当气候数据活起来：在 TACC 的一天
Published:
德州高级计算中心（TACC）里冷却系统的轰鸣不只是噪音——那是超级计算机的力量，正在把气候数据那令人不知所措的多维性，转化成学生最终能看见、能理解的东西。
2026 年 4 月 10 日，我们 GEO 371/391T 气候数据课造访了这个美国最大的大学超级计算中心之一，进行了一次被 Geeta Persad 教授形容为”变革性”的体验。一次例行的实地考察，变成了一个科学顿悟的时刻——抽象的数据化作了可触碰的理解。
挑战：理解”维度混乱”
气候数据不只是大——它还是令人困惑的多维。我们当天的任务，是用横跨如下维度的数据集去探索极端降水模式：
- 二维空间（全球的纬度和经度）
- 一维时间（从历史记录到未来预测）
- 4 个观测数据集和 10 个不同的气候模型
- 约 30 种自然变率的实现（因为地球气候本质上是混沌的）
- 3 种未来排放情景（乐观、折中、照常排放）
我们特别聚焦于第 95 百分位的 1 日、3 日和 5 日滚动累积降雨量序列——本质上就是追踪极端降水事件。
上午：奠定基调
一天从介绍即将面临的挑战开始。Persad 教授勾勒了我们的任务：跨多个维度的气候数据探索极端降水模式。我们要攻克的东西规模之大令人望而生畏，但房间里的能量是实实在在的。
随后，TACC 的研究科学家、同时也是训练有素的画家的 Francesca Samsel，向学生们介绍了数据可视化的艺术与科学。她的幻灯片立刻抓住了学生们的注意力，尤其是当她演示精心设计的色条如何能揭示那些糟糕的颜色选择所遮蔽的模式时。借助 Matthew Larsen 在劳伦斯利弗莫尔国家实验室的例子，她展示了同一份数据集如何会因为色标选择的不同而讲述完全不同的故事。重点不只是让东西好看——而是让数据可读、在科学上有所意义。
高性能计算中心参观：气候科学变得真实之处
在深入数据分析之前，我们参观了 TACC 的超级计算设施。走进机房，就像踏进一艘巨轮的发动机舱。冷却系统的轰鸣立刻扑面而来——一种持续不断、雷鸣般的嗡嗡声，几乎让对话无法进行。”就像站在喷气发动机旁边，”一个学生扯着嗓子喊道。
一排排服务器以同步的节奏闪烁着，它们的 LED 指示灯形成了一场令人着迷的光影秀。冷却系统尤其引人注目——有些机架使用液冷，能看到携带冷却剂穿过系统的透明管道。学生们得知，仅运行一个 100 个模拟年的高分辨率气候模型，就可能在这类机器上花费数周的实时时间，消耗的电量足以为一座小镇供电。
“等等，所以我们在 TACC 上跑 Jupyter notebook 时，用的就是这些？”一个学生指着超级计算机问道。是的——尽管我们的课堂练习只用了其中极小一部分算力。这个规模突然变得合理起来：你需要这么多计算力，是因为你正在为数百万个大气网格单元求解流体动力学方程，每个模拟日求解数千次，连续运行数十年乃至数百年。
这次参观为接下来的环节提供了关键背景。这不仅仅是一次抽象练习——我们即将处理的，正是由这些机器产生的数据。
第一次挣扎：平行坐标与信息过载
回到可视化实验室，我们用 PyCinema 开始，它利用平行坐标图来帮助浏览多维数据。大多数学生的第一反应？困惑。
一个小组花了将近 45 分钟，只为了搞清每个轴代表什么。”等等，所以这条线代表一个模型对某个位置在某个情景下的预测？”一个学生一边追随着屏幕上缠结的线条网，一边问道。答案是肯定的——而这样的线有数百条。
“我个人觉得我们拿到的是最难的题目，”本科生 Sarim Ahmad 在一阵沮丧中半开玩笑又真心忧心忡忡地说。这正是那种捕捉了当天挑战本质的评论——这本就不是要让你轻松过关。
突破发生在一群学生发现他们可以交互式地过滤数据时。通过在不同轴上选取特定范围，他们就能隔离出模式。一组调查东南亚季风的学生发现，当他们过滤出高的 5 日累积降雨时，只有某些模型与观测数据一致。”感觉就像是模型们在互相争吵，”一个学生评论道。这正是模型不确定性长什么样。
“啊哈”时刻：从意大利面图到科学问题
真正的学习发生在各小组开始提出自己的研究问题时。每个团队都以不同的方式解读数据，以各自的方式与复杂性搏斗。
[Need to gather more thinking from students]
(KW Note: group sort is clockwise as we did in final pre)
模拟小组示例问道：”哪些气候模型在亚马逊流域的极端降雨上与历史观测最吻合？”他们发现 GFDL 模型在 3 日事件上表现出强一致性，但在 1 日极端值上出现了显著分化。这引发了一场关于模型分辨率和积云参数化的讨论——这些概念之所以突然变得重要，是因为它们解释了学生们正在看到的东西。
第一组处理xxx。
第二组探索xxx。
技术难关：Paraview 与 3D 可视化
在 PyCinema 中隔离出有趣的数据子集后，学生们转向 Paraview 进行高保真的 3D 可视化。这个转变很有挑战性，但也展示了当天之所以特别的那种协作精神。
“我搞不明白怎么让大陆边界在这个球体上显示出来，”第三组的一名学生盯着一个呈彩虹色却缺乏地理背景的球体承认道。技术障碍是实实在在的——Paraview 的界面对新用户并不直观。
接下来发生的，正是我们希望看到的那种同伴学习。第三组的本科生 Pranav Rajkumar，走到第二组的工作站前，想请教同一个网格可见性的问题。通过协作排查——比对设置、分享 TACC 文档里的技巧、尝试不同的渲染选项——他们一起想通了。
Persad 教授、Cameron Cummins（特地从达拉斯开车下来支持这次课程），以及 TACC 科学与可视化团队在学生卡住时提供了指导，但真正解决问题的是学生自己。这种通过共同挣扎互相教学的协作式学习，往往比任何讲座都记得更牢。
对这份工作的全新敬意
亲身实践让学生对气候科学家真正做什么，有了一种切身的理解。硕士生 Raha Helali Esfahani 花了大量时间制作自己的降水图，她这番话完美地捕捉了这种感受：”作图真的很难。我现在对做这份工作的科学家们，有了多得多的敬意。”
她的感叹在整个房间引起共鸣。这次实地考察，把抽象的敬意化作了具体的理解。论文和演示文稿里那些看起来简单的彩色地图，原来需要与数据格式、坐标系、色标以及无数技术决策搏斗。每一个选择都至关重要。
尽管近年来在资金上遇到了挑战——这是许多研究生都要面对的现实——Raha 对美国攻读博士研究仍然满怀希望和热情。她对自己有了一番重要发现：在老家教了三个学期之后，她意识到教学一开始虽然有趣，但其中的重复并不是她想要的。”我不想当教授，”她坦率地解释。”我想做研究。”在 TACC 的经历强化了这份清晰——与数据搏斗、解决技术问题、发现新模式，正是她想要从事的那种工作。
数据可用性问题
在分析环节中，最令人沮丧却也最具教育意义的挑战之一很早就出现了。好几个小组原本被告知了想要查看的特定数据集或模型，结果却发现系统里根本没有那些数据。这引起了一阵混乱，还吃掉了一段宝贵的时间。
“我们被告知要查看一个特定的数据集，但那些数据实际上并不存在，”Sarim Ahmad 解释道。他的小组花了好几分钟宝贵的排查时间，才意识到他们必须彻底换一个不同的数据集。”如果多给我们一个小时，我们就能完成所有事情，”Sarim 事后回想。”我们到最后终于搞清了怎么修复这些问题，但到那时已经是在赶时间了。”
作为助教，我指出这种沮丧其实是种真实的科研体验。真实的气候科学工作里正是如此：数据集有缺口，文档不完整或已经过时，研究者必须临场应变。时间限制让它比真实的科研环境更令人紧张，但这堂课很有价值。当你计划好的方法行不通时学会转向，是一项必不可少的研究技能——一种在传统课堂上很难教会的技能。
闪灯演讲：高压下的科学传播
当天以 5 分钟的”闪灯演讲”作结，每个小组都要展示自己的问题、工作流、可视化与结论。这比预想的要难。
那些花了数小时探索数据的小组，在提炼自己的发现时挣扎不已。”我们发现……嗯，这事很复杂，”一个演讲这样开头。Persad 教授温和地推了一下：”你们的工作里，最值得别人记住的一件事是什么？”这迫使学生找出他们的核心发现，并清晰地表述出来。
另一组做出了惊艳的 Paraview 可视化，却一开始无法解释它在科学上展示了什么。”它看起来很酷，但我学到了什么？”TACC 的 Greg 问道。学生们重新集结，加了注解，突出显示了他们所选模型与观测产生分歧的特定区域。修订后的版本讲出了一个清晰的故事。
最出色的演讲来自 Titus Li 的小组，它保持简洁：一个关于得州降水的清晰问题、展示他们筛选过程的经过良好过滤的 PyCinema 图、一个配以精心挑选色标的聚焦 Paraview 可视化，以及三个要点式的结论。”自然变率主导得州近期降水的不确定性”是他们的标题式发现，并配以视觉证据。这种清晰，来自无情地砍掉一切不直接支撑他们主论点的东西。
学生实际上学到了什么
除了 PyCinema 和 Paraview 的技术技能，学生们还对这份工作的本质有了几层更深的洞察。他们很快意识到，模型是工具，而不是绝对真理，理解不同模型在何处一致、何处分歧，本身就是一种科学知识。
他们还明白了，可视化本质上是一种分析。创建有意义视觉呈现的过程，会明确地逼你去理解你的数据，强化了”没有科学洞察的漂亮图片只是装饰”这一点。此外，闪灯演讲证明，传播是一个完全独立的挑战：自己理解一件事，与他人清晰地把事情讲明白，是两种截然不同的技能，而两者对科学都必不可少。
最终，学生们亲眼看到，真正的研究需要持续不断的适应。他们遇到的数质可用性问题和时间限制，不是实地考察设计里的缺陷——它们是特性。当计划好的方法不可避免地崩盘时学会转向，或许是所有研究技能中最根本的那一个。
他们眼中的光
Persad 教授观察到学生”眼中的光”，这句话捕捉了重要的一点。这不是被动学习，也不是死记硬背。学生们正在积极应对真实的科学挑战——那种研究者日常面对的东西。当 PyCinema 的图毫无头绪时的沮丧，当模式浮现时的兴奋，当做出一个真正传达了意义的好可视化时的满足感——正是这些经历，把学生从科学的消费者，变成了科学的实践者。
回程的大巴上一个学生如此总结：”我终于明白气候科学家为什么总是谈论不确定性了。不是因为他们什么都不知道——而是因为他们清清楚楚地知道自己不知道多少。”
这就是 Persad 教授看到的那道光：气候数据不再是抽象的数字，而是成了一扇理解我们行星未来的窗口。
致谢
特别感谢 TACC 可视化团队的 Francesca Samsel 和 Greg Abram，感谢他们当天的耐心指导。Francesca 是 TACC 的研究科学家，也是一位训练有素的画家，她用颜色和形式的艺术原则，把她”雕琢”数据的专长带到了这里。Greg 拥有逾 40 年的计算机科学和可视化经验，提供了技术专长，帮助学生把想法变成实际的可视化。也谢谢 Cameron Cummins，他最近加入了地球与行星科学系任计算地球科学家，特地从达拉斯赶下来支持我们的课程。最后，感谢 Geeta Persad 教授设计了这样一次考察，逼我们像气候科学家那样思考，而不是仅仅学习气候科学。