气候建模：气候长期趋势

可视化演示

演示气候长期趋势的检测方法：线性回归显著性检验、LSTM门控提取趋势信号，以及多模型集合的预测与不确定性量化。

天气与气候

老园丁的账本厚厚一摞，但翻开任何一页，写的都是“当天”的风雨：昨夜北风六级、今日杏花初绽。可如果有人只看某一页，就断言“今年花开得早”，你一定会摇头——一天的风雨只是“天气”，几十年的花开规律才是“气候”。天气是果园此刻的云卷云舒，气候是整本账本沉淀出的平均数与极端值。

把这个直觉搬进气候科学，就得到了学科的第一块基石：气候学上约定，天气指几分钟到几天的大气状态，气候则指月、季、年乃至几十年的统计特征。世界气象组织（WMO）规定，把最近 30 年的观测平均值作为“气候标准值”。为什么是 30 年？因为要足够长，才能把偶发的倒春寒、异常旱涝等“噪声样本”平均掉，露出果园的本质脾气。

要量化“气候”，最重要的统计量就是平均。假设我们有连续 N 年的年平均温度记录 $x_1, x_2, \dots, x_N$，气候态的平均温度就是它们的算术平均：

除了均值，气候统计还关注方差、极端事件频率等——它们回答“果园脾气有多躁”以及“十年一遇的倒春寒是否变成了五年一遇”。今天你只需记住：天气是单页日记，气候是整本账的统计摘要，而“长期趋势”恰恰是这本账里最值钱的那行总结。

趋势检测方法

账本里每年第一朵花开的日期忽早忽晚，怎么判断它到底有没有“逐年提前”？老园丁的做法是找来一把直尺，在散落的记录点中间比划出一条最贴合的直线——这条直线向上还是向下，就是趋势的方向。统计分析中的“线性回归”，本质上就是这把数学直尺。

设第 $t_i$ 年对应的花开日序为 $x_i$，线性回归认为 $x_i$ 可以写成一条直线加随机波动的形式：$x_i = \beta_0 + \beta_1 t_i + \varepsilon_i$。其中斜率 $\beta_1$ 就是“每年提前几天”。它的最小二乘估计式为：

然而，仅靠直线还不够。气候记录充满噪声——某年火山爆发让全球降温、某年厄尔尼诺让冬天异常温暖。为了看清趋势，科学家常用滑动平均，把每个点换成前后若干年的平均值，像用湿布擦掉玻璃上的水雾；还会用Mann-Kendall 检验来判断趋势是否显著：它逐对比较任意两个年份的取值方向，统计“升对比数”和“降对比数”的差值。回到果园，滑动平均是“别被某一年的寒潮骗了”，Mann-Kendall 则是“数一数这么多年里，花开变早的次数是否压倒性地多于变晚的次数”。两者结合，才能从账本的噪声里摘出那条可信的“提前线”。

地球系统模式

要预测果园未来三十年的花期，光靠账本还不够——你得在脑子里建一座“仿真果园”：土壤湿度、山坡朝向、虫害规律、授粉昆虫种群……把它们之间的相互作用都装进去，才能推演未来。地球系统模式（ESM）就是气候学家的“仿真果园”，不过它模拟的不是果树，而是整个地球：大气、海洋、陆地、冰雪圈、生物圈，每个圈层都是一个子模型，彼此交换能量、水分和碳。

这些子模型由物理方程驱动。最核心的骨架是地表能量收支：地球吸收太阳辐射，再以红外线向外太空散热。用一个简化方程表达，单位面积地表温度 $T$ 的变化率取决于吸收的太阳能减去向外辐射的能量：

把这样的方程放到全球网格上求解，就得到了模式的核心。为了推演未来，科学家还要给定“排放情景”——也就是假设人类未来排放多少温室气体，如同一本账本假设果园明年施多少肥、浇多少水。常见的情景有 SSP1-1.9（严格减排）到 SSP5-8.5（高排放）。模式在这些情景下跑上几十年，输出一组组未来的温度、降水和风场。仿真果园盖好了，接下来要回答的问题是：不同的园丁各说各话，该信谁？

多模式集成

全球有几十个气候模式，每个都像一位经验不同的园丁。有的园丁对春雨敏感，有的对秋风敏感，单独问任何一位，都可能把花期猜偏。但如果请一整排园丁各自记一本账，再把账本对齐取平均，那些“个人偏见”就会互相抵消，剩下的共识往往更接近真相。这就是“多模式集成”。

气候预测界的大型合作计划 CMIP（耦合模式比较计划）正是这个思路：全球团队用同一组排放情景跑各自的模式，最后把结果汇聚起来。最简单的集成就是算术平均，对第 $m$ 个模式的预测结果 $F_m$ 取平均：

不过，集成并不只是“简单平均”这一招。更精细的做法是按各模式的历史表现加权——预测得准的园丁，话语权更大；这就是加权集成。实践中还会统计各模式结果之间的离散程度，用它来估计未来趋势的不确定性范围。需要清醒的是：集成能抵消“个别园丁的怪癖”，但如果所有园丁都忘了记倒春寒（共同的系统偏差），集成也无法弥补。因此，集成后要用历史观测做评估，给每个模式打分，这才算一份可信的“集体账本”。

降尺度技术

全球模式的分辨率通常在 100 公里左右，一个网格能装下整个县城。可如果你要为一个风电场选址，需要知道的是山谷里 1 公里范围内的风速趋势——好比大账本只写“全省春天平均提前 5 天”，而果园主想知道“我家北坡的杏花哪天开”。把粗网格信息“翻译”到精细区域的技术，就叫降尺度。

降尺度分两条路线。动力降尺度：把全球模式的输出作为边界条件，驱动一个高分辨率区域模式，让物理过程自己跑出精细的局地气候。它的好处是物理自洽，缺点是计算昂贵，好比真的在院子里搭一座微缩果园做实验。统计降尺度：用历史观测建立“大尺度环流特征”与“局地气候”之间的统计关系，再用这个关系把全球模式结果映射到局部。它计算便宜，是 AI 的用武之地——机器学习模型可以直接学习这种映射。一个最朴素的统计降尺度模型是线性回归：

两种降尺度常常结合使用：先用动力降尺度把 100 公里降到 10 公里，再用统计/AI 方法把 10 公里降到 1 公里。就好比先请一位物理学家在果园大门口模拟局部风场，再请一位熟悉每棵果树的老园丁做最终校正。没有降尺度，全球模式给出的“全省平均”对具体用户几乎没有决策价值。

趋势归因

账本显示花开提前了、冬天变短了，老园丁自然会追问：这是因为这些年施肥改进了，还是天气本身变暖了？在气候科学里，“找出趋势的原因”叫做归因。科学家把可能影响气候的“强迫因子”分成两大类：自然强迫（太阳活动、火山喷发）和人为强迫（温室气体、气溶胶、土地利用）。要判断哪个因子贡献更大，需要用“指纹法”。

指纹法的思路很巧妙：让模式分别只加自然强迫、只加人为强迫、两者都加，各跑出对应的“响应空间形态”——也就是温度变化在地球上的分布图案。这就好比把“施肥的影响”和“天气本身的影响”分别做成两张指纹卡片。再用观测到的实际气候响应去比对这两张卡片：

应用指纹法，主流科学结论是：自 20 世纪中叶以来，全球地表升温的大部分——甚至超过 100% 的基线上涨——可以归因于人为排放的温室气体。注意，这是概率性结论，不是一个“全有或全无”的开关。就像老园丁可以很有把握地说“花期提前主要是天气变暖，而不是我的肥料配方”，但也不会排除其余影响因素。归因的价值在于：只有知道谁是推手，才能制定有针对性的减排与适应政策。

不确定性

账本上的数字并非永远清晰——有些年头记录潦草，有些页被雨水洇湿。气候预测也是一样，永远伴随不确定性。这些不确定主要来自三个源头：情景不确定性（人类未来到底排放多少？）、模式不确定性（不同模式对相同情景的响应不同）、以及内部变率（气候系统自己会随机波动，比如厄尔尼诺）。老园丁可以说“杏花八成会在 3 月上旬开”，却没法精确到某一天。

科学家应对不确定性的武器是概率表达。对于某个趋势估计 $\hat{\beta}$，配合它的标准误差 $SE(\hat{\beta})$，可以构造置信区间：

四个层面的工作让不确定性更可控：一是用多模式集合的“模式离散”来估计模式不确定；二是对比不同排放情景的输出，得到情景不确定的范围；三是用长历史模拟估计内部变率的上限；四是用概率而非单值来表达预测结果。老园丁的经验是：账本越厚、记录越全、对果园脾气的理解越深，那条趋势带就越窄。不确定性不是“什么都不知道”，而是“知道到何种程度”的科学表达——它本身就是气候建模最核心的输出之一。

AI 应用场景

Python 演示

import numpy as np # 生成150年模拟温度距平序列, 含每年0.008度的上升趋势与随机噪声rng = np.random.default_rng(42)years = np.arange(1850, 2000)trend = 0.008 * (years - 1850) + 0.2noise = rng.normal(0, 0.16, size=len(years))series = trend + noise # 线性回归求长期趋势斜率slope, intercept = np.polyfit(years, series, 1)fit = slope * years + intercept # 滑动平均(窗口11年)去除高频波动def moving_average(x, window):    kernel = np.ones(window) / window    return np.convolve(x, kernel, mode='same') smooth = moving_average(series, 11) # Mann-Kendall趋势检验统计量def mann_kendall(x):    n = len(x)    s = 0    for i in range(n - 1):        for j in range(i + 1, n):            s += int(np.sign(x[j] - x[i]))    return s mk_stat = mann_kendall(series) # 输出结果print("slope = {:.4f} C/year".format(slope))print("10-year trend = {:.2f} C".format(slope * 10))print("MK statistic = {}".format(mk_stat))print("smoothed last = {:.2f}".format(smooth[-1]))

1. trend = 0.008 * (years - 1850) + 0.2生成一个已知斜率的“真实”升温趋势，作为待检出的信号
2. noise = rng.normal(0, 0.16, size=len(years))叠加高斯白噪声，模拟天气尺度的内部变率
3. slope, intercept = np.polyfit(years, series, 1)用最小二乘拟合直线，斜率即每年升温速率
4. np.convolve(x, kernel, mode='same')用 11 年窗口的滑动平均把高频噪声缓平
5. s += int(np.sign(x[j] - x[i]))逐对比较年份大小方向，累加得到 MK 统计量
6. print("10-year trend = {:.2f} C".format(slope * 10))将年斜率换算成每 10 年升温，更符合业务表达

常见误区

面试题