客座文章:气候科学家应该如何处理“热模型”

最新的"CMIP6“新一代气候模型”包括“热模型”的子集，这些模型指向比预期更大的变暖。

这些模型有很高的气候敏感性这是一种衡量地球因大气中二氧化碳浓度上升而变暖程度的指标。

然而，基于观测和我们对行星物理学的理解的多条证据表明，我们可以有信心缩小范围更重要的是，降低了对高端估计的权重。

最近的第六次评估报告(AR6)从政府间气候变化专门委员会(IPCC)将这些发现与“评估的全球变暖”(将模式结果与观测约束相结合的变暖预测)的想法进行了协调。

虽然这种方法给出了未来变暖的更现实图景，但它给希望研究气候影响和适应的科学家带来了一个问题，特别是在局部或区域尺度上，基于日或月极端值，或降雨量等非温度变量。

在一个新的评论自然，我们提出了一套简单的方法来解决这个问题，以便气候影响和适应的研究可以避免过于重视“热模式”。

评估气候变暖

在这之前IPCC AR6在美国，该报告的作者陷入了两难境地。

一方面，新一代的模型(CMIP6)，并显示出明显较大的波动范围气候敏感性——地球变暖对大气二氧化碳浓度增加的响应程度——许多模型运行得更热，显示出未来变暖的水平高于美国前一代．

另一方面，a相当大的数量的研究是被发布这表明，新气候模型中灵敏度极高的子集在再现历史温度和经测试的温度方面表现不佳遇到了麻烦模拟上一个冰河时代的情况。

一份关于气候敏感性的社区综述出炉了舍伍德等2020年-利用来自历史观察的多条证据，古气候代理记录地球更遥远的过去和物理过程模型，以表明气候敏感性的范围应该缩小，而不是扩大。

调和这个新的，更窄的灵敏度范围CMIP6模式，AR6的作者在使用气候模式方面与以前的报告相比有两个显著的变化。第一个是建立“评估全球变暖”的预测，超出了简单的模型平均水平。第二是考虑影响作为全球变暖水平(GWL)的函数，而不是时间。

IPCC评估的变暖预测与原始的CMIP6集合有很大不同，如下图左上方的面板所示。它们基于三种不同的方法，将历史全球平均温度记录(右上)结合气候模式模拟器调整了最新的气候敏感性限制(左下)。

然而，这三种独立分析和模拟器的组合只能产生对未来变化的全球平均估计，这使得更广泛的科学界难以更普遍地复制IPCC的方法。

这让更广泛的气候学界陷入了不幸的困境。一方面，政府间气候变化专门委员会(IPCC)建立了与气候敏感性的最新观测限制相一致的评估变暖预测。另一方面，影响研究只提供了简单的全球平均、年平均地表气温和估计海平面上升的时间序列。

任何试图评估气候变化、月度或每日极端事件或非温度变量的区域或局部影响的研究都必须依赖CMIP6集合，而不是AR6评估。

在缺乏关于模型权重或观测约束的社区范围指导的情况下，许多分析师默认采用先前的方法，即对每个模型一视同仁，而不管其敏感性、性能或独立性或发展特别的过滤它们的方法。

在一个新的评论自然，我们认为，适应和影响研究应该使用与最近的IPCC报告和其他独立证据相一致的未来变暖预测，而不是像过去那样简单地依赖于模型的平均值。由于社区对这一问题缺乏意识，而且缺乏有效复制AR6评估变暖方法的工具，已经导致大量研究报告的发表，这些研究过于重视“热模型”的子集。

太多的高灵敏度模型

大约五分之一的新CMIP6模型位于极可能范围之外(90%)。平衡气候敏感性(ECS)在Sherwood et al 2020年和IPCC AR6采用的范围中均存在，18%的CMIP6模式的ECS高于每两倍二氧化碳5摄氏度，27%的CMIP6模式的ECS高于上一代最敏感的模式(CMIP5)。

IPCC第五次评估报告的平衡气候敏感性范围(AR5(深蓝色)、上一代气候模型(CMIP5(浅蓝色)，较新的CMIP6气候模型(红色)，舍伍德等2020年(黑色)及IPCC第六次评估报告(AR6、黄色)。对于Sherwood等人，AR5和AR6，可能的气候敏感性(66%范围)由粗条显示，而非常可能的敏感性(90%范围)由细条显示。图表由Carbon必威手机官网 Brief使用Highcharts．

相比之下，舍伍德等人的综述结合了来自古气候、观测和物理过程模型的多条证据得出结论,ECS很可能(66%的可能性)在2.6C至4.1C之间，很可能(90%的可能性)在2.2C至4.9C之间。

IPCC第六次评估报告的作者根据这些最新的观测限制，也将他们评估的气候敏感性可能范围大幅缩小到2.5C至4C之间。

这并不是说CMIP6模型的高灵敏度子集应该被丢弃;虽然近年来我们明显缩小了对气候敏感性的估计，但每增加一倍二氧化碳，平衡敏感性超过5摄氏度的可能性仍大于5%。

低概率高影响尾部风险的评估具有重要作用，高敏感性模型非常适合于此。问题不在于这些高灵敏度模型的存在，而在于它们在CMIP6集合中的优势使平均值和不确定性范围上升，相对于气候敏感性的其他独立证据线。

在我们的评论中，我们建议研究人员在关注可能的结果时，可能希望关注与AR6评估的变暖一致的CMIP6模型的一个子集，同时使用更高灵敏度的子集来检查尾部风险。

超越“模范民主”

在过去，IPCC主要使用多模式平均值和价差对具体影响及其不确定性做出“最佳”估计，有效地将每个模式视为独立和同样有效的变化估计。这产生了对不确定性的合理估计，在很大程度上是因为模型灵敏度的范围与其他证据所限制的范围一致。

这个“模范民主”的概念得到了一个大量的审查，但没有发现可推广且性能更好的替代方案。尽管如此明确的证据CMIP模型并不是真正独立的。

IPCC评估的21世纪气候变暖(下图中的实线)与CMIP6多模式平均值(虚线)之间存在实质性差异。根据情景的不同，评估的变暖预测显示2100年全球表面温度变化将减少0.2C至0.7C，或到2100年相对于2015-2020年期间减少15%至29%的变暖。评估的变暖预测具有与上一代气候模式相似的平均和不确定性范围。

我们已经有了开始看到研究报告强调了旧的CMIP5模式和新的CMIP6模式之间的气候影响差异，这至少在一定程度上是由模式灵敏度的差异所驱动的。

由于缺乏与IPCC评估的变暖相一致的易于使用的气候模式输出，因此很难利用为限制气候敏感性所做的重要工作，因此可能导致在未来的研究中夸大极端气候结果的可能性。

例如，CMIP6多模式平均值将显示极端高温事件和海洋热浪、北极海冰损失、对农业的影响、水资源短缺、传染病和其他与温度有关的影响比AR6评估的变暖预测更普遍。

CMIP6模式相对于CMIP5模式有重要进展，这些进展与未来变暖预测的程度无关，能够更准确地评估气候影响;然而，纳入一个不切实际的高灵敏度模型子集有可能将过度变暖的影响与其他模型修订混为一谈。

使用简体语言的趋势也在增长气候模式模拟器这在AR6中发挥了很大作用。这些模拟器经常调整到AR6气候敏感性范围，同样，将导致明显低于CMIP6多模式平均值的未来变暖。

社区的一部分继续使用原始CMIP6模型，而另一部分继续使用模拟器，这将加剧这些差异的风险，导致政策制定者和其他利益相关者社区的信息不一致和冲突。

在我们的自然评论，我们指出，研究人员可以相对容易地重现AR6评估的变暖预测，方法是筛选出与其他证据线相比灵敏度过高或过低的任何模型。

具体来说，我们发现筛选出的模型瞬态气候响应(TCR)位于AR6中1.4C至2.2C的“可能”(66%的可能性范围)之外，有效地再现了AR6评估的全球平均地表温度变暖预测，如上图所示。

这大致反映了在第六次评估报告中建立评估变暖预测所采取的方法，该方法依赖于基于与观测到的与TCR密切相关的温度一致的约束条件。使用“可能的”2.5C至4C ECS屏幕同样可以重现AR6结果，但代价是CMIP6集成中丢弃60%的模型，而使用TCR屏幕时则丢弃40%。

与IPCC评估的变暖不同，tcr筛选子集提供了一系列气候变量的区域和全球预测，相对于原始CMIP6多模式平均值，预测的未来变暖存在很大的区域差异，如上图C组所示。

为了与评估的气候敏感性保持一致而使用模型的子集，其缺点是丢弃了从高敏感性模式获得的所有其他气候变化信息。许多气候影响的预测严重程度的差异不一定与气候敏感性的差异相对应。

模式的一个子集不一定能提供所有区域气候过程的最佳表示，即使在大多数情况下它仍优于使用原始CMIP6集合。例如,未来预测的干旱风险在北美西南部的气候变化是高度不确定的，但在很大程度上与模型灵敏度无关。

然而，有一种相对直接的方法可以使用所有CMIP6模型信息并产生一致的结果:使用全球变暖水平(长城航空)。

评估“全球变暖水平”的影响

GWLs不是在特定时间(比如2100年)对模型集合的结果进行评估，而是在全球平均变暖的特定水平对模型集合进行抽样。例如，如果政策制定者希望了解特定温度目标(如1.5℃、2℃或更高)下的气候影响，那么无论情景如何，当每个模型达到该变暖水平附近时，他们都可以从完整的CMIP6集合中得出结论。

GWL方法已经被用于近十年用于从多个模拟和情景中提取作为全球温度函数的投影。的AR6在推进gwl的使用方面取得了重要进展，在报告和IPCC中广泛介绍了它们WG1互动地图集可以在GWL上下文中显示各种投影变量。每个模型和GWL都有一个简单的映射现在可用以便研究人员计算gwl。

对于那些想要了解全球变暖影响的研究人员来说，这种方法在时间依赖的结果中有许多好处。它使研究人员能够在广泛的变量范围内研究气候影响，以确保独立于变量的一致性合理性模型敏感性或所选的基本排放情景。

它更好地解释了不确定性的范围——跨越排放、气候敏感性和碳循环反馈——而不是过分确定地关注基于故事情节的排放情景。它还将评估从某种程度上武断地将2100年作为时间范围的关注中解放出来。

然而，使用gwl有一些限制。政策制定者既需要了解在不同变暖水平下的影响，也需要了解达到这些变暖水平的时间，因此，需要将gwl与在不同排放情景下随着时间的推移达到gwl的可能性进行一些评估结合起来。

然而，这种配对在概念上可能是有益的，因为它将与全球温度未来轨迹相关的不确定性与与给定轨迹的影响相关的不确定性区分开来。

此外，虽然大多数气候变量在特定GWL下在不同模式中具有可比性，但在某些情况下，达到GWL的速度可能会影响气候响应，气溶胶排放的模式也会影响气候响应——在不同情景中，这可能在空间和时间上有所不同。

社区的未来路向

气候研究人员目前面临着新一代气候模式的困境:使用原始的CMIP6模式，与目前可用的证据相比，该模式对未来变暖的平均预测偏大;或者创建自己的自定义权重，以最适合所讨论的地区和气候变量。

虽然有许多方法可以为模型创建最匹配感兴趣的区域和气候变量的自定义权重，但这既需要对问题的认识，也需要在模型评估方面进行大量额外的工作和专业知识。

在实践中，缺乏与AR6一致的易于使用的模型输出将导致使用CMIP6模型平均值，正如我们已经开始在影响文献中看到的那样。

解决这一问题的第一步也是最重要的一步是在社区中提高认识，即CMIP6集成的多模型平均值和扩散不能简单地以用于前一代CMIP5的方式使用。

我们已经概述了一些选择-一些比其他更直接-让研究人员有效地使用CMIP6集成。这包括在可能和相关的情况下计算与全球平均温度水平或变化相关的影响，或者在时间维度至关重要的情况下，在集合中使用灵敏度值在独立约束范围内的模型子集。