本文原文发表于 PRL 116,150002,2016

编辑部约稿：气候科学：向物理学家发出的邀请

J.S. Wettlaufer

耶鲁大学

翻译：刘磊、吕瑞

气候科学植根于物理学和许多被物理学家所用的方法。尽管数字时代的到来极大地改变了科学实践是一种老生常谈的说法，计算机的确对气候科学的成长和发展有巨大的影响。在计算机出现之前，物理科学，包括气候科学[1]，对观测的解释或做出预言都是用笔和纸计算完成的。计算机的出现彻底改变了这种局面。

气候理论的研究主要有两种方式：其一，基于大尺度大气和/或海洋环流模式的数值模拟；其二，利用理想化模型理解较大气候系统中的关键物理现象[2]。利用理想模型思考问题是一个物理学家的基本思维方式。气候模拟操作起来就像开展庞大的粗网格天气预报；全球气候被表征为一个包含有所有已知物理学知识的近似计算。对比起来，理想化模型聚焦于气候的单个子系统，例如厄尔尼诺[3]和北极海冰[4]。将问题如此分解将有助于相关过程及其观测事实的数学分析。模拟和理想模型之间存在着巨大的鸿沟，既是观念上的也是时空尺度上的。试图协调这两种方法将不得不聚焦于尺度问题，这是一个特别适合物理学家来干的事。凝聚态和粒子物理之间的尺度分离难题的研究，导致了重整化群的发展，从而整合了前述不同领域中的观念 [5]. 重整化群的思想和方法已经成功应用于流体动力学问题[6,7]，而后者是气候动力学的核心。

气候科学导致了最有影响的数学分支之一——混沌理论的诞生。气象学家Edward Lorenz在发展热对流理想模型时，类似于在火炉上加热水时发生的现象[8]，揭示了混沌理论。五十多年后，几乎每一个物理学家都听说过混沌，基于混沌的思想和观念已经延伸到许多科学领域[9]。在这种意义上，气候科学的确是基础科学。通过考虑特定气候问题提出来的理想模型，能够像混沌一样再有所发现吗？我们知道通常用于描述微观系统的统计力学方法也能够应用于大尺度地球物理系统，例如行星流、雨、海冰厚度[10-12]。还有其他什么观念可以为理想模型指明道路，并充实我们对地球物理流体的思考。Lorenz倡导对流体统计的研究将比单纯计算流场本身能更深入地了解现象 [13]。他的设想不断地推动着我们在许多新方向上的思考 [14-16]。

数据分析是另外一个主流物理学家和气候科学家能够联系起来的领域。例如：实验高能物理学家是从大量数据中探测小信号的能手，因此他们能正确解释粒子碰撞事件 [17]。 气候科学家在检查沉积物和冰核数据时，能从粒子物理学家所用的理论和分析方法中学到什么吗？反之，物理学家一般能从气候研究方法中有所借鉴吗[18-22]？

科学家用各种方法完美解决了大量的科学和工程问题。许多应用已经激发出完全崭新的创新方法。气候科学为科学家提供了广泛的兴趣和令人激动的挑战。这个领域是跨学科的，就像软物质[23]，从事其研究的人员跨越几乎所有科学和工程部门。需要解决的问题很多且涉及面十分广泛，这些问题从解决湍流和多尺度现象 [24-26]的挑战延伸到分析很宽范围的气候代用数据 [27-29]。在将来如果物理学所有领域的方法应用到气候学的过程中，会涌现出许多新的观念。这不但能帮助科学家更好的理解气候，而且他们从中获得的知识影响范围远远超出气候科学领域，就像气候科学的产物—混沌理论一样。

[1] Geophysical fluid dynamics summer program: Woods
Hole Oceanographic Institution, http://www.whoi.edu/gfd/
(c.f., Program History) (2016).
[2] I. M. Held, The gap between simulation and understanding
in climate modeling, Bull. Am. Meteorol. Soc. 86, 1609
(2005).
[3] E. Tziperman, H. Scher, S. E. Zebiak, and M. A. Cane,
Controlling Spatiotemporal Chaos in a Realistic El Nino
Prediction Model, Phys. Rev. Lett. 79, 1034 (1997).
[4] W. Moon and J. S. Wettlaufer, A stochastic perturbation
theory for non-autonomous systems, J. Math. Phys. (N.Y.)
54, 123303 (2013).
[5] L. P. Kadanoff, Innovations in statistical physics,
Annu. Rev. Condens. Matter Phys. 6, 1 (2015).
[6] N. Goldenfeld, Lectures on Phase Transitions and the
Renormalization Group (Addison-Wesley, Reading,MA,
1992).
[7] G. I. Barenblatt, Scaling, Self-Similarity, andIntermediate
Asymptotics: Dimensional Analysis and Intermediate
Asymptotics (Cambridge University Press, Cambridge,
England, 1996).
[8] E. N. Lorenz, Deterministic nonperiodic flow, J.Atmos. Sci.
20, 130 (1963).
[9] J. Gleick, Chaos: Making a New Science (Viking,
New York, NY, 1987).
[10] A. Venaille and F. Bouchet, Statistical Ensemble Inequivalence andBicritical Points for Two-Dimensional Flows
and Geophysical Flows, Phys. Rev. Lett. 102, 104501
(2009).
[11] M. Wilkinson, Large Deviation Analysis of Rapid Onset of
Rain Showers, Phys. Rev. Lett. 116, 018501 (2016).
[12] S. Toppaladoddi and J. S. Wettlaufer, Theory of the Sea Ice
Thickness Distribution, Phys. Rev. Lett. 115, 148501
(2015).
[13] J. B. Marston, Looking for new problems to solve? Consider
the climate, Physics 4, 20(2011).
[14] H. M. Arnold, I. M. Moroz, and T. N. Palmer, Stochastic
parametrizations and model uncertainty in the Lorenz 96
system, Phil. Trans. R. Soc. A 371, 20110479 (2013).
[15] A. N. Souza and C. R. Doering, Maximal transport in the
Lorenz equations, Phys. Lett. A 379, 518 (2015).
[16] S. Agarwal and J. S. Wettlaufer, Maximal stochastic transport in theLorenz equations, Phys. Lett. A 380, 142 (2016).
[17] G. J. Feldman and R. D. Cousins, Unified approach to the
classical statistical analysis of small signals, Phys.Rev. D
57, 3873 (1998).
[18] J. Pedlosky, Geophysical Fluid Dynamics (Springer,
New York, NY, 1992).
[19] A. J. Majda and X. Wang, Nonlinear Dynamics and
Statistical Theories for Basic Geophysical Flows
(Cambridge University Press, Cambridge, England, 2006).
[20] R. T. Pierrhumbert, Principles of PlanetaryClimate
(Cambridge University Press, Cambridge, England, 2010).
[21] H. Dijkstra, Nonlinear Climate Dynamics (Cambridge
University Press, Cambridge, England, 2013).
[22] C.Wunsch, Modern Observational PhysicalOceanography:
Understanding the Global Ocean (Princeton University
Press, Princeton, NJ, 2015).
[23] S. C. Glotzer, Editorial: Soft Matters, Phys.Rev. Lett. 114,
050001 (2015).
[24] E. N. Lorenz, The predictability of a flow which possesses
many scales of motion, Tellus 21, 289 (1969).
[25] T. N. Palmer, More reliable forecasts with less precise
computations: A fast-track route to cloud-resolved weather
and climate simulators?, Phil. Trans. R. Soc. A 372,
20130391 (2014).
[26] F. Bouchet, T. Grafke, T. Tangarife, and E. Vanden-Eijnden,
Large deviations in fast-slow systems, J.Stat. Phys. 162,
793 (2016).
[27] B. Saltzman, Dynamical Paleoclimatology:Generalized
Theory of Global Climate Change, International GeophysicsSeries (Academic, San Diego, CA, 2002), Vol. 80.
[28] A. Bunde, J. F. Eichner, J. W. Kantelhardt, and S. Havlin,
Long-Term Memory: A Natural Mechanism for the Clustering of Extreme Events andAnomalous Residual Times in
Climate Records, Phys. Rev. Lett. 94, 048701 (2005).
[29] D. H. Rothman, Earth’scarbon cycle: A mathematical
perspective, Bull. Am. Math. Soc. 52, 47 (2015).