《利用气候模型研究温度季节性变化取得新进展》

  • 来源专题:长江流域资源与环境知识资源中心 | 领域情报网
  • 编译者: changjiang
  • 发布时间:2018-07-27
  • 本报讯(记者 陈云芬) 中国科学院西双版纳热带植物园研究人员将化石数据与气候模型结合,揭示了气候模型对中高纬度地区温度季节性差异预测的偏差以及古气候模拟诸多边界条件不确定性。该研究为预测未来气候变化研究提供了重要参考价值。

    渐新世是新生代地球演化历史中非常独特的一个重要转折期,地球正经历从始新世的“温室”气候向“冰室”气候的快速转变,通过研究这一关键时期的气候变化可为预测未来全球气候变化提供重要参考信息。

    西双版纳植物园和英国布里斯托大学研究人员开展合作研究,该研究整合了渐新世欧亚大陆中高纬度地区149个植物大化石数据点,利用共存法重建了化石点的古气候数据。通过对不同时期和地区的古气候进行对比,分析了早、晚渐新世欧亚大陆不同地区的气候差异,以及和现代气候的对比分析。

    研究结果表明:渐新世欧亚大陆中高纬度地区的年均温范围为5.4~25.5°C,年降雨量范围是338~2453毫米,该时期大部分地区的气候类型和现代的亚热带季风性湿润气候相似。研究发现早渐新世和晚渐新世气候较为相似;渐新世欧洲的气候整体上比中亚和东亚更为温暖湿润,中亚是其中最为干冷的地区。通过对渐新世和现代气候的对比分析,结果表明地质构造运动,是影响欧亚大陆渐新世以来的气候演变的重要驱动因子。研究还表明,气候模型和大化石数据在大的空间尺度上大体一致,但是气候模型重建的温度季节性差异明显比化石数据要大,尤其是在高纬度地区。结合其他相关研究结果,研究人员认为目前的气候模型预测的气候变化有很大的不确定性,如果全球气候变暖,那么未来北半球中高纬度地区的冬季温度可能会比目前的模型预测的更高。

相关报告
  • 《黄河三角洲站在滨海湿地植被群落对气候变化的响应研究方面取得新进展》

    • 来源专题:中国科学院文献情报系统—海洋科技情报网
    • 编译者:liguiju
    • 发布时间:2023-11-08
    • 滨海湿地凭借其稳定的“蓝碳”功能已经成为了缓解全球气候变化的长期解决方案之一,具有重要的生态系统服务价值。然而,处于海陆海过渡带的滨海湿地对气候变化的响应也极为敏感,气候变暖、地表水位波动和降水格局变异等环境条件的改变会促使湿地植被群落发生变化,进而影响滨海湿地生态系统的结构和功能。近期,中国科学院烟台海岸带研究所韩广轩团队依托中国科学院黄河三角洲滨海湿地生态试验站,基于长期野外定位观测和原位控制试验,在滨海湿地植被群落对气候变化的响应研究方面取得新进展,相关成果发表在Water Research、Plant and Soil和Ecosystem Health and Sustainability上。  基于10年(2011-2020)的涡度协方差监测数据、15年(2003-2017)的卫星遥感通量数据和原位增温控制实验,黄河三角洲站的研究人员发现气候变暖会显著降低湿地生态系统的植物水分利用效率(Wei et al. 2023, Water Research)。在此过程中,湿地植被通过蒸腾作用消耗的水分显著增加而生产力水平基本不变;这意味着在气候变暖的情形下,湿地植被需要更多的水分供应来维持自身光合作用的稳定。通过CMIP6的相关模型模拟结果(SSP585情形),黄河三角洲在未来可能会经历更为极端的变暖过程(+0.08 ℃ year-1),进而导致湿地植被水分利用效率的进一步降低(-0.03 g C kg-1 H2O year-1)。 依托野外控制试验平台,通过对净生态系统CO2交换(NEE)、植物功能性状和土壤理化性质的长期定位监测,揭示了淹水深度调节植物光合能力的作用机制。研究发现,淹水深度主要是通过调节芦苇叶片形态特征及C:N:P化学计量比来控制光合能力,其中起主要作用的是叶面积与叶片N含量。淹水深度通过调节芦苇叶片功能性状,改变光合能力,影响生态系统碳吸收能力,最终决定了湿地生态系统碳汇能力的强弱(Wang et al. 2023, Plant and Soil)。此外,研究发现季节性降雨分配也对湿地植被的光合能力具有显著影响。季节性降雨分配,尤其是春季降雨的波动,直接改变了滨海湿地生态系统的土壤水、盐条件,进而影响了湿地植被的固碳速率(Huang et al. 2023, Ecosystem Health and Sustainability)。 相关研究得到了国家重点研发计划(2022YFF0802101)、国家自然科学基金(U2106209、42071126、42101117)和中国科学院国际科学伙伴计划(121311KYSB20190029)等项目的资助。 论文信息: Wei SY, Chu XJ, Sun BY, et al. Climate warming negatively affects plant water-use efficiency in a seasonal hydroperiod wetland. Water Research (2023). https://doi.org/10.1016/j.watres.2023.120246 Wang LJ, Zhao ML, Wei SY, et al. Inundation depth controls leaf photosynthetic capacity by regulating leaf area and N content in an estuarine wetland. Plant and Soil (2023). https://doi.org/10.1007/s11104-023-06368-x Huang WX, Chu XJ, Li PG, et al. Dual asymmetric response of leaf-level CO2 fixation to changes in seasonal precipitation distribution in a coastal marsh. Ecosystem Health and Sustainability (2023). https://doi.org/10.34133/ehs.0067
  • 《中国科学院海洋研究所基于深度学习的南极海冰季节内预测研究取得新进展》

    • 来源专题:中国科学院文献情报系统—海洋科技情报网
    • 编译者:liguiju
    • 发布时间:2023-10-07
    • 近日,中国科学院海洋研究所李晓峰研究团队与美国哥伦比亚大学研究团队合作,发展一款基于深度学习的南极海冰季节内预测模型。该模型具备超前4周的海冰预测能力,其技巧表现显著高于欧洲的ECMWF以及美国的NCEP和GFDL-SPEAR等主流数值模式,这一成果对于开发南极高空间分辨率海冰业务化预测模式具有重要意义,并在国际学术期刊Geophysical Research Letters发表。 不同于北极海冰持续快速消融,南极海冰在全球变暖背景下,从1979年至2015年表现微弱的增长,随后快速下降,同时呈现出强烈的季节性和纬向不对称性。然而,由于对海冰厚度、波浪-海冰相互作用、海冰流变等过程的理解不足,以及模拟海-冰-气耦合系统所产生的较大误差,传统的动力模式在南极海冰预测中表现较差,尤其是在季节内尺度上。 鉴于以上问题,研究团队避开复杂的物理过程,利用深度学习方法,以纯海冰数据驱动,发展了南极海冰季节内预测模型(SIPNet)。该模型主要包括输入、编码器、解码器和输出四个模块,嵌入了具有时空注意力机制的残差神经网络,可兼顾海冰场空间自相关性和时间变率,具有强大的时空特征提取能力,能够捕捉海冰复杂的非线性变化特性。  研究结果显示,通过对1-8周预测技巧进行评估,SIPNet显著优于其他主流数值模式(如ECMWF、NCEP、GFDL-SPEAR)以及惯性预测,实现了对海冰异常位相和异常量级的准确预测。SIPNet预测结果具有一定的季节性和区域性,秋季的预测技巧达到最高水平,而春季则相对较低;SIPNet在威德尔海域的预测技巧显著优于西太平洋海域。尽管ENSO(厄尔尼诺-南方涛动)和SAM(南极环状模)对海冰异常场的驱动位相相反,导致海冰异常场偏弱,SIPNet仍然能够成功提取和解释这些气候信号。SIPNet模型在处理不同长度的海冰数据序列时表现出了卓越的稳定性,意味着其在不同数据条件下能够保持可靠的预测性能。此外,SIPNet模型的优势还包括较小的计算资源需求和更快的计算速度,为其在实际应用中被广泛采用提供了有力支持。 论文第一作者为中国科学院海洋研究所王云鹤助理研究员,通讯作者为李晓峰研究员和美国哥伦比亚大学Xiaojun Yuan教授,合作作者包括任沂斌助理研究员、普林斯顿大学Mitchell Bushuk教授、自然资源部第一海洋研究所舒启研究员和美国哥伦比亚大学的Cuihua Li博士。研究得到了国家自然科学基金青年项目、山东省自然科学基金青年项目和博士后特别资助(站前)等项目支持。 论文信息: Yunhe Wang, Xiaojun Yuan*, Yibin Ren, Mitchell Bushuk, Qi Shu, Cuihua Li, Xiaofeng Li*. Subseasonal Prediction of Regional Antarctic Sea Ice by a Deep Learning Model. Geophysical Research Letters, 2023, 50(17), e2023GL104347. https://doi.org/https://doi.org/10.1029/2023GL104347