要了解近期的气候极端事件和气候风险特征，就需要在历史背景下研究这些极端事件。然而，由于空间外推不足，现有的极端事件观测数据集普遍存在空间差距和不准确性。这一问题源于以说明测量缺乏的传统统计方法，这种方法在二十世纪中叶之前更为常见。上月发表于《自然-通讯》的一项国际研究，利用深度学习重建了1901年至2018年的欧洲气候数据，为了解整个欧洲大陆的温度极端事件提供了前所未有的洞见。
（巴塞罗那超级计算中心社交媒体。）
该研究来自德国气候计算中心(DKRZ)、英国气象局哈德利中心和西班牙巴塞罗那超级计算中心(BSC)的作者团队采用了部分卷积神经网络(PCNN)模型，其为他们称之为气候重建人工智能(CRAI)的人工智能方法的一部分，来改进历史数据重建。利用出自国际耦合模式比较计划第六阶段（CMIP6）的地球系统模型数据，训练CRAI更准确地捕获和重建缺失数据的模式。这种方法显著超越了传统技术，提供了气候极端事件的精细空间重建。
1911年9月报告的热浪事件：如图显示日最高温度达到大于90百分位数(TX90p)的天数百分比。左图：带有空间差距的原始HadEX-CAM数据集。右图：使用人工智能方法CRAI进行的重建。（Plésiat et al.《自然-通讯》2024）
CRAI捕获历史气候模式的能力与标准插值方法和扩散模型进行了对比测试。该团队发现，CRAI优于传统方法，实现了更小的误差和更准确的重建，特别是在数据稀缺的地区和时期。该模型在不牺牲精度的情况下处理大量数据的能力使其成为处理历史气候极端事件的理想选择。比如，CRAI模型更清晰地揭示了数据期早期几十年的寒潮（如1929年）和热浪（如1911年），与有关这些事件的轶事报告和其他显示极端温度条件的代理相一致。
CRAI模型揭示了一些重要趋势，比如在过去一个世纪里，整个欧洲温暖的白天和夜晚增多，寒冷的夜晚减少。这些发现与政府间气候变化专门委员会（IPCC）报告中确定的更广泛气候趋势相吻合，验证了CRAI是研究长期变化的有力工具。借助CRAI的重建准确性，研究人员对气候随时间和地区的变化而变化，尤其是在数据最稀缺的时间和地点获得了新见解。
1901-2018年TX90p的线性趋势（以天/10年为单位）。（Plésiat et
al.《自然-通讯》2024）
作者们指出，这项研究证明了将该方法应用于全球范围或其他数据稀缺地区的必要性和潜在好处。“将额外的相关数据集作为我们CRAI模型的输入，有可能通过利用数据稀缺区域的相关信息进一步改进极端指数的重建，”他们写道。“此外，神经网络降尺度的使用有望揭示更为复杂的历史气候模式。”
准确的历史数据有助于更好地了解气候极端事件的演化，并让决策者了解潜在风险，这对于制定更精确、针对特定地区的气候变化应对措施至关重要。未来的CRAI模型还可以纳入每日原始测量数据，进一步增强气候模型的准确性和相关性。作者们总结指出，这项研究凸显了人工智能在提高人们对气候极端事件及其长期变化的认识方面所具有的变革潜力。
（文/牛静美）
【参考来源：】
Plésiat et al.《人工智能通过重建历史记录揭示过去的气候极端事件》《自然-通讯》2024（开放获取）
https://doi.org/10.1038/s41467-024-53464-2
https://www.researchgate.net/publication/385209904_Artificial_intelligence_reveals_past_climate_extremes_by_reconstructing_historical_records
https://www.dkrz.de/en/communication/news-archive/ai-publication_naturecomm
