大体上，参数的不确定性可以通过改变某个模型中的参数来产生通常所说的“扰动物理集成”这样的方法进行直接研究。然而，对所有参数的敏感性的综合评估在计算时可能是十分困难的，尤其是当多个参数同时变化的时候，只有在使用EMICs（Knuttietal.，2002）或者分布式计算（Stainforthetal.，2005）时才可行。结构上的不确定性可以通过对比不同模型，即所谓的“多模型集合”或者“机会集成”来实现，也就是说世界上不同团队开发的不同模型都在同一个驱动情景下运行。最简单的量是扩散方法，但受多种原因影响很难对其进行直接解释。首先，模型数量不够多，通常是10～20个全球气候模型。其次，模型不是独立的，他们都共享相同的假设，数值方法，某些案例中具有相同的代码。例如，目前所有GCMs都在类似的分辨率下运行，因此需要对相同的过程进行近似，即使是参数化本身的实施是不同的。再次，这些机会总体没试图跨越多个不确定性。他们应该是由相同的观测数据调整的一系列最佳模型的集成，而不是将世界上可能的模型都集中在一起。因此，对于不确定性的正式评估只有对很多尚未证明确定的假设时才成立（TebaldiandKnutti，2007）。
当在更小的尺度上进行预测时不确定性会增加。这是因为模型的分辨率不足以解决小细节，并且一些不透彻的理解或模拟的流程可能会强烈影响到当地的气候，但是对于全球尺度来讲影响不会那么大。比起与水文循环或者海冰、冰川、地表或者植被相关的变量来说，预测与气温相关的变量更为可靠。很多与水循环相关的过程在小的空间尺度上运行，需要进行参数化（如云的形成、冷凝、地形影响）。模型能够复制并且将过去的降雨趋势归于最大尺度上的人类活动（Zhangetal.，2007），并且与某些预测趋势是一致的（如高纬度地区降雨的增加和亚热带地区的趋于干旱化）。然而在小尺度上，他们通常与预测的趋势显著不同（图2.8）。
……
展开
