《Nature Communications刊发中国科学院海洋研究所热量存储研究成果》

  • 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: 熊萍
  • 发布时间:2025-02-07
  • 近日,中国科学院海洋研究所王凡团队在《自然-通讯》期刊(Nature Communications)发表了题为“Emergence of the North Pacific heat storage pattern delayed by decadal wind-driven redistribution”的研究论文。该研究揭示了太平洋年代际振荡(Pacific Decadal Oscillation,PDO)对北太平洋热量存储格局的主导作用,阐明了风生经向热量再分配过程在热存储中的重要地位,并指出当前气候模式对热存储模拟的差异成因,为提升北太平洋及边缘海的气候预测水平提供了理论依据。

    温室气体排放导致的地球系统能量增加中有90%以上被海洋吸收,但海洋热量存储在地理上并不均匀,对区域气候和人类社会产生了广泛影响。第六次国际气候模式比较计划CMIP6表明中纬度北太平洋的热量存储显著增加,热带西北太平洋的储热变化最弱。然而,观测到的北太平洋热存储格局更加复杂,与CMIP6集合平均呈现明显差异,在热带西北太平洋具有最强变暖,在中纬度北太平洋变暖有限甚至变冷。由于CMIP6集合平均主要表示外强迫变化,北太平洋热存储格局的模拟-观测差异可能源于模式对外强迫驱动的热存储存在系统模拟偏差,或者源于自然变率主导观测的热存储格局。

    基于观测数据集、HYCOM海洋模式试验和CMIP6多模式模拟,该研究揭示了自然变率PDO对20世纪中期以来北太平洋热存储格局的主导作用,并证实了热存储的模拟-观测差异很大程度上由PDO解释。近几十年的PDO位相转换改变了北太平洋风场的长期变化,进而通过海洋罗斯贝波和调整西边界流黑潮延伸体系统变化驱动了海盆尺度的热量再分配,有效消除了中纬度北太平洋的变暖,并助长了热带西北太平洋的热量积累。这些过程造成的区域变暖/变冷结构掩盖了人类活动引起的热存储格局,导致观测中的热存储格局比气候模式更为复杂。进一步,根据气候模式预测的人为储热信号的出现时间(Time of Emergence,ToE),北太平洋热存储预计将持续受自然变率影响直到21世纪后期,尽管边缘海域(如北美西海岸、白令海和鄂霍茨克海)的人为加剧变暖信号已经出现。这意味着未来几十年北太平洋的热存储格局将在PDO的影响下发生变化,但可能仍与气候模式预测的不同,凸显了对PDO进行准确初始化预测的迫切需求。

    上述研究强调了自然变率对北太平洋热存储格局的主导作用,调和了气候模式与观测资料之间在热量存储格局上的显著差异,为提高气候预测水平提供了科学依据。论文第一作者为中国科学院海洋研究所段静副研究员,通讯作者为李元龙研究员,合作作者包括中国科学院海洋研究所王凡研究员、吕宜龙助理研究员、中国海洋大学荆钊教授。该研究获得了崂山实验室、国家自然科学基金项目、中国科学院战略先导专项等联合资助。

    论文来源

    Duan,J.,Li,Y. *,Lyu,Y.,Jing,Z. & Wang,F.,2025: Emergence of the North Pacific heat storage pattern delayed by decadal wind-driven redistribution. Nature Communications. https://doi.org/10.1038/s41467-025-56005-7

    https://www.nature.com/articles/s41467-025-56005-7

  • 原文来源:https://qdio.cas.cn/2019Ver/News/kyjz/202501/t20250123_7522413.html
相关报告
  • 《Nature Communications刊发海洋所热量存储研究成果》

    • 来源专题:深海资源开发
    • 编译者:徐冰烨
    • 发布时间:2025-01-27
    • 近日,中国科学院海洋研究所王凡团队在《自然-通讯》期刊(Nature Communications)发表了题为“Emergence of the North Pacific heat storage pattern delayed by decadal wind-driven redistribution”的研究论文。该研究揭示了太平洋年代际振荡(Pacific Decadal Oscillation,PDO)对北太平洋热量存储格局的主导作用,阐明了风生经向热量再分配过程在热存储中的重要地位,并指出当前气候模式对热存储模拟的差异成因,为提升北太平洋及边缘海的气候预测水平提供了理论依据。 温室气体排放导致的地球系统能量增加中有90%以上被海洋吸收,但海洋热量存储在地理上并不均匀,对区域气候和人类社会产生了广泛影响。第六次国际气候模式比较计划CMIP6表明中纬度北太平洋的热量存储显著增加,热带西北太平洋的储热变化最弱(图1a)。然而,观测到的北太平洋热存储格局更加复杂,与CMIP6集合平均呈现明显差异(图1),在热带西北太平洋具有最强变暖,在中纬度北太平洋变暖有限甚至变冷。由于CMIP6集合平均主要表示外强迫变化,北太平洋热存储格局的模拟-观测差异可能源于模式对外强迫驱动的热存储存在系统模拟偏差,或者源于自然变率主导观测的热存储格局。 基于观测数据集、HYCOM海洋模式试验和CMIP6多模式模拟,该研究揭示了自然变率PDO对20世纪中期以来北太平洋热存储格局的主导作用,并证实了热存储的模拟-观测差异很大程度上由PDO解释。近几十年的PDO位相转换改变了北太平洋风场的长期变化,进而通过海洋罗斯贝波和调整西边界流黑潮延伸体系统变化驱动了海盆尺度的热量再分配,有效消除了中纬度北太平洋的变暖,并助长了热带西北太平洋的热量积累(图2)。这些过程造成的区域变暖/变冷结构掩盖了人类活动引起的热存储格局,导致观测中的热存储格局比气候模式更为复杂。进一步,根据气候模式预测的人为储热信号的出现时间(Time of Emergence,ToE),北太平洋热存储预计将持续受自然变率影响直到21世纪后期,尽管边缘海域(如北美西海岸、白令海和鄂霍茨克海)的人为加剧变暖信号已经出现。这意味着未来几十年北太平洋的热存储格局将在PDO的影响下发生变化,但可能仍与气候模式预测的不同,凸显了对PDO进行准确初始化预测的迫切需求。 上述研究强调了自然变率对北太平洋热存储格局的主导作用,调和了气候模式与观测资料之间在热量存储格局上的显著差异,为提高气候预测水平提供了科学依据。论文第一作者为中国科学院海洋研究所段静副研究员,通讯作者为李元龙研究员,合作作者包括中国科学院海洋研究所王凡研究员、吕宜龙助理研究员、中国海洋大学荆钊教授。该研究获得了崂山实验室、国家自然科学基金项目、中国科学院战略先导专项等联合资助。 论文来源 Duan,J.,Li,Y. *,Lyu,Y.,Jing,Z. & Wang,F.,2025: Emergence of the North Pacific heat storage pattern delayed by decadal wind-driven redistribution. Nature Communications. https://doi.org/10.1038/s41467-025-56005-7 https://www.nature.com/articles/s41467-025-56005-7
  • 《Nature Communications刊发中国科学院海洋研究所人工智能气候预估研究成果》

    • 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:熊萍
    • 发布时间:2025-08-31
    • 近日,中国科学院海洋研究所王凡团队携手南京信息工程大学张荣华教授、崂山实验室蔡文炬院士等,在Nature Communications发表题为“Projection of ENSO using observation-informed deep learning”的研究论文。该研究开创性地利用观测数据约束的深度学习方法,显著降低了全球关键气候现象厄尔尼诺-南方涛动(ENSO)未来变化预估的不确定性。 ENSO是地球气候系统中最强的年际变率信号,其冷暖位相的转换通过大气遥相关深刻影响全球极端天气、生态系统和经济发展。然而,当前国际主流耦合气候模式(CMIP)对ENSO海表温度(SST)变率的未来预估存在巨大差异,不确定性部分源于模式对ENSO物理过程模拟的偏差。 为突破这一瓶颈,研究团队设计了一种“observation-informed”深度学习方法。研究人员利用多个CMIP6气候模式的历史和未来情景数据,训练了11个独立的人工神经网络(ANN)模型,目标是学习每个模式中ENSO变率与热带太平洋平均海温状态之间的复杂关系。随后,团队引入真实观测数据对这些ANN进行验证和筛选,特别关注那些能够准确捕捉观测到的ENSO对海温变化响应的ANN(如基于GISS-E2-1-H模型训练的ANN)。通过可解释性分析和ENSO物理机制(如Bjerknes稳定性指数和ENSO非线性)检验,研究证实表现优异的ANN成功内化了真实的ENSO物理过程,尤其对赤道中太平洋和远东太平洋的海温变化高度敏感,这与已知的ENSO关键反馈区域一致。利用ANN对高排放情景(SSP5-8.5)下21世纪ENSO海温变率进行约束性预估。结果表明,相较于原始CMIP模式预测结果,经ANN约束的预测不确定性范围降低了54%。 该研究进一步发现,尽管传统分析认为观测与模式在20世纪热带太平洋变暖模态上存在显著差异,但当聚焦于机器学习识别出的调控ENSO变率的关键区域时,观测数据和气候模式模拟均一致地显示出类似“厄尔尼诺型”的变暖特征,揭示了此前被忽略的物理一致性,不仅弥合了观测与模式的差异,更通过机器学习挖掘出隐藏的关键物理机制,为ENSO未来预估提供了可量化的物理依据。 论文第一作者为中国科学院海洋研究所朱聿超副研究员,通讯作者为张荣华教授和王凡研究员,合作作者包括崂山实验室蔡文炬院士、李德磊研究员,中国海洋大学管守德教授,中国科学院海洋研究所李元龙研究员。该研究获得了国家重点研发计划、国家自然科学基金项目等联合资助。 论文信息: Zhu, Y., Zhang, RH.*, Wang, F.* et al. Projection of ENSO using observation-informed deep learning. Nature Communications. 16, 7736 (2025). https://doi.org/10.1038/s41467-025-63157-z 论文链接:https://www.nature.com/articles/s41467-025-63157-z