使用加性孪生 LSTM 网络预测全球温度异常

为什么一个更暖的世界与你息息相关

“全球变暖”听起来可能抽象，但其影响绝非如此：海平面上升、更严重的热浪、风暴格局变化，以及对粮食和水资源的压力。为应对未来，科学家不仅需要当下气候的快照，还需要关于未来几十年气温上升速度的可靠估计。本文探讨了一种利用人工智能预测地球将变暖多少的新方法，以及这对我们近期未来意味着什么。

从原始温度计读数到宏观趋势

研究人员没有使用单一城市的天气报告，而是采用名为 Berkeley Earth 的全球温度异常记录。“温度异常”只是指某一时期相对于选定历史基线的温度偏差。由于逐月读数噪声大并受局地因素强烈影响，研究团队依赖横跨170年的五年平均值（从19 世纪中叶到2022 年）。这样平滑数据可以减少随机波动，更清晰地揭示反映地球对温室气体及其他影响长期响应的基本变暖趋势。

教会神经网络“记住”气候

为了捕捉该趋势并将其投射到未来，作者采用了一类称为长短期记忆（LSTM）的人工神经网络。LSTM 专为处理序列数据而设计——例如句子中的词或随时间变化的温度——通过决定保留或遗忘哪些过去信息来工作。传统 LSTM 及相关模型在短期预测（如猜测下一个数据点）方面表现良好。但当模型把自己的预测再次作为输入以预测许多步以后的情况时，微小错误会累积，长期展望可能严重偏离现实。

将气候信号分成双流

这项工作的核心创新是加性孪生 LSTM（AT‑LSTM）。模型不是用单个 LSTM 去拟合气候记录的所有曲折，而是使用两条并行的 LSTM 分支。每条分支可以专注于数据中不同的隐含驱动因素——例如来自温室气体的缓慢变暖与与自然气候振荡相关的较快起伏。然后将这两条分支的输出相加，并通过最终的“解码器”网络将它们的组合信号转换为温度异常预测。该孪生设计不仅与气候科学家将地球系统视为多种部分独立过程的思路一致，还扩展了网络内部信号的有效范围，有助于在长预测期内保持更高的稳定性。

对模型进行严格检验

为了检验 AT‑LSTM 是否真正改善了长期预测，作者进行了两阶段测试。首先，他们在合成基准序列（干净的计算机生成曲线，模仿不同类型的变暖路径）和历史 Berkeley 数据上训练模型。他们比较各种神经网络设计在重现训练数据及各序列的单独“测试”部分（模型在训练期间从未见过）上的表现。许多模型，包括一些将 LSTM 与卷积层混合的混合体，在这些标准衡量下看起来都很出色。然而，重现过去数据并不等于可靠地洞察未来。

按预测能力而非拟合优劣评判模型

第二阶段更接近实际应用。从测试集的最后一个观测点开始，每个模型将其先前的预测作为下一步输入，连续前进240 个月——即20 年——在此期间不再由真实数据修正。这个设置揭示了误差积累的速度。在一系列架构中，AT‑LSTM 在这一长期任务上通常表现出最小的平均预测误差和最高的统计评分。就全球温度异常记录而言，该模型在模拟的20 年预测窗口中的典型误差约为0.07 摄氏度，显著低于许多竞争的深度学习方法。

关于我们近期未来的预测结果

借助这一更为稳健的模型，作者生成了从2022 年到2042 年的20 年全球温度异常预测。训练了40 个 AT‑LSTM 版本以捕捉模型学习的不确定性后，他们发现每一个版本都指向持续变暖。到2042 年，预测集合聚集在大约比历史基线高出1.05 °C 到1.67 °C 之间，平均约为1.415 °C，估计不确定度约为±0.073 °C。这些数字与主流气候模型和政府间气候变化专门委员会等组织的预测高度一致。直白地说，如果现有模式继续下去，我们很可能在未来几十年内接近或跨越广泛讨论的1.5 °C 门槛，这凸显了减少温室气体排放并推进其他气候缓解策略的紧迫性。

引用: Keles, C., Baran, B. & Alagoz, B.B. Global temperature anomaly prediction by using additive twin LSTM networks. Sci Rep 16, 6456 (2026). https://doi.org/10.1038/s41598-026-37255-x

关键词: 气候变化, 全球变暖, 温度异常, 神经网络, 气候预测