Disentangling Forced and Internal Climate Variability in Single Realizations using Dynamic Mode Decomposition with Control
本文介绍了一种基于非自治动力系统理论的新方法 PullbackDMDc，该方法成功地将单次气候实现分解为强迫变率和内部变率成分，从而在不需要大型集合数据集的情况下，实现了高技能的气候投影与模型评估。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下，试图通过观看一部关于天空的、连续不断的电影来理解天气。你看到云朵旋动，风暴酝酿，阳光破云而出，但你无法暂停影片并倒回去询问：“那场风暴是因为太阳加热了海洋，还是仅仅因为风改变了意图？”这就是气候科学的终极谜题。地球的气候是一个巨大的、混沌的机器，由两种主要力量驱动：一是“强迫”响应（forced response），即行星对外部推力的反应，如温室气体、火山喷发和太阳；二是“内部变率”（internal variability），即气候自身的混沌抖动，就像狗在洗澡后抖掉身上的水一样。科学家需要将这两者区分开来，以确定地球变暖是因为人类活动，还是仅仅因为自然的波动。问题在于，我们只有一部地球历史的电影，所以我们无法运行同一个场景两次来观察如果改变剧本会发生什么。
为了解决这个问题，研究人员尝试了各种技巧。有些人使用巨大的计算机模型，对同一部电影运行数百次，每次使用略有不同的起始点，以找到“平均”故事（强迫部分）并将差异视为“噪声”（内部变率）。另一些人则试图通过观察简单的模式（例如全球平均温度的上升）来猜测强迫部分。但这些方法往往达不到预期：计算机模型既昂贵有时又出错，而简单的猜测则忽略了大气层复杂的舞蹈。大问题仍然存在：我们能否从这一部混乱的地球气候电影中，在不需要时光机或上千次计算机模拟的情况下，通过数学手段将其拆分为“剧本”（外部力量在做什么）和“即兴表演”（气候自身在做什么）？
本文介绍了一种名为 PullbackDMDc 的巧妙新工具来回答这个问题。把气候系统想象成一辆在颠簸路面上行驶的汽车。“强迫”部分是驾驶员踩油门（外部强迫），而“内部”部分则是汽车在坑洼路面上颠簸（内部变率）。PullbackDMDc 就像一位超级聪明的机械师，他观察汽车的一次行程，并准确知道引擎如何响应油门，从而能够从数学上分离出平滑的加速过程与颠簸的震动。作者将气候视为一个线性系统，其中外部力量作为一个“控制”项起作用。通过使用数学中的一个概念——“拉回吸引子”（pullback attractor），这本质上是在说“如果我们把时间倒流得足够久，汽车的路径将仅由道路和驾驶员决定，而与它最初从哪里开始无关”——他们可以仅凭一段数据记录就将这两个组成部分在数学上剥离开来。
研究人员在真实世界的数据和四个不同的巨型气候模型（ESMs）上测试了这个新工具，这些模型通过运行数十种不同的起始条件来创造一个用于比较的“地面真值”。他们发现 PullbackDMDc 在预测强迫响应方面表现得惊人地好，甚至能匹配或超越依赖大规模计算机模拟的现有方法。它成功识别出全球变暖的“剧本”在数据中清晰可见，尤其是当该工具被喂入有关不同类型强迫（如火山灰和温室气体）的详细信息时。
然而，该工具也揭示了我们当前气候模型行为中一些有趣的缺陷。当研究人员使用 PullbackDMDc 来观察模型中的“即兴表演”（内部变率）时，他们发现了一个不匹配。在现实世界的观测中，气候有一种缓慢、深层的“心跳”，每 60 到 80 年跳动一次（与大西洋多年代际振荡等模式相关），并且这种缓慢的心跳承载了大部分变暖信号。但在计算机模型中，这种缓慢的心跳微弱或缺失。相反，这些模型似乎过于依赖更快速、更短期的节奏（如 2 到 7 年的厄尔尼诺周期）来承载变暖信号。本文指出，虽然我们的模型擅长捕捉气候中快速、抖动的部分，但它们系统性地低估了主导现实世界的那些缓慢、深层的长期波动。
简而言之，PullbackDMDc 提供了一种新的、实用的方法，通过阅读单一的气候记录来分离人为信号与自然噪声。它证实了我们可以做到这一点，而无需进行上千次计算机模拟，但它同时也警告我们，我们目前的模型可能遗漏了地球缓慢、深层的节奏，这可能使我们的未来预测不如预期的那样准确。作者认为，尽管他们的方法很强大，但它依赖于线性数学，而真实的气候可能更加复杂且具有非线性，这意味着未来的版本需要变得更加聪明，才能捕捉到完整的叙事。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。