图片来源：Unsplash
“未来的温室气体排放具体会给全球变暖带来多少影响？”是气候变化最基本也是最棘手的问题之一。
科学家说，答案就飘浮在我们头顶。松软的云朵看起来不太可能是气候变化的卫士，而事实上，它们在决定气候变化速率上发挥关键作用。
最近的一系列研究对这一作用有了新的认识。全球云量会随着全球变暖而改变，而且很可能会进一步加速全球变暖。
这就意味着曾经的一些研究可能略低估了地球对温室气体的敏感度。
帝国理工学院的气象科学家Paulo Ceppi是其中一项新研究的合著者之一，他说“云巨大的不确定性是这个研究的主要动力。我们想要理解云会如何改变，这些改变的云又会如何影响全球变暖。”
对云的研究就像个烫手的山芋。云有时候会对当地气候产生升温作用，有时候又会产生降温作用，这完全取决于云层的种类、当地的气候以及其他各种各样的情况。
而气候变化只会使这些研究更加复杂。全球变暖会提高某种云在某地的云量并降低它们在其他地方的云量。总的来说，这是一个会产生全球效应的、巨大且复杂的拼凑工作。
图片来源：Unsplash
多年来，科学家们一直致力于确定云会如何随着未来变暖而发生变化：它们将会恶化还是缓和全球变暖。这是一个难以回答的问题。科学家往往会采用计算机模型来预测未来的气候变化。但是云却是出了名的难以模拟，更不要说是在全球尺度上。
尽管如此，在过去的几个月里，一些研究已经开始对其进行深入调查。它们都得出了一个相同的结论：在全球变暖的背景下，一些最坏情况发生的概率可能低于科学家曾经的认知。但是一些最好情况也同样不会发生。
这些研究都聚焦在同一个问题上：如果大气中的二氧化碳浓度达到工业革命之前的两倍，全球温度会具体升高多少？
目前，这只是一个假设性问题。但这马上会改变。
在工业革命前(大约150年前)，全球二氧化碳浓度徘徊在百万分之二百八十（280ppm），它的两倍就是(560ppm)。如今，二氧化碳的大气浓度已经超过了410ppm，而且仍在逐年攀升。
二氧化碳倍增问题被科学家认为是“平衡气候敏感性”的指标，数十年以来一直是气候研究人员探索的核心问题。
这同时也是一个难以取得进展的问题。
在1979年，一份来自美国国家科学院（National Academy of Sciences）的开创性报告指出，二氧化碳倍增会使地球温度提高1.5~4.5℃。此后多年，接连的研究得出的结论基本与之相同。
直到最近，研究人员们才开始缩小这个范围，在云研究上的进展与之息息相关。
去年，一项开创性的新研究表明，二氧化碳浓度倍增可能会导致气温升高2.6~3.9℃。
这显然是一个范围更窄的推测，它稍稍降低了温度变化上限并且极大地提高了下限。这项研究汇集了所有关于气候敏感性的最新研究，涵盖了多种不同的证据，包括云研究的最新进展。
在过去的几个月，一些主要关于云的最近研究也同样支持较窄的气候敏感性范围。
一项二月份刊登在《自然气候变化》（Nature Climate Change）上的研究指出敏感度大约在3.5℃，而该刊物五月份刊登的一篇文章认为在3℃左右。这两项研究都表明在全球尺度上，云很可能对全球变暖速度有轻微的放大效应。
这些研究应用真实观测得出结论。它们编译了大量关于云在不同温度、湿度和其他天气变量下运动的数据，然后对这些观测的数据进行统计分析，来算出云可能会如何响应未来的气候变化。
五月份及去年的研究的合著者Mark Zelink是一名气候科学家，也是劳伦斯·利弗莫尔国家实验室（Lawrence Livermore National Laboratory）研究云的专家，他指出以上是解决这种问题相当传统的方法。
上星期发表在《美国国家科学院院刊》（Proceedings of the National Academy of Sciences）的一项新研究却采取了一个不寻常的方法，它使用机器学习的方法来计算出云对它们所处环境变化的响应方式。
机器学习是人工智能的一个分支，它用计算机对大量数据进行筛选、模式识别，然后利用这些模式建立算法，预测未来数据在各种条件下的行为。在上述新研究中，研究人员使用了真实的云如何响应环境变化的观测数据。
图片来源：Unsplash
机器学习的方法得到了一个类似的结论：一个更窄的气候敏感性区间，这也就排除了大部分温和的气候情况。这项研究发现气候敏感性基本上不可能低于2℃。
Ceppi和他的同行气候科学家和机器学习专家Peer Nowack一起进行了这个实验，他说：“我想了一会儿，我认为机器学习特别适合用于关于云的问题的研究。如果你想要理解云和温度、湿度或者风的关系，会发现很难梳理出单个环境变量带来的影响。”
Ceppi说，机器学习为处理如此复杂的数据集提供了更简便的方法。
机器学习也有希望成功解决其他关于云的研究。一些研究小组正在尝试把机器学习组件加入全球气候模型，从而解决在模拟云过程中遇到的难题。
云给模型提出了挑战，因为它们需要极高的物理精度，毕竟云是天空中由细小的水滴组成的。在全球尺度模拟这些微观过程需要难以估量的计算能力；这是不可能的。
为了绕开这个问题，建模者通常不会用物理模型模拟云的形成，而是手动输入云的形成方式以及响应环境变化的信息，这种策略被称为参数化。
机器学习可以替代参数化。机器学习组件可以构建预测云反应方式的算法，而不必在模型中输入关于云行为的规则。
目前这还不是一个通用的策略。但是在过去的几年中，多个研究小组已经开始研究这个方法的有效性。
这些都是在复杂的云研究领域有前景的进展。不过，“机器学习确实是一件非常有用的工具，但它不是万灵药。”利兹大学(University of Leeds)普里斯特利国际气候中心(Priestley International Centre for Climate)主任Piers Forster在给E&E News的电子邮件中警告说。
在分析复杂数据集时，机器学习是一种有效方法，但它不能解释数据背后的物理过程。关于云行为的方式和原因，仍有大量的传统研究空间。
Forster补充说:“这两条战线的协调发展是我心中的答案。”
同时，Zelinka补充道，令人欣慰的是不同的策略得到了相似的结论。
“如果这只是一个研究，你可能会怀疑这个结果的稳健性，”Zelinka说，“但是如果你从采用不同方法的不同的作者那里获得了越来越多的证据，而且他们都得到了相似的结论，那就相当有说服力了。”
撰文：Chelsea Harvey，E&E News记者。
翻译：张欣怡
审校：曾小欢
引进来源：科学美国人
本文来自：中国数字科技馆
本文是中国数字科技馆(www.cdstm.cn)原创内容，转载请注明出处和作者，否则我们将依法追究侵权责任。
[责任编辑：环球科学]
京公网安备11010502039775号
