Towards a definition of climate science
在建立现实的气候模式和提供完整、可靠和有意义的观测数据集方面存在固有的困难，以及在概念上不可能用数据检验理论，这意味着通常的伽利略科学验证标准不适用于气候科学。与气候科学有关的不同认识论意味着它的答案不可能是单一的和确定的;它们必须是复数的，并以概率术语表示。因此，为了从一个模型中提取对未来气候变化有意义的估计，有必要探讨模型的不确定性。就科学知识的社会影响而言，必须承认，在涉及复杂系统的问题上，任何政治选择都是在不可避免的不确定性条件下做出的。然而，科学中详细的概率结果可以为合理的决策过程提供基线。
2004-08-08 physics.ao-ph physics.data-an physics.geo-ph
Divergent Perspectives on Expert Disagreement: Preliminary Evidence from Climate Science, Climate Policy, Astrophysics, and Public Opinion
我们报告了一项探索性研究的结果，该研究考察了气候科学家，气候政策专家，天体物理学家和非专家（N = 3，367）对气候科学和天体物理学中产生和持续存在分歧的因素的判断。我们发现，与受过教育的非专家相比，气候专家认为，气候科学内部关于气候变化的分歧较少，方法因素和个人或机构偏见在产生现有分歧方面所起的作用不如通常报道或假设的那么重要。我们还发现，与该领域更大的固有不确定性和数据空白相对应，从事宇宙射线研究的天体物理学家通常更愿意承认专家的分歧，更愿意接受一组数据可以有多种有效解释的想法，并且通常不会像气候科学家那样迅速将表达非标准观点的人视为非专家。
2018-02-06 physics.ao-ph physics.soc-ph
Towards Specialized Supercomputers for Climate Sciences: Computational Requirements of the Icosahedral Nonhydrostatic Weather and Climate Model
本文围绕ICON气候模型构建详细计算需求模型，分析公里尺度高分辨率模拟对专用超级计算机的需求，并提出机器学习增效路径。
2024-05-18 cs.AR cs.DC physics.ao-ph
Network science disentangles internal climate variability in global spatial dependence structures
本研究利用网络科学方法，提出连通率指标R，以刻画地球系统模型集合中内部气候变率对全球温度空间依赖结构的影响，并揭示人为影响下气候可预测性的潜在变化。
2025-01-24 physics.ao-ph
Uncertainty in Climate Science: Not Cause for Inaction
利用观测数据和一个基本的严格统计事实，很容易证明地球气候的分布是非平稳的。对北半球数百个地方工业时代温度历史记录的检查被用来证明这一事实。从统计学上看，在工业时代，合奏的平均值一直在上升。所有这些都证实了气候科学家已经知道的事情。在不确定性下的预测问题也得到了解决：一个简单的平衡模型被调整以跟踪气候记录的集合。随机参数化的创建，以捕捉自然和人为二氧化碳强迫。然后，根据历史数据对由此产生的随机模型进行测试，然后用于对未来进行预测。这项工作也证实了气候科学对工业时代人类活动造成的重大全球变暖的归因。由于不确定性导致的模型的可变性不足以混淆工业时代平均温度的明显上升。此外，即使自然CO2贡献的方差被人为地大大增加（在模型中），波动也不能解释历史平均值的当前变化。这些结果削弱了2016 - 2020年美国政府的事实有效性，声称气候和气候科学有太多的不确定性，无法进行气候预测，并进一步指出，当代洪水，极端天气，甚至全球平均气温上升的报告只是气候的表现，总是在自然界中波动的统计分布。
2022-01-20 math.DS physics.ao-ph
Applications of large deviation theory in geophysical fluid dynamics and climate science
气候系统是一个复杂、混乱的系统，在时间和空间尺度上具有许多自由度和可变性。更深入地了解其动态过程是一项非常紧迫的科学挑战，特别是考虑到正在发生的气候变化和不断演变的气候危机。在统计物理学中，复杂的多粒子系统被成功地用大偏差理论（LDT）的数学框架来研究。LDT在解决地球物理流体动力学和气候科学的相关问题方面具有巨大的潜力。特别是，LDT允许了解气候场与长期平均值的持续偏差的基本特性，并将其与低频，大尺度气候变率模式相关联。此外，LDT可以与所谓的罕见事件算法结合使用，以探索相空间中很少访问的区域，从而研究气候的特殊动力学配置。这些应用对于提高我们对高影响天气和气候事件的理解至关重要。此外，LDT提供了强有力的工具，用于评估噪声引起的气候系统或其组成部分的竞争亚稳态之间的转换的概率。这反过来又对提高我们对气候系统的全球稳定性及其洛伦兹意义上的第二类可预测性的理解至关重要。这次审查的目标是多方面的。首先，我们要提供一个介绍的背景下，随机过程的大偏差法律的推导。然后，我们将这些结果与现有的文献显示LDT在气候科学和地球物理流体动力学的应用现状。最后，我们提出了一些可能的路线，未来的调查。
2021-06-25 cond-mat.stat-mech physics.ao-ph physics.comp-ph
Modelling Complexity: the case of Climate Science
我们简要回顾了一些科学挑战和认识论问题有关的气候科学。我们讨论了理论和数值模型的制定和测试，考虑到观测数据中存在不可避免的不确定性，世界实验的不可重复性，以及相关过程发生在各种各样的空间和时间尺度上的事实，需要一种与其他科学背景不同的方法。简要讨论了地球工程解决全球变暖的内在局限性，并提出了一个基于非平衡态热力学的研究框架。我们还批判性地讨论了最近提出的纯粹基于大规模使用超级计算机和科学优先事项的集中规划的气候科学发展前景。
2011-06-07 physics.ao-ph physics.class-ph physics.hist-ph
TSUBASA: Climate Network Construction on Historical and Real-Time Data
气候网络通过一组异常时间序列的相互作用来表示全球气候系统。网络科学已应用于气候数据，以研究气候网络的动态。实现气候数据互动网络科学的核心任务和第一步是在用户定义的时间窗内有效地建立和更新气候网络。我们提出了TSUBASA，气候网络的精确计算的基础上，大的时间序列的皮尔逊相关性的有效建设的算法。通过预先计算简单和低开销的统计数据，TSUBASA可以在查询时有效地计算任意时间窗口上的时间序列的精确的两两相关性。对于实时数据，TSUBASA提出了一种以交互速度更新网络的快速增量方式。我们的实验表明，TSUBASA是比近似的解决方案至少一个数量级的历史和实时数据和优于基线的时间序列相关性计算高达两个数量级。
2022-03-23 physics.ao-ph physics.data-an
Networks of climate change: Connecting causes and consequences
了解全球变暖的原因和后果并制定对策是一个极其复杂的问题。网络表示有时是唯一的前进方向，有时能够降低原始问题的复杂性。网络既是气候科学的必要组成部分，也是自然组成部分。此外，网络形成了大量计算和分析技术的数学基础。我们才刚刚开始看到气候变化科学和网络科学之间这种联系的好处。在这篇综述中，我们涵盖了气候变化文献中广泛的网络应用-它们代表什么，如何分析它们，以及它们带来了什么样的见解。我们还讨论了网络数据、工具和有待探索的问题。
2022-05-27 cs.SI physics.ao-ph physics.soc-ph
Quantum Artificial Intelligence for the Science of Climate Change
University of Texas at Austin（德克萨斯大学奥斯汀分校）；Indian Institute of Tropical Meteorology, Ministry of Earth Sciences（印度热带气象研究所）；Krea University（克雷亚大学）；University of Petroleum and Energy Studies（石油与能源研究大学）；Queen Mary University of London（伦敦玛丽女王大学）
气候变化已成为最大的全球性问题之一，日益危及地球的可居住性。最近的事态发展，如加利福尼亚州和加拿大的异常热浪，以及德国的毁灭性洪水，都表明气候变化在极端天气频率不断增加中的作用。在过去的50年里，天气和气候的数值模拟已经取得了巨大的进步，但仍然需要克服严格的限制。在空间和时间上进行局部化预报是采取有效适应措施以尽量减少生命和财产损失的当务之急。基于人工智能的方法在改进预测方面显示出有希望的结果，但仍然受到处理地球规模的大量数据所需的必要硬件和软件的可用性的限制。量子计算是一种新兴的范式，在多个领域都有潜在的适用性。在这篇评论文章中，我们认为，为量子计算机设计的人工智能算法的新发展-也被称为量子人工智能（QAI）-可能为进一步推动气候变化科学提供必要的关键突破。由此带来的天气和气候预报方面的改进预计将带来许多社会效益。
2021-12-10 cs.AI physics.ao-ph quant-ph
Mathematical and Physical Ideas for Climate Science
气候是一个受迫的、耗散的非线性系统，其特点是具有广泛的时空尺度的非平凡动力学。了解气候的结构和多尺度特性，对于提供气候动态的统一图景和实施准确有效的数值模式至关重要。我们介绍了气候科学，数学和物理学之间的交叉点的一些最新进展，这可能会证明在构建一个更全面的气候动力学帐户的方向富有成效。我们描述了Nambu制定的流体动力学，和潜在的这样一个理论，用于构建复杂的地球物理流体的数值模型。然后，我们集中在旋转环境中的准平衡流的统计力学，这似乎是建立一个强大的地球物理湍流理论的关键。然后，我们讨论的想法和方法适合直接接近气候系统的非平衡性质。首先，我们描述了气候热力学的一些最新发现，描述了其能量和熵预算的特征，并讨论了相互比较气候模式和研究临界点的相关方法。这些想法还可以通过建议研究系外行星大气的通用工具，在天体物理学和天体物理学之间建立一个共同点。最后，我们专注于非平衡统计力学，它允许一个统一的框架不同的气候响应强迫的问题，改变边界条件或地球物理流之间的耦合的影响，和数值模型的参数化的推导。
2014-08-28 astro-ph.EP cond-mat.stat-mech physics.ao-ph
A mathematical framework for dynamic emergent constraints in climate science
University of Leicester（莱斯特大学）；Great Bay University（大湾区大学）
本文利用线性响应理论建立动态涌现约束的数学框架，提出积分动态涌现约束，并应用于MPI-ESM气候模型以验证其存在条件。
2026-05-29 cond-mat.stat-mech nlin.CD physics.ao-ph
Complexity, economic science and possible economic benefits of climate change mitigation policy
对严格的气候变化减缓政策的传统经济分析通常得出结论，由于在低碳技术上的大量支出，经济放缓的程度不同。然而，均衡经济学无法解释或预测当前的经济危机，这是金融性质的。与此同时，气候政策的经济影响通过投资环境创新的传播找到了来源，部分原因是金融问题。在这里，我们揭示了气候变化减缓政策的经济分析结果如何完全依赖于关于创新扩散融资的假设和理论，并且在许多情况下，结果只是模型假设的重新迭代。我们发现，虽然均衡经济学总是预测经济放缓，但使用非均衡方法的方法表明可能会发生相反的情况。我们表明，了解减少温室气体排放的经济影响的解决方案在于研究金融部门与创新和技术发展相互作用的动态，经济史通过与以往历史创新浪潮的重要类比提供了强有力的见解。
2015-01-28 physics.ao-ph physics.soc-ph q-fin.GN
Theoretical tools for understanding the climate crisis from Hasselmann's program and beyond
克劳斯·哈塞尔曼（Klaus Hasselmann）在气候科学方面的革命性直觉是利用与快速天气过程相关的随机性来探测气候系统的缓慢动态。这导致了研究气候模式对扰动的响应以及对气候变化信号进行检测和归因的全新方法。哈塞尔曼的项目在气候科学和其他领域都极具影响力。我们首先总结了这样一个程序的主要方面，使用现代的概念和统计物理和应用数学的工具。然后，我们提供了一些有前途的科学观点，可能更好地澄清气候危机背后的科学和源于哈塞尔曼的想法。我们展示了如何通过在系统中构建参数化来执行严格的模型简化，这些参数化不一定具有未解决和解决过程之间的时间尺度分离。我们提出了一个解释气候变率和气候变化之间关系的一般框架，并进行气候变化预测。这使我们能够无缝地解释气候临界点的一些关键的一般方面。最后，我们表明，响应理论提供了一个坚实的框架，支持最佳的指纹检测和归属方法。
2023-09-07 cond-mat.stat-mech nlin.CD physics.ao-ph
Strengthening national capability in urban climate science: an Australian perspective
本文针对澳大利亚城市气候研究工具、数据不足的问题，通过多方专家磋商，从数据集、观测、模型、共同体四方面提出建议，以提升国家城市气候科学能力，保护城市人口、构建韧性未来。
2025-09-04 physics.ao-ph
Navigating Through Turbulence: Charting Early Careers in Weather and Climate Science
Stony Brook University（石溪大学）；National Oceanic and Atmospheric Administration（美国国家海洋和大气管理局）
本文针对天气与气候科学领域的职业不确定性，提出高分辨率模拟与AI带来的新兴前沿机遇，给出职业规划路径及教育培训改进建议，助力从业者服务公众应对大气变化。
2026-08-21 physics.ao-ph physics.ed-ph
Climbing down Charney's ladder: Machine Learning and the post-Dennard era of computational climate science
Princeton University（普林斯顿大学）；NOAA/Geophysical Fluid Dynamics Laboratory（美国国家海洋和大气管理局/地球物理流体动力学实验室）；Institute Pierre-Simon Laplace（皮埃尔-西蒙·拉普拉斯研究所）
20世纪50年代数字计算的出现引发了天气和气候科学的革命。长期以来，气象学都是建立在对空间和时间模式的外推基础上的，在数值天气预报取得十年进展的过程中，气象学让位于计算方法。同样的方法也产生了计算气候科学，研究这些数值方程在比天气事件长得多的时间间隔内的行为，以及外部边界条件的变化。在随后的几十年里，计算能力的指数生长将我们带到了今天，模型的分辨率和复杂性不断增长，能够掌握许多具有全球影响的小尺度现象，以及地球系统中越来越复杂的反馈。70年后的今天，计算领域的这个关键时刻预示着所谓的登纳德缩放（Dennard scaling）的终结，登纳德缩放是越来越小的计算单元和越来越快的算术背后的物理学原理。这促使我们的天气和气候模拟方法发生了根本性的变化，可能与约翰·冯·诺依曼在20世纪50年代所做的一样具有革命性。一种方法可以让我们回到模式识别和外推的早期时代，这次是在计算能力的帮助下。另一种方法可以引导我们获得继续用数学方程表达的见解。无论是哪种方法，还是任何综合方法，都显然不再是过去几十年的稳步前进，而是继续为更复杂的模型添加细节。在这份招股说明书中，我们试图展示未来几十年这一趋势将如何发展的轮廓，一种新的物理知识、计算和数据的利用方式。
2020-07-30 cs.LG nlin.CD physics.ao-ph
Detecting and Attributing Change in Climate and Complex Systems: Foundations, Green's Functions, and Nonlinear Fingerprints
本文以非平衡系统响应理论为基础，为最优指纹法提供物理与动力学支撑，并将其扩展至非线性响应区，阐明了其在气候及其他复杂随机系统中的广泛适用性。
2024-10-18 cond-mat.stat-mech physics.ao-ph physics.data-an
AI Decodes Historical Chinese Archives to Reveal Lost Climate History
Huawei Technologies Co., Ltd.（华为技术有限公司）
人工智能通过解码历史档案揭示中国东南部五百年来的降水变化及厄尔尼诺影响
2026-01-30 cs.AI cs.LG physics.ao-ph
A Self-Evolving AI Agent System for Climate Science
Shanghai Artificial Intelligence Laboratory（上海人工智能实验室）；Fudan University（复旦大学）；Institute of Atmospheric Physics, Chinese Academy of Sciences（中国科学院大气物理研究所）；The University of Sydney（悉尼大学）；Shanghai Jiao Tong University（上海交通大学）；Nanjing University of Information Science and Technology（南京信息工程大学）；Seoul National University（首尔大学）；Ocean University of China（中国海洋大学）；Laoshan Laboratory（崂山实验室）；Columbia University（哥伦比亚大学）；Japan Agency for Marine-Earth Science and Technology（日本海洋研究开发机构）；The Chinese University of Hong Kong（香港中文大学）；East China Normal University（华东师范大学）；Chinese Academy of Meteorological Sciences（中国气象科学研究院）；Tsinghua University（清华大学）
研究提出首个面向气候科学的自进化AI智能体系统EarthLink，通过自然语言交互将规划、代码执行、数据分析和物理推理整合为统一流程，实现研究工作流自动化，在核心气候任务中达到初级研究员水平，并自主解决了Atlantic Niño前兆发现等开放科学问题，推动人机协作新范式。
2025-11-03 cs.AI cs.LG physics.ao-ph
Significance of a one-degree Celsius increase in global temperature
政府间气候变化专门委员会的报告指出，全球平均气温比工业化前的水平高出约1摄氏度，这是人为造成的，气温升高与极端天气事件的频率和规模增加之间存在因果关系。这种因果关系似乎与常识不符，可能很难向非专家解释。因此，为了理解全球平均温度上升一度的意义，我们依靠简单的物理学进行了粗略的计算。我们估算了全球平均气温上升1摄氏度时，气候系统（海洋、陆地、大气）中捕获的多余热能，并表明它比形成和维持飓风所需的估计能量大数千倍。我们的估计表明，全球变暖正在形成一个非常大的过剩能量池，原则上可以为热浪，强降水，干旱和飓风提供动力。这里提出的论点足够简单，可以在物理学入门课程中提出，并且可以作为可解释性论点，表明即使全球平均温度看似很小的增加也可能导致极端天气事件。
2022-07-11 physics.ao-ph physics.ed-ph physics.pop-ph
CMIP-Forge: An Agentic System that Retrieves, Computes, and Self-Reviews Climate Science
Alfred Wegener Institute, Helmholtz Centre for Polar and Marine Research（阿尔弗雷德·韦格ener研究所，极地与海洋研究中心）
提出CMIP-Forge系统，结合检索增强生成与自主分析，通过多层级防御架构和独立审查机制，实现从文献到实时气候数据的端到端自主研究。
2026-06-17 cs.AI physics.ao-ph
Predicting ice flow using machine learning
Mila - Quebec AI Institute（Mila-魁北克人工智能研究所）；Université de Montréal（蒙特利尔大学）
虽然机器学习在为语音识别和计算机视觉建模序列和空间数据方面取得了显著的成功，但很少考虑应用于遥感和气候科学问题。在本文中，我们展示了未来视频帧预测的无监督学习技术，以提高多光谱卫星图像中冰流跟踪的准确性。随着未来几年冰冻圈数据量的增加，这是机器学习应对气候变化、洪水风险管理和保护淡水资源等全球挑战的一个有趣而重要的机会。由于全球气温上升、降水模式变化、云层遮挡、黑碳气溶胶沉积、野火或人类化石排放等因素的不确定性，未来冰融化框架预测和跟踪冰动态的光流存在建模困难。我们表明，与气候科学中现有的方法相比，对抗学习方法有助于提高跟踪冰动力学光流的准确性。我们提出了一个数据集，IceNet，以鼓励机器学习研究，并帮助促进在冰冻圈科学和气候变化领域的进一步应用。
2019-10-20 cs.LG physics.ao-ph physics.geo-ph
Sea Level Rise by Climate Change. An order-of-magnitude approach to an environmental problem
本文通过科学素养测试中的图示和基础地理信息，用数量级方法推导出全球陆地冰全部融化将导致海平面上升约70米。
2023-11-29 physics.ao-ph physics.pop-ph
Quantitative assessment of drivers of recent climate variability: An information theoretic approach
确定和量化近期气候变异的可能驱动因素仍然是一项具有挑战性的任务。这个重要的问题是解决采用非参数信息理论技术，转移熵及其归一化的变体。它清楚地量化了任何两个变量之间随着信息的定向流动而交换的实际信息，与它们的共同历史或输入无关，不像相关性、互信息等。利用1984 - 2005年的厄尔尼诺南方涛动（ENSO）和全球平均气温距平（GMTA）资料，对气候驱动信号和响应信号进行了识别。对它们的相对贡献的估计表明，CO2（~24%），CH4（~19%）和火山气溶胶（~23%）是观测到的GMTA变化的主要贡献者。虽然紫外线（~9%）和厄尔尼诺/南方涛动（~12%）是GMTA变化的次要驱动因素，但其余因素在观测到的近期气候变率中发挥的作用很小。有趣的是，ENSO和GMTA在不同的时间滞后相互驱动。这项研究有助于气候科学未来的建模工作。
2017-01-24 physics.ao-ph
