通过地球系统模型和古气候替代指标两种方法重建古气候环境已取得了许多重要进展，但两者都存在各自的局限性。古气候数据同化技术能有效把二者统一起来, 提升重建结果的准确性和全球关联性。北京大学李明松研究员团队总结了古气候数据同化这一变革性新技术，介绍了古气候数据同化的原理及其在重建古气候状态方面的最新进展和研究展望。相关成果发表于《中国科学：地球科学》中英文版2025年第2期。
在地球系统科学蓬勃发展的当下，研究古气候状态的变化对认识地球系统演化有着重要的意义。以往重建古气候主要依赖地球系统模型和古气候替代指标，但二者均存在许多缺陷。地球系统模型因系统复杂、过程机理不明、边界条件和初始条件不确定，模拟结果常存在一定的不确定性；古气候替代指标在时空上分布不均、数据稀疏，不同指标重建结果也常常缺乏一致性。针对这些方法的优势和缺点，北京大学李明松研究员团队总结了古气候数据同化相关研究，介绍了古气候数据同化的原理及其在重建古气候状态方面的最新进展。
古气候数据同化技术巧妙融合地球系统模型和古气候替代指标的优势。其原理是先利用地球系统模型模拟获取背景先验值，再经替代指标系统模型转换，对比替代指标实测值与模拟值并优化，最终得出更精准的古气候数据。此技术包含地球系统模型、替代指标系统模型、古气候替代指标和数据同化方法四大模块（图1）。
图1 古气候数据同化重建概念模型
从随机模拟的气候模式集合Xb开始, 利用指标系统模型H, 开展模型正演估计, 将古气候状态(如海水表面温度SST)映射到古气候替代指标(如δ18O)的观测值空间, 得到预测的替代指标值Ye替代指标的观测值(Yo)与预测值Ye之间的差异Yo–Ye, 则为气候模式集合学习到的新知识(新息, innovation). 集合卡尔曼滤波平台将利用新息, 以期更新气候状态Xa. 这一计算周期往往需要重复多次, 获得最终同化的结果. 同化结果(后验Xa)往往介于模式集合(先验Xb)和观测值(Yo)之间, 且误差更小.
数据同化研究方法目前已经成功应用于多个地质时间段，在重建古气候状态上取得了许多引人注目的成果。过去千年研究中，从早期基于环流模型和近现代海温记录的尝试，到如今融合多种替代指标的再分析，重建分辨率与精度大幅提升；末次盛冰期以来的古气候数据同化研究，通过整合大量指标和模型结果，为末次盛冰期降温过程和冰川规模提供了较为精确的约束，对理解冰期气候提供关键支撑；应用于新生代早期研究，成功重建古新世-始新世极热事件全球变化和古水文变化细节，揭示温室气候下的碳释放事件的二氧化碳浓度变化和大洋酸化的碳循环扰动响应；古海水表面温度的数据同化研究已被扩展到显生宙，过去4.85亿年来的演化重建结果对显生宙气候状态进行了划分（图2）。
图2 显生宙古气候状态重建成果和未来可研究时段与事件
(a) 新生代底栖有孔虫稳定氧同位素记录(Westerhold等, 2020), 星号表示已经通过数据同化重建了古气候状态的时期; (b) 显生宙生物壳体δ18O以及古温度记录, 蓝色曲线为CESM重建的显生宙全球地表平均温度, 模型输出间隔为一千万年(Li等, 2022b), 不同形状的散点代表不同生物(碳酸盐或磷酸盐)壳体的稳定氧同位素记录, 数据来源见Song等(2019), 粉色曲线(均值)与粉色区域(95%置信区间)是基于这些替代指标计算的每百万年的平均表层海水温度(Scotese等, 2021), 黑色曲线(中值)与灰色区域(90%置信区间)代表PhanDA重建的显生宙GMST演化历史(Judd等, 2024). 修改自Westerhold等(2020; 2021)和Scotese等(2021).
然而，该技术仍存在很多有待完善的地方：古气候替代指标时空分布不均且对数据质量要求较高；替代指标系统模型匮乏、依赖关键参数且可同化资料受限；地球系统模式提供了背景值可能存在偏差；古气候数据同化软件使用门槛较高。但新技术如协方差局部化、神经网络优化、在线数据同化等正助力古气候数据同化技术的蓬勃发展，同时大语言模型的应用也有望大大提升先验估计的时空分辨率。
在软件平台方面，虽不及现代气象学丰富，但已有 PHYDA、LMR、DASH、DeepDA和cfr等工具，推动着古气候数据同化研究发展。未来，数据同化研究必将拓展到更多气候要素和古老地质时期，有望进一步揭开重大地质事件及地球宜居性演化的神秘面纱，为预测气候变化筑牢历史根基。
了解详情，请阅读全文
中文版: 张昊勋, 李明松, 胡永云. 2025. 古气候数据同化: 原理和展望. 中国科学: 地球科学, 55(2): 416–434
转载本文请联系原作者获取授权，同时请注明本文来自科学出版社科学网博客。
链接地址：https://wap.sciencenet.cn/blog-528739-1485702.html?mobile=1
收藏
