IPCC AR6对地球气候系统中反馈机制的新认识

赵树云,孔铃涵,张华,王五科,赵淑雨,马馨宇,吴丹阳

摘要 气候反馈反映了气候系统内部对外界干扰的适应过程，在很大程度上影响对未来气候变化的预估。本文对政府间气候变化专门委员会（IPCC）第六次评估报告（AR6）中有关气候反馈的内容进行了梳理。相比第五次评估报告（AR5），AR6对云反馈的认识有了较大提高，尤其是副热带海洋上空低云的反馈。AR6认为在高信度上云反馈参数为正值，即对气候变化起到一种放大效应。不过，云反饋的不确定范围在所有反馈机制中依然是最大的。除了普朗克反馈外，其他反馈机制（包括水汽、温度直减率、地表反照率、云、生物地球物理和非CO2生物地球化学反馈）均在正值区间或零附近，总体上对气候变化起到放大效应。AR6对总的气候反馈的估计值为-1.16 W·m-2·℃-1，5%～95%的置信区间为[-1.81，-0.51] W·m-2·℃-1。随着气候平均态的增暖，气候反馈参数很可能会更靠近正值。

关键词 气候反馈;IPCC;AR6

外部因素（人类活动、太阳活动变化、火山喷发等）造成气候变化的根本原因是改变了地气系统的辐射收支，产生强迫（张华等，2017a，2017b，2019）。反过来，气候系统也会通过改变自身状态（地表气温、水汽含量、大气温度直减率等）使地气系统重新恢复辐射收支平衡，即气候反馈过程（张华等，2021a）。人们关注的气候变化，实际是气候状态的变化（如全球地表气温的变化幅度），它不仅取决于强迫的大小，也取决于气候反馈的大小。因此，对气候反馈的定量化理解水平会直接影响对未来气候变化预估的准确度。

自IPCC AR6第一工作组报告（WGI）正式发布以来（IPCC，2021），曹龙（2021a，2021b）、姜大膀和王娜（2021）、姜大膀和王晓欣（2021）、廖宏和谢佩芙（2021）、廖宏等（2021）、孙颖（2021）、王文和傅文睿（2021）、余荣和翟盘茂（2021）、周波涛（2021）、周波涛和钱进（2021）、左志燕和肖栋（2021）以及张华等（2021b）分别对报告不同方向内容进行了解读。主要包括：相比AR5，AR6对全球气候变暖和区域气候变化的新认识;极端天气气候事件的变化;干旱发生频率以及水循环的变化;人类活动对气候的影响;短寿命气候强迫因子对气候和环境的影响;气候强迫因子对气候施加影响的认识框架;从能量收支、辐射强迫到气候反馈;气候系统如何响应太阳辐射干预和二氧化碳移除等。

张华等（2021b）对AR6 WGI报告有关地球能量收支、气候反馈和气候敏感度的内容（Forster et al.，2021）进行了全面的解读，本文在张华等（2021b）的基础上细致地解读了不同气候反馈机制，主要包括三个方面内容：1）气候反馈的基本概念、衡量指标以及与气候敏感度之间的关系;2）气候系统中的反馈机制类型;3）目前针对不同气候反馈的定量化估计。对每种气候反馈机制，都尽可能清楚地描述出基本作用原理、AR6的最优估计值和5%～95%置信区间（下文中方括号内数值）、信度水平、相比IPCC第五次评估报告（AR5）的主要进展。本文在介绍普朗克反馈时，从基础的斯蒂芬-玻尔兹曼公式出发，推导了普朗克反馈参数的表达式和理论估计值，以便读者理解为什么说普朗克反馈是地球系统最基础的气候反馈。同时，也给出了AR6对普朗克反馈参数的最优估计。之后，本文较为详细地解读了AR6 WGI报告中给出的除普朗克反馈之外的其他气候反馈机制。IPCC评估报告对信度水平的界定主要是依据不同来源的证据（如，理论认识、模式模拟、观测资料分析、古气候代用资料分析等）之间的一致程度。因此，在解读不同气候反馈机制时，本文重点梳理了不同来源的证据。需要指出的是，和生物过程相关的反馈机制仅给出了其基本作用原理、AR6最优估计值及其信度，没有梳理详细的证据。原因是虽然和生物过程相关的研究很多，但对其反馈大小进行评估的直接证据较少，而且彼此之间差别较大。气候反馈和气候敏感度之间是有对应关系的，AR6中计算气候敏感度时冰盖反馈并没有被考虑在内，主要原因是冰盖达到平衡需要的时间太长。不过，AR6针对冰盖反馈给了一个定性的评估，本文也做了简要的解读。气候反馈的大小对气候平均态有依赖性，AR6对该依赖性进行了评估，本文在最后针对该部分内容也进行了简要解读。

1 什么是气候反馈

1.1 气候反馈概念与衡量指标

从图1可以简单理解气候反馈的概念，继而引起一系列气候响应，比如地表气温变化、水汽变化、大气温度直减率变化、地表反照率变化、云变化、生物地球物理和生物地球化学变化、冰盖变化。反过来，气候响应也会通过不同反馈机制影响地球辐射收支。以下用ΔFn表示全球平均大气顶辐射收支的初始变化。如果某种反馈机制的影响使全球平均大气顶辐射收支变化沿初始方向增大，那么称这种机制产生的是正反馈;反之，则为负反馈。在负反馈情况下，地球辐射收支变化会逐渐趋近于零，也就不再产生追加的气候响应，气候会在新的平衡态稳定下来;而在正反馈情况下，地球辐射收支变化与气候响应彼此促进增长，气候就很难稳定下来。由此可见，气候响应不仅取决于地球辐射收支的初始变化，还取决于气候系统中的反馈机制。气候反馈代表了气候响应通过一系列机制对地球辐射收支变化的反作用。

图1是一个相对简单的示意。实际上在AR6中，针对气候反馈有着严格的界定，即产生气候反馈的物理、生物地球物理（化学）过程必须是由全球地表气温变化引起的，而与全球地表气温变化无关的过程对地球辐射收支所起的反作用被称为“调整”，与瞬时辐射强迫一起纳入了有效辐射强迫的范畴（Forster et al.，2021）。既然所有气候反馈均与全球地表气温变化有关，在量化气候反馈时，可以用全球平均地表气温（单位：℃）变化（ΔTs）对应的大气顶净辐射通量变化来衡量，即气候反馈参数（以下用α表示）。经过调整和气候反馈后的全球平均大气顶辐射收支变化（以下用ΔN表示）可以写成：

ΔN=ΔFn+ΔFa+αΔTs=ERF+αΔTs。（1）

其中：ΔFn是全球平均大气顶辐射收支的初始变化;ΔFa代表“调整”;二者均与ΔTs无关，可以合并在一起，用有效辐射强迫（ERF）表示;ΔN中包含了不同反馈机制对全球平均大气顶辐射收支的影响。由式（1）可以导出α的表达式：

α=-ERF+ΔNΔTs=ΔNΔTs。（2）

那么，可以分离不同反馈机制对α的贡献：

α=α0+α1+α2+…=∑ni=0αi=∑ni=0NxidxidTs。（3）

式中：αi代表不同的气候反馈参数;xi代表不同反馈机制中的物理量，如地表气温、水汽含量、温度直减率等。

1.2 气候反馈与气候敏感度的关系

气候反馈与气候敏感度有对应关系。可以用CO2浓度突然加倍（相对于1750年的278×10-6，记做2×CO2）这样一个理想试验来理解二者的对应关系。CO2浓度突然加倍，会引起全球平均大气顶净辐射通量的变化。由式（1）可知，当全球平均地表气温还未响应时，也即ΔTs=0时，ΔN=ERF。可见，ΔTs=0时的全球平均大气顶净辐射通量变化即为2×CO2的有效辐射强迫。之后，随着全球平均地表气温的升高，ΔN逐渐减小（图2）;当ΔN减小至零时，此时的全球平均地表气温变化被定义为平衡态气候敏感度（Equilibrium Climate Sensitivity，简称ECS）。将ECS带入式（1），此时的ΔN=0，可以求出，

α=-ERFECS。（4）

对2×CO2而言，ERF>0，α与ECS是正相关关系。从图2可以发现，气候反馈参数α为全球平均大气顶辐射收支变化与相应的全球平均地表气温变化之间的线性回归系数。

ECS虽然是在2×CO2情况下定义的，但它和α一样，是衡量气候敏感度的气候系统内部指标。因为不确定性较大，IPCC AR5没能给出ECS的最优估计值，仅给出了一个可能区间（[1.5，4.5] ℃）。IPCC AR6综合多种证据（过程理解、仪器记录、古气候模拟和涌现约束（Bowman et al.，2018;Chen et al.，2020;张华等，2021a）给出的ECS最优估计值为3 [2，5] ℃（方括号中为5%～95%置信区间），基本排除了低于1.5 ℃的可能性，但是目前的证据无法排除高于5 ℃的可能性。

2 基础（普朗克）反馈

气候变化的基础反馈，又称普朗克反馈（下文用αp表示）是指地面和大气温度在垂直方向上均匀变化（也即大气温度垂直递减率保持不变）导致的大气顶向外发射热辐射的变化。如果没有大气，地球是一个简单的黑体，那么，普朗克反馈参数可以根据斯蒂芬-玻尔兹曼定律（FT=σT4，即黑体的积分辐出度与其温度4次方成正比）推导出来。根据式（3），由斯蒂芬-玻尔兹曼公式对地表温度求导，可以得到：

αp=-4σT3s。（5）

式中σ=5.669 6×10-8 W·m-2·K-4，为斯蒂芬-玻尔兹曼常数;式（5）中之所以有负号，是因为地球向外发射长波对其净辐射通量起负的贡献。但是，由于大气层（包括温室气体、气溶胶粒子和云等辐射介质）的存在，地气系统的辐射有效温度（记作Te）并非地表气温，而是大气层某个高度处（对流层中部）的温度。可以用参数β代表Te与Ts的比值，β≈0.885。用βTs代替Te，带入斯蒂芬-玻尔兹曼公式，并对Ts求导，可以推导出普朗克反馈参数：

αp=-4σβ4T3s。（6）

根据式（6），并取Ts=288 K（即当前全球平均地表气温），可以诊断出αp=-3.3 W·m-2·℃-1。由此可见，普朗克反馈是最基础、最普遍的气候反馈，它揭示了行星的温度越高向外发射的热辐射越多这样一个基本物理事实。

IPCC AR6综合利用辐射核技术（Held and Soden，2000;Soden and Held，2006;Zelinka et al.，2020;Wang et al.，2020）以及第5和6阶段耦合模式比较计划（CMIP5和CMIP6）给出普朗克反馈参数的最优估计为-3.22[-3.4，-3.0] W·m-2·℃-1。

3 其他反馈机制

3.1 水汽反馈

水汽反馈（以下用αWV表示），又称大气绝对湿度反馈，是指随着全球地表气温变化，大气水汽含量也随之发生变化，最终影响地球辐射收支。根据克劳修斯-克拉伯龙方程：

desrfdTs=LvesrfRvT2s。（7）

可以诊断大气水汽含量随全球地表气温的变化。式（7）中，esrf为地表实际水汽压，代表单位面积上整个气柱里水汽的重量;Ts为地表气温;Lv为水的汽化潜热（0 ℃时为2 501×103J·kg-1）;Rv=461.5 J·kg-1·K-1，为水汽的比气体常数。（7）式还可以写成：

desrfesrf=LvRvT2sdTs。（8）

根据式（8），仍取Ts=288 K，可以诊断出全球地表气温每升高1 ℃，大气中水汽含量增加6%～7%。在气候变暖的大背景下，大气水汽含量在增加，这在卫星观测和模式模拟中均得到證实（Soden and Held，2006;Dessler，2013;Gordon et al.，2013;Chung et al.，2014）。

水汽是最重要的温室气体。随着全球地表气温升高，大气水汽含量增加将吸收更多的长波辐射，减少大气顶向上辐射通量，从而产生正反馈。根据卫星观测资料分析，水汽反馈参数αWV的估计值为1.85 ± 0.32 W·m-2·℃-1 （Liu et al.，2018） 。从CMIP5和CMIP6模式模拟中得到的αWV估计值为1.77 ± 0.20 W·m-2·℃-1 （Zelinka et al.，2020） ，与从卫星观测资料中分析得到的结果比较一致。

IPCC AR6并没有单独给出水汽反馈参数的最优估计值，而是将水汽和大气温度直减率合并在一起，给出二者总的反馈参数的最优估计值（图3）。主要原因是不同研究在分离水汽反馈和大气温度直减率反馈时，所采用的方法并不统一：一种分离方法在计算大气温度直减率反馈时，假设大气绝对湿度不变;另一种方法在计算大气温度直减率反馈时，假设大气的相对湿度不变。后一种方法会将一部分水汽反馈纳入大气温度直减率反馈中。

3.2 大气温度直减率反馈

因为大气中温室气体和云的存在，地球发射红外辐射的等效温度位于比地表冷的对流层中部。因此，如果大气温度在垂直方向上的变化是非均匀的，也会导致大气层顶辐射通量变化。大气温度直减率反馈（以下用αLR表示）就是用来量化这一部分气候反馈机制。

在热带，大气温度廓线主要由湿对流决定，大气层结接近湿绝热。有研究发现，随着全球气候变暖，热带地区对流层高层升温快于低层（Manabe and Wetherald，1975;Bony et al.，2006），增加大气顶向上长波辐射，对气候变暖产生负反馈。热带外地区大气温度廓线由辐射、经向热传输和海洋热吸收共同决定（Rose et al.，2014）。冬季因为强烈的逆温导致极地地区对流层低层增暖更快，对气候产生正反馈（Manabe and Wetherald，1975;Bintanja et al.，2012;Pithan and Mauritsen，2014）。总的来说，热带地区大气温度直减率反馈占主导地位，导致全球平均大气温度直减率表现为负反馈（Soden and Held，2006;Dessler，2013;Vial et al.，2013;Caldwell et al.，2016）。来自再分析资料和卫星观测资料分析的结果与模式模拟结果相一致，显示在全球变暖背景下大气温度直减率反馈参数αLR的平均值為-0.50 ± 0.20 W·m-2·℃-1 （Dessler，2013;Caldwell et al.，2016;Colman and Hanson，2017;Zelinka et al.，2020）。

IPCC AR6没有针对水汽和大气温度直减率分别给出最优估计，而是给出了二者总的评估结果。基于对水汽反馈与大气温度直减率反馈的物理过程理解，并结合模式、观测等证据的支持，AR6认为水汽与大气温度直减率总体上表现为正反馈，高信度，总的反馈参数αWV+LR的最优估计为1.30 [1.1，1.5] W·m-2·℃-1。

3.3 地表反照率反馈

到达地表的太阳辐射一部分会被反射回太空。当地表反照率因为地表气温变化而变化时，被地表反射回太空的太阳辐射也会受到影响，这种反馈机制就是地表反照率反馈（以下用αA表示）。地表反照率变化的三分之一左右会反映在行星反照率上（Donohoe and Battisti，2011）。地表气温变化可以通过若干直接和间接的方式影响地表反照率;其中，最主要的方式是通过影响海冰和季节性积雪的覆盖面积（Zhang et al.，2019）;其次是通过影响积雪的变质率和对太阳光有吸收性的杂质颗粒的固结程度（Flanner and Zender，2006;Qu and Hall，2007;Tuzet et al.，2017）;其他方式还有通过影响植被生长状态、土壤含水量以及海洋粗糙度。

目前，基于观测的研究对地表反照率反馈参数（αA）的估计值在0.16～0.8 W·m-2·℃-1（Donohoe and Battisti，2011;Flanner et al.，2011;Crook and Forster，2014;Pistone et al.，2014;Cao et al.，2015;Donohoe et al.，2020）。其中Crook and Forster （2014）得到的地表反照率参数最大，为0.8±0.3 W·m-2·℃-1;Donohoe et al.（2020）得到的结果最小，仅0.16±0.04 W·m-2·℃-1。基于观测的地表反照率反馈参数主要由北半球贡献，南半球贡献很小，一方面是因为南半球季节性积雪覆盖面积有限，另一方面是因为南半球海冰覆盖面积的变化趋势相比北半球较小。

基于模式模拟的研究对αA的估计值为0.3～0.5 W·m-2·℃-1。基于CMIP5模式，利用RCP8.5情景模拟得到的αA为0.4±0.1 W·m-2·℃-1（Schneider et al.，2018）;利用4×CO2理想试验得到的αA为0.35±0.08 W·m-2·℃-1（Vial et al.，2013;Caldwell et al.，2016）;基于CMIP5的4×CO2理想试验，Donohoe et al.（2020）得到的αA为0.37±0.19 W·m-2·℃-1。基于CMIP6模式，Zelinka et al.（2020）得到的αA介于0.3～0.5 W·m-2·℃-1。

IPCC AR6综合基于观测和模拟的结果，并结合理论推测，认为全球地表反照率反馈参数在高可信度上是正值;对地表反照率参数αA的最优估计为0.35 [0.10，0.60] W·m-2·℃-1。

3.4 云反馈

云，一方面可以反射太阳辐射，对气候系统起冷却效应;另一方面可以拦截地表发射的长波辐射，对气候系统起保温效应。云对长波的拦截作用主要依赖较低的云顶辐射亮温，而云顶辐射亮温主要与云顶高度有关;而云对太阳辐射的反射作用主要取决于云的反照率。云（包括云量、云高、云光学性质、云生命时间等）因地表气温变化而变化，进而影响地球辐射收支，这种机制即为云反馈（以下用αC表示）。云反馈一直是估计气候敏感度时最大的不确定性来源。这与云自身种类的多样性，以及云与辐射、气溶胶、大尺度环流相互作用机制的复杂性有关。

为了理解复杂的云反馈，一个好的方法是分机制逐一评估（Gettelman and Sherwood，2016）。表1给出了IPCC AR5和AR6评估的不同云反馈机制的正负号和可信度。

随着气候增暖，高云云顶高度会升高，这种现象在卫星观测（Chepfer et al.，2014;Norris et al.，2016;Saint-Lu et al.，2020）、大气环流模式模拟以及云分辨模式模拟（Khairoutdinov and Emanuel，2013;Narenpitak et al.，2020）中均得以证实。Hartmann and Larson （2002）提出一种机制——云砧温度不变机制（fixed anvil temperature mechanism），认为随着气候增暖，热带对流云云顶高度虽然增加，但是云顶温度保持不变。如果仅考虑普朗克反馈，β保持不变，大气向外发射长波辐射的等效温度应与地表温度等比例升高，而热带对流云云顶的辐射亮温却保持不变，这显然对气候变暖起到了正反馈作用。AR5和AR6均认为高云高度反馈为正反馈，并具有高信度（表1）。AR6给出的最优估计为0.22±0.12 W·m-2·℃-1。

研究发现，随着海温升高，热带对流云的云砧面积会减小（Emanuel et al.，2014;Stein et al.，2017;Saint-Lu et al.，2020;Wing et al.，2020），导致向上长波辐射增加，对气候变暖起负反馈作用。这种反馈机制类似于人眼睛上的虹膜，随着光线强弱，通过调整瞳孔大小控制进光量。因此，有研究把这种热带高云云量反馈机制称为虹膜效应（Lindzen et al.，2001;Bony et al.，2016）。虽然有一些证据证明热带高云云量随着气候增暖而减少，但模式对其反馈参数的模拟存在很大的不确定性，主要受对流参数化、云微物理参数化和湍流影响。AR6认为热带高云云量反馈参数为负值，低信度;给出的最优估计为（-0.15±0.2） W·m-2·℃-1。

一直以来，副热带海洋边界层低云反馈被认为是云反馈模拟中最大的不确定性来源。研究发现，低云的变化可以用若干控制因子来表示，而且利用这些控制因子研究副热带海洋低云反馈比用模式模拟的低云量本身约束性更好（Myers and Norris，2016）。在所有控制因子中，海洋表面温度和逆温强度最为重要（Qu et al.，2015;Kawai et al.，2017）。海洋表面温度升高可以通过加强云顶夹卷作用减少低云量，而同时增强的逆温强度又有利于低云量增加。基于气候系统模式模拟，并利用从观测资料中分析的低云量与控制因子之间的关系作为约束，Klein et al.（2017）估算的副热带海洋低云反馈参数介于（0.14～0.36） W·m-2·℃-1。Bretherton（2015）利用大涡模式模拟得到的结果为0.2 W·m-2·℃-1。综合考虑不同来源的证据，IPCC AR6认为副热带海洋低云反馈为正反馈，并具有高信度，给出的最优估计为（0.2±0.16） W·m-2·℃-1。

基于CMIP5、CMIP6（Zelinka et al.，2016，2020）以及在次网格中嵌套云分辨模式的大气环流模式SP-CCSM4（英文全称：SuperParameterized version of the Community Climate System Model，Bretherton et al.，2014）的研究发现，随着气候增暖，陆地上云量（以低云为主）减少，反射的太阳辐射减少，对气候变暖起到正反馈。因为缺乏基于观测的证据支持，IPCC AR6认为陆地云反馈为正反馈，低信度，给出的最优估计为（0.08±0.08） W·m-2·℃-1。

有证据显示，自20世纪80年代以来，随着气候变暖，中纬度急流发生向极移动。因为中纬度云主要产生于急流风暴路径上的中纬度气旋中，所以似乎中纬度云也应随着急流一起向极移动，相应的，被中纬度云反射的太阳辐射减少，产生正反馈。然而，近期研究发现，这个机制在实际中并不适用。中纬度急流向极移动不是造成中纬度云反馈的主要原因，反过来，急流向极移动部分要归因于中纬度高云的变化（Tselioudis et al.，2016;Li et al.，2019）。有研究发现，中纬度高云和低云反馈有相互抵消的情况，造成中纬度云量反馈的净值很小（Grise and Medeiros，2016;Zelinka et al.，2018）。目前，有关中纬度云量反馈，观测和模拟只是在定性上面达成一致。因此，IPCC AR6给出了一个中等信度的结果，最优估计为（0.09±0.1） W·m-2·℃-1。

热带外云光学厚度反馈指的是南大洋（50°～80°S）混合相态云因气候变化导致云内相态变化，进而影响到云的光学厚度和辐射效应。研究认为，随着气候变暖，冰晶占主导的云会变成液滴占主导的云，云滴尺度变小，而数量增多，云光学厚度增加，对气候产生负反馈（Boucher et al.，2013;Tan et al.，2019）。CMIP5许多模式对热带外云光学厚度的负反馈有所高估，主要原因是对南大洋云内过冷水含量模拟偏低，随着气候变暖，更多的冰云转化为水云（Kay et al.，2016;Tan et al.，2016;Lohmann and Neubauer，2018）。CMIP6一些模式对云内过冷水含量的模拟有所提高，相应的，模拟的热带外云光学厚度负反馈有所减小，与观测得到的结果更接近（Bodas-Salcedo et al.，2019;Gettelman et al.，2019）。AR6认为热带外云光学厚度反馈参数为一个小的负值，最优估计是（-0.03±0.05） W·m-2·℃-1，中等信度。

北极地区的云对辐射的影响依赖季节，夏季以反射太阳辐射为主，其他季节以拦截地表长波辐射为主。因此，北极云反馈也依赖其变化的季节特征。AR5认为随着气候变暖，秋冬季北极海冰面积减少，更多开放的海面和水汽通量使得北极云量增加，拦截更多地表长波辐射，起到正反馈作用。近几年，有卫星观测（Taylor et al.，2015;Morrison et al.，2019）和模式模拟（Lané et al.，2016;Yoshimori et al.，2017）佐证了北极云量与海冰面积之间的协同变化，以及北极云量变化在秋季比夏季明显的特征。不过，有些模式模拟的北极云量反馈的绝对值非常小（Pithan and Mauritsen，2014;Morrison et al.，2019）。基于观测的結果也对分析时段和所采用的再分析资料比较敏感（Zhang et al.，2018）。综合考虑，AR6认为北极云量反馈参数为小的正值，低信度，给出的最优估计是（0.01±0.05） W·m-2·℃-1。

对比表1第二和第三列，不难看出，AR6相比AR5对云反馈的认识有了明显的进步，尤其是对副热带海洋低云反馈的认识。基于这些进步，AR6认为总的云反馈参数为正值，并具有高信度，给出的最优估计为0.42 [-0.10，0.94] W·m-2·℃-1。

3.5 生物地球物理和非CO2生物地球化学的反馈

随着地表气温（和伴随的水循环）变化，植被的空间分布和/或生物物理性质也会发生变化;这些变化可以通过改变地表反照率，或者通过改变地表动量和水汽通量进而改变云的性质，最终影响地球辐射收支;这被称为生物地球物理反馈。

非CO2生物地球化学反馈指的是，随着地表气温变化，大气化学成分（如CH4、N2O、臭氧、气溶胶等，但CO2和水汽除外）的含量也发生变化，进而影响到地球辐射收支。

目前，针对两种生物过程的反馈虽然也有一些研究，不过所得结果之间差别很大，同时对相关过程的理解还存在很大不足。AR6给出的生物地球物理反馈参数最优估计为0.15 [0，0.3] W·m-2·℃-1;非CO2生物地球化学反馈参数最优估计为-0.16 [-0.37，0.05]W·m-2·℃-1;两种生物过程总的反馈参数最优估计为-0.01 [-0.27，0.25] W·m-2·℃-1;三者均为低信度。

3.6 冰盖的反馈

IPCC AR6在定义平衡态气候敏感度时没有考虑冰盖（主要在格陵兰岛和南极）的长期反馈。不过，它梳理了从AR5到AR6对冰盖长期反馈认识上的进步。

随着气候变化，冰盖可以通过影响地表反照率（Fyke et al.，2018），以及大气和海洋环流的变化（Abe-Ouchi et al.，2015），最终影响地球辐射收支。冰盖达到平衡的时间需要数千年（Clark et al.，2016），而CMIP5模式的模拟时间一般在百年以内。更长时间的气候-冰盖耦合模式模拟通常需要简化模式的物理过程，或者采用非同步耦合方法。因此，AR5没有对冰盖的长期反馈做出估计。

AR6同样没有给出具体的估计值，不过它给了一个定性估计：“在几百年时间尺度上，冰盖的反馈参数可能是负值（中等信度）;而在几千年时间尺度上，冰盖达到平衡时，反馈参数很可能是正值（高信度）”。该结论主要来自模式模拟方面的证据。其中，Goelzer et al.（2011）对比了耦合和不耦合冰盖情况下一个地球系统模式对2×CO2的全球地表气温响应，发现在千年以内，耦合冰盖情况下的全球地表气温响应相对较小。Bronselaer et al.（2018）也有类似的发现。这支持了在几百年时间尺度上冰盖变化产生负反馈的结论。而在更长时间尺度上，冰盖变化产生正反馈的结论主要来自古气候模拟研究（Goldner et al.，2014;Chandan and Peltier，2018;Kennedy-Asser et al.，2019）。

3.7 小结

除了冰盖的长期反馈以外，针对水汽、大气温度直减率、地表反照率、云、以及生物地球物理和非CO2生物地球化学反馈，IPCC AR6均给出了最优估计值、置信区间以及可信度。相比AR5，AR6最大的进步体现在对云反馈的认识上，认为云在高信度上产生的是正反馈。不过，云反馈的不确定性区间仍然是所有反馈中最大的（图3）。

从图3还可以看出，除了普朗克反馈之外，其他反馈机制的α均分布在零附近和正值区。这使得地球气候总的反馈参数相比基础的普朗克反馈更靠近正值区。气候反馈参数越靠近正值区，气候的敏感度越大。换句话来说，除普朗克反馈之外的其他反馈机制整体上对氣候变化起放大效应。AR6给出了总的气候反馈参数的最优估计，为-1.16 [-1.81，-0.51] W·m-2·℃-1。

4 气候反馈对气候平均态的依赖性

前文的讨论都基于一个假设，即气候反馈参数α是固定不变的，不依赖气候平均态。从式1和图2可以看出，当α是固定值，气候受到一个初始扰动ΔFn后，到它重新恢复辐射平衡时（ΔN=0），所经历的气候变化幅度ΔTs仅与有效辐射强迫ERF大小有关。这也是为什么在预测气候变化时要计算不同因子的有效辐射强迫的原因。不过，最近的气候模式模拟和基于古气候代用资料的分析发现，气候反馈参数α依赖气候平均态，并且随着全球气候变暖而逐渐增大（图4）。

在气候模式模拟中，许多研究发现随着CO2浓度不断加倍（如2×CO2、4×CO2），全球平均地表气温的响应并不是按照CO2浓度所增加的倍数线性增长。这种现象背后的原因至少一部分是随着气候平均态的暖化，气候敏感度在增加，也就是说气候反馈参数越来越靠近正值（Caballero and Huber，2013;Jonko et al.，2013;Meraner et al.，2013;Good et al.，2015;Mauritsen et al.，2019;Zhu et al.，2019）。进一步分析发现，气候反馈参数随气候暖化而增加的原因是水汽和云反馈的增加（Caballero and Huber，2013;Meraner et al.，2013;Zhu et al.，2019;Rugenstein et al.，2020;Sherwood et al.，2020）。不过，也有模式模拟研究得出相反的结论（Duan et al.，2019;Stolpe et al.，2019）。

气候反馈参数依赖气候平均态的另一个证据来自对200万年以来冰期-间冰期循环的分析。研究发现，间冰期的气候反馈参数相比冰期更靠近正值（von der Heydt et al.，2014;Friedrich et al.，2016;Royer，2016;Khler et al.，2017;Snyder，2019;Stap et al.，2019）。基于更早的气候代用资料分析，也证实了类似现象（Anagnostou et al.，2016，2020;Shaffer et al.，2016）。

AR6結合模式模拟和古气候记录的分析结果，认为气候反馈参数随全球气候变暖而增加，并具有高信度。

5 结论与讨论

气候系统中存在多种反馈机制，包括普朗克反馈、水汽反馈、大气温度直减率反馈、地表反照率反馈、云反馈、生物地球物理和生物地球化学反馈、冰盖反馈。气候反馈与气候敏感度之间有对应关系，随着气候反馈增加，气候敏感度逐渐增大。

AR6对总的气候反馈参数的最优估计为-1.16 [-1.81，-0.51] W·m-2·℃-1。该值比地球气候的基础（普朗克）反馈参数的最优估计-3.22 [-3.4，-3.0] W·m-2·℃-1更靠近正值区，表明所有气候反馈的综合效应是在普朗克反馈的基础上放大气候变化的幅度。水汽反馈对这种放大效应的贡献最大。AR6对云反馈的认识相比AR5在很多方面都有了提高，尤其是对副热带海洋低云的认识，这使得AR6中云反馈的不确定范围比AR5中缩小了50%。不过，在所有反馈机制中，云反馈的不确定范围依然是最大的。AR6对云反馈参数的最优估计为0.42 [-0.10，0.94] W·m-2·℃-1，并认为云反馈为正值是具有高信度的。可以判断，在百年尺度上准确预测未来气候变化，最大的挑战依然是和云相关的不确定性，包括云反馈的不确定性、气溶胶-云相互作用产生的强迫的不确定性。在更长的时间尺度上，或者在非常高CO2排放情况下（如4×CO2），还需要考虑与生物相关的反馈、冰盖的反馈以及反馈参数本身随气候平均态的变化。这是我们做不同时间尺度气候变化的研究中所需要注意的问题。

参考文献（References）

Abe-Ouchi A，Saito F，Kageyama M，et al.，2015.Ice-sheet configuration in the CMIP5/PMIP3 last glacial maximum experiments[J].Geosci Model Dev，8（11）：3621-3637.doi：10.5194/gmd-8-3621-2015.

Anagnostou E，John E H，Edgar K M，et al.，2016.Changing atmospheric CO2 concentration was the primary driver of early Cenozoic climate[J].Nature，533（7603）：380-384.doi：10.1038/nature17423.

Anagnostou E，John E H，Babila T L，et al.，2020.Proxy evidence for state-dependence of climate sensitivity in the Eocene greenhouse[J].Nat Commun，11：4436.doi：10.1038/s41467-020-17887-x.

Bintanja R，Linden E C，Hazeleger W，2012.Boundary layer stability and Arctic climate change：a feedback study using EC-Earth[J].Clim Dyn，39（11）：2659-2673.doi：10.1007/s00382-011-1272-1.

Bodas-Salcedo A，Mulcahy J P，Andrews T，et al.，2019.Strong dependence of atmospheric feedbacks on mixed-phase microphysics and aerosol-cloud interactions in HadGEM3[J].J Adv Modeling Earth Syst，11（6）：1735-1758.doi：10.1029/2019MS001688.

Bony S，Colman R，Kattsov V M，et al.，2006.How well do we understand and evaluate climate change feedback processes？[J].J Climate，19（15）：3445-3482.doi：10.1175/jcli3819.1.

Bony S，Stevens B，Coppin D，et al.，2016.Thermodynamic control of anvil cloud amount[J].PNAS，113（32）：8927-8932.doi：10.1073/pnas.1601472113.

Boucher O，Randall D，Artaxo P，et al.，2013.Clouds and aerosols[R]//Stocker T，Qin D，Plattner G K，et al.Climate change 2013：the physical science basis.Cambridge and New York：Cambridge University Press.doi：10.1017/cbo9781107415324.016.

Bowman K W，Cressie N，Qu X，et al.，2018.A hierarchical statistical framework for emergent constraints：application to snow-albedo feedback[J].Geophys Res Lett，45（23）：13050-13059.doi：10.1029/2018GL080082.

Bretherton C S，2015.Insights into low-latitude cloud feedbacks from high-resolution models[J].Philos Trans A Math Phys Eng Sci，373（2054）.doi：10.1098/rsta.2014.0415.doi：10.1098/rsta.2014.0415.

Bretherton C S，Blossey P N，Stan C，2014.Cloud feedbacks on greenhouse warming in the superparameterized climate model SP-CCSM4[J].J Adv Modeling Earth Syst，6（4）：1185-1204.doi：10.1002/2014MS000355.

Bronselaer B，Winton M，Griffies S M，et al.，2018.Change in future climate due to Antarctic meltwater[J].Nature，564（7734）：53-58.doi：10.1038/s41586-018-0712-z.

Caballero R，Huber M，2013.State-dependent climate sensitivity in past warm climates and its implications for future climate projections[J].PNAS，110（35）：14162-14167.doi：10.1073/pnas.1303365110.

Caldwell P M，Zelinka M D，Taylor K E，et al.，2016.Quantifying the sources of intermodel spread in equilibrium climate sensitivity[J].J Climate，29（2）：513-524.doi：10.1175/jcli-d-15-0352.1.

曹龍，2021a.IPCC AR6解读之气候系统对太阳辐射干预响应[J].气候变化研究进展. Cao L，2021a.Climate system response to carbon dioxide removal[J].Climate Change Research.doi：10.12006/j.issn.1673-1719.2021.170.（in Chinese）.

曹龙，2021b.IPCC AR6报告解读：气候系统对二氧化碳移除响应[J].气候变化研究进展. Cao L，2021b.Climate system response to carbon dioxide removal[J].Climate Change Research.doi：10.12006/j.issn.1673-1719.2021.169.（in Chinese）.

Cao Y F，Liang S L，Chen X N，et al.，2015.Assessment of sea ice albedo radiative forcing and feedback over the Northern Hemisphere from 1982 to 2009 using satellite and reanalysis data[J].J Climate，28（3）：1248-1259.doi：10.1175/jcli-d-14-00389.1.

Chandan D，Peltier W R，2018.On the mechanisms of warming the mid-Pliocene and the inference of a hierarchy of climate sensitivities with relevance to the understanding of climate futures[J].Clim Past，14（6）：825-856.doi：10.5194/cp-14-825-2018.

Chen X L，Zhou T J，Wu P L，et al.，2020.Emergent constraints on future projections of the western North Pacific Subtropical High[J].Nat Commun，11：2802.doi：10.1038/s41467-020-16631-9.

Chepfer H，Noel V，Winker D，et al.，2014.Where and when will we observe cloud changes due to climate warming？[J].Geophys Res Lett，41（23）：8387-8395.doi：10.1002/2014GL061792.

Chung E S，Soden B，Sohn B J，et al.，2014.Upper-tropospheric moistening in response to anthropogenic warming[J].PNAS，111（32）：11636-11641.doi：10.1073/pnas.1409659111.

Clark P U，Shakun J D，Marcott S A，et al.，2016.Consequences of twenty-first-century policy for multi-millennial climate and sea-level change[J].Nat Clim Change，6（4）：360-369.doi：10.1038/nclimate2923.

Colman R，Hanson L，2017.On the relative strength of radiative feedbacks under climate variability and change[J].Clim Dyn，49（5/6）：2115-2129.doi：10.1007/s00382-016-3441-8.

Crook J A，Forster P M，2014.Comparison of surface albedo feedback in climate models and observations[J].Geophys Res Lett，41（5）：1717-1723.doi：10.1002/2014GL059280.

Dessler A E，2013.Observations of climate feedbacks over 2000—10 and comparisons to climate models[J].J Climate，26（1）：333-342.doi：10.1175/jcli-d-11-00640.1.

Donohoe A，Battisti D S，2011.Atmospheric and surface contributions to planetary albedo[J].J Climate，24（16）：4402-4418.doi：10.1175/2011jcli3946.1.

Donohoe A，Blanchard-Wrigglesworth E，Schweiger A，et al.，2020.The effect of atmospheric transmissivity on model and observational estimates of the sea ice albedo feedback[J].J Climate，33（13）：5743-5765.doi：10.1175/jcli-d-19-0674.1.

Duan L，Cao L，Caldeira K，2019.Estimating contributions of sea ice and land snow to climate feedback[J].J Geophys Res：Atmos，124（1）：199-208.doi：10.1029/2018JD029093.

Emanuel K，Wing A A，Vincent E M，2014.Radiative-convective instability[J].J Adv Modeling Earth Syst，6（1）：75-90.doi：10.1002/2013MS000270.

Flanner M G，Zender C S，2006.Linking snowpack microphysics and albedo evolution[J].J Geophys Res：Atmos，111（D12）：D12208.doi：10.1029/2005JD006834.

Flanner M G，Shell K M，Barlage M，et al.，2011.Radiative forcing and albedo feedback from the Northern Hemisphere cryosphere between 1979 and 2008[J].Nat Geosci，4（3）：151-155.doi：10.1038/ngeo1062.

Forster P，T Storelvmo，K Armour，et al.，2021.The Earth’s Energy Budget，Climate Feedbacks，and Climate Sensitivity[R]//Climate Change 2021：The Physical Science Basis.Contribution of Working Group Ito the Sixth Assessment Report of the Intergovernmental Panel on Climate Change.Cambridge University Press（in press）.

Friedrich T，Timmermann A，Tigchelaar M，et al.，2016.Nonlinear climate sensitivity and its implications for future greenhouse warming[J].Sci Adv，2（11）：e1501923.doi：10.1126/sciadv.1501923.

Fyke J，Sergienko O，Lfverstrm M，et al.，2018.An overview of interactions and feedbacks between ice sheets and the earth system[J].Rev Geophys，56（2）：361-408.doi：10.1029/2018RG000600.

Gettelman A，Sherwood S C，2016.Processes responsible for cloud feedback[J].Curr Clim Change Rep，2（4）：179-189.doi：10.1007/s40641-016-0052-8.

Gettelman A，Hannay C，Bacmeister J T，et al.，2019.High climate sensitivity in the community earth system model version 2 （CESM2）[J].Geophys Res Lett，46（14）：8329-8337.doi：10.1029/2019GL083978.

Goelzer H，Huybrechts P，Loutre M F，et al.，2011.Impact of Greenland and Antarctic ice sheet interactions on climate sensitivity[J].Clim Dyn，37（5/6）：1005-1018.doi：10.1007/s00382-010-0885-0.

Goldner A，Herold N，Huber M，2014.Antarctic glaciation caused ocean circulation changes at the Eocene-Oligocene transition[J].Nature，511（7511）：574-577.doi：10.1038/nature13597.

Good P，Lowe J A，Andrews T，et al.，2015.Nonlinear regional warming with increasing CO2 concentrations[J].Nat Clim Change，5（2）：138-142.doi：10.1038/nclimate2498.

Gordon N D，Jonko A K，Forster P M，et al.，2013.An observationally based constraint on the water-vapor feedback[J].J Geophys Res：Atmos，118（22）：12435-12443.doi：10.1002/2013JD020184.

Grise K M，Medeiros B，2016.Understanding the varied influence of midlatitude jet position on clouds and cloud radiative effects in observations and global climate models[J].J Climate，29（24）：9005-9025.doi：10.1175/jcli-d-16-0295.1.

Hartmann D L，Larson K，2002.An important constraint on tropical cloud-climate feedback[J].Geophys Res Lett，29（20）：12-1.doi：10.1029/2002GL015835.

Held I M，Soden B J，2000.Water vapor feedback and global warming[J].Annu Rev Energy Environ，25（1）：441-475.doi：10.1146/annurev.energy.25.1.441.

Huang Y，Wang Y W，Huang H，2020.Stratospheric water vapor feedback disclosed by a locking experiment[J].Geophys Res Lett，47（12）：e2020GL087987.doi：10.1029/2020GL087987.

Huang Y，Zhang M H，Xia Y，et al.，2016.Is there a stratospheric radiative feedback in global warming simulations？[J].Clim Dyn，46（1/2）：177-186.doi：10.1007/s00382-015-2577-2.

IPCC，2021.Climate Change 2021：The Physical Science Basis[R]//Contribution of Working Group I to the Fifth Assessment Report of the Intergovernmental Panel on Climate Change.Cambridge and New York：Cambridge University Press.（in press）.

姜大膀，王娜，2021.IPCC AR6解讀之水循环变化[J].气候变化研究进展.doi：10.12006/j.issn.1673-1719.2021.160. Jiang D B，Wang N，2021.Water cycle changes：interpretation of IPCC Sixth Assessment Report [J].Climate Change Research.doi：10.12006/j.issn.1673-1719.2021.160.（in Chinese）.

姜大膀，王晓欣，2021.对IPCC第六次评估报告中有关干旱变化的解读[J].大气科学学报，44（5）：650-653. Jiang D B，Wang X X，2021.A brief interpretation of drought change from IPCC Sixth Assessment Resport[J].Trans Atmos Sci，44（5）：650-653.doi：10.13878/j.cnki.dqkxxb.20210810007.（in Chinese）

Jonko A K，Shell K M，Sanderson B M，et al.，2013.Climate feedbacks in CCSM3 under changing CO2 forcing.part Ⅱ：variation of climate feedbacks and sensitivity with forcing[J].J Climate，26（9）：2784-2795.doi：10.1175/jcli-d-12-00479.1.

Kawai H，Koshiro T，Webb M J，2017.Interpretation of factors controlling low cloud cover and low cloud feedback using a unified predictive index[J].J Climate，30（22）：9119-9131.doi：10.1175/jcli-d-16-0825.1.

Kay J E，Bourdages L，Miller N B，et al.，2016.Evaluating and improving cloud phase in the Community Atmosphere Model version 5 using spaceborne lidar observations[J].J Geophys Res：Atmos，121（8）：4162-4176.doi：10.1002/2015JD024699.

Kennedy-Asser A T，Lunt D J，Farnsworth A，et al.，2019.Assessing mechanisms and uncertainty in modeled climatic change at the Eocene-Oligocene transition[J].Paleoceanogr Paleoclimatology，34（1）：16-34.doi：10.1029/2018PA003380.

Khairoutdinov M，Emanuel K，2013.Rotating radiative-convective equilibrium simulated by a cloud-resolving model[J].J Adv Modeling Earth Syst，5（4）：816-825.doi：10.1002/2013MS000253.

Klein S A，Hall A，Norris J R，et al.，2017.Low-cloud feedbacks from cloud-controlling factors：a review[J].Surv Geophys，38（6）：1307-1329.doi：10.1007/s10712-017-9433-3.

Khler P，Stap L B，Von der Heydt A S，et al.，2017.A state-dependent quantification of climate sensitivity based on paleodata of the last 2.1 million years[J].Paleoceanography，32（11）：1102-1114.doi：10.1002/2017PA003190.

Lané A，Yoshimori M，Abe-Ouchi A，2016.Surface arctic amplification factors in CMIP5 models：land and oceanic surfaces and seasonality[J].J Climate，29（9）：3297-3316.doi：10.1175/jcli-d-15-0497.1.

Li Y，Thompson D W J，Bony S，et al.，2019.Thermodynamic control on the poleward shift of the extratropical jet in climate change simulations：the role of rising high clouds and their radiative effects[J].J Climate，32（3）：917-934.doi：10.1175/jcli-d-18-0417.1.

廖宏，謝佩芙，2021.IPCC AR6解读之短寿命气候强迫因子的气候及环境效应[J].气候变化研究进展. Liao H，Xie P F，2021.The roles of Short-lived Climate Forcers in a changing climate [J].Climate Change Research.doi：10.12006/j.issn.1673-1719.2021.162.（in Chinese）.

廖宏，高瑜成，陈东林，等，2021.空气污染-气候相互作用：IPCC AR6的结论解读[J].大气科学学报，44（5）：658-666. Liao H，Gao Y C，Chen D L.，et al.，2021.Assessment of air quiality-climate interactions in IPCC AR6 [J].Trans Atmos Sci，44（5）：658-666.doi：10.13878/j.cnki.dqkxxb.20210823011.（in Chinese）.

Lindzen R S，Chou M D，Hou A Y，2001.Does the earth have an adaptive infrared iris？[J].Bull Amer Meteor Soc，82（3）：417-432.doi：10.1175/1520-0477（2001）082<0417：dtehaa>2.3.co;2.

Liu R，Su H，Liou K N，et al.，2018.An assessment of tropospheric water vapor feedback using radiative kernels[J].J Geophys Res：Atmos，123（3）：1499-1509.doi：10.1002/2017JD027512.

Lohmann U，Neubauer D，2018.The importance of mixed-phase and ice clouds for climate sensitivity in the global aerosol-climate model ECHAM6-HAM2[J].Atmos Chem Phys，18（12）：8807-8828.doi：10.5194/acp-18-8807-2018.

Manabe S，Wetherald R T，1975.The effects of doubling the CO2 Concentration on the climate of a general circulation model[J].J Atmos Sci，32（1）：3-15.doi：10.1175/1520-0469（1975）0320003：teodtc>2.0.co;2.

Mauritsen T，Bader J，Becker T，et al.，2019.Developments in the MPI-M earth system model version 1.2 （MPI-ESM1.2） and its response to increasing CO2[J].J Adv Modeling Earth Syst，11（4）：998-1038.doi：10.1029/2018MS001400.

Meraner K，Mauritsen T，Voigt A，2013.Robust increase in equilibrium climate sensitivity under global warming[J].Geophys Res Lett，40（22）：5944-5948.doi：10.1002/2013GL058118.

Morrison A L，Kay J E，Frey W R，et al.，2019.Cloud response to arctic sea ice loss and implications for future feedback in the CESM1 climate model[J].J Geophys Res：Atmos，124（2）：1003-1020.doi：10.1029/2018JD029142.

Myers T A，Norris J R，2016.Reducing the uncertainty in subtropical cloud feedback[J].Geophys Res Lett，43（5）：2144-2148.doi：10.1002/2015GL067416.

Narenpitak P，Bretherton C S，Khairoutdinov M F，2020.The role of multiscale interaction in tropical cyclogenesis and its predictability in near-global aquaplanet cloud-resolving simulations[J].J Atmos Sci，77（8）：2847-2863.doi：10.1175/jas-d-20-0021.1.

Norris J R，Allen R J，Evan A T，et al.，2016.Evidence for climate change in the satellite cloud record[J].Nature，536（7614）：72-75.doi：10.1038/nature18273.

Pistone K，Eisenman I，Ramanathan V，2014.Observational determination of albedo decrease caused by vanishing Arctic sea ice[J].PNAS，111（9）：3322-3326.doi：10.1073/pnas.1318201111.

Pithan F，Mauritsen T，2014.Arctic amplification dominated by temperature feedbacks in contemporary climate models[J].Nat Geosci，7（3）：181-184.doi：10.1038/ngeo2071.

Qu X，Hall A，2007.What controls the strength of snow-albedo feedback？[J].J Climate，20（15）：3971-3981.doi：10.1175/jcli4186.1.

Qu X，Hall A，Klein S A，et al.，2015.Positive tropical marine low-cloud cover feedback inferred from cloud-controlling factors[J].Geophys Res Lett，42（18）：7767-7775.doi：10.1002/2015GL065627.

Rose B E J，Armour K C，Battisti D S，et al.，2014.The dependence of transient climate sensitivity and radiative feedbacks on the spatial pattern of ocean heat uptake[J].Geophys Res Lett，41（3）：1071-1078.doi：10.1002/2013GL058955.

Royer D L，2016.Climate sensitivity in the geologic past[J].Annu Rev Earth Planet Sci，44（1）：277-293.doi：10.1146/annurev-earth-100815-024150.

Rugenstein M，Bloch-Johnson J，Gregory J，et al.，2020.Equilibrium climate sensitivity estimated by equilibrating climate models[J].Geophys Res Lett，47（4）：e2019GL083898.doi：10.1029/2019GL083898.

Saint-Lu M，Bony S，Dufresne J L，2020.Observational evidence for a stability iris effect in the tropics[J].Geophys Res Lett，47（14）：e2020GL089059.doi：10.1029/2020GL089059.

Schneider A，Flanner M，Perket J，2018.Multidecadal variability in surface albedo feedback across CMIP5 models[J].Geophys Res Lett，45（4）：1972-1980.doi：10.1002/2017GL076293.

Shaffer G，Huber M，Rondanelli R，et al.，2016.Deep time evidence for climate sensitivity increase with warming[J].Geophys Res Lett，43（12）：6538-6545.doi：10.1002/2016GL069243.

Sherwood S C，Webb M J，Annan J D，et al.，2020.An assessment of earths climate sensitivity using multiple lines of evidence[J].Rev Geophys，58（4）：e2019RG000678.doi：10.1029/2019RG000678.

Snyder C W，2019.Revised estimates of paleoclimate sensitivity over the past 800 000 years[J].Clim Change，156（1/2）：121-138.doi：10.1007/s10584-019-02536-0.

Soden B J，Held I M，2006.An assessment of climate feedbacks in coupled ocean-atmosphere models[J].J Climate，19（14）：3354-3360.doi：10.1175/jcli3799.1.

Soden B J，Jackson D L，Ramaswamy V，et al.，2005.The radiative signature of upper tropospheric moistening[J].Science，310（5749）：841-844.doi：10.1126/science.1115602.

Stap L B，Khler P，Lohmann G，2019.Including the efficacy of land ice changes in deriving climate sensitivity from paleodata[J].Earth Syst Dynam，10（2）：333-345.doi：10.5194/esd-10-333-2019.

Stein T H M，Holloway C E，Tobin I，et al.，2017.Observed relationships between cloud vertical structure and convective aggregation over tropical ocean[J].J Climate，30（6）：2187-2207.doi：10.1175/jcli-d-16-0125.1.

Stolpe M B，Medhaug I，Beyerle U，et al.，2019.Weak dependence of future global mean warming on the background climate state[J].Clim Dyn，53（7/8）：5079-5099.doi：10.1007/s00382-019-04849-3.

孫颖，2021.人类活动对气候系统的影响：解读IPCC第六次评估报告第一工作组报告第三章[J].大气科学学报，44（5）：654-657. Sun，2021.Human influence on the climate system：an interpretation of WGⅠ Report of IPCC AR6 [J].Trans Atmos Sci，44（5）：654-657.（in Chinese）.

Tan I，Storelvmo T，Zelinka M D，2016.Observational constraints on mixed-phase clouds imply higher climate sensitivity[J].Science，352（6282）：224-227.doi：10.1126/science.aad5300.

Tan I，Oreopoulos L，Cho N，2019.The role of thermodynamic phase shifts in cloud optical depth variations with temperature[J].Geophys Res Lett，46（8）：4502-4511.doi：10.1029/2018GL081590.

Taylor P C，Kato S，Xu K M，et al.，2015.Covariance between Arctic sea ice and clouds within atmospheric state regimes at the satellite footprint level[J].J Geophys Res：Atmos，120（24）：12656-12678.doi：10.1002/2015JD023520.

Tselioudis G，Lipat B R，Konsta D，et al.，2016.Midlatitude cloud shifts，their primary link to the Hadley cell，and their diverse radiative effects[J].Geophys Res Lett，43（9）：4594-4601.doi：10.1002/2016GL068242.

Tuzet F，Dumont M，Lafaysse M，et al.，2017.A multilayer physically based snowpack model simulating direct and indirect radiative impacts of light-absorbing impurities in snow[J].Cryosphere，11（6）：2633-2653.doi：10.5194/tc-11-2633-2017.

Vial J，Dufresne J L，Bony S，2013.On the interpretation of inter-model spread in CMIP5 climate sensitivity estimates[J].Clim Dyn，41（11/12）：3339-3362.doi：10.1007/s00382-013-1725-9.

Wang F，Zhang H，Chen Q，et al.，2020.Analysis of short-term cloud feedback in east Asia using cloud radiative kernels[J].Adv Atmos Sci，37（9）：1007-1018.doi：10.1007/s00376-020-9281-9.

王文，傅文睿，2021.IPCC AR6報告解读：“产生影响的气候因子”评估框架[J].气候变化研究进展. Wang W，Fu W R，2021.The climatic impact driver framework[J].Climate Change Research.doi：10.12006/j.issn.1673-1719.2021.190.（in Chinese）.

Wing A A，Stauffer C L，Becker T，et al.，2020.Clouds and convective self-aggregation in a multimodel ensemble of radiative-convective equilibrium simulations[J].J Adv Modeling Earth Syst，12（9）：e2020MS002138.doi：10.1029/2020MS002138.

Yoshimori M，Abe-Ouchi A，Lané A，2017.The role of atmospheric heat transport and regional feedbacks in the Arctic warming at equilibrium[J].Clim Dyn，49（9/10）：3457-3472.doi：10.1007/s00382-017-3523-2.

余荣，翟盘茂，2021.关于复合型极端事件的新认识和启示[J].大气科学学报，44（5）：645-649. Yu R，Zhai P M，2021.Advances in scientific understanding on compound extreme events[J].Trans Atmos Sci，44（5）：645-649.（in Chinese）.

Zelinka M D，Zhou C，Klein S A，2016.Insights from a refined decomposition of cloud feedbacks[J].Geophys Res Lett，43（17）：9259-9269.doi：10.1002/2016GL069917.

Zelinka M D，Grise K M，Klein S A，et al.，2018.Drivers of the low-cloud response to poleward jet shifts in the North Pacific in observations and models[J].J Climate，31（19）：7925-7947.doi：10.1175/jcli-d-18-0114.1.

Zelinka M D，Myers T A，McCoy D T，et al.，2020.Causes of higher climate sensitivity in CMIP6 models[J].Geophys Res Lett，47（1）：e2019GL085782.doi：10.1029/2019GL085782.

张华，谢冰，刘煜，等，2017a.东亚地区云对地球辐射收支和降水变化的影响研究[J].中国基础科学，19（5）：18-22，28. Zhang H，Xie B，Liu Y，et al.，2017a.Study on the influence of clouds on the earth radia-tion budget and precipitation changes in east A-sia region[J].China Basic Sci，19（5）：18-22，28.doi：10.3969/j.issn.1009-2412.2017.05.004.（in Chinese）.

张华，王志立，赵树云，等，2017b.大气气溶胶及其气候效应[M].北京：气象出版社. Zhang H，Wang Z L，Zhao S Y，et al.，2017b.Atmospheric aerosols and their climate effects [M].Beijing：China Meteorological Press.（in Chinese）.

张华，荆现文，彭杰，等，2019.云辐射与气候[M].北京：气象出版社. Zhang H，Jing X W，Peng J，et al.，2019.Cloud radiation and climate [M].Beijing：China Meteorological Press.（in Chinese）.

张华，王菲，汪方等，2021a.全球气候变化中的云辐射反馈作用研究进展[J].中国科学. Zhang H，Wang F，Wang F，et al.，2021a.Advances in cloud radiative feedbacks in global climate change [J].Scientia Sinica Terrae.doi：10.1360/SSTe-2021-0052.（in Chinese）.

張华，王菲，赵树云等，2021b.对IPCC第六次评估报告关于地球能量收支、气候反馈和气候敏感度的解读[J].气候变化研究进展. Zhang H，Wang F，Zhao S Y，2021b.Interpretation of the IPCC sixth assessment report on the Earth’s energy budget，climate feedbacks，and climate sensitivity[J].Climate Change Research.doi：10.12006/j.issn.1673-1719.2021.191.（in Chinese）.

Zhang R D，Wang H L，Fu Q，et al.，2018.Local radiative feedbacks over the arctic based on observed short-term climate variations[J].Geophys Res Lett，45（11）：5761-5770.doi：10.1029/2018GL077852.

Zhang R D，Wang H L，Fu Q，et al.，2019.Unraveling driving forces explaining significant reduction in satellite-inferred Arctic surface albedo since the 1980s[J].PNAS，116（48）：23947-23953.doi：10.1073/pnas.1915258116.

周波涛，2021.全球气候变暖：浅谈AR5到AR6的认知进展[J].大气科学学报，44（5）：667-671. Zhou B T，2021.Global warming：scientific progress from AR5 to AR6 [J].Trans Atmos Sci，44（5）：667-671.（in Chinese）.

周波涛，钱进，2021.IPCC AR6报告解读：极端天气气候事件变化[J].气候变化研究进展. Zhou B T，Qian J，2021.Changes in weather and climate extremes [J].Climate Change Research.doi：10.12006/j.issn.1673-1719.2021.167.（in Chinese）.

Zhu J，Poulsen C J，Tierney J E，2019.Simulation of Eocene extreme warmth and high climate sensitivity through cloud feedbacks[J].Sci Adv，5（9）：eaax1874.doi：10.1126/sciadv.aax1874.

左志燕，肖栋，2021.IPCC AR6解读之从全球到区域气候变化[J].气候变化研究进展. Zuo Z Y，Xiao D，2021.Linking global to regional climate change [J].Climate Change Research.doi：10.12006/j.issn.1673-1719.2021.176.（in Chinese）.

New understandings of the feedback mechanisms in the earth climate system in IPCC AR6

ZHAO Shuyun1，KONG Linghan1，ZHANG Hua1，2，WANG Wuke1，ZHAO Shuyu3，MA Xinyu1，WU Danyang1

1Department of Atmospheric Science，School of Environmental Studies，China University of Geosciences，Wuhan 430078，China;

2State Key Laboratory of Severe Weather，Chinese Academy of Meteorological Sciences，Beijing 100081，China;

3Ningbo Meteorological Bureau，Ningbo 315012，China

Climate feedback reflects the adaptation process of the climate system to external interference，and affects the prediction of future climate change to a great extent.This paper summarizes the content on climate feedback in the Sixth Assessment Report （AR6） of the Intergovernmental Panel on Climate Change （IPCC）.In AR6，the understanding of cloud feedback has been improved greatly compared with that in AR5，especiallythe feedback of low clouds over the Subtropical Ocean.The net cloud feedback parameter is assessed to be positive with high confidence in AR6，which plays an amplification effect on climate change..However，the uncertainty range of cloud feedback is still the largest in all feedback mechanisms.Apart from Planck feedback，all the other feedbacks （water vapor，temperature lapse rate，land surface albedo，cloud，bio-geophysical and non-CO2 biogeochemical feedback） are positive or near zero，generally amplifying climate change.The estimate of general climate feedback parameter in AR6 is -1.16 W·m-2·℃-1，with a 5%—95% confidenceinterval of [-1.81，-0.51] W·m-2·℃-1.With global warming，the climate feedback parameters are likely to be closer to the positive value.

climate feedback;IPCC;AR6

doi：10.13878/j.cnki.dqkxxb.20210920001

（責任编辑：袁东敏）