识别区域夏季最低温度阈值跨越的时间及潜在后续气候演变

《Earth's Future》：Identifying the Timing of Regional Summertime Minimum Temperature Threshold Crossings and the Potential Subsequent Climate Evolutions

　　

区域变暖幅度和速率的差异不仅驱动了关键温度阈值跨越时间的不确定性，也驱动了阈值跨越后潜在气候系统演变的不确定性。在此，研究人员训练卷积神经网络（CNN）来预测中北美（CNA）地区夏季最低温度将保持在特定温度阈值以上的剩余时间。对非正态概率分布参数的预测为使用多个CMIP6（第六次耦合模式比较计划）气候模型和四种预测情景（SSP）的阈值跨越时间预测提供了不确定性量化。虽然先前的基于CNN的框架已经预测了区域年平均温度跨越，但本研究将方法扩展到包括内部和强迫变率的夏季最低温度。研究人员使用迁移学习，通过从观测数据中额外训练来微调网络，将阈值跨越时间预测的平均散布缩小了44%，并将预测比仅使用模型训练的时间推迟了4–10年。通过识别这些跨越的时间，研究人员分析了集合平均气候响应以及与预测跨越时间一致的单个故事线（storylines）的演变。这种有针对性的方法允许提取基于阈值超越时间的物理上可行的未来气候变化轨迹。故事线显示，在不同阈值、情景和集合成员中，跨越后变暖存在显著的空间变异性，其中CNA北部成为一个一致的热点。该框架通过一个针对中北美牛热应激的行业相关应用进行了说明。识别区域温度阈值何时被跨越以及气候状态随后如何演变，可以为未来的规划和适应努力提供信息，特别是对于像农业这样易受气候变化影响的行业。

**论文解读：区域夏季最低温度阈值跨越的时间识别与后续气候演变**

**研究背景与问题**

温度阈值，尤其是IPCC（Intergovernmental Panel on Climate Change，政府间气候变化专门委员会）所使用的全球和区域温度阈值，是评估气候变化对人类社会、生态系统和生物多样性影响的关键基准。然而，全球变暖的速率和幅度存在显著的区域差异，导致关键温度阈值跨越时间的不确定性，以及跨越后气候系统潜在演变路径的不确定性。现有研究多聚焦于全球或区域年平均温度的强迫响应（即仅由人类活动引起的外强迫成分），而对包含内部变率（气候系统自然波动）的季节性变量（如夏季最低温度）关注不足。此外，已有的机器学习框架（如卷积神经网络CNN）仅用于预测年平均温度阈值的跨越时间，且缺乏将概率性预测与物理自洽的后续气候演变分析相结合的方法。因此，本研究旨在填补这一方法空白，将CNN预测框架扩展到中北美（CNA，Central North America）地区的夏季最低温度（JJA Tmin，六月至八月平均最低温度），并利用预测的跨越时间锚定故事线（storylines，自洽的物理气候状态演变轨迹）分析，以揭示跨越后气候状态的潜在演变，并最终应用于农业部门（如牛热应激）的适应规划。该论文发表在《Earth's Future》。

**主要技术方法**

研究人员采用卷积神经网络（CNN）架构，预测CNA区域夏季最低温度阈值跨越的剩余时间（time-to-threshold）。CNN输入包括：全球温度异常图（72×144网格点）、温度阈值标量（0.25°C、0.5°C、1.0°C、2.0°C、3.0°C，相对于1850-1899年工业化前基线）和SSP情景标量（以累计CO₂排放量表示）。网络输出sinh-arcsinh-normal（SHASH）分布的四参数（mu、sigma、gamma、tau），以量化预测不确定性。训练数据来源为五个CMIP6气候模型（CanESM5、ACCESS-CM2、MPI-ESM1-2-LR、NorESM2-LM、UKESM1-0-LL），每个模型选用10个集合成员（共200个），并等权重处理以避免单个模型主导。训练后，通过迁移学习（transfer learning）用Berkeley Earth观测数据（1980-2024年）微调网络最后四个全连接层（仅均值预测分支），卷积层和不确定性预测层保持冻结，以缩小模型投影与观测的偏差。样本队列来源明确为CMIP6模型集合成员和Berkeley Earth观测数据集。

**研究结果**

**3.1 约束模型投影（Constraining Model Projections）**
通过对比基础CNN（仅CMIP6数据训练）和迁移CNN（经观测数据微调）的预测，迁移CNN将阈值跨越时间推迟了4–10年，且平均四分位距（IQR）缩小了44%（在各SSP和阈值间范围为28%–56%）。这一推迟源于观测记录的CNA夏季最低温度变暖趋势显著低于CMIP6模型集合的平均趋势，迁移学习校正了模型的系统性过暖偏差。例如，在SSP3-7.0情景下，2.0°C阈值跨越的预测中位年份从基础CNN的2036年推迟至迁移CNN的2040年。

**3.2 阈值跨越后的平均气候响应（Mean Climate Response Following the Threshold Crossing）**
分析跨越后15年各情景下集合平均的JJA最低温度异常（相对于1991-2020年基线），发现更高排放情景（SSP5-8.5）在跨越后呈现更大幅度的升温（CNA区域平均异常比SSP1-2.6高约0.5°C），且升温空间模式一致指向CNA北部区域，尤其是西北部。尽管跨越的是同一温度阈值，但不同情景下后续的强迫响应强度不同，导致升温幅度差异。

**3.3 阈值跨越后的故事线分析（Storyline Analysis Following the Threshold Crossing）**
为捕捉内部变率带来的物理自洽演变，研究人员选择与迁移CNN预测时间最接近的单个集合成员作为故事线。故事线显示，与集合平均响应相比，跨越后温度异常的空间变异性显著增大，且整体异常幅度更高（例如，2.0°C阈值下CNA区域15年平均异常为+1.5至+3.0°C，而平均响应为+1.2至+2.5°C）。不同故事线中，CNA北部和西北部持续表现为升温热点，但具体位置和强度因集合成员而异。对SSP3-7.0情景下2.0°C阈值的第二至第五最接近故事线分析进一步证实，即使跨越时间仅差1-2年，CNA区域内的温度异常空间分布差异可达1°C以上，反映了内部变率的重要影响。

**3.3.1 故事线分析在牛热应激中的扩展（Extension of Storyline Analysis for Heat Stress on Cattle）**
将故事线分析应用于农业部门，评估CNA地区（美国最大牛养殖区）牛热应激的变化。在2.0°C阈值跨越后的15年中，相对于跨越前15年，CNA区域60%–74%的网格点经历了超过21°C热应激阈值的月份增加，且北部和中部区域增加最为显著。更高排放情景下热应激月份增加幅度更大，且故事线显示的增加幅度明显高于集合平均响应，表明内部变率可能加剧局部热应激暴露风险。

**讨论与结论**

讨论部分指出，本研究的结果与先前Barnes等（2024）针对CNA年平均温度的研究存在差异：后者经迁移学习后预测的跨越时间提前，而本研究则推迟。这一差异源于变量（年平均温度 vs. 夏季最低温度）、季节性和阈值定义（仅强迫响应 vs. 包含内部变率）的不同，且CMIP6模型对区域夜间温度趋势的模拟存在系统偏差（观测趋势偏慢），这与McKinnon等（2024）关于冷夏季日变暖速率低于全球平均的发现一致。此外，模型间区域变暖的极大散布（尤其在CMIP6中）强化了使用观测约束的必要性。研究结论部分翻译如下：
本研究将基于CNN的时间至阈值预测框架扩展到包含内部和强迫变率的夏季最低温度，并利用概率预测结果选择物理自洽的故事线，揭示了跨越后变暖的空间模式和异常范围。通过结合CMIP6气候模型投影和观测，研究人员预测了中北美夏季最低温度阈值在不同情景下的跨越时间。首先，训练基础CNN预测相对于工业化前水平的持续15年跨越的剩余时间，每个预测包含不确定性度量。然后，通过迁移学习用观测数据微调得到迁移CNN，其预测比基础CNN推迟4–10年。该预测框架有两个目的：(a) 提供结构化的阈值跨越时间概率估计，以评估和传达气候变化风险；(b) 选择物理上可行的故事线——即与预测时间最接近的单个集合成员——用于分析跨越后气候状态。虽然集合平均响应提供了对预期变化的广泛理解，但它掩盖了可能结果的变异范围。研究人员首先评估了跨越后15年夏季最低温度的平均气候变化（即强迫响应），发现更高排放情景下温度异常更大。然而，平均响应并不代表物理气候状态，因此进一步识别了与迁移CNN预测时间最匹配的故事线，分析了JJA最低温度异常的物理可行演变。在更高排放情景下，阈值跨越更早，后续温度异常趋势更陡峭。同时，故事线中的异常幅度高于平均响应，且空间变异性更大。所有阈值和情景下，CNA区域跨越时15年平均JJA最低温度异常范围：1.0°C阈值为+0.4–1.7°C，2.0°C阈值为+1.5–3.0°C，3.0°C阈值为+2.0–4.3°C。该分析扩展至牛热应激评估，发现2.0°C阈值跨越后，CNA区域60%–74%的网格点热应激月份增加，主要集中在北部和中部。这一应用说明了阈值预测与故事线选择相结合如何为特定部门的适应规划提供信息，识别关键阈值跨越时间及后续可能的气候条件范围。本研究将阈值时间与故事线选择链接，深入探讨了跨越后物理可行的温度变化轨迹及潜在影响。