AI 與世界的難題 · 地球與氣候科學 · arXiv · 2026-10-21
利用時空深度學習分離觀測氣候演變中的強迫與內部成分
原標題: Disentangling forced and internal components in observed climate evolution using spatiotemporal deep learning
將觀測到的歷史氣候演變歸因於外部強迫變化或內部變異，是理解氣候變遷與評估氣候模式的根本，但兩者在觀測資料中相互交織。作者開發了一種卷積 LSTM（ConvLSTM），以多個氣候模式的大型系集模擬進行訓練與評估，其表現一貫優於現有的模式導向、統計與機器學習方法。應用於觀測資料時，它揭示了強迫回應不斷演變的空間型態，以及內部變異對近期多年代際趨勢的實質貢獻—放大了大西洋半球間溫度不對稱性的強迫反轉、主導了 1980 年以來類反聖嬰的赤道太平洋暖化與北美西南部的降水減少，並將北極放大效應調節在其近乎恆定的三倍強迫值附近—而與模式模擬的強迫回應相比，整體型態大致一致，但也存在差異，例如模擬的北半球暖化較強、副熱帶高壓增強較弱，以及陸地降水減少幅度較小。