气候系统将如何应对人为强迫？解决这个问题的一种方法依赖于气候模型预测。目前的气候预测相当不确定。描述并尽可能减少这种不确定性是一个正在进行的研究领域。我们考虑对北大西洋经向翻转环流（AMOC）进行预测的问题。气候模型参数的不确定性在AMOC预测的不确定性中起着关键作用。当观测数据和气候模型输出是高维空间数据集时，由于计算限制，数据通常是聚合的。聚合的影响尚不清楚，因为统计上严格的模型参数推断方法对高分辨率数据不可行。在这里，我们开发了一种灵活且计算效率高的方法，使用主成分和基展开来研究空间数据聚合对参数和投影不确定性的影响。我们的贝叶斯降维校准方法允许我们研究复杂的误差结构和数据模型差异对我们从高维数据中学习气候模型参数的能力的影响。考虑高维空间观测可以减少与数据模型差异的先验规范相关的深度不确定性的影响。此外，根据我们的气候模型，使用未汇总的数据可以得到更清晰的预测。我们的计算效率高的方法可以广泛应用于各种高维计算机模型校准问题。