深度学习揭示大西洋海表温度异常对北极海冰变率的重要性

遥远海洋为何对北极冰层至关重要

当人们想到北极海冰融化时，通常会联想到烟囱和二氧化碳，而不是远在数千公里之外的大西洋暖水。然而，本研究表明，大西洋特定区域海表温度的细微变化，会在北极海冰覆盖量上留下清晰指纹。作者直接将先进的深度学习工具应用于观测数据，发现远洋暖水与极地海冰命运之间存在出人意料的强烈且快速的联系，这有助于解释为何北极状况可能以标准气候模型难以捕捉的方式逐年变化。

追踪北极海冰的涨落

过去四十年间，北极海冰变薄并缩减，促成了气温上升、风暴通道改变以及中纬度更极端的天气。虽然长期的人为增温可以解释总体下降趋势，但年际和十年尺度的自然变率仍然发挥重要作用。造成这种变率的主要嫌疑者之一是极地以外的海表温度格局，但以往研究在太平洋、大西洋或印度洋哪个更重要上意见不一，传统线性统计工具也难以剥离它们各自的作用。

让深度学习“解读”海洋

为了解决这一问题，研究者训练了三个独立的深度神经网络模型，每个模型仅输入一个海盆的日尺度海表温度异常——太平洋、大西洋或印度洋——时间范围为1982–2022年。任务在概念上简单但要求高：从单张海表温度快照，模型需重建该日北极的总海冰范围。作者仔细优化了在每个海盆应观察的位置、应提前多长时间使用温度信息，以及采用何种时空分辨率。他们发现使用高分辨率日数据至关重要：当仅输入月均或更粗数据时，模型表现明显下降，这表明相对快速的细尺度海洋信号对北极海冰很重要。

大西洋表现出众

以大西洋为基础的网络明显优于使用太平洋或印度洋数据的网络。它不仅再现了北极海冰的长期下降，还捕捉到了大量年际起伏，并且在不同时期都表现一致。即便在数学上去除了长期变暖趋势后，其技能仍然显著，说明它捕捉到的是实际的变率，而不仅仅是在追踪海冰的持续损失。这种联系在夏季和冬季尤为强烈——这两个季节是北极海冰最可预测、冰-辐射或大气反馈最活跃的时候。相比之下，太平洋和印度洋模型显示出较弱且更间歇性的联系：它们可以再现某些特定事件（如一些极端低冰年），但无法在整个四十年记录中保持稳健性能。

加勒比海与墨西哥湾流的热点

深度神经网络常被批评为“黑箱”，因此团队应用了可解释性人工智能技术来查看模型从大西洋哪些区域获取信息。两种独立方法——积分梯度和系统性的“遮挡”测试（暂时遮挡模型的海面小块）——得出了相同结论：加勒比海和墨西哥湾流区域是主要热点。这些区域的异常偏暖通常与约20天后北极海冰减少相关。进一步分析表明，这种联系并非通过缓慢的洋流传递，而是通过异常暖水向空气的额外蒸发和热通量驱动的快速大气变化。当作者仅使用与海表温度直接相关的表面热通量分量构建新模型时，其表现与大西洋温度模型相匹配，且识别出的热点几乎相同。

隐藏的节律与非线性联系

在信号时序分析中，作者将大西洋温度模式分解为较慢的十年尺度摆动和持续两到七年的较快年际变率。标准线性回归模型主要从较慢、较平滑的分量中获益。相比之下，深度学习模型则从更高频的年际信号中提取了额外技能——这些信号在简单统计分析中看起来是不规则且断续的。小波技术证实，在加勒比海和墨西哥湾流区域，年际温度变率的爆发有时会与北极海冰变化同步，且通常是洋面先行于海冰。这种行为暗示了复杂的非线性大气途径，可能涉及湿量输送、云形成以及诸如北极涛动和北大西洋涛动等主要环流模式的变化。

这对北极海冰的未来意味着什么

简而言之，该研究认为某些大西洋暖斑——尤其是加勒比海及墨西哥湾流沿线——在逐年决定北极海冰覆盖方面发挥了不成比例的重要作用。通过利用深度学习和可解释性工具，作者表明这些区域能在数周内迅速影响北极，主要途径是通过增强的蒸发与向大气的热通量，进而改变覆盖极地海域的天气模式。尽管人为驱动的增温仍是长期海冰丧失的主要动力，理解这些遥远的海洋“控制钮”可以改进季节预报，并帮助科学家解开自然气候节律与温室气体驱动趋势如何共同塑造快速变化的北极。

引用: Li, Y., Gan, B., Zhu, R. et al. Significance of Atlantic sea surface temperature anomalies to Arctic sea ice variability revealed by deep learning. npj Clim Atmos Sci 9, 70 (2026). https://doi.org/10.1038/s41612-026-01347-2

关键词: 北极海冰, 大西洋, 遥相关, 深度学习, 气候变率