《Advances in Climate Change Research》：Early warning signals for tipping points in complex climate systems
编辑推荐：
气候突变事件风险的日益加剧，凸显了对可靠早期预警信号（EWS）的迫切需求。本综述系统梳理了气候系统EWS研究的最新进展，将现有方法归纳为三大类，即统计指标、非线性动力学诊断方法以及数据驱动方法，并评估了其从理论适用性到实际应用局限性的全貌。总体而言，统计指标具
气候突变事件风险的日益加剧，凸显了对可靠早期预警信号（EWS）的迫切需求。本综述系统梳理了气候系统EWS研究的最新进展，将现有方法归纳为三大类，即统计指标、非线性动力学诊断方法以及数据驱动方法，并评估了其从理论适用性到实际应用局限性的全貌。总体而言，统计指标具有理论清晰的优势，但对非平稳噪声较为敏感；非线性动力学方法在高维情境下展现出更强的鲁棒性；而基于网络与深度学习的方法则展现出识别多种突变类型的潜力，尤其是在与物理约束及多模态观测相结合时。鉴于上述权衡，研究人员提出三项实用策略以提升EWS的实用性，包括采用集成框架综合多种指标以降低误报率，推进级联EWS以捕捉跨系统突变交互作用，以及从定性趋势预警转向具有可量化不确定性的、阈值定义的定量预测。研究人员还讨论了支撑上述策略的配套技术，包括自适应噪声滤波、降维、卫星数据集成以及物理信息机器学习。本综述为不同气候子系统及数据情境下的方法选择提供了结构化参考，并强调业务化EWS的实现将依赖于非线性动力学、对地观测与数据科学的持续深度融合。
论文主体内容总结
1. 引言
论文指出，复杂地球系统包含众多相互作用的组成部分，这些部分对环境的渐变呈现非线性响应。在人为气候变化背景下，格陵兰冰盖、亚马孙雨林和大西洋经向翻转环流（AMOC）等多个地球子系统可能在跨越临界阈值后发生突变，此类子系统被称为突变要素，其临界阈值即临界点。EWS是指系统接近临界点时，在时间序列或空间分布中可观测到的统计或动力学行为特征。早期发展的EWS大多基于临界减速（CSD）现象，即系统在接近临界点时从小扰动中恢复的速度逐渐变慢。此类指标数学上直观、计算简单，但对随机噪声敏感，常见代表包括自相关和方差。后续研究引入递归图等非线性时间序列工具以提升在含噪、非平稳数据中的鲁棒性。近年来，以深度学习为代表的数据驱动方法日益广泛地应用于识别各类临界点并提取EWS。然而，在真实系统中可靠地检测即将发生的临界点仍极为困难，其机制往往不明确，数据稀缺、质量低、时空覆盖有限等因素均增加了EWS的不确定性。
2. 临界点的理论概念与分类
论文将临界点划分为三类主要类型：分岔诱导突变（B-tipping）、噪声诱导突变（N-tipping）和速率诱导突变（R-tipping）。B-tipping发生在动力系统接近分岔点时，即控制参数连续变化导致系统动力学结构发生定性改变。折叠（鞍结）分岔是广泛研究的非连续分岔实例，系统发生此类突变后通常无法沿原路径返回，后果尤为严重。N-tipping发生在强外部扰动下，系统即使远离分岔点也可能跨越不稳定边界而转移到另一稳态，噪声的随机性会改变突变发生的位置和时间，增加不确定性。R-tipping则发生在环境强迫变化过快、系统无法追踪其吸引域时，预测此类突变需要精确刻画强迫速率及相关时空尺度。论文强调，真实世界的突变事件往往涉及多种机制的组合。
3. 早期预警信号
论文将主要EWS方法系统分为三大类：基于CSD的传统统计指标、非线性动力学诊断方法以及数据驱动方法，并指出不同突变机制需要不同的诊断策略。
3.1 传统统计指标
传统统计指标通过时间序列、空间格局和功率谱分析检测CSD，主要应用于单变量或空间平均时间序列，因其数学简洁和计算成本低而成为最广泛使用的EWS工具。
3.1.1 恢复速率
量化CSD最直接的方法是测量系统从每次扰动中恢复到先前状态的速率或时间。但在实践中，缺乏具体动力学方程使得识别扰动或验证系统是否正在恢复变得困难。理论上，恢复速率下降伴随自相关和方差的上升，因此后两者被广泛用作检测CSD的替代指标。
3.1.2 自相关
低阶自相关，尤其是滞后1自相关（AC1），常用于量化短时间尺度上的CSD。然而，在气候系统这类具有长期记忆的系统中，长程相关性也可能在突变前增强，可通过去趋势波动分析（DFA）和重标极差分析（R/S分析）等幂律关系方法估计。此外，基于互信息或其他熵的非线性相关方法也被用于获取非线性相关性。
3.1.3 分布形态
当系统接近临界点时，噪声波动往往变得更加不对称，因此可通过统计分布的变化获取EWS。方差作为概率密度函数（PDF）的二阶矩描述数据离散程度，标准差、变异系数和条件异方差等指标也反映时间序列的变异性。偏度和峰度量化PDF偏离高斯分布的程度，从而表征系统不对称性的增加。此外，Fisher信息、归一化动态范围和Box-Cox变换参数等PDF测量方法也被提出作为EWS指标。
3.1.4 谱特征
时间序列可通过傅里叶变换转换到频域进行谱分析。当动力系统呈现CSD时，频域中可观察到谱红化现象，即功率谱以低频为主导。该行为可通过低-高频谱密度比或幂律标度量化。然而，谱红化可能被噪声或振荡成分掩盖，增加检测难度。改进策略包括推导局部分岔的解析近似、利用功率谱峰值（Smax）以及结合AIC权重分类突变类型等。
3.2 非线性动力学方法
与基于CSD的指标不同，此类方法旨在直接从多元或空间显式数据中量化系统稳定性、可预测性或相空间结构，通常数据需求量和计算量更大，但在高维或含噪情境下鲁棒性更强。
3.2.1 特征值
雅可比矩阵可通过求解微分方程组获得，其特征值实部直接反映系统局部稳定性：所有实部为负时系统稳定，为正时系统不稳定。因此，特征值从负值趋近于零即表明CSD和即将发生的突变。在未知方程的系统中，可从状态变量的协方差矩阵估计特征值，或通过构建自回归模型估计特征根。近期研究还表明，可通过Floquet乘子的特征值量化已知周期性的周期强迫系统（如年季节变化）的稳定性。
3.2.2 可预测性下降
当动力系统接近临界点时，其不稳定性增加，可预测性随之降低。非线性局部李雅普诺夫指数（NLLE）可定量估计非线性动力系统的可预测性极限，NLLE越大表明可预测性越低。
3.2.3 景观-通量理论
多数EWS研究依赖一维势能景观而忽略非平衡旋度通量。真实生态和气候系统本质上是开放的、非平衡的、高维的，一维势能表征往往无法捕捉完整动力学复杂性。景观-通量理论整合了梯度分量和旋转分量，在分岔点附近提供比标准CSD指标更可靠的EWS。
3.2.4 递归量化分析
递归图从时间序列重建系统相空间，揭示系统状态的递归模式。递归量化分析（RQA）用于表征随机、周期或混沌动力学，确定性和层流性等量化指标可提供稳健的EWS。
3.3 数据驱动与建模方法
此类方法以无模型、数据驱动为特征，不依赖预定义的统计假设或动力学方程，直接从观测数据推断系统行为。
3.3.1 基于过程模型
当系统动力学未知时，非参数漂移-扩散-跳跃（DDJ）模型可在无显式方程的情况下逼近非线性过程，漂移项控制确定性趋势，扩散项表征随机性，跳跃项捕捉突变冲击。朗之万方程和福克-普朗克方程也被广泛用于拟合时间序列、估计漂移和扩散项、重建稳态PDF和绘制势能景观，平均逃逸时间作为关键输出可指示转变的可能性。
3.3.2 复杂网络
气候复杂网络是基于气候系统中不同地理区域或气候变量之间关系的网络表征，节点对应不同区域，连边表示由温度和降水等气候变量测量的统计或动力学耦合。网络指标如节点强度和连通性有助于量化结构稳定性和反馈。由于网络结构各异、节点重要性不同，需选择关键节点以降低计算成本并提供更早更清晰的EWS，关键节点可通过主特征向量或网络控制理论识别。
3.3.3 机器学习
传统EWS依赖统计和基于过程的模型，对非线性和非平稳时间序列存在局限。机器学习尤其是深度学习采用无模型、数据驱动框架，突破线性和分布假设，揭示复杂系统中隐藏的时空模式。深度学习已成功应用于识别分岔和极端事件，不仅用于B-tipping，还可用于R-tipping检测，甚至可通过机器学习模型估计N-tipping的转变时间。
4. 讨论
4.1 现有EWS方法的优势与局限
基于CSD的传统统计指标因其坚实的理论基基础和计算简便性而最广泛使用，但对非平稳噪声、数据缺失和去趋势、滤波、窗口长度选择等预处理选择高度敏感，容易产生误报和漏检。论文因此建议采用集成式EWS框架，综合自相关、方差、偏度和谱指标等多种信号以降低单一方法的漏报风险。非线性动力学诊断方法通过直接量化系统稳定性、可预测性或相空间拓扑提供互补视角，对噪声的鲁棒性通常优于线性CSD方法，但需要更长更高质量的数据和仔细的参数选择。数据驱动方法不受线性、平稳性或低维假设约束，适用范围更广，复杂网络不仅能提供二元预警信号，还能定量估计转变可能发生的时间，深度学习可检测传统CSD指标无法预见的R-tipping。然而，这些方法面临可解释性不足的突出挑战，且深度学习需要大量高质量训练数据，而气候突变事件本身稀有且往往未在仪器记录中观测到。物理信息神经网络、迁移学习和注意力机制等可解释性工具是应对这些局限的有前景的解决方案。
4.2 实际应用中的挑战
4.2.1 非平稳与非高斯噪声
真实系统常受多尺度、非高斯噪声扰动，此类噪声可能模仿或掩盖真实的CSD信号，导致误报。应对策略包括建立自适应噪声滤波框架，进行去趋势和滤波以去除时间趋势和周期波动，以及减去人类活动和野火等离散事件驱动的外部扰动。推进谱EWS方法（如功率谱峰值）可能更有效地从含噪信号中提取有用信息。
4.2.2 高维性与空间异质性
多数现有EWS方法针对单变量和低维系统设计，而真实气候系统本质上是高维、空间扩展且强相互依存的。维度增加会稀释主导特征向量的优势，使CSD更难检测，不同变量在突变前可能呈现不一致甚至相反的趋势。缓解策略包括应用主成分分析（PCA）、经验正交函数（EOF）分解等降维技术，开发基于关键变量功能重要性加权整合信号的组合EWS，探索跨尺度时空相互依赖关系，以及利用复杂网络识别关键节点和深度学习建模非线性变量交互。
4.2.3 估计不确定性
EWS估计器的准确性受数据集质量（信噪比、时空分辨率、缺失数据和测量误差）、时间跨度重叠和模型假设误差等多因素影响。当前EWS无法确定临界转变的强度和时机，阻碍了实际应用。研究重点应转向将EWS从模糊的趋势预警转变为阈值驱动的具体预警，通过将EWS方法应用于大量历史事件（如丹斯高-厄施格事件、海因里希事件、湖泊富营养化等）并进行统计分析来校准动态阈值和置信区间。阈值应具有自适应性，可根据季节温度或降雨波动调整以减少非平稳环境中的误报。
4.2.4 观测约束与卫星数据局限
在海洋表面和极地等偏远或恶劣地区，观测基础设施有限导致数据不准确、分辨率低。卫星遥感提供全球覆盖和高频观测以克服这些限制，但其时间序列通常较短（一般少于40年），空间平均偏差可能抹除局部异质性和早期预警热点，卫星像元分辨率与生态或冰冻圈过程特征尺度之间存在尺度不匹配，派生变量中的代理不确定性也增加了复杂性。解决方案包括多传感器融合、利用高分辨率数据进行空间降尺度以识别不稳定热点，以及将卫星数据与实地测量相结合。
4.2.5 深度学习的可解释性不足与泛化局限
深度学习模型常被称为"黑箱"，其内部决策过程不透明，难以理解驱动预测的特征或物理机制，限制了决策者对其的信任和采用。物理信息神经网络通过将守恒方程等物理定律作为惩罚项嵌入损失函数，可增强物理合理性和可解释性；注意力机制和Shapley加性解释等工具可帮助将预测归因于特定输入变量或区域。此外，在理论模型上训练的深度学习模型应用于真实气候数据时往往失效，迁移学习通过在大规模合成数据集上预训练、再用少量观测数据微调，可显著降低数据和计算需求并提升泛化能力。
5. 结论
可靠的临界点早期预警信号开发需要多方面方法，整合基于CSD的指标、非线性动力学诊断、复杂网络和机器学习等互补方法，同时应对非平稳噪声、高维性、估计不确定性和观测约束等实际数据挑战。未来两代EWS研究的总体目标是从定性趋势预警转向定量阈值定义预测，从孤立子系统预警扩展到捕捉跨系统交互的集成级联EWS，最终使EWS从研究者的诊断工具转变为决策者和社会的稳健风险管理工具。
