導語

地球氣候系統是一個多尺度運作的復雜網絡，受到自然界諸多過程（如大氣環流、洋流、地質演變到生物地球化學循環）以及人類活動的深刻影響。這些錯綜復雜的相互作用不僅塑造了全球氣候的變異性，也決定了區域性天氣模式的形成。因此，深入理解這些動態變化對于我們預測未來氣候情景——無論是短期內的幾天還是長期內的幾十年——及其對全球環境和社會可能產生的影響至關重要。在氣候變化不斷加速的當下，掌握這些相互作用的機制，對于我們減少氣候風險、適應環境變化具有前所未有的緊迫性。近日，發表于Science 一項最新展望系統介紹了“地球系統”分析的概念，即采用一種全面的方法跨越學科界限，整合多領域的知識，以期全面把握我們地球系統的復雜性，更深刻地理解氣候系統的內在機制，為應對氣候變化的挑戰提供科學依據和策略。

關鍵詞：復雜科學，地球氣候系統，氣候臨界點，復雜網絡，人工智能

班嶄| 作者

論文題目：

Science Meets Earth System

論文鏈接：%3Dihub

目錄

1. 復雜性和地球系統

2.整合現代與全新世氣候變化

3. 綜合框架：全新世氣候數據、氣候模型、復雜科學與人工智能

4.氣候網絡、人工智能與氣候變化的政策含義

5. 結論

1.復雜性和地球系統

復雜科學是一種多學科方法，旨在理解具有非線性、涌現、反饋循環和自組織的系統。這些概念對于分析固有復雜的地球氣候系統至關重要。氣候中的非線性可能導致傳統線性模型無法預測的突然變化或臨界點。涌現指的是氣候系統中新模式或行為的自發發展，例如持續性天氣異常的形成。在氣候系統中，一個部分的變化可能會通過這些反饋循環放大或減弱整體的影響，而自組織描述了氣候系統內部的局部相互作用如何能夠在沒有中央協調機制的情況下，導致有序結構或行為的發展，比如大規模環流模式的形成。

在地球氣候領域，復雜性科學的方法論使研究人員能夠模擬跨越時間和空間尺度的復雜相互作用。其中一個有效的工具是氣候網絡（Climate Network，簡稱CN），節點代表不同的地理區域，節點之間的鏈接顯示了這些區域在氣候變量上的相互關系，比如溫度或降水量。復雜系統方法研究了某個地區發生的擾動，比如海面溫度的顯著上升，是如何通過網絡傳播的，以及這些擾動是如何觸發一系列影響全球天氣模式的事件。與依賴線性假設和過度簡化的相互作用的傳統模型不同，氣候網絡能夠捕捉復雜的動態并揭示氣候系統內更廣泛的效應。

構建氣候網絡涉及幾個步驟。首先，需要定義網絡中的節點。這些節點代表包含各種氣候變量的空間網格。節點作為參考點，使研究人員能夠研究特定地點及其隨時間變化的氣候行為。接下來，基于氣候數據的統計相關性創建節點之間的鏈接。通常使用Pearson （皮爾遜相關）、Event （事件同步）、Mutual （互信息）和 （因果關系）等方法評估連接強度。有了這些數據，就可以構建一個有向加權的氣候網絡，說明氣候系統內的相互聯系。關鍵指標，如節點中心性和聚類系數，提供了對網絡結構和功能的洞察，幫助識別關鍵的氣候熱點并評估網絡的脆弱性。

氣候網絡的一個主要應用是預測厄爾尼諾事件，這是全球氣候變異的主要驅動力。傳統的厄爾尼諾預測常常受到“春季障礙”的困擾，這使得預測者難以在厄爾尼諾發生前六個月識別出異常現象的開始。然而，氣候網絡通過檢測氣候系統中的協同動態，使得早期預警系統能夠提前一年預測厄爾尼諾事件，提高了厄爾尼諾-南方濤動（ENSO）事件的預測能力，為準備和緩解工作提供了寶貴的時間。

占印度年降雨量70%以上的印度夏季季風，也從氣候網絡分析中受益。盡管已經有相關模型被開發，但長期和可靠地預測季風降雨一直是一個挑戰。通過繪制季風區域之間的相互聯系，氣候網絡增強了我們對季風變化及其驅動因素的理解并改善了季節性預測，這對于農業和水資源管理至關重要。

大西洋經向翻轉環流（AMOC）是另一個用氣候網絡研究的關鍵氣候組成部分。AMOC重新分配熱量并影響氣候。最近的研究表明，自20世紀中葉以來AMOC有所減弱，這對長期氣候穩定性有影響。氣候網絡通過分析大西洋內部的連通性模式，幫助識別潛在AMOC崩潰的早期預警信號，為氣候科學家和政策制定者提供了寶貴的洞察。

氣候網絡分析還專注于極端降雨事件，通過分析全球降雨模式，氣候網絡發現了導致極端降雨事件的大氣遠程連接模式（），這為理解這些極端降雨事件的可預測性和其背后的機制提供了洞見。這種更深入的理解幫助氣象學家預測和準備應對這些極端事件，可能挽救生命并減少經濟損失。

此外，氣候網絡在研究氣候臨界點方面也發揮了重要作用——臨界點是指那些微小的擾動就能使系統的狀態或發展發生質的變化的關鍵閾值。識別這些臨界點對于氣候風險評估至關重要。氣候網絡提供了一個框架，用于檢測早期預警信號并理解不同臨界點之間的相互依賴性及其可能的連鎖反應，其中一個臨界點可能觸發另一個臨界點。例如，研究人員已經發現了亞馬遜雨林、青藏高原和西南極冰蓋之間的相關性，強調了對不同氣候系統相互作用進行全面觀察的必要性。例如，1979年至2022年的溫度異常揭示了青藏高原、北極和中國東部之間有方向的相互影響。

圖1. 復雜地球系統間的氣候網絡分析

2.整合現代與全新世氣候變化

要全面理解氣候在本地和全球尺度上的深遠影響，至關重要的一點是將現代觀測數據的見解與全新世時代記錄提供的豐富背景相結合。現代觀測數據，如衛星測量和儀器記錄，為我們提供了對當前氣候模式的實時洞察，并為構建氣候網絡奠定了基礎。然而，現代數據集通常只覆蓋幾十年，限制了它們捕捉長期變異性和臨界點的能力。

全新世（）氣候數據，源自冰芯、樹輪和沉積層等古氣候代理物，提供了過去氣候條件的關鍵長期記錄。這些數據使我們能夠重建溫度、降水和大氣環流等關鍵氣候變量，時間跨度達數千年。整合全新世數據使氣候網絡能夠捕捉長期氣候動態，識別關鍵的臨界點，并探索持續數千年的遙相關（長距離氣候聯系）的演變。

例如，全新世數據使我們能夠檢測到持久的相關性，如北大西洋氣候模式與亞洲季風之間的聯系。這些見解揭示了數千年來區域氣候如何在更廣泛的全球尺度上相互作用。此外，將全新世數據整合到氣候網絡中使我們能夠研究過去的臨界點，例如撒哈拉的快速沙漠化，并更好地預測未來可能發生類似事件的條件。全新世記錄還為我們提供了有關地球氣候如何響應自然脅迫的寶貴見解，例如火山活動或太陽變化，幫助我們評估氣候系統的韌性，并通知預測現代人類活動可能如何推動未來變化。

將全新世數據整合到氣候網絡中，使我們能夠檢測到傳統模型可能忽視的模式和動態，這些傳統模型通常基于短期數據集。這種整合為我們提供了更全面的長期氣候變異性理解，并為預測未來氣候情景（從幾天到幾十年）和臨界點提供了關鍵見解。

3. 綜合框架：全新世氣候數據、

氣候模型、復雜科學與人工智能

未來的研究范式正越來越多地將復雜科學和人工智能技術與傳統方法（如全新世氣候數據和氣候模型）相整合，以深化我們對地球動態的理解。全新世氣候數據，源自跨越千年的地質記錄，為我們提供了過去氣候變異性和環境變化的關鍵見解。這一歷史背景對于解析自然氣候驅動因素與人類活動之間的復雜相互作用至關重要，它為未來氣候情景（從幾天到幾十年）的預測提供了信息。

復雜科學為分析地球氣候等非線性、相互連接的系統提供了一個嚴謹的框架。通過整合網絡理論和計算建模，它揭示了傳統方法可能忽視的新興模式和動態。這些見解得到了先進氣候模型的補充，這些模型利用全新世數據來完善模擬并在多樣化的氣候情景中提高準確性。

特別是，人工智能通過使用機器學習算法來處理和解釋復雜的氣候數據，增強了氣候網絡分析。人工智能的一個關鍵優勢在于其能夠識別氣候變量之間的非線性關系，這些關系通常被傳統的線性模型所忽視。例如，支持向量機和隨機森林等機器學習算法被廣泛用于通過從歷史數據中學習來分類和預測氣候現象。這些算法使研究人員能夠檢測氣候網絡中不同區域之間的微妙非線性相互作用，提供對氣候動態的更深入洞察，例如遙相關的出現。人工智能有助于揭示網絡中隱藏的聯系，使研究人員能夠更好地理解地理上相距遙遠的地區之間的相互作用。

除了模式識別，包括聚類和降維在內的人工智能工具在揭示氣候網絡內的隱藏結構中發揮著關鍵作用。這些方法根據它們共享的氣候模式對區域或節點進行分組，即使沒有先驗知識或標記數據。例如，聚類技術可以應用于對經歷同步極端氣候事件的區域進行分組，揭示有助于解釋更廣泛氣候系統相互作用的新興行為。同樣，降維技術，如變分自編碼器，通過關注最顯著的模式來簡化復雜數據集，使研究人員能夠識別通過傳統分析可能不明顯的異常或重大氣候轉變的早期跡象。

此外，長短期記憶（LSTM）網絡等深度學習技術特別適合處理氣候數據中的時間動態。這些網絡可以模擬氣候變量之間的時間依賴性和序列關系，允許更準確的長期預測。例如，LSTM已應用于通過分析過去的氣候網絡數據來預測厄爾尼諾事件，從而實現早期和準確的預警。LSTM所具有的模擬復雜且隨時間變化的相互作用的能力可增強我們預測未來氣候事件的能力。通過這種建模能力，可以提高網絡預測的準確性和魯棒性。

人工智能的另一個重要貢獻是其在氣候網絡內揭示因果關系的能力。像因果影響框架測試這樣的工具使得研究人員能夠確定哪些區域或變量對其他變量有預測能力，從而幫助闡明網絡中的因果關系。通過識別驅動氣候相互作用的關鍵變量，人工智能不僅提高了預測的準確性，還提高了我們對各種氣候系統相互依賴性的理解。通過這種方式，人工智能在識別和篩選氣候變異的關鍵驅動因素，如海洋-大氣相互作用中的關鍵因素，這些因素在塑造全球天氣模式中發揮著關鍵作用。

此外，人工智能工具自動化了大量氣候數據的處理，使氣候網絡能夠隨著新數據的可用性而不斷更新和完善。這對于處理跨多個時間和空間尺度的大規模實時氣候數據尤為重要。通過自動化數據集成和分析，人工智能簡化了氣候網絡的更新，確保預測模型能夠響應不斷變化的氣候條件，保持準確性和最新性。因此，由人工智能驅動的氣候網絡能夠通過比傳統方法更有效地整合和處理不同的數據集，生成更準確的氣候預測，包括熱浪、洪水和干旱等極端天氣事件。

總之，人工智能在氣候網絡分析中的應用通過揭示隱藏的模式、識別非線性關系以及增強氣候模型的預測能力，提高了我們對復雜氣候相互作用的理解。通過機器學習、深度學習和因果推斷等先進技術，人工智能使研究人員能夠超越傳統模型的能力，為地球氣候系統的行為和可預測性提供新的見解。

復雜科學與人工智能的協同作用，結合全新世氣候數據和氣候模型，使研究人員能夠全面評估地球的氣候動態。這一跨學科框架不僅加深了科學理解，還支持制定可持續策略，以減輕氣候風險并增強地球的環境韌性。通過利用現代技術和歷史數據的優勢，研究人員可以創建更強大的模型，以更好地預測未來氣候情景（從幾天到幾十年）并通知有效的政策決策。

原文所提出的范式可以作為專注于特定過程的單個氣候網絡，也可以作為代表不同氣候變量或地理區域的多個相互作用的氣候網絡。例如，一個氣候網絡可能代表全球溫度網絡，而另一個可能專注于降水。這些氣候網絡將通過共享節點和鏈接進行交互，模擬一個過程或區域的變化如何影響另一個過程或區域，例如海洋環流和大氣環流之間的關系。人工智能工具，包括機器學習和深度學習模型，將用于自動更新氣候網絡與實時數據，并在過程和尺度之間揭示隱藏的模式。這種方法確保了范式保持靈活和可擴展，能夠解決氣候系統在空間和時間維度上的相互連接性。

雖然像強降雨或融雪這樣的氣候脅迫在觸發洪水和滑坡等事件中至關重要，但這些過程還涉及內部演變機制，如土壤濕度、坡度穩定性和植被覆蓋。所提出的范式為建模這些內部動態提供了一個強大的框架。氣候網絡可以整合外部脅迫（例如，降水、溫度）和內部變量（例如，土壤飽和度、地下水位），允許更全面地理解這些事件的驅動過程。通過整合多層網絡，該范式可以捕捉地表氣候條件和地下因素之間的相互作用，更準確地表示導致洪水或滑坡的條件。人工智能通過分析大量數據集，如衛星圖像和現場測量，來檢測早期預警信號，如土壤濕度上升或土地不穩定。人工智能驅動的氣候網絡也可以實時更新，通過不斷調整以適應不斷變化的情景來提高準確性。這種全面的方法考慮到內部和外部驅動因素之間的復雜相互作用，能夠更準確地預測洪水和滑坡。

該范式旨在提高從短期（幾天到幾周）到長期（幾年到幾十年）的時間尺度上的氣候可預測性。對于短期預測，范式整合實時數據，為風暴或大氣層河流等極端事件提供早期預警。對于中期預測，它模擬季風和ENSO周期等季節性現象，幫助預測它們的發生和強度。范式還通過模擬海洋環流變化等大規模氣候過程，來解決長期預測問題，跨越數年到數十年。通過整合人工智能和歷史數據，該范式獨特地具備了檢測氣候系統中的臨界點和轉變的能力，使其能夠適應短期事件預測和長期氣候建模。

4.氣候網絡、人工智能

與氣候變化的政策含義

氣候網絡和人工智能驅動的模型為應對氣候變化的政策制定者提供了基本工具。通過揭示遙相關，氣候網絡有助于評估一個區域的事件如何影響其他區域，從而允許進行更準確的風險評估和極端天氣的早期預警。人工智能通過處理實時數據來增強這一點，使政府能夠采取預防性行動并有效分配資源。

人工智能和氣候網絡還有助于識別氣候臨界點，例如海洋環流的轉變或冰蓋的崩潰。通過整合全新世數據，這些模型可以預測可能觸發此類事件的條件，指導政策制定者實施預防性措施。此外，氣候網絡提供了對區域氣候風險的見解，幫助政府優化適應策略，例如分配水資源或規劃基礎設施。在全球范圍內，氣候網絡為國際合作提供了證據，展示了區域行動，如砍伐森林，如何影響更廣泛的氣候系統。人工智能通過允許政策根據實時數據演變，實現適應性管理，確保在快速變化的氣候中保持韌性。

5.結論

原文強調了理解全球氣候動力學的重要性，并強調了復雜科學在推進氣候研究中的關鍵需求。通過整合跨學科方法——如氣候網絡和人工智能驅動的建模——研究人員可以更深入地理解地球復雜系統。這種整合使我們能夠從歷史時期到現代觀測全面了解各個組成部分如何影響區域和全球氣候。將先進的技術（如復雜網絡分析和人工智能驅動的建模）與傳統方法相結合，對于發展強大的氣候模型和制定應對氣候變化的明智策略至關重要。這種協同作用有助于更好地理解和預測氣候變化，從而為減緩和適應氣候變化提供科學依據。

參考文獻

[1] Steffen W, K, Rockstr?m J, et al. The and ofEarth system science. Nat Rev Earth Environ 2020;1:54–63.

[2] Fan J, Meng J, J, et al. physics to the system. Phys Rep 2021;896:1–84.

[3] HJ. Earth system’ and the second .Nature 1999;402:19–23.

[4] Meng J, Fan J, J, et al. -based for El Ni? before the spring barrier. Proc Natl AcadSci USA 2020;117:177–83.

[5] J, Martin M, Boers N, et al. Network-based of . Proc Natl Acad Sci USA 2021;118:.

[6] J, A, M, et al. El Ni?o . Proc Natl Acad Sci USA 2013;110:11742–5.

[7] Fan J, Meng J, J, et al. Network-based and climate for the amount of Indian monsoon . J Clim

2022;35:1009–20.

[8] Caesar J, S, A, et al. of a Ocean . Nature 2018;556:191–6.

[9] Mheen M, H, A, et al. network based for the MOC . Geophys Res ;40:2714–9.

[10] Boers N, Goswami B, A, et al. Complex reveal of extreme- . Nature 2019;566:373–7.

[11] Lenton T, Held H, E, et al. Tipping in the Earth’s . Proc Natl Acad Sci USA 2008;105:1786–93.

[12] Liu T, Chen D, Yang L, et al. among tipping in system. Nat Clim Chang 2023;13:67–74.

[13] Chen D, Xu B, Yao T, et al. of past, present and changes on the Tibetan Plateau. Chin Sci ;60:3025–35.

[14] Jiang J, Zhou T, Qian Y, et al. regime changes in High driven by cleaner air. Nature 2023;623:544–9.

[15] Chen F, Yu Z, Yang M, et al. in arid central Asiaand its out-of-phase with Asian monsoon history. Quat Sci Rev2008;27:351–64.

參考文獻可上下滑動查看

地球系統科學讀書會

從加拿大極端熱浪，到德國的洪災，從澳大利亞的森林大火，到中國河南的特大暴雨，極端天氣已經成為新常態。氣候變化正以我們所能感知的態勢發生著。2021年諾貝爾物理學獎的一半被授予氣象學家真鍋淑郎和氣象學家克勞斯·哈塞爾曼，“以表彰對地球氣候的物理建模、量化變化和可靠地預測全球變暖”，表達了對人類命運的關切，也展現出從復雜系統視角研究地球氣候環境的必要性。

集智俱樂部組織地球系統科學讀書會，重點探討近年來系統科學、人工智能等學科為地球系統科學提供的創新研究方法，尤其是統計物理與深度學習在地球系統科學中的應用，共讀前沿文獻，激發科研靈感。讀書會已完結，現在報名可加入社群并解鎖回放視頻權限。

詳情請點擊：