类型a

主作者和研究机构：本研究由方苗（Miao Fang）和李鑫（Xin Li）主导完成，分别隶属于中国科学院西北生态环境资源研究院、中国科学院青藏高原研究所及中国科学院青藏高原地球科学卓越创新中心。该研究发表于《Journal of Advances in Modeling Earth Systems》期刊，2019年。

学术背景：本研究属于古气候数据同化领域（Paleoclimate Data Assilimation, PDA）。PDA是一种结合气候模型与自然代用指标来重建过去气候状态的有前景的方法。树轮宽度（Tree Ring Width, TRW）作为最常用的代用指标之一，其系统模型（Proxy System Models, PSMs）的构建是PDA的关键步骤。然而，当前TRW PSMs在实际应用中的表现仍存在争议。因此，本研究旨在提出一种基于人工神经网络（Artificial Neural Networks, ANN）的TRW PSM，并比较其与其他现有TRW PSMs的表现。

详细工作流程：本研究包括以下几个主要步骤： 1. 数据同化方法：采用离线数据同化（Offline-DA）方法实施PDA实验，使用时间平均集合平方根滤波器（Ensemble Square Root Filter, EnSRF）作为PDA算法。 2. TRW PSMs的比较：对比了四种TRW PSMs，包括线性单变量模型（LUM）、线性多变量模型（LMM）、基于物理的非线性多变量模型（VSL）以及ANN模型。 3. 校准TRW PSMs：校准期设定为1901-2000年，使用NASA GISS表面温度分析（GISTEMP）数据和全球降水气候学项目（GPCP）数据进行校准。ANN模型采用前馈反向传播网络，输入层有两个神经元（表示温度和降水），输出层有一个神经元（表示TRW），隐藏层神经元数量从3到10变化。每类网络训练10,000次，总共80,000次训练迭代。 4. 树轮代用指标、先验数据和重建实验：选取354个年度分辨率的TRW年代序列作为观测数据，随机抽取Max Planck气象研究所地球系统模型（MPI-ESM-P）模拟数据作为先验数据集，进行四组PDA实验。

主要结果：通过对比四种TRW PSMs的表现，结果表明： 1. 在1850-2000年期间，ANN、LMM和LUM模型的PDA重建结果与HadCRUT4系列和20CR-V2C再分析结果吻合良好，而VSL模型的PDA重建结果较差。 2. 全球网格对网格验证结果显示，ANN、LMM和LUM模型在几乎全球范围内具有高相关性，而VSL模型的表现甚至不如MPI-ESM-P模拟。 3. 统计分析表明，ANN模型在综合性能上优于其他三种模型，其次是LMM、LUM和VSL。

结论和价值：本研究表明，基于ANN的PSM在PDA中表现出更高的技能，可以更好地重建气候场。这不仅证明了ANN模型在构建TRW PSM中的有效性，还暗示其在其他类型PSMs（如洞穴沉积物δ18O PSM）构建中的潜在应用价值。此外，ANN模型提供了一种快速、简便且有效的方法来构建PSMs，无需深入了解气候-代用指标关系或构建基于物理的PSMs。

研究亮点：本研究的重要发现包括ANN模型在PDA中的优越表现，其新颖的工作流程和特殊的研究目标。特别是，ANN模型能够有效处理复杂的非线性和多变量问题，为未来PDA研究提供了新的思路。

其他有价值内容：本研究还探讨了VSL模型在PDA中的局限性，指出其非线性和不平滑性可能是导致低技能的主要原因。此外，ANN模型的训练过程虽然关键但具有随机性，未来可以通过结合智能算法进一步优化ANN结构。