机器学习有助于大幅缩小未来变暖不确定性

为何这关系到我们的未来

当科学家估计地球将变暖多少时，可能的未来范围仍然很宽，这种不确定性影响从沿海规划到能源政策的方方面面。该研究表明，强大的计算学习技术可以从我们已经观测到的变暖中提取更多信息，从而大幅缩小未来可能温度的范围。这意味着对我们可能多快跨越关键国际气候目标（例如全球变暖1.5 °C和2 °C）的指导将更为清晰。

超越全球平均值的视角

迄今为止，大多数努力改进未来变暖预测都主要依赖一个数值：行星平均表面温度的上升。但全球变暖并不均匀。某些地区，如北极和部分热带地区，升温远快于其他地区。作者认为，这些地理差异包含有价值的线索，而当我们只关注全球平均值时，这些线索在很大程度上被忽视。他们使用一种机器学习方法读取过去50年全球温度变化的完整地图，并将这些模式与数十个气候模型产生的变暖结果范围联系起来。

教计算机从过去变暖中学习

研究团队在参与一次大型国际对比项目的许多气候模型的模拟数据上训练学习算法。对于每一次模型运行，他们输入1971年至2020年间地球每个网格点的变暖模式，并要求算法预测在若干不同排放路径下模型在三个未来时间窗口中的全球变暖量：近期（2021–2040）、本世纪中叶（2041–2060）和本世纪末（2081–2100）。通过在数百次模拟中重复这一过程，系统学会了世界过去哪些地区的变暖模式与最终的全球温度升高联系最紧密，以及这些联系的强弱。

发现塑造未来的关键区域

学习系统持续发现某些地区在决定未来全球变暖方面的影响力远超其面积比例。这些地区包括北极、青藏高原、南亚和东南亚、亚马逊流域，以及印度洋和南大洋的部分海域。在这些区域，当地变暖通常随时间和情景与全球平均值以稳定的方式放大，反映出强烈且持久的气候反馈，例如反射性冰雪减少或云层变化。算法自然会对不同气候模型在温度敏感性上达成一致的网格单元赋予更大权重，而对模型分歧较大的地点（例如欧亚北极部分海冰行为不确定的区域）则降低权重。

更清晰的预测与更早的阈值

当将学到的关系应用于来自多个温度数据集的实际观测变暖图时，未来全球变暖的不确定性显著缩小。跨情景和时间段平均来看，该方法将误差方差相比未受约束的模型预测减少超过70%——约为仅使用全球平均趋势的方法所取得改进的1.5倍左右。重要的是，这种方法同时收窄了范围的高端和低端，因此我们不太可能高估或低估未来变暖。在一种在影响研究中常用的中高排放路径下，该研究发现，一旦纳入空间信息，到本世纪中叶超过2 °C变暖的概率大约升至80%，而仅使用全球平均趋势时约为70%。

这对人类与规划意味着什么

精细化的预测不仅收紧了全球气温上升的估计；它们还改进了用于影响评估的局部变暖图。在大多数陆地区域，相对于今天的中期变暖预测的不确定范围下降了数十个百分点，为农业、水资源、健康风险与基础设施规划提供了更精确的估计。与此同时，升高的变暖下限强调了关键的巴黎协定阈值很可能比某些早期受约束估计所示更早被跨越。从实际角度看，这项工作表明更聪明地利用现有温度记录——尤其是少数气候敏感地区的记录——可以显著澄清我们的气候未来图景，并强化更快速、更有针对性的缓解与适应行动的理由。

引用: Li, C., Wu, J., Wang, Z. et al. Machine learning helps to strongly reduce future warming uncertainty. Nat Commun 17, 3366 (2026). https://doi.org/10.1038/s41467-026-70205-9

关键词: 全球变暖预测, 气候机器学习, 变暖模式, 气候不确定性, 巴黎协定阈值