气候建模：碳排放情景——给地球导演部写下的备选人生剧本

可视化演示

展示RCP典型浓度路径与SSP社会经济路径的碳排放轨迹对比、AI辅助情景构建及政策模拟下的全球升温预测，交互调节参数观察减排策略对升温的影响。

情景概念内涵

地球导演部开工第一天，墙上贴的规则只有一句：剧本不是天气预报。桌上有好几份《未来剧本》，每一份都先写清楚“假如”，然后才写下温室气体的排放轨迹。这里说的“假如”，正是碳排放情景的灵魂。它不是告诉你“未来必然怎样”，而是说“如果你选择这条路，世界大概率会交出那样一份答卷”。这种条件式思考，让我们能够比较不同选择之间的后果，而不是把精力浪费在争论谁算得准。

剧本要能被气候模型读取，就得翻译成“辐射强迫”。辐射强迫是人为活动对地球能量收支造成的净扰动，单位是 W/m²。它像在秋千上补了一脚：多推一把，温度就更高。二氧化碳是最重要的驱动项之一，从基准浓度 \(C_0\) 变化到未来浓度 \(C\) 时，产生的辐射强迫可写成下面这个经验公式：

所以说，情景是一句“如果……那么……”的完整陈述。导演部并不保证哪份剧本一定上映，但每一份都值得先写在墙上，作为所有后续讨论的共同起点。

RCP路径体系

会议室白板上挂着四张海报，编号分别是 2.6、4.5、6.0、8.5。这就是著名的 RCP 路径体系，全称“代表性浓度路径”。这四个数字不是升温目标，也不是排放总量，而是 2100 年前后地球能量账户的辐射强迫目标。RCP2.6 是深度减排的“低碳剧本”，全球排放要先达峰再下降，甚至在本世纪后半叶转入净负排放；RCP4.5 是“中规中矩”的稳定剧本；RCP6.0 是先涨后稳的较高路径；RCP8.5 则是高排放、高风险的“压力测试剧本”，被广泛用于评估最坏情形。

RCP 之所以叫“浓度路径”，是因为它直接刻画温室气体浓度带来的辐射强迫，而不是简单描述一年排多少碳。它把二氧化碳、甲烷、氧化亚氮以及气溶胶等多种因子都装进同一张能量账单里：

四张海报的差别，本质上不是“排多少”的绝对数字，而是“给气候系统注入多少能量”。导演部选定了剧本口径，接下来还要确定：这些剧本要在什么样的社会舞台上上演？

SSP社会路径

光有气候目标还不够，导演还需要知道演员去哪里找。SSP，全称“共享社会经济路径”，就是一组社会人设设定：人口多少、经济发达程度、能源结构、土地利用方式，统统写进人物小传。这些设定决定了在没有额外气候政策的情况下，一个世界自然会排出多少温室气体。

要看清社会人设和排放的关系，最经典的工具是 Kaya 恒等式。它把碳排放拆成四个乘数因子，就像把一道菜拆成食材、火候、锅具和调料：

常见的五套 SSP 包括：SSP1 可持续绿色发展、SSP2 中间道路、SSP3 区域竞争、SSP4 不平等加剧、SSP5 化石燃料依赖发展。它们像五个性格迥异的主角：有人是素食骑行爱好者，有人是煤炭大亨，有人只顾眼前利益。导演部拿到这些人设后，下一步就是把它和 RCP 气候目标放进同一个决策矩阵。

组合矩阵逻辑

SSP 告诉我们“世界本来会怎么发展”，RCP 告诉我们“要把气候系统推到什么位置”。于是导演部把两张表叠在一起，做成一个矩阵：横轴是 RCP 目标，纵轴是 SSP 社会路径，每一个格子都是一份完整剧本。但并非所有格子都成立。让一个极度依赖化石燃料的高排放世界去实现 RCP2.6，相当于让一个顿顿吃炸鸡的人立刻跑完马拉松——理论上可能，但代价高得离谱。

在这个矩阵里，模型会把剧本翻译成温度响应。一个简化的单箱能量平衡模型可以写成：

因此，SSP 与 RCP 的组合逻辑不是随意搭配，而是一场“可行性筛选”。导演部会保留几组“标记情景”，比如 SSP1-2.6、SSP2-4.5、SSP5-8.5，作为大家共同参照的基准。矩阵里的每个格子，代表的都不只是气温，而是一整套关于减缓成本和适应能力的故事线。

不确定性传播

导演部发现，即使给两台摄影机同一份剧本，拍出来的画面也不会完全相同。原因是拍摄现场有太多“噪点”：云怎么形成、海洋环流怎么摆动、气溶胶怎么反馈，都会让结果轻微跑偏。更麻烦的是，人类会不会真的按剧本走，本身也是未知数。于是，气候预测的不确定性至少来自四个源头：情景选择、模式参数、模式结构，以及自然内部变率。

科学家把不确定性像叠罗汉一样拆开，用方差的方式表示总误差：

在工程实践里，研究者常做“集合模拟”：把同一个剧本交给几十个模型版本，再统计全体成员的温度分布。这样得到的不是一条必然曲线，而是一个误差棒。误差棒不是失败，它恰恰是负责任地把“我们有多确定”和“我们有多不确定”一起交到决策者手里。

AI辅助构建

随着剧本越来越多，导演部意识到人脑改剧本的速度太慢了。于是，AI 助理入驻工作室。它擅长三件事：一是降尺度，把全球粗粒度的情景细化到城市尺度的极端温度、洪水风险；二是代理模型，学习昂贵的物理气候模型输入输出关系，用很低的算力模拟成千上万条情景；三是政策模拟，像玩沙盒游戏一样，快速试出“碳税提高 100 美元后，排放路径有什么变化”。

AI 代理模型的训练目标本质上就是一个拟合问题。设 \(x_i\) 是社会路径的特征向量，\(y_i\) 是物理模型给出的昂贵输出，\(f_\theta\) 是 AI 要做出的近似函数：

AI 并不是取代物理模型，而是让导演部能够“一次训练，万次推演”。当决策者需要同时比较 10 万份排放情景时，AI 代理模型就成了那台高速剪辑机，它能帮助我们从每一个备选人生里，快速找到最值得拍成电影的那一条。

AI 应用场景

Python 演示

import mathimport random  def kaya_emission(pop, gdp, energy, carbon, scale=42.0):    """Normalized Kaya identity; returns annual emissions in GtCO2."""    return scale * pop * gdp * energy * carbon  def radiative_forcing(co2_ppm, base_ppm=280.0, coeff=5.35):    return coeff * math.log(co2_ppm / base_ppm)  def make_ssp(name):    profiles = {        "SSP1": (1.0, 1.1, 0.7, 0.5),        "SSP2": (1.2, 1.0, 1.0, 1.0),        "SSP5": (1.0, 1.4, 0.8, 1.8),    }    pop, gdp, energy, carbon = profiles[name]    return {"pop": pop, "gdp": gdp, "energy": energy, "carbon": carbon}  def emissions_path(ssp_name, rcp_force, years=81):    ssp = make_ssp(ssp_name)    target_carbon = max(0.05, 0.2 + rcp_force / 10.0)    path = []    for step in range(years):        t = step / (years - 1)        carbon_t = ssp["carbon"] * (1 - t) + target_carbon * t        path.append(42.0 * ssp["pop"] * ssp["gdp"] * ssp["energy"] * carbon_t)    return path  def linear_emulator(ssp_name, rcp_force):    """A tiny trained AI surrogate: maps scenario features to warming."""    ssp = make_ssp(ssp_name)    return 0.8 + 0.22 * ssp["pop"] + 0.45 * ssp["carbon"] + 0.10 * rcp_force  def monte_carlo_warming(ssp_name, rcp_force, n=1000):    random.seed(7)    samples = [        linear_emulator(ssp_name, rcp_force) + random.gauss(0, 0.25)        for _ in range(n)    ]    mean = sum(samples) / n    variance = sum((x - mean) ** 2 for x in samples) / (n - 1)    return mean, math.sqrt(variance)  CO2_DOUBLE_PPM = 560.0 if __name__ == "__main__":    print("Doubling CO2 forcing:", round(radiative_forcing(CO2_DOUBLE_PPM), 2), "W/m2")    for ssp in ["SSP1", "SSP2", "SSP5"]:        for rcp in [2.6, 4.5, 8.5]:            end_emission = emissions_path(ssp, rcp)[-1]            print(ssp, "RCP", rcp, "2100 emission:", round(end_emission, 1))    mean, std = monte_carlo_warming("SSP2", 4.5)    print("SSP2-RCP4.5 warming:", round(mean, 2), "+/-", round(std, 2), "degC")

1. def kaya_emission(pop, gdp, energy, carbon, scale=42.0):用 Kaya 恒等式把社会因子折算成排放量。
2. return coeff * math.log(co2_ppm / base_ppm)复现文章里的辐射强迫公式。
3. def make_ssp(name):定义三种社会路径的归一化参数，对应 SSP1、SSP2、SSP5 的人设。
4. target_carbon = max(0.05, 0.2 + rcp_force / 10.0)把 RCP 目标翻译成 2100 年需要达到的碳强度。
5. for step in range(years):逐年从 2020 推演到 2100 年，让情景随时间展开。
6. def linear_emulator(ssp_name, rcp_force):一个被“训练好”的 AI 代理模型，输入情景特征，输出升温近似值。
7. samples = [linear_emulator(...) + random.gauss(0, 0.25) ...]用蒙特卡洛抽样把模型不确定性传播到升温估计中。
8. mean = sum(samples) / n计算大量试拍结果的期望升温。
9. variance = sum((x - mean) ** 2 for x in samples) / (n - 1)估计方差，得到误差棒。

常见误区

面试题