Nature Communications！人工智能揭示冰川质量平衡对未来气候变化的非线性敏感性

由Jordi Bolibar及其团队在2022年发表在Nature上的《Nonlinear sensitivity of glacier mass balance to future climate change unveiled by deep learning》，利用深度学习技术捕捉冰川对气温和降水变化的非线性响应。这种方法比传统的线性统计和温度指数模型更为精确，后者被证明对未来变暖情景过于敏感。

研究特别关注冰川表面质量平衡（SMB）对未来气候变化的敏感性。通过使用深度人工神经网络（ANN），研究人员能够捕捉到冰川SMB对气温和固态降水显著偏差的非线性响应，从而更准确地描绘极端SMB情景。此外，这项研究还涉及实际世界的影响，特别是关于法国阿尔卑斯山冰川的演变。研究预测，到21世纪末，该地区冰川体积将大幅减少，预计下降75%至88%。这突显了解决气候变化对冰川及相关环境系统影响的紧迫性。

数据及方法：

本文主要比较了深度学习模型和基于Lasso的线性模型在模拟冰川MB方面的性能，并提取了这些模型对气温和降雪的非线性响应。通过在其他模型组件不变的情况下使用不同的MB模型，文章能够分离和识别深度学习模型的非线性行为与Lasso模型的线性行为。此外，通过模型敏感性分析，文章提取了模型对特定气候因子的响应。研究还包括将ALPGM模型与GloGEMflow（一种全球冰川演变模型）进行比较，考虑到两者在气候数据、冰厚度和动力学方面的差异。

结果：

一、21 世纪的冰川演变

图1 21世纪法国阿尔卑斯山冰川的全冰川 MB、几何形状和气候信号演变。

根据RCP2.6、RCP4.5和RCP8.5情景，到本世纪末冰川平均体积损失预计分别为75%、80%和88%。在RCP4.5情景下，预计年度冰川物质平衡（MB）将保持在每年大约-1.2米水当量的稳定水平，而在RCP8.5情景下，冰川MB将变得更加负面，平均MB几乎是目前平均值的两倍。这些变化的主要驱动因素是空气温度，尤其是夏季温度的升高。尽管预计固体降水量将保持相对恒定，但温度升高将是未来冰川质量变化的主要驱动因素。

图2 在RCP 4.5条件下，2015年至2100年期间每个冰川化山丘的冰川和气候演变预测。

研究显示，除了Mont-Blanc和Pelvoux（Ecrins地区）山脉外，到本世纪末，所有冰川几乎都将消失。在RCP4.5情景下，这两个高海拔山脉预计分别保留其2015年体积的平均26%和13%，大部分冰体集中在少数较大的冰川中。预计法国阿尔卑斯山的冰川景观将经历重大变化，冰川平均海拔将比现在高出300至400米。总的来说，这些预测揭示了气候变化对冰川的显著影响，预示着未来冰川体积的大幅减少和冰川景观的重大变化。

二、非线性气候-冰川相互作用

这段讨论了使用深度学习和基于Lasso的线性模型来模拟年度冰川物质平衡（MB）的效果，尤其是在处理气候强迫的非线性响应方面。深度学习等非线性模型更能准确捕捉和预测这些复杂的相互作用，特别是在极端气候条件下，与传统的线性模型相比，它们显示了更高的预测准确性。

图3 MB模型对气候强迫的非线性和线性响应。

图3展示了深度学习模型和基于Lasso的线性模型对气候强迫的响应。深度学习模型能够捕捉到气候变化的非线性响应，特别是在极端的气温和降雪条件下，这在基于Lasso的线性模型中是缺失的。线性模型在标准气候条件下表现良好，但在极端条件下其精度显著下降。这表明深度学习模型在模拟冰川物质平衡方面更为有效，尤其是在预测极端气候事件的影响时。

图4 深度学习非线性对冰川质量平衡预测的影响。

图4表明，深度学习模型的非线性特性对于预测冰川物质平衡至关重要。在更温暖的气候情景（如RCP8.5）下，这些非线性特性有助于更准确地预测由于地形反馈和气候变暖引起的冰川质量变化。相较于线性模型，深度学习模型能更准确地预测未来冰川的变化，特别是在考虑冰川退缩和海拔升高的情况下。

图5 非线性质量平衡对未来气候变暖的响应和地形反馈对高山冰川和冰盖预测的主要影响。

图5揭示了非线性物质平衡响应对未来变暖和地形反馈对山区冰川和冰帽预测的重要影响。深度学习模型揭示了山区冰川在未来变暖条件下可能出现的正面地形反馈，即冰川可以退缩到更高海拔，减少温暖气候的负面影响。然而，对于冰帽而言，由于它们无法退缩到更高海拔，因此在变暖气候下面临更高的温度，这增加了它们质量损失的风险。这些发现突显了在未来气候变化研究中，采用非线性模型的重要性。

讨论与展望：

文章讨论了在气候变化条件下使用温度指数模型对冰雪进行预测的问题。主要结论包括：

1. 温度指数模型的局限性：这些模型因依赖于温度和融化之间的线性关系，对气温变化过于敏感。过去，短波辐射在冰川表面能量预算中所占比重大于与气温直接相关的能量通量（如长波辐射预算和湍流通量），而在未来更温暖的气候中，情况将不同。预计21世纪的变暖将导致入射长波辐射和湍流通量的增加，减少短波辐射在未来消融率中的重要性，从而显著改变气温变化对融化的敏感性。
2. 深度学习模型对气候强迫的非线性响应：与线性模型相比，深度学习模型能更好地捕捉气候强迫的非线性响应，特别是在极端气候条件下。这表明深度学习模型在模拟冰川物质平衡方面具有优势，尤其是在预测极端气候事件的影响时。
3. 冰川几何调整对MB信号的影响：冰川几何的调整在改变气候条件下对MB信号产生重要影响。在低排放气候情景下，非线性和线性MB模型之间的差异更为显著。然而，在许多冰川化区域，例如冰盖覆盖的地形，由于无法退缩到更高的海拔，这种积极的影响无法实现。
4. 冰川长期演变预测中的局限性：长期预测中线性统计MB模型的局限性表现在无法准确代表极端MB率。这些局限性也适用于温度指数MB模型，因为它们在PDD和融化之间以及降水和积累之间共享线性关系。实验表明，这些线性模型的局限性不仅适用于山区冰川，而且对于世界上许多其他冰川化区域也具有影响。
5. 对未来预测的影响：由于线性MB模型在极端气候条件下引入的额外偏差，未来冰川演变预测的不确定性可能比我们之前认为的还要大。特别是对于冰盖，这些相关的不确定性可能更加显著，意味着目前的全球冰川质量损失预测可能对低排放气候情景过低，对高排放情景过高，这直接影响了相关的海平面上升和水资源预测。

文章来源：

https://www.nature.com/articles/s41467-022-28033-0