基于深度学习的南极月尺度地表气温重建数据集（1979-2023）：填补观测空白与气候趋势解析新突破

针对南极地区观测数据稀疏且现有温度数据集存在显著差异的问题，中山大学等团队利用深度学习技术，整合多源观测与再分析数据，构建了1979-2023年1°×1°空间分辨率的南极月尺度地表气温（SAT）数据集。该重建数据在验证中表现出优于ERA5等再分析数据的精度，首次揭示了南极东西部温度趋势的空间分异（东冷西暖），为极地气候变化研究提供了高可靠性基础数据。

　　

南极大陆作为地球气候系统的"冷却器"，其冰盖变化直接影响全球海平面。然而，这片冰雪荒漠的严酷环境导致气象观测站点稀疏——全境仅有约50个有人站和180个自动站（AWS），且多集中在沿岸地区。传统温度数据集依赖卫星遥感或再分析数据，但前者受云层干扰且算法存在偏差，后者则因模型差异导致趋势矛盾（如ERA5与MERRA-2在西南极的变暖幅度相差3倍）。这种数据困境严重制约了对南极"西暖东冷"异常现象的机理解析。

中山大学联合中国科学院大学等机构的研究团队在《Scientific Data》发表研究，创新性地采用U-net结构的深度学习模型（DLM），融合GHCN-D等8类地面观测与ERA5等3种再分析数据，构建了1979-2023年覆盖30°S以南的1°×1°网格化南极SAT数据集。关键技术包括：基于EASE-Grid 2.0的等面积网格处理消除高纬畸变；利用部分卷积层应对数据缺失；通过29,211个再分析日数据样本训练模型，并采用20个独立气象站进行盲法验证。

研究结果显示：在空间格局上，重建数据首次清晰呈现横贯南极山脉的温度趋势分界线——西南极半岛变暖率达0.52°C/10a（p<0.05），而东南极内陆出现1.47°C/10a的冷却（图5a）。这一发现得到7个未参与建模的AWS观测支持，如Dome A站（80.37°S）观测到0.5°C/10a降温，与重建结果的1.01°C/10a最为接近（表3）。在精度验证中，重建数据在13/20个验证站的RMSE低于再分析数据，如Vostok站RMSE仅1.25°C（ERA5为4.71°C）。值得注意的是，罗斯海周边海域的重建温度较观测偏高2.5°C（图7），反映该区域观测稀疏对模型约束不足的局限性。

该研究的核心突破在于：通过深度学习挖掘再分析数据中的物理关联，解决了传统插值法难以捕捉复杂空间模式的缺陷。数据集首次量化了南极不同区域对全球变暖的响应差异，为解释冰盖物质平衡（如西南极冰架加速崩解）提供了关键证据。未来可通过同化更多AWS观测（如PANDA网络）进一步提升内陆数据精度。这项成果不仅是极地气候研究的里程碑，其DLM框架更为其他数据稀缺区的气候重建提供了范式。