ERL：利用人工智能挖掘区域气候变化的隐藏信号

近日，《Identifying the regional emergence of climate patterns in the ARISE-SAI-1.5 simulations》发表在ERL上，由Zachary M Labe等人撰写。文章的主要内容是研究大气气溶胶注射（Stratospheric Aerosol Injection, SAI）作为一种太阳能气候干预（Solar Climate Intervention, SCI）形式，用于减缓因外部强制气候变化导致的未来升温。该研究采用了一个气候模型模拟，模拟的目标是通过释放平流层气溶胶来维持全球平均表面温度在工业化前水平以上1.5°C。通过两种不同的机器学习方法，该研究评估了在区域尺度上何时可以检测到SCI的影响。

一、引言：

当下，人类活动导致的快速气候变化问题迅速凸显，特别是温室气体排放所导致的全球平均表面温度（GMST）升高。目前的GMST已经超过了工业化前期的平均水平1.1°C，临近1.5°C和2°C的临界升温水平，这些升温水平将带来更严重的全球气候变化影响。为缓解气候变化可能采取的太阳能气候干预（SCI）策略，特别是大气气溶胶注射（Stratospheric Aerosol Injection, SAI）。SAI是通过向大气中释放硫酸盐、碳酸钙或其他物质来反射一部分太阳光，从而冷却地球气候的一种方法，类似于火山爆发后的气候效应。

先前的研究试图通过建模和机器学习方法来评估SCI对气候的影响，尤其是对气候极端事件的影响。但由于对未来情景选择的简化和对内部气候变率的考虑不足，其结果可能存在不实际的因素。

图1 SAI-1.5中气温与降水的集合平均值及分析子区域图

二、数据及方法：

ARISE-SAI-1.5实验是一个新的太阳能气候干预（SCI）模拟实验，利用NCAR的CESM2气候模型及其WACCM6组件。该实验包括两套各10成员的集合模拟，一套为控制模拟（SSP2-4.5情景），另一套为SCI扰动实验（SAI-1.5）。SAI-1.5模拟在2035年开始气候干预，注射平流层气溶胶以控制全球平均表面温度。研究关注陆地区域，分析了近地表空气温度和总降水量这两个气候变量。

文章使用逻辑回归和人工神经网络（ANN）两种机器学习方法。逻辑回归用于分类分析，预测年平均温度或降水图是由哪种气候模拟情景产生的。ANN则用于预测自太阳能气候干预（SCI）启动以来的年数。此外，研究还采用了特征归因方法来识别机器学习模型使用的重要气候模式，主要通过贡献图来实现。

图2 SAI-1.5与SSP2-4.5情景分类的逻辑回归模型和预测SAI-1.5部署年数的ANN架构示意图

三、结果：

3.1.区域气候模式的出现

文章分析了SAI-1.5和SSP2-4.5情景下九个区域的温度和降水。SSP2-4.5情景下所有区域均显示变暖，特别是两极地区。而SAI-1.5中，2035年后注射气溶胶导致的温度变化不明显。通过逻辑回归模型，能准确区分SAI-1.5和SSP2-4.5情景下的温度和降水图，尤其是在SCI注射后的前五年内准确率极高。此外，研究还使用了贡献图来解释逻辑回归模型的准确预测。最后，对于降水，逻辑回归模型在某些区域（如北半球和热带）的预测技巧较高，而在东南亚、中非和亚马逊等区域表现较差。

图3 SSP2-4.5和SAI-1.5情景下温度和降水年平均图的逻辑回归模型预测

图4 SAI-1.5情景下温度预测的贡献图及其信噪比（SNR）地图

3.2 SAI-1.5 中随时间变化的气候信号

文章使用人工神经网络（ANN）来分析SAI-1.5情景下的气候数据，旨在确定太阳能气候干预（SCI）开始的时间，并识别随时间变化的气候信号。他们发现在SCI开始后的最初十年内，多数区域显示出冷却趋势，但也有一些区域出现升温，这可能是内部气候变化所致。尽管存在一定的误差，ANN成功地学习并预测了温度的时间演变信号，但在降水信号的学习和预测方面表现不佳，这可能由于训练数据有限，难以从年际变异性中区分出SCI的影响。总体而言，这项研究展示了ANN在分析SCI影响下的气候变化方面的潜力和局限性。

图5 ANN对SAI-1.5气溶胶注射后年数的预测，覆盖全球及各区域

图6 利用输入*梯度方法的贡献图，显示ANN对全球及热带地区温度和降水预测的结果。

四、思考及结论

文章利用机器学习方法，尤其是人工神经网络（ANN），评估在太阳能气候干预（SCI）情景下，相对于常规气候变化情景（SSP2-4.5），区域性的温度和降水变化是否可被检测。尽管存在挑战，如内部气候变率和数据限制，这些方法在全球尺度上成功地检测到了温度和降水的变化，但在小地区和降水预测方面表现不佳。这项研究对于理解SCI措施的气候影响及其在不同地区的效果具有重要意义。

文章来源：

https://iopscience.iop.org/article/10.1088/1748-9326/acc81a#erlacc81as3