Nature Geoscience | AI重建缺失的气候信息

导读

气温观测资料是气候变化研究的基石，全球范围内最早的气温观测可以追溯到17世纪末的苏黎世、布拉格等城市，但是由于观测的站点非常少，因此很难用到区域和全球气候的研究中。HadCRUT4是目前常用的全球表面温度的数据集，该数据集是从1850年开始。由于HadCRUT4数据筛选条件较为严格，因此在19世纪末到20世纪初存在较多的缺测值，而这些缺测数据也给目前的气候变化研究带来了很多的不确定性。很多的研究人员利用插值或者主成分分析(principle component analysis, PCA)方法重建这些缺失的气候信息。近年来，人工智能(AI)应用于很多领域的研究中。在气候领域，AI常常用在极端事件识别、年代际气候预测等方面。本文作者利用最近几年AI领域发展迅猛的图像修复技术，重建了HadCRUT4中缺失的温度信息，为今后重建缺失的气候信息提供一种全新的解决方案。

原文信息

正文

图1. 20crAI和cimpAI流程图

作者利用两套完全不同的数据集作为训练数据。一套是来自NOAA的20世纪再分析数据(20CR)，用来训练20crAI模型；另一套是来自第五次国际耦合模式比较计划CMIP5的多模式模拟结果，用来训练cmipAI模型。同时，作者还利用目前常用的kriging插值和PCA方法对缺失数据进行插补，来验证AI是否更有优势。

图2. 20CR数据重建效果

作者首先利用验证数据检验了20crAI和cmipAI对于缺失数据重建效果，结果表明两个AI模型的结果都可以较好地再现厄尔尼诺和拉尼娜事件期间温度的分布形态。同时作者也进一步检验了全球平均温度的变化，结果表明含有缺失值的全球平均温度高于原始数据，特别是在19世纪末到20世纪初缺失值较多的时期。相比于kriging和PCA方法的结果，20crAI和cmipAI的结果都与原始数据更加接近，尤其是在早期缺失值较多的时候，较好地纠正了由于数据缺失造成的暖偏差，显示了AI的优越性。

图3. 1877年7月全球温度分布

(a)HadCRUT4原始数据，(b)20crAI，(c)kriging，(d)PCA

为了检验AI对于HadCRUT4缺测值的重建效果，作者选取了一次强厄尔尼诺期间(1877年7月)，对比分析了不同方法对于温度的重建效果。HadCRUT4数据在选取的月份缺测非常多，但是20crAI重建的温度空间分布较好地重现这次厄尔尼诺事件，而kriging插值法则完全没有能力重现厄尔尼诺期间的温度分布形态，PCA方法抓住了温度的空间分布形态，但是低估了厄尔尼诺造成的温度异常。

图4. 1850~2018年全球平均温度

20crAI和cmipAI重建之后的HadCRUT4全球平均温度的结果在19世纪末到20世纪初期明显低于原始数据结果。而这样的结果也表明，由于缺测的原因，HadCRUT4原始数据可能低估了1850~2018年的全球变暖趋势。

最后，作者希望本文的研究结果可以成为未来复杂气候数据重建领域的里程碑式的研究，并在插值和PCA方法之外，提供一种全新的数据重建方法。目前，世界气候研究计划（WCRP）发起了新一轮的国际耦合模式比较计划CMIP6，这意味着未来CMIP6可以提供更多的训练数据，也使得这一方法有着更好的应用前景。