导语
地球气候系统是一个多尺度运作的复杂网络，受到自然界诸多过程（如大气环流、洋流、地质演变到生物地球化学循环）以及人类活动的深刻影响。这些错综复杂的相互作用不仅塑造了全球气候的变异性，也决定了区域性天气模式的形成。因此，深入理解这些动态变化对于我们预测未来气候情景——无论是短期内的几天还是长期内的几十年——及其对全球环境和社会可能产生的影响至关重要。在气候变化不断加速的当下，掌握这些相互作用的机制，对于我们减少气候风险、适应环境变化具有前所未有的紧迫性。
关键词：复杂科学，地球气候系统，气候临界点，复杂网络，人工智能
1. 复杂性和地球系统
复杂科学是一种多学科方法，旨在理解具有非线性、涌现、反馈循环和自组织的系统。这些概念对于分析固有复杂的地球气候系统至关重要。气候中的非线性可能导致传统线性模型无法预测的突然变化或临界点。涌现指的是气候系统中新模式或行为的自发发展，例如持续性天气异常的形成。在气候系统中，一个部分的变化可能会通过这些反馈循环放大或减弱整体的影响，而自组织描述了气候系统内部的局部相互作用如何能够在没有中央协调机制的情况下，导致有序结构或行为的发展，比如大规模环流模式的形成。
在地球气候领域，复杂性科学的方法论使研究人员能够模拟跨越时间和空间尺度的复杂相互作用。其中一个有效的工具是气候网络（Climate Network，简称CN），节点代表不同的地理区域，节点之间的链接显示了这些区域在气候变量上的相互关系，比如温度或降水量。复杂系统方法研究了某个地区发生的扰动，比如海面温度的显著上升，是如何通过网络传播的，以及这些扰动是如何触发一系列影响全球天气模式的事件。与依赖线性假设和过度简化的相互作用的传统模型不同，气候网络能够捕捉复杂的动态并揭示气候系统内更广泛的效应。
构建气候网络涉及几个步骤。首先，需要定义网络中的节点。这些节点代表包含各种气候变量的空间网格。节点作为参考点，使研究人员能够研究特定地点及其随时间变化的气候行为。接下来，基于气候数据的统计相关性创建节点之间的链接。通常使用Pearson correlation（皮尔逊相关）、Event synchronization（事件同步）、Mutual information（互信息）和 Causality（因果关系）等方法评估连接强度。有了这些数据，就可以构建一个有向加权的气候网络，说明气候系统内的相互联系。关键指标，如节点中心性和聚类系数，提供了对网络结构和功能的洞察，帮助识别关键的气候热点并评估网络的脆弱性。
气候网络的一个主要应用是预测厄尔尼诺事件，这是全球气候变异的主要驱动力。传统的厄尔尼诺预测常常受到“春季障碍”的困扰，这使得预测者难以在厄尔尼诺发生前六个月识别出异常现象的开始。然而，气候网络通过检测气候系统中的协同动态，使得早期预警系统能够提前一年预测厄尔尼诺事件，提高了厄尔尼诺-南方涛动（ENSO）事件的预测能力，为准备和缓解工作提供了宝贵的时间。
占印度年降雨量70%以上的印度夏季季风，也从气候网络分析中受益。尽管已经有相关模型被开发，但长期和可靠地预测季风降雨一直是一个挑战。通过绘制季风区域之间的相互联系，气候网络增强了我们对季风变化及其驱动因素的理解并改善了季节性预测，这对于农业和水资源管理至关重要。
大西洋经向翻转环流（AMOC）是另一个用气候网络研究的关键气候组成部分。AMOC重新分配热量并影响气候。最近的研究表明，自20世纪中叶以来AMOC有所减弱，这对长期气候稳定性有影响。气候网络通过分析大西洋内部的连通性模式，帮助识别潜在AMOC崩溃的早期预警信号，为气候科学家和政策制定者提供了宝贵的洞察。
气候网络分析还专注于极端降雨事件，通过分析全球降雨模式，气候网络发现了导致极端降雨事件的大气远程连接模式（teleconnections），这为理解这些极端降雨事件的可预测性和其背后的机制提供了洞见。这种更深入的理解帮助气象学家预测和准备应对这些极端事件，可能挽救生命并减少经济损失。
此外，气候网络在研究气候临界点方面也发挥了重要作用——临界点是指那些微小的扰动就能使系统的状态或发展发生质的变化的关键阈值。识别这些临界点对于气候风险评估至关重要。气候网络提供了一个框架，用于检测早期预警信号并理解不同临界点之间的相互依赖性及其可能的连锁反应，其中一个临界点可能触发另一个临界点。例如，研究人员已经发现了亚马逊雨林、青藏高原和西南极冰盖之间的相关性，强调了对不同气候系统相互作用进行全面观察的必要性。例如，1979年至2022年的温度异常揭示了青藏高原、北极和中国东部之间有方向的相互影响。
图1. 复杂地球系统间的气候网络分析
2. 整合现代与全新世气候变化
要全面理解气候在本地和全球尺度上的深远影响，至关重要的一点是将现代观测数据的见解与全新世时代记录提供的丰富背景相结合。现代观测数据，如卫星测量和仪器记录，为我们提供了对当前气候模式的实时洞察，并为构建气候网络奠定了基础。然而，现代数据集通常只覆盖几十年，限制了它们捕捉长期变异性和临界点的能力。
全新世（Holocene）气候数据，源自冰芯、树轮和沉积层等古气候代理物，提供了过去气候条件的关键长期记录。这些数据使我们能够重建温度、降水和大气环流等关键气候变量，时间跨度达数千年。整合全新世数据使气候网络能够捕捉长期气候动态，识别关键的临界点，并探索持续数千年的遥相关（长距离气候联系）的演变。
例如，全新世数据使我们能够检测到持久的相关性，如北大西洋气候模式与亚洲季风之间的联系。这些见解揭示了数千年来区域气候如何在更广泛的全球尺度上相互作用。此外，将全新世数据整合到气候网络中使我们能够研究过去的临界点，例如撒哈拉的快速沙漠化，并更好地预测未来可能发生类似事件的条件。全新世记录还为我们提供了有关地球气候如何响应自然胁迫的宝贵见解，例如火山活动或太阳变化，帮助我们评估气候系统的韧性，并通知预测现代人类活动可能如何推动未来变化。
将全新世数据整合到气候网络中，使我们能够检测到传统模型可能忽视的模式和动态，这些传统模型通常基于短期数据集。这种整合为我们提供了更全面的长期气候变异性理解，并为预测未来气候情景（从几天到几十年）和临界点提供了关键见解。
3. 综合框架：全新世气候数据、气候模型、复杂科学与人工智能
未来的研究范式正越来越多地将复杂科学和人工智能技术与传统方法（如全新世气候数据和气候模型）相整合，以深化我们对地球动态的理解。全新世气候数据，源自跨越千年的地质记录，为我们提供了过去气候变异性和环境变化的关键见解。这一历史背景对于解析自然气候驱动因素与人类活动之间的复杂相互作用至关重要，它为未来气候情景（从几天到几十年）的预测提供了信息。
复杂科学为分析地球气候等非线性、相互连接的系统提供了一个严谨的框架。通过整合网络理论和计算建模，它揭示了传统方法可能忽视的新兴模式和动态。这些见解得到了先进气候模型的补充，这些模型利用全新世数据来完善模拟并在多样化的气候情景中提高准确性。
特别是，人工智能通过使用机器学习算法来处理和解释复杂的气候数据，增强了气候网络分析。人工智能的一个关键优势在于其能够识别气候变量之间的非线性关系，这些关系通常被传统的线性模型所忽视。例如，支持向量机和随机森林等机器学习算法被广泛用于通过从历史数据中学习来分类和预测气候现象。这些算法使研究人员能够检测气候网络中不同区域之间的微妙非线性相互作用，提供对气候动态的更深入洞察，例如遥相关的出现。人工智能有助于揭示网络中隐藏的联系，使研究人员能够更好地理解地理上相距遥远的地区之间的相互作用。
除了模式识别，包括聚类和降维在内的人工智能工具在揭示气候网络内的隐藏结构中发挥着关键作用。这些方法根据它们共享的气候模式对区域或节点进行分组，即使没有先验知识或标记数据。例如，聚类技术可以应用于对经历同步极端气候事件的区域进行分组，揭示有助于解释更广泛气候系统相互作用的新兴行为。同样，降维技术，如变分自编码器，通过关注最显著的模式来简化复杂数据集，使研究人员能够识别通过传统分析可能不明显的异常或重大气候转变的早期迹象。
此外，长短期记忆（LSTM）网络等深度学习技术特别适合处理气候数据中的时间动态。这些网络可以模拟气候变量之间的时间依赖性和序列关系，允许更准确的长期预测。例如，LSTM已应用于通过分析过去的气候网络数据来预测厄尔尼诺事件，从而实现早期和准确的预警。LSTM所具有的模拟复杂且随时间变化的相互作用的能力可增强我们预测未来气候事件的能力。通过这种建模能力，可以提高网络预测的准确性和鲁棒性。
人工智能的另一个重要贡献是其在气候网络内揭示因果关系的能力。像因果影响框架测试这样的工具使得研究人员能够确定哪些区域或变量对其他变量有预测能力，从而帮助阐明网络中的因果关系。通过识别驱动气候相互作用的关键变量，人工智能不仅提高了预测的准确性，还提高了我们对各种气候系统相互依赖性的理解。通过这种方式，人工智能在识别和筛选气候变异的关键驱动因素，如海洋-大气相互作用中的关键因素，这些因素在塑造全球天气模式中发挥着关键作用。
此外，人工智能工具自动化了大量气候数据的处理，使气候网络能够随着新数据的可用性而不断更新和完善。这对于处理跨多个时间和空间尺度的大规模实时气候数据尤为重要。通过自动化数据集成和分析，人工智能简化了气候网络的更新，确保预测模型能够响应不断变化的气候条件，保持准确性和最新性。因此，由人工智能驱动的气候网络能够通过比传统方法更有效地整合和处理不同的数据集，生成更准确的气候预测，包括热浪、洪水和干旱等极端天气事件。
总之，人工智能在气候网络分析中的应用通过揭示隐藏的模式、识别非线性关系以及增强气候模型的预测能力，提高了我们对复杂气候相互作用的理解。通过机器学习、深度学习和因果推断等先进技术，人工智能使研究人员能够超越传统模型的能力，为地球气候系统的行为和可预测性提供新的见解。
复杂科学与人工智能的协同作用，结合全新世气候数据和气候模型，使研究人员能够全面评估地球的气候动态。这一跨学科框架不仅加深了科学理解，还支持制定可持续策略，以减轻气候风险并增强地球的环境韧性。通过利用现代技术和历史数据的优势，研究人员可以创建更强大的模型，以更好地预测未来气候情景（从几天到几十年）并通知有效的政策决策。
科学家所提出的范式可以作为专注于特定过程的单个气候网络，也可以作为代表不同气候变量或地理区域的多个相互作用的气候网络。例如，一个气候网络可能代表全球温度网络，而另一个可能专注于降水。这些气候网络将通过共享节点和链接进行交互，模拟一个过程或区域的变化如何影响另一个过程或区域，例如海洋环流和大气环流之间的关系。人工智能工具，包括机器学习和深度学习模型，将用于自动更新气候网络与实时数据，并在过程和尺度之间揭示隐藏的模式。这种方法确保了范式保持灵活和可扩展，能够解决气候系统在空间和时间维度上的相互连接性。
虽然像强降雨或融雪这样的气候胁迫在触发洪水和滑坡等事件中至关重要，但这些过程还涉及内部演变机制，如土壤湿度、坡度稳定性和植被覆盖。所提出的范式为建模这些内部动态提供了一个强大的框架。气候网络可以整合外部胁迫（例如，降水、温度）和内部变量（例如，土壤饱和度、地下水位），允许更全面地理解这些事件的驱动过程。通过整合多层网络，该范式可以捕捉地表气候条件和地下因素之间的相互作用，更准确地表示导致洪水或滑坡的条件。人工智能通过分析大量数据集，如卫星图像和现场测量，来检测早期预警信号，如土壤湿度上升或土地不稳定。人工智能驱动的气候网络也可以实时更新，通过不断调整以适应不断变化的情景来提高准确性。这种全面的方法考虑到内部和外部驱动因素之间的复杂相互作用，能够更准确地预测洪水和滑坡。
该范式旨在提高从短期（几天到几周）到长期（几年到几十年）的时间尺度上的气候可预测性。对于短期预测，范式整合实时数据，为风暴或大气层河流等极端事件提供早期预警。对于中期预测，它模拟季风和ENSO周期等季节性现象，帮助预测它们的发生和强度。范式还通过模拟海洋环流变化等大规模气候过程，来解决长期预测问题，跨越数年到数十年。通过整合人工智能和历史数据，该范式独特地具备了检测气候系统中的临界点和转变的能力，使其能够适应短期事件预测和长期气候建模。
4. 气候网络、人工智能与气候变化的政策含义
气候网络和人工智能驱动的模型为应对气候变化的政策制定者提供了基本工具。通过揭示遥相关，气候网络有助于评估一个区域的事件如何影响其他区域，从而允许进行更准确的风险评估和极端天气的早期预警。人工智能通过处理实时数据来增强这一点，使政府能够采取预防性行动并有效分配资源。
5. 结论
人工智能和气候网络还有助于识别气候临界点，例如海洋环流的转变或冰盖的崩溃。通过整合全新世数据，这些模型可以预测可能触发此类事件的条件，指导政策制定者实施预防性措施。此外，气候网络提供了对区域气候风险的见解，帮助政府优化适应策略，例如分配水资源或规划基础设施。在全球范围内，气候网络为国际合作提供了证据，展示了区域行动，如砍伐森林，如何影响更广泛的气候系统。人工智能通过允许政策根据实时数据演变，实现适应性管理，确保在快速变化的气候中保持韧性。
科学家强调了理解全球气候动力学的重要性，并强调了复杂科学在推进气候研究中的关键需求。通过整合跨学科方法——如气候网络和人工智能驱动的建模——研究人员可以更深入地理解地球复杂系统。这种整合使我们能够从历史时期到现代观测全面了解各个组成部分如何影响区域和全球气候。将先进的技术（如复杂网络分析和人工智能驱动的建模）与传统方法相结合，对于发展强大的气候模型和制定应对气候变化的明智策略至关重要。这种协同作用有助于更好地理解和预测气候变化，从而为减缓和适应气候变化提供科学依据。
参考文献
[1] Steffen W, Richardson K, Rockström J, et al. The emergence and evolution of Earth system science. Nat Rev Earth Environ 2020;1:54–63.
[2] Fan J, Meng J, Ludescher J, et al. Statistical physics approaches to the complex Earth system. Phys Rep 2021;896:1–84.
[3] Schellnhuber HJ. Earth system’ analysis and the second Copernican revolution. Nature 1999;402:19–23.
[4] Meng J, Fan J, Ludescher J, et al. Complexity-based approach for El Niño magnitude forecasting before the spring predictability barrier. Proc Natl Acad Sci USA 2020;117:177–83.
[5] Ludescher J, Martin M, Boers N, et al. Network-based forecasting of climate phenomena. Proc Natl Acad Sci USA 2021;118:e1922872118.
[6] Ludescher J, Gozolchiani A, Bogachev M, et al. Improved El Niño forecasting by cooperativity detection. Proc Natl Acad Sci USA 2013;110:11742–5.
[7] Fan J, Meng J, Ludescher J, et al. Network-based approach and climate change benefits for forecasting the amount of Indian monsoon rainfall. J Clim
2022;35:1009–20.
[8] Caesar J, Rahmstorf S, Robinson A, et al. Observed fingerprint of a weakening Atlantic Ocean overturning circulation. Nature 2018;556:191–6.
[9] Mheen M, Dijkstra H, Gozolchiani A, et al. Interaction network based early warning indicators for the Atlantic MOC collapse. Geophys Res Lett 2013;40:2714–9.
[10] Boers N, Goswami B, Rheinwalt A, et al. Complex networks reveal global pattern of extreme-rainfall teleconnections. Nature 2019;566:373–7.
[11] Lenton T, Held H, Kriegler E, et al. Tipping elements in the Earth’s climate system. Proc Natl Acad Sci USA 2008;105:1786–93.
[12] Liu T, Chen D, Yang L, et al. Teleconnections among tipping elements in the Earth system. Nat Clim Chang 2023;13:67–74.
[13] Chen D, Xu B, Yao T, et al. Assessment of past, present and future environmental changes on the Tibetan Plateau. Chin Sci Bull 2015;60:3025–35.
[14] Jiang J, Zhou T, Qian Y, et al. Precipitation regime changes in High mountain Asia driven by cleaner air. Nature 2023;623:544–9.
[15] Chen F, Yu Z, Yang M, et al. Holocene moisture evolution in arid central Asia and its out-of-phase relationship with Asian monsoon history. Quat Sci Rev 2008;27:351–64.
转载内容仅代表作者观点
不代表中科院物理所立场
如需转载请联系原公众号
来源：集智俱乐部
编辑：潇潇雨歇
