生成式深度学习提升全球历史气候记录的重建
地球物理
2026-05-13 v2
摘要
准确评估人为气候变化依赖于历史仪器数据，但20世纪初的观测数据稀疏、碎片化且不确定。常规重建方法依赖于分散的统计插值，倾向于平滑局部特征并产生非物理性 artifact，往往低估内在变动性和极端值。虽然最近的机器学习方法提高了重建精度，但仅限于对粗分辨率场的纯空间填充。本文提出一种统一、概率性的生成式深度学习框架，克服了上述局限，揭示了自1850年以来未被解析的历史气候变动性。我们利用学习到的地球系统动力学先验进行概率推理，从稀疏观测数据估计时空一致的历史温度和降水场。该方法保留了气候动力学的高阶统计量，将重建转化为稳健的、具不确定性感知的评估。我们展示，重建减轻了广泛使用的历史参考产品（包括支撑IPCC评估的产品）固有的平滑效应，尤其在极端天气事件方面。值得注意的是，我们发现相较于现有重建，本研究在20世纪初发现更高的全球气候变暖水平，主要由更显著的极地变暖所致。对于1900--1980年间，北极气候变暖趋势显著高于既定基准，平均为0.15--0.29℃/十年。相反，对于现代时代，本重建表明，广泛的北极气候变暖趋势在近期评估中可能被高估，但显式解析了 previously 未被识别的 Barents Sea 和 Northeastern Greenland 区域的强烈局部热点。
引用
@article{arxiv.2602.16515,
title = {Generative deep learning improves reconstruction of global historical climate records},
author = {Zhen Qian and Teng Liu and Sebastian Bathiany and Shangshang Yang and Philipp Hess and Nils Bochow and Christian Burmester and Maximilian Gelbrecht and Brian Groenke and Niklas Boers},
journal= {arXiv preprint arXiv:2602.16515},
year = {2026}
}