编辑推荐：
为解决传统气候预测方法难以捕捉短期变化与复杂非线性作用的问题，研究人员开展 ML 模型（LSTM、XGBoost 等）与物理模型（EBM、GCM）对比研究。发现 Prophet 预测 CO?（RMSE=0.035）、LSTM 预测温度异常（RMSE=0.086）表现最佳，物理模型长于长期预测。该研究为气候建模提供新框架。
气候预测领域正面临一场数据与模型交织的革命。随着大气中 CO?浓度突破 428.15 ppm（2025 年数据），由化石燃料燃烧等人为活动引发的全球变暖，正以极端天气、海平面上升等形式深刻威胁生态系统。传统基于物理方程的气候模型，如能量平衡模型（EBM）和大气环流模型（GCM），虽能依托热力学原理刻画长期趋势，却在捕捉气候系统中非线性交互与短期波动时力不从心。例如，厄尔尼诺现象的周期性震荡、城市热岛效应的局部异常等，都难以通过单一物理框架精准模拟。与此同时，环境监测技术的革新带来了高分辨率时空数据的爆发式增长，如何让数据 “说话”，成为破解气候预测难题的关键。
在这样的背景下，来自多国研究机构的学者（因原文未明确第一作者单位，以研究团队代指）在《Environmental Modelling》发表论文，试图搭建一座连接数据驱动与物理机制的桥梁。研究团队聚焦 CO?浓度与全球温度异常这两个核心气候指标，开展了一项兼具创新性与实用性的对比研究：首次在统一框架下，系统性评估 5 种机器学习（ML）模型与 2 种物理模型的预测效能，旨在探明不同模型在多时间尺度上的优势互补性。
关键技术方法
研究采用 2000 年 1 月至 2024 年 4 月的全球月度数据集，数据源自美国国家海洋和大气管理局（NOAA）与斯克里普斯海洋研究所。机器学习模型涵盖三大类：
- 时序记忆模型：长短期记忆网络（LSTM），擅长捕捉序列数据中的长期依赖关系；
- 卷积 - 时序混合模型：卷积神经网络（CNN）与 LSTM 的混合模型（CNN-LSTM），结合空间特征提取与时间序列分析能力；
- 树集成与统计分解模型：极端梯度提升算法（XGBoost）、Facebook Prophet（兼具趋势分解与季节性建模的统计模型）。
物理模型则包括：
- 零维能量平衡模型（EBM）：基于地球辐射平衡原理，简化计算全球平均温度；
- 简化版大气环流模型（GCM，改编自 NASA 的 GISS 框架）：通过流体力学方程模拟大气运动与热量传输。
所有模型通过均方根误差（RMSE）、均方误差（MSE）、平均绝对误差（MAE）及决定系数（R2）进行多维度评估，同时开发开源软件 ClimateChange-ML 实现模型复现与可视化。
研究结果
1. 机器学习模型的预测表现
- CO?浓度预测：Facebook Prophet 以 RMSE=0.035 的最低误差脱颖而出。该模型通过分解时间序列中的趋势项、季节项（如北半球植被生长季对 CO?的吸收周期）及节假日效应，精准捕捉了人为排放与自然碳汇的动态平衡。
- 温度异常预测：LSTM 模型表现最优（RMSE=0.086）。其递归神经网络结构能够学习温度序列中跨年度的非线性依赖，例如厄尔尼诺 - 南方涛动（ENSO）对全球气温的滞后影响。
- 混合模型与传统 ML 的对比：CNN-LSTM 模型在融合 CO?浓度空间分布（如不同纬度的排放热点）与时间序列时，虽未显著超越单一 LSTM，却为多模态数据建模提供了新思路。
2. 物理模型的优势与局限
EBM 与 GCM 在温度异常模拟中 RMSE 分别为 0.15 和 0.12，虽低于部分 ML 模型，但在长期趋势预测中展现独特价值。例如，GCM 通过模拟温室气体辐射强迫的物理机制，能稳定输出未来数十年的温度变化趋势，但其对 2018 年北极涡旋导致的冬季异常低温等突发极端事件响应不足。物理模型的计算效率优势（无需大规模数据训练）使其成为政策制定者快速评估减排情景的理想工具。
3. 模型互补性与软件工具
研究开发的 ClimateChange-ML 整合了所有模型代码、训练权重及可视化模块，用户可通过 Python 3.8 + 环境调用。例如，政策制定者可先用 Prophet 预测短期排放峰值，再结合 GCM 评估长期温控目标，这种 “ML 定细节，物理定方向” 的组合模式，显著提升了气候预测的实用性。
结论与意义
这项研究打破了 “数据驱动” 与 “物理驱动” 的模型对立格局，揭示了两类方法在气候预测中的共生价值：ML 模型擅长捕捉数据中的隐性规律，为短期预警提供支撑；物理模型依托守恒定律，确保长期预测的科学可解释性。例如，在评估《巴黎协定》升温控制目标时，可通过 LSTM 分析近年温度波动的异常成分，同时利用 GCM 模拟不同碳减排速率下的辐射平衡变化，为政策制定提供 “双保险”。
研究的另一突破性贡献在于开源工具的发布。ClimateChange-ML 降低了气候建模的技术门槛，即使非机器学习专家，也能通过该平台复现分析流程、替换区域数据（如特定国家的排放清单），推动气候研究从 “实验室” 走向 “政策前线”。正如论文指出，这种整合型框架不仅是科学方法的创新，更是应对气候变化这一全球性挑战的协作范例 —— 唯有融合多元模型的智慧，才能在数据的海洋与物理的基石之上，构建更具韧性的气候预测体系。
