引子

在流体力学中，Navier-Stokes方程被公认为描述流体运动的微观正确方程。它写在每一本教科书里，能够精确描述从毫米尺度到公里尺度的流动细节。但在气象预报中，我们不可能求解这个方程——因为大气网格点上存在的湍流涡旋尺度远小于网格间距，而它们的累积效应决定了宏观天气系统的演化。因此，气象学家用一个被“参数化”的方程来描述大尺度运动，其中小尺度效应被替换为基于平均量的经验公式。

这个替换的代价是：一个在微观尺度上完全正确的方程，在宏观尺度上却无法直接使用。 我们需要在两个尺度之间架设一座桥，使微观信息能够以某种有效形式出现在宏观方程中。这座桥的建造过程，在多尺度数学中有一个专门的名称——闭合问题（Closure Problem）。

构造学论要追问的是：一个尺度上的正确，通过什么数学操作才能变成另一个尺度上的正确？闭合的本质是什么？它是精确的，还是近似的？在什么条件下闭合是可能的，在什么条件下闭合不可避免地丢失信息？

一、闭合问题的构造学定义：在信息丢失与信息重组之间

在构造学论的语言中，闭合被定义为从系统的精细尺度描述中，提取出一个在粗粒化尺度上仍然有效的有效方程，使得粗粒化变量能够在不依赖于精细变量完整信息的情况下自洽地演化。

这个定义包含了三个关键操作：

· 粗粒化：将精细变量（如单个分子的位置和动量）替换为粗粒化变量（如密度、温度、压强）。粗粒化必然伴随着信息丢失——大量微观信息被压缩为少数宏观变量。

· 信息重组：被丢失的微观信息并未消失，而是通过某种形式重新出现在宏观方程中，通常表现为“有效系数”或“闭合项”——它们携带了微观尺度的信息，但以宏观变量的函数形式呈现。

·闭合条件：粗粒化后的方程中所包含的未知量数量必须等于方程的数量。如果粗粒化后的方程中包含比方程数量更多的未知量，系统就是未闭合的，无法直接求解。· 

闭合问题的本质是：在一个信息压缩不可避免的过程中，如何重组被压缩的信息，使得压缩后的系统仍然能够自洽地运行。

二、经典闭合框架

不同领域发展出了各自的闭合方法。它们在数学结构上各不相同，但共享同一个构造逻辑，就是将无法直接计算的精细信息转化为可由粗粒化变量近似的有效项。

统计力学：从微观相空间到宏观热力学

统计力学提供了最经典的闭合框架。系统的微观状态由相空间中的一个点表示（所有分子的位置和动量），这是一个极高维的对象。但在宏观尺度上，我们只关心少数热力学变量——温度、压强、体积、内能。

J. Willard Gibbs在1902年提出的系综理论给出了闭合的核心机制。时间平均被替换为系综平均——不是追踪单个系统的演化，而是考虑大量相同系统的统计分布。系统的宏观性质对应于系综的统计平均，微观涨落被吸收为热力学量的统计方差。宏观演化方程（如热力学第二定律）不依赖于单个分子的轨迹，而是依赖于整个系综的统计行为。

在这种闭合框架中，被丢失的微观信息（每个分子的精确轨迹）以“熵”的形式被保留——熵的量值本身不包含任何单个分子的信息，但它是系统在给定宏观约束下能够处于的微观状态数的度量。这是一个信息重组的极致，被压缩的微观信息被转化为一个标量函数，而这个函数完全决定了宏观热力学行为的约束结构。

湍流：雷诺平均与涡粘性假设

湍流是闭合问题的经典战场。Navier-Stokes方程在任意尺度上都是精确的，但在湍流状态下，直接数值求解的计算量随雷诺数的立方增长，使得绝大多数工程和大气问题无法采用直接求解。于是需要粗粒化——将速度场分解为平均部分和脉动部分（雷诺分解）：

​

平均后，Navier-Stokes方程中出现了一个新项，雷诺应力张量​​ ——脉动速度之间的协方差。这是一个未知量，它依赖于脉动场的完整统计信息，而脉动场的细节已经被粗粒化丢弃了。

湍流闭合的核心问题就是如何表达这个雷诺应力。最经典的方案是Boussinesq的涡粘性假设：雷诺应力与平均应变率成正比，比例系数为“涡粘性系数”：

这个假设使得未知量数量等于方程数量——闭合完成了。但代价是涡粘性系数 νt​ 本身不是常数，而是流动状态的函数。在不同的湍流区域，νt​ 的取值和表达式不同。涡粘性假设不是一个“精确”的闭合，而是一个“有效”的闭合——它在统计意义上是正确的，在个案中可能偏差很大。

更精细的湍流闭合方案包括k-ε模型（引入湍动能和耗散率的输运方程来动态计算涡粘性）、雷诺应力模型（直接构建雷诺应力的输运方程）、大涡模拟（只模拟大尺度涡，小尺度涡用亚格子模型闭合）。每一种闭合方案都是关于同一个问题的不同回答：“被丢失的信息如何被重组？”

气候动力学：参数化方案

气候系统是多尺度闭合的极端案例。大气和海洋中的过程跨越了从毫米（湍流耗散）到万公里（行星波）的空间尺度，以及从秒（声波）到万年（冰期）的时间尺度。不可能在单一模型中同时解析所有尺度。

气候模式的闭合策略是参数化：将那些无法被模式网格解析的小尺度过程，表达为可解析变量的函数。对流参数化将积云对流对大气热量和水汽的垂直输送表达为局地热力不稳定度的函数；辐射参数化将云层对辐射通量的影响表达为云量和云光学厚度的函数；边界层参数化将湍流混合强度表达为边界层高度和风切变的函数。

参数化方案的核心数学结构是在解析变量（粗粒化变量）与未解析变量之间假设一个确定性映射关系。这个映射关系可能来自理论推导（如混合长理论），可能来自高分辨率模型的统计结果，也可能来自观测数据的拟合。无论其来源如何，参数化方案都必须满足一个基本条件，当以粗粒化变量作为输入时，它输出的有效系数能使解析变量的演化方程具有正确的统计特征。

这种闭合既不是精确的，也不是普适的——它依赖于特定区域、特定条件下的经验关系。当气候系统状态发生变化时（如全球变暖），原有的参数化关系可能失效。这是气候模式不确定性的主要来源之一，也是多尺度闭合问题在实践中的核心挑战。

（待续...）

支持单位：