AI与世界难题 · 地球与气候科学 · arXiv · 2026-10-21
利用时空深度学习从观测到的气候演变中分离强迫分量与内部分量
原标题: Disentangling forced and internal components in observed climate evolution using spatiotemporal deep learning
将观测到的历史气候演变归因于外强迫变化还是内部变率，是理解气候变化和评估气候模式的基础，但二者在观测中相互交织。作者开发了一种卷积长短期记忆网络（ConvLSTM），在多个气候模式的大型集合模拟上进行训练和评估，其表现始终优于现有的基于模式、统计和机器学习的方法。应用于观测资料后，它揭示了强迫响应不断演变的空间格局，以及内部变率对近期多年代际趋势的实质性贡献——放大了大西洋南北半球温度不对称的强迫反转，主导了1980年以来类拉尼娜型的赤道太平洋增暖和北美西南部降水减少，并使北极放大效应在其近乎恒定的三倍强迫值附近受到调制——而与模式模拟的强迫响应相比，二者格局大体一致，但也存在差异，例如模拟的北半球增暖更强、副热带高压增强较弱、陆地降水减少幅度较小。