用于增强欧亚地面气温十年期预报的深度学习模型

为何展望十年很重要

对于欧亚大陆上的个人和政府而言，了解未来5到10年气温可能如何变化可以为能源规划、作物选择和基础设施设计等各方面提供决策依据。然而，即便是目前最好的气候模型，也仍难以在如此广阔多样的区域上准确预测中期尺度的地面气温波动。本研究提出了一种新方法，通过深度学习来精炼并融合已有气候模型的预测，从而为欧亚气候的未来提供更清晰的视角。

十年尺度温度变化的挑战

欧亚大陆从中亚沙漠延伸到北极海岸，全球一半以上的人口居住在这里。近几十年来，该地区的变暖并非平滑进行，而是经历了复杂的十年间波动，包括上世纪90年代至2000年代间许多北部地区出现的令人困惑的降温。这些起伏受大西洋和太平洋的缓慢海洋模式以及北极海冰变化的影响。标准气候预报系统可以提前几年预测某些海表温度格局，但在捕捉欧亚的多年温度变化方面仍然表现欠佳，尤其是在对可靠预报需求最大的中高纬度地区。

将欧亚划分为气候“邻域”

为理解这种复杂性，作者首先使用一种称为时间聚类的技术将欧亚划分为20个“气候邻域”。他们不是仅按地理边界划分，而是将那些在1968到2001年间表现出相似十年尺度温度行为的网格单元分在一起。去除长期变暖趋势后，南部地区的波动相对较小，而北部和高山地区则显示出更大、更复杂的起伏。分别处理每个邻域有助于减少噪声，并把问题聚焦于预测各个区域独特的缓慢温度变化模式，而不是面对一个庞大且不一致的整体场。

为气候模型配备的深度学习助手

研究的核心是一种名为GRUBA的七层深度学习模型，基于一种适合时间序列数据的循环神经网络。GRUBA并不替代物理气候模型；相反，它学习对这些模型的输出进行后处理。对每个邻域，GRUBA接收来自80个不同模型运行的、面向6–10年期的预测。当数据通过堆叠的处理层时，GRUBA从众多个集合成员中压缩信息、稳定信号，然后应用一个“注意力”步骤，聚焦于对最终预测最重要的时间片段。最后一层对预测振幅做出细微调整，以更好地匹配观测到的温度。

更清晰的预测及其改进原因

在对2004–2021年（模型训练时未见过的年份）进行测试时，GRUBA显著提升了十年期预测的表现。单纯平均气候模型在大多数北部地区的技能较弱甚至具有误导性。经GRUBA校正后，20个邻域的预测与观测十年尺度波动之间的平均相关性从接近零跃升为强正相关，振幅准确度的指标也从负值提升为明显的正值。该系统既捕捉到了2000年代初的降温，又捕捉到了高纬度随后快速复热的趋势，而原始模型在很大程度上未能做到这一点。通过使用一种称为SHAP的技术分析深度学习模型，作者表明GRUBA有效地学会了对那些历史上更贴近实况的个别模型运行赋予更高权重（尤其是在具有挑战性的北部区域），并弱化较不可靠的成员的影响。

对未来几年的一瞥

借助这一改进工具，研究者生成了2022–2025年的实时预测。GRUBA显示高纬度将继续显著变暖，同时某些中纬度区域会出现相对降温的局部格局——这一点与原始多模型平均的结果不同。对于2022年，这一精炼后的预测与观测状况更为接近，尽管它仍低估了青藏高原的变暖并夸大了某些变冷区域。作者还表明，GRUBA的优势依赖于有大量集合成员可供学习，其架构在一个特别困难的高纬度区域上优于几种替代的机器学习设计。

这对气候规划意味着什么

用通俗的话说，这项工作表明，智能地利用人工智能可以从我们已有的气候预测中挤出更多可用信息。通过向来自众多个独立模拟的过去成败学习，GRUBA将分散的十年期预测捆绑为更清晰的欧亚区域温度变化图像。尽管该方法仍需更广泛的测试和改进，但它指向一条实用路径，可以为决策者提供更值得信赖的指导，帮助他们在未来十年内更好地了解区域气候将如何演变，从而弥合短期天气预报与长期气候投影之间的差距。

引用: Chen, Y., Huang, Y., Qian, D. et al. Deep learning model for enhancing decadal prediction of Eurasian surface air temperature. npj Clim Atmos Sci 9, 77 (2026). https://doi.org/10.1038/s41612-026-01337-4

关键词: 十年气候预测, 欧亚气温, 深度学习, 气候集合, 地面气温