基于扩散模型的全球历史气候重建：重新评估极地增温与极端事件频率

生成式深度学习改进全球历史气候记录的重建

https://arxiv.org/abs/2602.16515

https://arxiv.org/abs/2602.16515

Fig. 1 Reconstruction of global temperature anomalies (5 °) from synthetic sparse input.

Fig. 1 Reconstruction of global temperature anomalies (5 °) from synthetic sparse input.

Fig. S1 Illustration of the probabilistic generative deep learning reconstruction framework.

Fig. S1 Illustration of the probabilistic generative deep learning reconstruction framework.

该研究提出了一种基于**概率扩散模型（Diffusion Model）**的生成式深度学习框架，用于重建1850年以来的全球温度和降水记录。与传统统计插值方法（如Kriging、ADW）相比，该方法通过无条件预训练学习地球系统动力学的时空联合分布，能够在数据稀疏区域（尤其是极地）恢复被过度平滑的极端事件和内在变率。主要突破包括：(1) 发现1900-1980年间北极变暖速率被现有数据集低估0.15–0.29°C/十年；(2) 揭示现代北极存在未被识别的局部增暖热点（如巴伦支海）；(3) 首次基于陆地观测重建全球海洋降水，证实水循环增强；(4) 识别出两倍于官方记录的El Niño事件。该研究为IPCC评估报告提供了更精确的历史基准，尤其在极端天气事件和极地气候变化评估方面具有重要意义。

Fig. 2 Reconstruction of global precipitation anomalies (0.5 °) from synthetic sparse input.

Fig. 2 Reconstruction of global precipitation anomalies (0.5 °) from synthetic sparse input.

1. 研究背景：历史气候重建的困境

准确评估人为气候变化依赖于长期器测数据，但19世纪至20世纪初的观测稀疏、碎片化且不确定。即使1970年代卫星观测出现后，海洋和极地地区仍存在大量数据空白。现有IPCC第六次评估报告（AR6）依赖的主流数据集（如HadCRUT5、Berkeley Earth、CRU TS）均采用统计插值方法（如Kriging、角距离加权ADW），这些方法虽能生成长期格点数据，但存在系统性缺陷：

• • 过度平滑：最小化误差方差的同时压制了高频变率和空间异质性，模糊了气候梯度；
• • 物理不一致：将重建视为静态空间填补问题，忽略气候系统的时序动力学；
• • 极端事件丢失：平滑效应导致极端温度/降水事件的幅度被系统性低估。

近年来，基于卷积神经网络（如LaMa）的确定性深度学习虽能改善空间细节，但仍局限于粗分辨率（5°）温度场，且无法捕捉气候态的高阶统计特征（方差、偏度、峰度）和时间自相关。

Fig. 3 Evaluation of historical reconstruction using realistic HadCRUT5 coverage.

Fig. 3 Evaluation of historical reconstruction using realistic HadCRUT5 coverage.

2. 方法创新：概率生成式重建框架

本研究的核心是构建一个统一的概率生成框架，将气候重建从确定性插值转变为时空一致的概率推断。

2.1 生成式气候先验（Generative Climate Prior）

研究团队采用视频扩散模型（Video Diffusion Model），结合时空U-Net架构，无条件预训练于：

• • CMIP6地球系统模式历史模拟（1850–2014，多模式集合）
• • ERA5再分析数据（1940–2024）

通过前向随机微分方程（SDE）逐步向数据添加噪声，再训练神经网络学习逆向去噪的得分函数（score function），从而近似地球系统的高维联合概率分布。这使得模型内嵌了物理 plausible 的遥相关结构和时空连续性先验。

2.2 时空约束的推理策略

在重建阶段，模型通过求解逆向时间SDE生成气候场，并引入两项关键约束：

1. 1. 观测保真约束（G_obs）：强制生成场在观测点位置与历史记录一致，使用Frobenius范数惩罚偏差；
2. 2. 时间一致性约束（G_temp）：通过最小化相邻时间窗口重叠段的差异，确保长序列的物理连续性。

2.3 双模式重建产品

根据采样步数调整，提供两种互补产品：

• • DM-Fid（高保真模式）：1000步深度采样，生成小集合（N=5），保留精细尺度动力学和极端事件，适用于区域气候变率分析；
• • DM-Ens（大集合模式）：100–250步采样，生成大集合（N=50），提供稳健的集合平均和不确定性量化，适用于全球趋势评估。

Fig. 4 Reconstruction of key global temperature datasets.

Fig. 4 Reconstruction of key global temperature datasets.

3. 主要研究结果

3.1 合成数据验证：超越现有方法

在仅保留5%随机观测的合成测试中（ERA5/CMIP6验证集）：

• • 温度重建：DM-Fid的全球平均绝对误差（MAE）为0.06°C，显著低于LaMa（0.16°C）和Kriging（0.12°C）；在极地数据空白区，传统方法出现系统性正偏差，而DM通过学习的遥相关结构恢复出与真值一致的冷/暖异常。
• • 降水重建：在1%观测覆盖的极端稀疏场景下，DM成功恢复热带雨带和2010–2012年La Niña事件的强度，而ADW方法严重过平滑，LaMa则产生结构性噪声。
• • 高阶统计：DM-Fid对滞后1阶自相关（AC1）、方差、偏度和峰度的偏差分别仅为0.01、0.06、0.04、0.09，而Kriging的方差偏差高达0.47，峰度偏差达0.78。

3.2 历史温度重建：重估极地增暖

早期20世纪（1900–1980）：被低估的北极变暖

在卫星时代前的数据稀疏期，官方插值产品（HadCRUT5、Berkeley Earth）显示出显著的方差亏缺：

• • 官方产品的空间标准差中位数仅为0.86°C，而稀疏观测为1.13°C，DM重建达1.30°C；
• • 北极增暖趋势：DM重建的北极平均变暖速率为0.40–0.50°C/十年，较官方产品（0.15–0.20°C/十年）高出0.15–0.29°C/十年；
• • 物理机制：传统插值将沿海强增暖信号平滑至北极内部，造成虚假均匀变暖；而DM通过动力约束恢复了海冰反照率反馈和陆海对比导致的局地增强信号。

卫星时代（1981–2024）：识别隐藏热点

尽管全球平均趋势与官方产品一致，但空间结构差异显著：

• • 巴伦支海：官方产品将局部放大因子（局地趋势/全球趋势）限制在~5，而DM重建揭示该区域存在超过7的极端值，与ERA5再分析一致；
• • 东北格陵兰：DM捕捉到被官方产品抹平的强烈增暖信号；
• • 北极放大效应：官方产品与ERA5均报告~3.2倍的北极放大因子，但DM表明这可能是巧合：官方产品因平滑过度估计了北极内部趋势，而ERA5存在系统性暖偏差。

ENSO事件检测：翻倍的El Niño记录

基于重建的Niño 3.4指数，DM不仅验证了官方产品检测的所有El Niño事件，还额外识别出近一倍的历史事件（特别是1900–1920年间）。例如，1918/19年El Niño在官方数据中信号微弱，但DM恢复了其典型的"牛舌"型赤道太平洋暖异常，支持了历史文献对该事件强度的记载。

3.3 历史降水重建：全球水循环的新证据

陆地降水：方差恢复与极端事件

• • 在观测稀疏区（如非洲、南美、西伯利亚），官方CRU TS产品因ADW插值产生"几何伪影"（径向平滑团块），而DM生成物理合理的局地风暴结构；
• • 湿极端事件：1900–1950年间，DM重建的极端降水（>95百分位）空间覆盖面积显著大于官方产品，表明早期20世纪的湿润事件可能比现有记录更广泛。

海洋降水：纯陆地约束的外推重建

利用学习的全球遥相关结构，DM首次仅基于陆地站点观测重建了全球海洋降水历史（包括无观测海域）：

• • 与卫星GPCP数据（1981–2020）对比，海洋降水趋势相关系数达0.25（ERA5与GPCP的相关系数为0.49，作为观测上限）；
• • 水循环增强：现代时期（1981–2020）陆地和海洋的降水趋势分布均呈现尾部加宽特征，表明极端干湿事件频率增加，证实全球水循环在增强。

Fig. 5 Reconstruction of key precipitation datasets.

Fig. 5 Reconstruction of key precipitation datasets.

4. 讨论与不确定性

4.1 对气候评估的启示

本研究挑战了IPCC AR6依赖的历史基准产品：

• • 历史变暖：20世纪早期极地变暖可能被系统性低估，影响气候敏感度估算；
• • 极端事件：传统方法压制了数据稀疏期的极端事件幅度，可能导致对历史气候风险的低估；
• • 政策相关性：在非洲、南美等观测稀疏但脆弱性高的地区，DM揭示了官方产品遗漏的显著干旱化趋势，对UNFCCC全球盘点和损失损害评估具有重要价值。

4.2 局限性与未来方向

• • 训练数据依赖：模型继承CMIP6和ERA5的偏差，尤其ERA5本身是对观测的模型化估计；
• • 物理一致性：当前框架未严格强制质量/能量守恒，可能产生海面温度梯度不连续；
• • 时间边界：独立窗口拼接可能引入边界不连续，需发展无缝多年代际连续重建。

Fig. 6 Re-evaluating historical climate trends.

Fig. 6 Re-evaluating historical climate trends.

5. 结语

该研究通过生成式深度学习框架，将气候重建从"静态插值"推进到"动力重建"时代。通过恢复被传统方法抹平的内在变率和极端事件，研究揭示了20世纪北极变暖被掩盖的剧烈程度，并提供了全球完整、不确定量化的历史气候基准。这项工作不仅为理解地球系统对人为强迫的响应提供了更精确的经验基础，也为AI与地球系统科学的深度融合树立了新范式。

以上是对文章的详细解读，如有不当之处欢迎批评指出！

END

声明：欢迎转载、转发。气象学家公众号转载信息旨在传播交流，其内容由作者负责，不代表本号观点。文中部分图片来源于网络，如涉及内容、版权和其他问题，请联系小编处理。