关于气候变化最基本的问题之一，同时也是最棘手的问题之一是：地球究竟会在多大程度上因未来温室气体排放而变暖？
科学家们说，答案就在我们头顶的天空中。云是看似蓬松却又不太可能的气候变化守门人——它们在全球变暖的速度中起着至关重要的作用。
最近的一系列研究为这一作用提供了新的线索。随着全球变暖，全球范围内的云层覆盖将发生变化。而这些变化的云层可能会加速全球变暖。
支持科学新闻报道
如果您喜欢这篇文章，请考虑通过以下方式支持我们屡获殊荣的新闻报道： 订阅。通过购买订阅，您正在帮助确保有关塑造我们今天世界的发现和想法的具有影响力的故事的未来。
这意味着地球可能比一些较旧的估计所暗示的对温室气体更为敏感。
“云是一个很大的不确定性因素，”伦敦帝国学院的气候科学家、一项新研究的共同作者保罗·切皮说。“所以这是主要的动机。我们想了解云将如何变化，以及这种云反馈将如何影响全球变暖。”
云研究是一项棘手的工作。云有时对局部气候产生变暖效应，有时产生降温效应——这一切都取决于云的类型、局部气候和各种其他条件。
气候变化只会使情况变得更加复杂。预计全球变暖将增加某些地区某些类型的云，并减少另一些地区的云。总而言之，这是一个遍布全球的巨大而复杂的效应拼图。
多年来，科学家们一直在努力确定云在未来变暖的情况下将如何变化——以及它们是否会使气候变化变得更糟，或者它们是否会减缓其某些影响。这是一个难以回答的问题。科学家通常使用计算机模型来预测未来的气候变化。但众所周知，云很难模拟，尤其是在全球范围内。
然而，在过去的几个月里，一些研究已经开始触及问题的核心。它们都得出了相同的结论：一些最坏情况的全球变暖情景可能比科学家之前认为的可能性要小。但一些最佳情况的情景也肯定不会发生。
这些研究都集中在同一个问题上：如果大气中二氧化碳浓度达到工业化前水平的两倍，世界究竟会变暖多少？
这目前只是一个假设性的问题。但这很快可能会改变。
在工业革命之前，大约150年前，全球二氧化碳水平徘徊在百万分之280左右。翻一番将是百万分之560。今天，浓度已经高于百万分之410，并且每年都在攀升。
这个CO2倍增问题——科学家称之为“平衡气候敏感度”的指标——几十年来一直是气候研究人员关注的中心问题。
这也是一个难以取得进展的问题。
1979年，美国国家科学院的一份开创性报告指出，地球可能会因此升温1.5至4.5摄氏度。多年来，一项又一项研究得出了大致相同的结论。
直到最近，研究人员才开始缩小范围——而云研究的改进在其中发挥了很大作用。
去年，一项开创性的新研究发现，二氧化碳浓度翻一番可能会导致升温2.6至3.9摄氏度。
这是一个大大缩小的预测范围，排除了某些高端预测，并消除了大部分低端范围。该研究汇集了所有关于气候敏感度的最新研究，考虑了多条不同的证据线索——包括云研究的最新进展。
在过去的几个月里，几项最近的研究——主要集中在云上——也支持了更窄的气候敏感度范围。
《自然气候变化》杂志上发表的一篇2月份的研究表明，可能的敏感度约为3.5摄氏度。《自然气候变化》杂志上发表的另一篇5月份的研究则将其定为3摄氏度左右。这两项研究都表明，在全球范围内，云可能对全球变暖速度产生适度的放大效应。
这些研究使用真实世界的观测数据得出结论。他们收集了大量关于云行为的数据——云对温度、湿度和其他天气变量变化的反应——然后对这些观测数据进行统计分析，以找出云可能如何响应未来的气候变化。
劳伦斯利弗莫尔国家实验室的气候科学家和云专家，以及5月份的研究和去年研究的共同作者马克·泽林卡说，这是一种相当传统的问题处理方式。
另一方面，一项较新的研究采取了一种不太传统的方法。该研究上周发表在《美国国家科学院院刊》上，它使用机器学习来找出云如何响应其环境变化。
机器学习是人工智能的一个分支，计算机在其中筛选大量数据，识别模式，然后使用这些模式构建算法，预测未来数据在各种条件下的行为方式。在本例中，研究人员使用了云对环境变化做出反应的真实世界观测数据。
机器学习方法得出了类似的结论：更窄的气候敏感度，排除了大多数温和的气候情景。该研究发现，气候敏感度低于2摄氏度的可能性几乎为零。
“我一直认为云问题特别适合机器学习方法，”切皮说，他与气候科学家和机器学习专家皮尔·诺瓦克共同进行了这项研究。“如果你想了解云与温度或湿度或风之间的关系，要梳理出每个环境变量的个体效应是相当困难的。”
他说，机器学习可能是处理如此复杂的数据集的一种更简单的方法。
机器学习也在其他类型的云研究中显示出前景。一些研究小组正在尝试将机器学习组件纳入全球气候模型，以此来解决模拟云的难题。
云对模型提出了挑战，因为它们需要极其精细的物理尺度——毕竟，云是由天空中微小的水滴形成的。在全球范围内模拟这些微观过程将需要难以想象的计算能力；这根本不可能实现。
为了解决这个问题，建模人员通常不会强迫他们的模型实际模拟云的形成。相反，他们手动插入关于云应该如何形成以及如何响应环境变化的信息，这种策略称为参数化。
机器学习可以作为参数化的替代方案。机器学习组件可以构建算法来预测云应该如何响应，而不是在模型中插入关于云应该如何行为的规则。
这还不是一种常见的策略。但在过去的几年里，多个研究小组已经开始研究它可能有多大用处。
这些是复杂云研究领域中令人鼓舞的进展。不过，利兹大学普里斯特利国际气候中心主任皮尔斯·福斯特在给E&E新闻的电子邮件中告诫说，“机器学习是一种非常有用的工具，但不是万能药。”
机器学习是分析复杂数据集的有效方法——但它可能会留下一些关于该数据背后潜在物理过程的未解答问题。关于云行为的来龙去脉，仍然有很大的传统研究空间。
“在我看来，两个方面协调发展才是答案，”福斯特补充道。
与此同时，泽林卡补充说，不同的策略得出相似的结论令人欣慰。
“如果只是一项研究，你可能会质疑该结果的稳健性，”泽林卡说。“但是，如果你有来自独立作者使用独立技术的越来越多证据，并且他们都得出了相似的结论，那就非常有力了。”
转载自E&E 新闻，经POLITICO, LLC许可。版权所有 2021年。E&E 新闻为能源和环境专业人士提供重要新闻。