基于深度学习的在线古气候数据同化方法研究进展
一、研究团队与发表信息
本研究由南京大学大气科学学院的孙浩浩(Haohao Sun)、雷丽丽(Lili Lei)团队联合美国俄亥俄州立大学刘征宇(Zhengyu Liu)及南京师范大学宁亮(Liang Ning)等合作完成,成果发表于2025年的*Journal of Advances in Modeling Earth Systems*(DOI: 10.1029/2024MS004675)。
二、学术背景与研究目标
科学领域:研究属于古气候重建与数据同化交叉领域,聚焦于通过结合气候模型与代用资料(proxy data)优化过去千年地表气温(SAT)的估计。
研究动机:传统离线数据同化(offline paleoclimate data assimilation, offline PDA)依赖现有气候模拟的静态集合先验,计算成本高且难以捕捉非线性气候过程;而在线数据同化(online PDA)因地球系统模型(Earth System Model, ESM)的长期积分计算负担难以实现。深度学习网络的快速发展为在线PDA提供了新思路。
研究目标:开发一种基于深度学习网络的在线PDA框架,通过耦合深度网络与集成混合集合卡尔曼滤波(Integrated Hybrid Ensemble Kalman Filter, IHenKF),提升古气候重建的精度和效率。
三、研究方法与流程
1. 替代模型开发
- 线性逆模型(Linear Inverse Model, LIM):在经验正交函数(Empirical Orthogonal Function, EOF)降维空间中构建,通过线性回归预测气候状态(公式2-3),保留年平均值和6个季节平均状态变量。
- 深度学习网络(Net):采用卷积编解码器架构(图1),输入输出为高维物理空间数据,通过多层卷积核(通道数32-128)和ELU激活函数捕捉非线性特征。损失函数结合多时间步预测误差(公式5),使用Adam优化器训练。
数据同化框架
实验设计
四、主要研究结果
1. 替代模型预测能力
- Net在5年预报期内预测技能显著优于LIM和气候随机采样(图3a),尤其在海洋区域(图3c)。Net通过高维非线性特征提取,弥补了LIM在EOF空间中的线性局限性。
在线同化性能
关键创新
五、结论与价值
科学意义:
1. 为古气候重建提供高效计算框架,减少对高成本ESM积分的依赖。
2. 证实深度学习在捕捉气候非线性动力学中的优势,推动数据驱动模型在气候研究中的应用。
应用价值:
1. 提升过去千年气候变率(如小冰期、中世纪暖期)的重建精度,支持气候机制研究。
2. 方法论可扩展至其他地球系统变量(如海洋环流、碳循环)的多代理同化。
六、研究亮点
1. 方法创新:Net-IHenKF框架为在线PDA开辟新路径,结合类比混合和误差膨胀策略,解决代用资料稀疏性与噪声的挑战。
2. 跨学科融合:将深度学习、数据同化与古气候学结合,推动学科交叉创新。
3. 可重复性:公开代码与数据(Zenodo: 10.5281/zenodo.13363823),促进方法推广。
未来方向:
- 探索更复杂网络架构(如U-Net、Graph Neural Networks)以提升区域尺度重建技能。
- 扩展多代理(如树轮同位素、冰芯)的耦合同化,增强气候强迫响应的约束能力。