融合多源大气—海洋数据的CNN—保序回归混合深度学习框架实现全球平均海平面上升高精度预测

《Estuarine, Coastal and Shelf Science》：Hybrid deep learning and CNN-Isotonic Regression framework for accurate global mean sea level rise prediction using multi-source atmospheric and oceanic data

　　

研究人员提出一种融合排放、温度异常与海洋指数等多环境变量的新型海平面预测框架。该单一预测模型为克服传统方法及独立方法所面临的问题提供整体性解决方案。通过特征工程提升全球平均海平面（global mean sea level, GMSL）预测效果。CNN—保序回归（CNN-Isotonic Regression, CNN-ISO）模型改善性能，最佳决定系数（coefficient of determination, R²）为0.99。平均绝对误差（mean absolute error, MAE）降至0.56，预测值与真实GMSL非常接近。

一、研究背景与问题
全球平均海平面（global mean sea level, GMSL）上升是气候变化的重要表现，已对海岸生态系统、沿海人口和关键基础设施造成威胁。温室气体增加导致全球升温，进而引起海水热膨胀、冰川和极地冰盖融化，叠加自然变率后使GMSL上升问题更加复杂。既有研究虽已关注海平面变化机制及其社会经济影响，但仍存在若干问题：多变量驱动整合不足，常仅使用温度或历史海平面等少数变量；时间分辨率和特征工程不足，年尺度数据难以刻画季节与年际变化，尤其与厄尔尼诺—南方涛动（El Ni?o-Southern Oscillation, ENSO）相关的变率；深度学习模型缺乏后处理修正，未来投影可能出现非物理波动，尚缺单调回归约束；可解释性和不确定性量化不足。基于此，研究人员构建融合大气、海洋和冰冻圈多源变量的混合预测框架，以提升GMSL预测精度和物理一致性。

二、研究开展、结论与意义
研究人员构建了融合11个大气、海洋和冰冻圈变量的GMSL预测框架，引入时间特征工程，并提出卷积神经网络（convolutional neural network, CNN）与保序回归（isotonic regression, ISO）相结合的CNN-ISO模型，与线性回归（linear regression, LR）、循环神经网络（recurrent neural network, RNN）、长短期记忆网络（long short-term memory, LSTM）和双向长短期记忆网络（bidirectional LSTM, BiLSTM）进行比较。结果表明，CNN-ISO取得最佳R²为0.997、MAE为0.56 mm，显著优于其他模型及持久性基线；其长期投影保持单调性并避免非物理波动。研究意义在于为海岸适应、风险评估和气候政策提供趋势性预测工具，并强调多源环境变量融合与后处理约束在GMSL预测中的价值。

三、关键技术方法
研究以Church and White数据集中的GMSL_GIA为目标序列，时间范围为1880—2024年，数据来源于Our World in Data；输入包括CO₂浓度与排放、CH₄排放、N₂O浓度与排放、陆地和海表温度异常、北极与南极海冰范围及Ni?o 1.2和Ni?o 3指数等11个特征。按时间划分训练集1880—1979年、验证集1980—1999年、测试集2000—2024年；采用线性插值将年度数据扩展为月度序列，构建60个月×11特征的滑动窗口预测下一年GMSL。比较LR、RNN、LSTM、BiLSTM和CNN-ISO；CNN输出经保序回归后处理以维持长期单调性。以MAE为损失函数，采用R²、MAE和均方根误差（root mean square error, RMSE）评价，并用Bootstrap计算95%置信区间（confidence interval, CI）、配对t检验和残差诊断；未来输入特征按二阶多项式回归、线性回归或历史模式重复外推至2050年。

四、研究结果
3.1 不确定性量化与统计显著性：采用Bootstrap重采样、配对t检验和残差诊断，CNN-ISO置信区间最窄且下界最优，相对其他模型p<0.001，残差满足正态性、同方差性和无自相关。
3.2 模型性能统计稳健性：多种随机初始化重复训练显示各深度模型性能稳定，支持性能提升的可靠性。
3.3 模型结果的物理解释：模型学习到的CO₂、温度异常、海表温度和极冰关系与已知物理机制一致，ENSO指数线性相关弱但可反映短期变率。
3.4 特征贡献分析：CO₂、全球温度异常和海表温度是主要预测因素，CH₄与ENSO指数直接作用较弱但可辅助捕捉次要和短期影响。
3.5 用于GMSL投影的特征外推：对CO₂和温度等采用二阶多项式回归，对海冰等采用线性回归，对Ni?o指数采用历史模式重复，并据此生成至2050年的输入。
3.6 模型训练与验证性能：LSTM、CNN、RNN和BiLSTM训练与验证损失总体稳定，未显示明显过拟合。
3.7 线性回归评估与投影：LR的R²为0.982、MAE为4.01 mm，并给出至2050年的线性和多项式趋势投影，2050年预测约116.60 mm。
3.8 LSTM模型评估与未来投影：LSTM的R²为0.979、MAE为3.89 mm，2050年投影约299.19 mm，作者提示其可能对加速趋势过拟合。
3.9 CNN-ISO模型评估与未来投影：CNN原始R²约0.95，经保序回归后R²升至0.997，2050年投影约184.10 mm，投影平滑且保持单调。
3.10 RNN模型评估与未来投影：RNN的R²为0.95、MAE为5.23 mm，2050年投影约161.07 mm。
3.11 BiLSTM模型评估与未来投影：BiLSTM的R²为0.979、MAE为6.87 mm，2050年投影约206.42 mm；其使用未来信息，仅作为非因果上限基准。
3.12 不确定性分析：不确定性包括模型不确定性和输入特征外推不确定性，预测应解释为趋势估计而非精确未来值，建议采用概率模型、集合学习和情景分析。
3.13 跨模型比较与预测一致性：各模型均预测GMSL继续上升，CNN-ISO在精度和稳定性方面综合最优。
3.14 模型间变异分析：2050年预测中LR最低约116.60 mm，LSTM最高约299.19 mm，CNN-ISO约184.10 mm；3.14.1 LR受线性假设和缺乏时间建模限制；3.14.2 RNN受梯度消失和结构简单限制；3.14.3 BiLSTM为非因果上限基准；3.14.4 LSTM可能过拟合并缺乏物理约束；3.14.5 CNN-ISO兼具非线性提取、单调约束和正则化优势；3.14.6 与IPCC AR6比较，CNN-ISO投影偏低，作者归因于统计外推、保守趋势假设和缺失物理过程；3.14.7 建议采用集合平均、情景投影和物理约束提升稳健性。
3.15 实际意义与应用：框架可用于海岸工程、洪水风险管理、环境机构脆弱性评估、保险风险评价和适应规划。
3.16 局限性：包括插值合成数据、投影方法未含突变反馈和政策干预、物理过程表示有限、深度模型可解释性不足、过拟合与泛化风险、不确定性量化不完整、未覆盖区域海平面变化以及数据质量和覆盖不足。

五、讨论总结与结论翻译
讨论部分表明，该框架的优势在于多源变量融合、时间特征工程和CNN-ISO后处理约束，但其预测属于趋势外推而非情景约束的物理气候投影，需谨慎解释。结论部分可概括翻译为：研究人员提出一种先进的机器学习框架，用于捕捉大气和海洋动力过程并预测GMSL上升；对LR、LSTM、BiLSTM、RNN和CNN-ISO进行训练与测试，CNN-ISO表现最佳，R²为0.99、MAE低至0.56；至2050年的投影显示GMSL继续上升，并在2024—2037年、2037—2042年和2042—2050年呈现不同增长速率；结果强调GMSL与相关环境因子之间的非线性关系，需要政策层面的减缓与适应措施；未来研究应结合深度学习与统计方法，纳入冰盖质量平衡、海洋盐度和全球风场等变量，提高时间分辨率，并发展概率建模、集合学习、实时数据和自适应学习以增强预测可靠性。