灾难模型
当前的地球系统气候模型（ESMs）在预测区域性气候变化方面并不可靠，因为它们无法精确模拟许多关键的物理过程。科学界对此存在分歧：一派主张投入巨资提升模型的分辨率和复杂度，期望获得更准确的预测；另一派则认为应接受模型固有的不确定性，转而采用“情景故事线”和“扰动物理集合”等方法来探索未来气候的多种可能性。最终的观点是，与其追求一个可能永远无法实现的完美预测模型，不如将研究重点放在理解和量化不确定性上，这能更好地帮助社会评估风险并做出稳健的决策。
气候模型的困境
我们依赖气候模型来理解人类行为对未来的影响，并据此制定从个人到国家的应对策略。我们尤其关心自己所居住区域的未来气候变化。这些预测大多来自被称为 地球系统模型（ESMs） 的复杂计算机模拟。
然而，问题在于：这些模型并不等同于现实。它们在模拟过去的区域气候时，与真实观测数据存在显著差异，例如温度可能偏高或偏低好几度。这意味着模型没有准确反映真实世界正在发生的过程，因此其对未来的预测是存在缺陷的。
统计学家乔治·博克斯（George Box）曾说：“所有模型都是错的，但有些是有用的。” 真正的问题是，这些气候模型对于预测未来是否足够有用。
模型的工作原理与缺陷
气候模型的核心是 “动态核心”，它基于成熟的物理学方程来模拟大气和海洋等流体的运动。这部分是可靠的。
但模型的另一部分，即 “参数化方案”，则充满了不确定性。它用来描述那些我们尚不完全理解或规模太小而无法直接模拟的过程，例如：
- 云的形成与行为
- 海洋涡流
- 森林等陆地生态系统的互动
这些方案并非基于物理定律，而是基于统计拟合，这成为模型不确定性的主要来源。科学界普遍承认模型的这些缺陷，但对于如何解决它们存在巨大分歧。
分歧：两条不同的改进路径
面对模型的不可靠性，气候研究界分裂为两个主要阵营。
第一阵营：追求更高分辨率。 他们主张投入巨额资金（如“地球虚拟化引擎”计划），将模型网格从几十公里缩小到一公里级别。他们认为，高分辨率能让模型直接模拟更多物理过程（如大气对流），从而减少对不精确的“参数化方案”的依赖，使模型更接近现实。
第二阵营：拥抱不确定性。 他们认为，即使分辨率再高，模型也无法包含所有重要过程，依然无法做到足够真实。因此，我们不应追求单一的“精确”预测，而应更聪明地使用现有模型和科学知识来探索未来的多种可能性。
路径一的局限：高分辨率并非万能药
支持高分辨率模型的人认为，这能让模型更真实地反映物理过程，从而提高预测的可靠性。然而，这种观点存在问题：
- 依然存在缺失： 即使分辨率提高，许多已知的关键过程（如大气化学、海洋生物地球化学）仍然会被忽略。
- 参数化依然必要： 许多过程，从植被到云层，仍然需要依赖统计性的参数化方案。
- 无法回答核心问题： 我们无从知晓一个模型需要多“好”才能做出可靠的长期预测。投入巨资追求一个不确定的目标，可能会挤占探索不确定性本身所需的资源。
追求高分辨率模型不仅成本高昂，还可能导致我们对模型的预测产生过度自信，从而做出错误的决策——这些决策是为模型中的未来优化的，而不是为现实中可能发生的多种未来做准备。
路径二的智慧：将不确定性作为核心
接受不确定性并非放弃预测，而是将焦点从“未来将会怎样”转变为“未来可能怎样”。这种方法主要通过两种途径实现：
情景故事线（Storylines）： 这种方法不依赖于单一模型的输出，而是由专家围绕某个特定的气候现象（如印度季风）构建一系列科学上可信的未来变化叙事。它强调利用科学知识和专业判断来探索各种可能性，并以“故事集”的形式呈现，以反映未来的不确定性。
扰动物理集合（Perturbed Physics Ensembles）： 这种方法利用现有的气候模型，通过调整其内部参数（特别是“参数化方案”中的假设）来创造出成千上万个“模型变体”。这些变体都具有一定的可信度，但它们对温室气体增加的响应各不相同，共同描绘出未来气候变化的广泛可能性。
这种思路的转变至关重要，它将科学问题从“模型何时足够真实？”转变为“模型何时变得不切实际以至于无法提供参考？”
结论：理解不确定性才是前进的方向
气候变化带来的挑战是真实的，但我们不应陷入追求完美预测模型的陷阱。与其投入巨资去提升模型的精细度，不如将资源用于探索和理解未来的不确定性。
我们对不确定性的认知，本身就是我们气候知识的一部分。 只有将不确定性置于核心位置，我们才能更全面地评估风险，做出更稳健、更具适应性的决策，以应对未来多样的气候挑战。