Bias-corrected upper-ocean data for impact assessments of global warming and assimilation into climate models
本研究提出了一种创新的框架，通过将观测数据分解为气候态、强迫和内部变率成分，来生成代表非变暖和未来气候情景的偏差修正后月尺度上层海洋数据集，从而实现更准确的影响评估和气候模型模拟。
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
为了了解我们的星球正在发生怎样的变化，科学家们经常转向海洋——这是一个巨大的、翻腾着的蓄热库，驱动着全球的天气模式和气候系统。当研究人员试图预测未来时，他们会使用复杂的计算机模型来模拟大气与海洋之间的相互作用。然而，这些模型并不完美；它们在表示上层海洋的温度和盐度方面，往往存在微小的系统性误差。这些误差会随着时间的推移而放大，导致对从风暴路径到降雨量等一切事物的预测出现偏差。为了解决这个问题，科学家需要一种方法，利用现实世界的观测数据将这些模型“推回”到现实中，这一过程被称为数据同化。挑战在于寻找一个不仅在当下准确，而且能无缝延伸至过去和未来的数据集，从而允许科学家测试气候系统对不同程度变暖的反应，而不受模型误差的干扰。
现在，一个研究小组创建了一个全新的、高质量的数据集，专门旨在解决这一问题。他们构建了一个详细的、逐月的上层海洋温度、盐度和海冰浓度的记录，涵盖了三种不同的气候情景：非变暖的过去、现在以及各种未来路径。其目标是提供一个干净、经过偏差修正的基础，可以直接输入气候模型以提高其准确性。通过消除困扰标准计算机模拟的系统性误差，同时保留由人类活动驱动的真实物理变化，这一新数据使科学家能够进行更可靠的实验。这意味着他们可以更好地量化人类引起的变暖究竟在多大程度上改变了我们的气候，从而为未来几十年的预期情况提供更清晰的图景。
研究人员首先提取了六十年真实的海洋观测数据，时间跨度从1961年到2020年。他们将这些数据分解为三个截然不同的部分，以理解正在发生的情况。第一部分是海洋的平均状态，即在任何给定月份预期的典型状况。第二部分代表了由外部力量（如大气中不断增加的温室气体）驱动的缓慢、稳定的变化。第三部分捕捉了气候系统内部发生的自然、混沌的波动，例如太平洋中不规则的增暖和降温模式。通过分离这些元素，团队得以将人类影响的真实信号从背景噪声中分离出来。
为了构建一幅没有近期全球变暖的世界图景，团队重建了一个“非变暖”气候。他们将来自真实观测的自然波动，叠加到一个代表工业革命前时期（大约是1850年至1899年）的基准气候状态之上。这种重建产生了一个数据集，其中全球海表温度比今天低约0.37摄氏度。这提供了一个关键的参考点，一个看起来和感觉上都像今天，但缺乏过去一个世纪特定变暖特征的现代世界版本，从而允许科学家进行直接对比。
对于未来，团队观察了人类社会可能演变的三个不同情景，范围从低排放到极高排放。他们利用大量先进的气候模型来估算在每种路径下海洋将如何变化。然而，他们并没有简单地接受这些模型的原始输出（因为这些模型通常包含前文提到的相同误差），而是应用了一种精密的修正。他们提取了出现在所有模型中的共同变化模式（这些模式代表了变暖带来的真实强迫响应），然后将这些模式应用于他们经过修正的观测数据中。这种方法确保了未来的数据集反映了关于海洋如何变暖的最好的科学理解，同时避免了单个模型可能产生的特定错误。
这项工作的一个关键部分涉及海冰，海冰在世界许多地方正在萎缩。在北半球，研究人员利用海洋温度与海冰之间的关系，来估算在非变暖世界中冰盖将如何变化，从而有效地逆转了融化趋势。在关系更为复杂且难以建模的南半球，他们直接依赖于观测数据来构建非变暖情景。对于未来的预测，他们调整了海冰覆盖范围以匹配气候模型的预测，确保数据集与预期中的冰量减少保持一致。
团队还特别关注了标准数据经常失效的特定区域，例如日本海。在这里，他们结合了不同类型的高分辨率观测数据，以修正超过一度的已知温度差异，确保该数据集即使在这些关键的沿海区域也是准确的。最终成果是一个全面的、三维的地图，展示了深达3,000米的上层海洋，涵盖了从前工业时代到二十一世纪末的每一个月。
该数据集现已向其他科学家开放使用。通过将这些经过修正的数据输入到他们自己的气候模型中，研究人员可以运行与现实更加接近的模拟。这将帮助他们更好地理解全球变暖的具体影响，例如极端天气事件的变化、海平面上升以及洋流的转变。这项工作不仅仅是提供了一个过去的快照或对未来的猜测；它提供了一个稳健的、连续的桥梁，连接着过去与未来，使科学界能够测试他们的理论并以一种此前无法企及的信心来完善他们的预测。
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。