ISSP5\displaystyle I_{\mathrm{SSP1}} < I_{\mathrm{SSP2}} < I_{\mathrm{SSP4}} < I_{\mathrm{SSP3}} < I_{\mathrm{SSP5}}
这条不等式给出五条路径碳排放强度的相对排序：SSP1 最低（绿色转型），SSP5 最高（化石燃料主导），SSP3 和 SSP4 居中但各有结构性原因。
  1. SSP1 最低强度$I_{\mathrm{SSP1}}$ 表示 SSP1 路径的碳排放强度，因清洁能源普及与高效技术，值为五者最小。
    ISSP1\displaystyle I_{\mathrm{SSP1}}
  2. 中间排序$I_{\mathrm{SSP2}} < I_{\mathrm{SSP4}}$ 说明 SSP2 强度低于 SSP4，但两者差异小于与 SSP1 的差距。
    ISSP2<ISSP4\displaystyle I_{\mathrm{SSP2}} < I_{\mathrm{SSP4}}
  3. 高排放端$I_{\mathrm{SSP3}} < I_{\mathrm{SSP5}}$ 表示 SSP3 与 SSP5 同属高排放阵营，而 SSP5 因化石燃料主导排在最末。
    ISSP3<ISSP5\displaystyle I_{\mathrm{SSP3}} < I_{\mathrm{SSP5}}
  4. 不等式含义整个不等式链给出排序逻辑，注意强度高不等于“坏”，SSP3 与 SSP4 各有不同的政策短板。
    ISSP1<ISSP2<ISSP4<ISSP3<ISSP5\displaystyle I_{\mathrm{SSP1}} < I_{\mathrm{SSP2}} < I_{\mathrm{SSP4}} < I_{\mathrm{SSP3}} < I_{\mathrm{SSP5}}

核心驱动要素

写剧本前，编剧先要定“人设参数”——主角有多少家人（人口）、多能赚钱（经济）、用什么方式工作（技术）、生活习惯是否环保（能源结构）。气候建模里，这四个参数被压缩成一条著名的公式。日本学者茅阳一（Yoichi Kaya）提出的 Kaya 恒等式，将二氧化碳排放分解为四个因子相乘，就像把一个人的“碳足迹”拆成四块拼图。

这条公式的妙处在于：它把看似复杂的排放问题，归约为四个可量化、可设定的变量。政策制定者想减排，要么控人口（难），要么提效率（技术进步），要么换能源（结构调整）——路径一目了然。

SSP 的五本剧本，本质就是给这四个“人设参数”填了五组不同的数值。SSP1 在碳强度上大幅压降，SSP5 则让化石能源继续当顶梁柱——参数表一翻，故事结局已见分晓。AI 建模时，这四个因子也常被直接作为特征变量输入预测模型。

CO2=P×GDPP×EGDP×CO2E\displaystyle \mathrm{CO}_2 = P \times \frac{\mathrm{GDP}}{P} \times \frac{E}{\mathrm{GDP}} \times \frac{\mathrm{CO}_2}{E}
Kaya 恒等式把总排放分解为人口、人均 GDP、能源强度、碳强度四个因子的乘积，是 SSP 情景设定驱动参数的理论基石。
  1. 人口因子$P$ 为总人口。全球人口从 70 亿迈向百亿，单这一项就把排放基数抬高。
    P\displaystyle P
  2. 经济因子$\frac{\mathrm{GDP}}{P}$ 是人均 GDP，衡量富裕程度；越富有通常消耗越多，但富到一定程度后也可能转向低碳。
    GDPP\displaystyle \frac{\mathrm{GDP}}{P}
  3. 技术因子$\frac{E}{\mathrm{GDP}}$ 是能源强度，即每创造一块钱 GDP 需要多少能源；技术进步让这一项持续下降。
    EGDP\displaystyle \frac{E}{\mathrm{GDP}}
  4. 结构因子$\frac{\mathrm{CO}_2}{E}$ 是碳强度，即每用一单位能源排放多少碳；清洁能源占比越高，这一项越低。
    CO2E\displaystyle \frac{\mathrm{CO}_2}{E}

组合矩阵框架

有了五本社会剧本，还缺一台“灯光师”——RCP 定义了舞台最终要调到多亮（辐射强迫）。SSP 与 RCP 像剧本与灯控台的组合，构成一个矩阵。通俗地说，SSP 决定“社会怎么发展”，RCP 决定“气候最终多热”，两者合起来才是完整的未来图景。

辐射强迫（Radiative Forcing）是温室气体扰动地球能量平衡的度量，单位是瓦每平方米（W/m²）。RCP8.5 意味着到 2100 年，额外热量相当于每平方米多照 8.5 瓦——像给地球盖了床厚棉被。RCP 编号越大，温室效应越强，气候风险越高。

辐射强迫与大气 CO₂ 浓度之间存在经典的对数关系：

SSP 与 RCP 的组合遵循“可行性检验”原则：SSP1 的可持续世界能支撑 RCP1.9（1.5°C 目标）和 RCP2.6，却几乎无法解释高排放 RCP8.5；反之 SSP5 配 RCP8.5 是“极端但自洽”的高风险叙事。矩阵上每一格都是“剧本 × 灯光”的排演方案——导演不能既让主角养生，又让舞台烟熏火燎。

RF=5.35×ln⁡(CC0)\displaystyle RF = 5.35 \times \ln\left(\frac{C}{C_0}\right)
辐射强迫随 CO₂ 浓度按自然对数增长：浓度翻倍时 RF 增加约 3.7 W/m²，这是 RCP 情景定量标定的核心公式。
  1. 辐射强迫变量$RF$ 衡量温室气体对地球能量平衡的扰动，单位 W/m²，数值越大保温效应越强。
    RF\displaystyle RF
  2. 当前浓度$C$ 是某时刻大气 CO₂ 浓度（ppm），如 2020 年约 410 ppm。
    C\displaystyle C
  3. 基准浓度$C_0$ 是工业革命前基准浓度，约 280 ppm，作为对比起点。
    C0\displaystyle C_0
  4. 对数关系$\ln\left(\frac{C}{C_0}\right)$ 取自然对数——这个数学形式意味着浓度越高，继续增加带来的升温效应越“边际递减”。
    ln⁡(CC0)\displaystyle \ln\left(\frac{C}{C_0}\right)
  5. 经验系数$5.35$ 是拟合常数，用于把对数比值换算成辐射强迫的物理单位。
    5.35\displaystyle 5.35

AI细化适配

总剧本只有五本，但全球有几万个城市，每个决策者都想知道：我的城市会怎样？AI 分镜师就是干这个的——把全球剧情逐格翻译成地方特写。这就是降尺度（Downscaling）的任务：将全球尺度的粗分辨率情景输出，转化为区域尺度的精细信息。

气候模型输出分辨率通常在 100～200 公里，一个省也就几个格点。降尺度把粗颗粒“放大”到 1～25 公里的城市尺度，传统上依赖统计关系或区域动力模型，而 AI 让这个过程又快又准。机器学习模型学习“全球大背景 × 区域特征 → 区域气候”的映射关系，一旦训练完成，预测一个城市的高温日数只需毫秒级计算。

这种映射关系可以形式化地表达为：

实际操作中，统计降尺度用历史观测训练“全球-区域”统计关系；生成对抗网络（GAN）把粗分辨率气象场“超分”成高清场；强化学习则用于优化区域减排策略。需要强调的是，AI 不能取代气候物理模型，但能帮物理模型“跑得动、跑得细”——分镜师把“全球升温 2°C”变成“你家小区 35°C 以上天数翻倍”，这才是决策者听得懂的语言。

Y^区域(t)=fML(X全球(t), Z区域)\displaystyle \hat{Y}_{\mathrm{区域}}(t) = f_{\mathrm{ML}}\left(X_{\mathrm{全球}}(t),\, Z_{\mathrm{区域}}\right)
这条公式表示：区域级气候变量（如城市夏季高温日数）由机器学习模型根据全球情景数据与区域地理特征共同预测，是 AI 降尺度的核心抽象。
  1. 区域目标$\hat{Y}_{\mathrm{区域}}(t)$ 是模型输出的区域级气候变量，如某城市 2050 年夏季高温日数。
    Y^区域(t)\displaystyle \hat{Y}_{\mathrm{区域}}(t)
  2. 全球输入$X_{\mathrm{全球}}(t)$ 是 t 年全球情景数据，如 SSP 情景下的全球温度、海温场。
    X全球(t)\displaystyle X_{\mathrm{全球}}(t)
  3. 区域特征$Z_{\mathrm{区域}}$ 是区域静态特征向量，包括纬度、海拔、距海距离、城市化率等。
    Z区域\displaystyle Z_{\mathrm{区域}}
  4. 映射函数$f_{\mathrm{ML}}$ 是机器学习映射函数，可以是随机森林、神经网络或生成对抗网络。
    fML\displaystyle f_{\mathrm{ML}}

政策应用解读

剧本排演的最后一步是导演决策。政策制定者拿着五本剧本，反复排练“如果世界这样走，我们的应对够不够”。IPCC 将气候变化风险定义为危害、暴露、脆弱性三个因素共同作用的结果——SSP 的意义在于给出不同社会条件下的暴露与脆弱性，RCP 则给出危害强度，两者合起来构成完整风险评估。

对 AI 从业者来说，这个阶段正是模型输出转化为决策价值的环节。多情景对比不是要选一个“最可能”的剧本，而是用一组差异化的剧本覆盖不确定性空间，帮助决策者找到稳健策略。

IPCC 的风险评估框架可以简洁表示为：

具体政策落点有三：其一是减缓路径——SSP1-1.9 让 2100 年升温约 1.4°C，SSP5-8.5 可能超 4.4°C，这 3°C 差距是今天减排行动的直接回报；其二是适应能力——在 SSP3 和 SSP4 下，最脆弱国家适应成本飙升，国际援助需求剧增；其三是“无遗憾策略”——不论哪本剧本上演，提升能效、修复生态、加固基础设施都不吃亏。剧本的意义不在猜中结局，而在于让所有演员在开演前就想清楚：如果灯真的调到那么亮，我们接不接得住。

Risk=Hazard×Exposure×Vulnerability\displaystyle \mathrm{Risk} = \mathrm{Hazard} \times \mathrm{Exposure} \times \mathrm{Vulnerability}
气候风险等于危害、暴露、脆弱性三者的乘积：任何一项趋于零，整体风险都大幅下降。这指导政策优先干预最薄弱环节。
  1. 危害项$\mathrm{Hazard}$ 是极端事件本身的强度，如热浪频率、洪水水位，由 RCP 情景决定。
    Hazard\displaystyle \mathrm{Hazard}
  2. 暴露项$\mathrm{Exposure}$ 是承灾体是否处于影响范围内，如沿海城市的人口与资产占比。
    Exposure\displaystyle \mathrm{Exposure}
  3. 脆弱性项$\mathrm{Vulnerability}$ 是承灾体的应对能力有多弱，由 SSP 的社会经济发展水平决定。
    Vulnerability\displaystyle \mathrm{Vulnerability}
  4. 乘积关系三者相乘意味着强危害 + 高暴露 + 高脆弱 = 灾难性风险，任何一项降低都能显著减险。
    Hazard×Exposure×Vulnerability\displaystyle \mathrm{Hazard} \times \mathrm{Exposure} \times \mathrm{Vulnerability}

AI 应用场景

城市气候风险评估

阶段：模型应用与决策支持

解决的问题：传统评估依赖全球粗分辨率输出，城市决策者无法直接使用。AI 降尺度将 SSP 情景从 100 公里细化到 1 公里街道尺度，生成高温、内涝风险热力图。

具体案例：某沿海城市基于 SSP2-4.5 和 SSP5-8.5 两种情景，用神经网络降尺度生成 2050 年极端高温分布，识别出老城区为高风险区，据此调整热岛缓解规划。

能源企业碳路径压力测试

阶段：情景分析与战略规划

解决的问题：传统能源企业只做单一基准情景的资产规划，无法应对政策突变。多情景对比帮助识别“搁浅资产”风险。

具体案例：某能源集团用 SSP1 与 SSP5 对 2040 年煤电资产分别做盈利压力测试，结合强化学习优化投资组合，将高碳资产占比从 60% 降至 35%。

农业适应性种植决策

阶段：预测建模与优化

解决的问题：气候变化让传统种植日历失效。利用 SSP-RCP 组合情景驱动作物模型，AI 预测不同路径下的产量变化区间。

具体案例：某农业科技公司构建"SSP1-2.6 / SSP5-8.5"双情景产量预测系统，用机器学习预估玉米带 2050 年减产 10%～25%，向农户推荐耐热品种并调整播种窗口。

Python 演示

python40 行
"""碳排放情景SSP简化演示：五条路径的排放轨迹与辐射强迫估算"""import numpy as np YEARS = np.arange(2020, 2101)T = YEARS - 2020 def ssp_emission(ssp_id, t=T):    """返回SSP编号对应的示意排放曲线（单位：亿吨CO2/年）"""    if ssp_id == 1:        return np.maximum(40 - 0.5 * t, 0)    if ssp_id == 2:        return np.maximum(40 + 0.15 * t - 0.005 * t**2, 0)    if ssp_id == 3:        return 40 + 0.6 * t    if ssp_id == 4:        return 40 + 0.3 * t    if ssp_id == 5:        return np.maximum(40 + 0.8 * t - 0.006 * t**2, 0)    raise ValueError("SSP编号必须为1~5") def radiative_forcing(emissions, base=280.0, ppm_per_gt=500.0):    """由累计排放近似浓度增量，计算辐射强迫"""    concentration = base + np.cumsum(emissions) / ppm_per_gt    return 5.35 * np.log(concentration / base) def main():    print("=" * 60)    print("碳排放情景SSP —— 示意轨迹与辐射强迫（演示数据）")    print("=" * 60)    target_years = {2030: 10, 2050: 30, 2100: 80}    for ssp in range(1, 6):        co2 = ssp_emission(ssp)        rf = radiative_forcing(co2)        desc = f"SSP{ssp}: 2100年排放 {co2[80]:6.1f} 亿吨CO2/年"        for year, idx in target_years.items():            desc += f" | {year}年RF {rf[idx]:5.2f}"        print(desc) if __name__ == "__main__":    main()
目的：用简化数学函数模拟 SSP1-5 的排放轨迹，并计算各年份的辐射强迫，直观对比五条路径的气候影响。
  1. def ssp_emission(ssp_id, t=T):根据情景编号返回不同形状的排放曲线，核心是“情景即参数组合”。
  2. np.maximum(40 - 0.5 * t, 0)SSP1 线性下降且强制非负，避免出现负排放的示意失真。
  3. 5.35 * np.log(concentration / base)辐射强迫公式的代码实现，与正文公式完全一致。
  4. np.cumsum(emissions) / ppm_per_gt累积排放折合成大气浓度增量，模拟“历史排放留在大气”的物理过程。
  5. target_years = {2030: 10, 2050: 30, 2100: 80}年份查表索引，快速提取关键节点。
  6. raise ValueError("SSP编号必须为1~5")输入守卫，防止越界情景编号。

常见误区

误区我一直以为 SSP 是在预测 2100 年地球真实会发生什么，就像天气预报说明天会下雨一样。

正解SSP 不是预言，而是“如果……那么……”的条件性情景。它回答的是“如果世界按这套人口、经济、技术假设发展，排放会是多少”，而不是“未来一定如此”。它更像剧本里的“剧情推演”，帮我们准备不同结局下的应对方案。

为何常见：媒体在报道气候报告时常把情景结果表述为“预测升温 X°C”，忽略了情景模式本身的条件性，导致公众误读。

误区我以为 SSP1 是最好、SSP5 是最坏，编号越大越糟糕，像考试排名一样。

正解编号只是路径编号，不代表优劣等级。SSP3 和 SSP4 在不同维度各有短板：SSP3 是合作缺失与技术停滞，SSP4 是严重的分配不公；而 SSP5 虽然排放最高，但在某些经济指标上增长最快。排放强度的排序（SSP1<SSP2<SSP4<SSP3<SSP5）也并非线性的。评估优劣需要明确以什么维度为标准。

为何常见：编号天然带有“顺序感”，加上传播中常把 SSP1 宣传为“绿色最优”，容易让人形成线性思维。

误区SSP×RCP 是个矩阵，那所有格子都应该能填上，随便组合都行吧？

正解组合必须通过“可行性检验”。SSP1 的可持续叙事与 RCP8.5 的高排放结果自相矛盾——一个全社会自觉低碳的世界不可能无节制排放。反过来，SSP5 配 RCP1.9 也难以自洽。真正进入 IPCC 报告的是有限个“自洽组合”，比如 SSP1-1.9、SSP2-4.5、SSP5-8.5 等。

为何常见：看到矩阵图时容易忽略每个格子的内在一致性约束，且教材常只展示有效组合，没解释为什么其他格子为空。

误区AI 现在这么强，是不是直接训练个大模型就能替代整个气候模拟，不用再跑超级计算机了？

正解AI 是加速器与精细化工具，不是物理模型的替代品。气候系统由质量守恒、能量守恒等物理定律支配，纯数据驱动模型无法保证长期外推的物理一致性。当前主流范式是“物理模型生成粗结果，AI 做降尺度与后处理”，以及“AI 代理模型加速物理模拟”。两者是协作关系，而非替代关系。

为何常见：AI 在图像、语言领域取得的突破性成果容易让人产生“AI 万能”的错觉，忽略了气候系统中缺乏足够长序列观测数据的根本约束。

面试题

Q1. SSP 是以下哪项的首字母缩写？

单选题 · easy

  • A.共享社会经济路径← 正确答案
  • B.可持续发展规划
  • C.标准化排放协议
  • D.社会气候预测体系

答案：A。SSP 全称 Shared Socioeconomic Pathways，即共享社会经济路径。它描述的是一套关于人口、经济、技术如何发展的假设组合。选项 B/C/D 均为常见干扰项，容易与“可持续”、“协议”等气候术语混淆。

Q2. SSP1 情景的核心叙事是什么？

单选题 · easy

  • A.可持续发展和低碳转型← 正确答案
  • B.化石燃料高速发展
  • C.区域冲突和封闭状态
  • D.贫富差距持续扩大

答案：A。SSP1 是“绿色养生”路径，强调可持续发展、清洁能源、生态友好，排放强度五条路径中最低。B 对应 SSP5，C 对应 SSP3，D 对应 SSP4。记住“SSP1 最绿、SSP5 最污”就能快速定位。

Q3. 以下哪项是 Kaya 恒等式包含的驱动因子？

单选题 · easy

  • A.森林植被覆盖率
  • B.人均国内生产总值← 正确答案
  • C.土壤碳储存能力
  • D.海洋酸化速率

答案：B。Kaya 恒等式把排放分解为人口、人均 GDP、能源强度、碳强度四项。森林覆盖率和土壤碳储属于碳汇/土地利用领域，海洋酸化是气候变化的后果而非排放驱动因子，因此均不属于 Kaya 四项。

Q4. SSP 框架相比早期 RCP 框架的主要改进是什么？

单选题 · mid

  • A.加入了社会经济发展维度← 正确答案
  • B.只考虑单个温度目标
  • C.减少了情景总数
  • D.取消了政策分析模块

答案：A。RCP 只规定了辐射强迫（气候线），没有描述对应的社会发展路径。SSP 将社会经济假设与气候路径绑定，使排放情景有完整的“人设”支撑，政策分析也更有据可依。

Q5. 下列哪个 SSP 与 RCP 的组合最不符合内在一致性？

单选题 · mid

  • A.SSP1 搭配 RCP8.5← 正确答案
  • B.SSP2 搭配 RCP4.5
  • C.SSP3 搭配 RCP7.0
  • D.SSP5 搭配 RCP8.5

答案：A。SSP1 的社会叙事是全面绿色转型，不可能产生 RCP8.5 那样的高辐射强迫。SSP5 配 RCP8.5 是经典的“高排放”组合，SSP2 配 RCP4.5 是“中间道路”的典型搭配。

Q6. AI 降尺度的核心目标是什么？

单选题 · mid

  • A.将全球粗分辨率情景转化为区域级精细数据← 正确答案
  • B.合并多个情景的碳排放轨迹
  • C.降低气候模型的计算精度要求
  • D.将区域观测数据聚合为全球平均

答案：A。降尺度就是“从粗到精”：把 100～200 公里分辨率的全球模型输出细化为城市尺度的气候信息。B/D 方向反了，C 属于对降尺度的误解。

Q7. 在 IPCC 风险框架中，SSP 主要影响哪个要素？

单选题 · hard

  • A.暴露度与脆弱性← 正确答案
  • B.危害度
  • C.辐射强迫
  • D.温室气体浓度

答案：A。SSP 描述社会经济发展路径，直接决定有多少人口和资产暴露在气候灾害下、社会应对能力有多强，即暴露度与脆弱性。危害度主要由 RCP 对应的排放浓度决定。

Q8. 以下哪些属于 SSP 的核心驱动要素？

多选题 · mid

  • A.人口规模变化← 正确答案
  • B.经济发展水平← 正确答案
  • C.技术变革速度← 正确答案
  • D.物种多样性水平

答案：ABC。Kaya 恒等式将排放分解为人口、人均 GDP、能源强度、碳强度四项，对应 SSP 设定中的“人口、经济、技术”三大人设参数。物种多样性属于生态保护议题，不是排放驱动因子。

Q9. SSP3“区域竞争”情景的典型特征包括？

多选题 · mid

  • A.地缘政治冲突加剧← 正确答案
  • B.贸易壁垒持续上升← 正确答案
  • C.全球合作共同减排
  • D.技术扩散速度缓慢← 正确答案

答案：ABD。SSP3 的世界“各扫门前雪”——区域冲突多、贸易保护盛行、技术扩散慢，全球减排合作自然难以推进。选项 C 恰恰是 SSP3 最不可能出现的场景。

Q10. AI 在 SSP 情景细化与区域适配中的实际应用方式包括？

多选题 · hard

  • A.神经网络降尺度生成区域气候场← 正确答案
  • B.机器学习补充历史观测缺测数据← 正确答案
  • C.深度学习优化区域减排路径← 正确答案
  • D.生成对抗网络超分城市级排放分布← 正确答案

答案：ABCD。四个选项都是 AI 在情景细化中的真实方向。神经网络擅长“全球到区域”的非线性映射，GAN 可用于气象场超分辨率重建，强化学习可搜索最优减排策略。AI 的定位是加速和细化，而非替代物理模型。