Reducing forced-signal uncertainty in the INM RAS climate models using a pattern-recognition based approach
本文将涌现约束与模式识别方法相结合，以减少 INM RAS 气候模型中近地面气温预测的跨模型不确定性，成功缩小了历史变暖模式的范围，但未能约束 21 世纪末预测的二氧化碳一致性信号。
原始论文采用 CC BY 4.0 许可（https://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
气候科学家依赖复杂的计算机程序，即地球系统模型，来模拟我们的地球大气和海洋在过去是如何运行的，并预测它们未来将如何变化。这些模型是理解温室气体水平上升后果的重要工具，但它们之间经常存在分歧。当不同的模型运行相同的场景时，它们对全球升温程度或升温在全球范围内如何分布的预测可能会产生巨大的差异。这种分歧或不确定性使得社会难以制定有效的应对气候变化的措施。模型不确定性的一个主要来源在于它们如何处理不可见的物理过程，例如云的形成，这些过程对于计算机网格来说太小而无法直接观察到，但对气候有着巨大的影响。为了做出更好的预测，研究人员一直在寻找缩小不同模型输出与我们观察到的历史记录之间差距的方法。
由谢尔盖·克拉夫佐夫（Sergey Kravtsov）领导的一个研究小组，以及来自俄罗斯科学院的同事们，开发了一种新方法来解决模型分歧的问题。他们专注于由俄罗斯数值数学研究所开发的三个特定版本的气候模型，这些模型在分辨率和处理云物理机制方面各不相同。研究人员希望看看是否可以使用一种称为模式识别的技术，来调整模型的未来预测，使其更紧密地符合观测到的全球温度历史。他们的方法涉及将温度数据分解为两个部分：一个由二氧化碳驱动的稳定变暖趋势，以及一个由其他因素引起的更复杂的、波动的背景信号。通过分析这些模式在1880年至2005年历史期间的表现，他们创建了一套用于重新缩放模型输出的规则。其目标是迫使模型与我们拥有的实际温度记录保持一致，从而在展望未来之前对其进行“调优”。
这项实验的结果表明，该方法在处理近期过去时效果良好，但在向更远的未来展望时遇到了障碍。当研究人员将他们的重新缩放规则应用于模型对2100年的预测时，不同模型之间的预测差异显著缩小。最初预测不同升温程度的三个模型被拉近了许多，它们都趋于一致，预测到本世纪末全球气温将上升约3摄氏度。这表明该方法成功地减少了模型短期预测中的不确定性，因为它纠正了在历史数据中可见的偏差。研究人员发现，模型往往会高估未来的升温速度，而他们的调整过程将这些预测下调到了一个更一致的水平。
然而，这项研究也揭示了一个关键的局限性。虽然重新缩放对于历史时期和近期未来是有效的，但它未能约束一种在21世纪后期出现的特定类型的气候信号。研究人员发现，气候变化中存在一种缓慢移动的成分，这可能与海洋和大气在数十年内如何适应变暖有关，而这种信号在历史数据中并未清晰显现。由于这种信号在过去并不明显，因此模式识别方法无法识别或纠正它。因此，即使在模型经过重新缩放后，它们对于这种晚期世纪升温的幅度仍然存在分歧。研究表明，虽然我们可以通过使模型与我们已经观察到的现象相匹配来改进模型，但气候系统中仍存在一些隐藏的、作用缓慢的过程，这些过程使用当前的方法仍然难以预测。
研究人员通过使用他们的一个模型版本作为“真实世界”的替代品，来测试他们的想法，以观察重新缩放是否能使其他模型更接近它。这个实验证实了该方法确实可以减少模型之间的差异，证明了该技术在数学上是合理的。然而，核心发现仍然是：该方法的效果取决于它所学习的数据。如果某种气候变化信号过于缓慢，以至于无法在历史记录中被检测到，那么该方法就无法修复模型关于该信号的误差。这意味着，虽然我们可以通过学习过去来完善我们的气候预测，但如果不了解这些更深层、更缓慢的地球气候系统机制，我们在减少不确定性方面存在一个根本性的限制。这项工作并没有完全解决模型不确定性的问题，但它为理解我们的现有工具在何处成功以及在何处失效提供了一条更清晰的路径。
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。