近日，由物理海洋教育部重点实验室张绍晴教授领衔的科研团队，在基于人工智能的古气候同化研究领域取得新进展。研究基于古气候模式比较计划提供的海量古气候模拟数据，通过机器学习建立大气-海洋耦合背景的先验估计，发展了一套适合融合古气候稀疏代用观测数据的非线性耦合同化算法，并验证了该算法优异的古气候重建技巧。成果由Journal of Advances in Modelling Earth Systems（《地球系统模拟进展期刊》）期刊以 “Non-Gaussian Assimilation of Atmospheric and Oceanic Data in Latent Space for Paleoclimate Reconstruction”（《面向古气候重建的隐空间海气资料非高斯同化》）为题在线报道。

　　古气候观测记录是认识地球气候演变规律、理解全球变暖背景下气候系统响应的重要科学依据。由于古气候观测主要来源于树轮、冰芯等代用资料，这些观测在时间和空间上十分稀疏，且仅能反映有限的气候变量，给完整气候状态的重建带来较大困难。数据同化通过融合动力背景（通常由数值模式提供）与代用资料，为古气候重建提供了有效途径。然而，传统数据同化方法的先验动力背景来自昂贵的数值模式，且通常假定先验背景误差（即模式误差）服从高斯分布（即假定背景误差是准线性演变），而真实气候系统中的先验背景是多圈层多尺度协同演变的结果，具有复杂的非高斯（即非线性）特征。在稀疏的古气候观测条件下，如何更加快捷准确地刻画先验背景误差特征，是古气候重建中的关键挑战。

　　针对上述瓶颈问题，研究团队将近年来发展的基于变分自解码器的隐空间同化方法（VAE-Var）与机器学习的人工智能（AI）预报模型相结合进行古气候重建研究。该方法在快捷推导非高斯先验背景分布的同时，能够在传统变分同化框架下更准确地描述复杂背景误差统计特征，并支持对空间分布不规则的多圈层代用观测数据的灵活同化，为古气候重建提供新的技术途径（图1）。研究以地表气温和海表温度重建为例，在不同观测稀疏程度下开展了系统试验，并与传统古气候重建方法进行了比对。结果表明，在观测资料有限的情况下，新方法能够有效提高古气候重建精度，获得更加合理的气候状态估计，在处理非高斯背景误差方面表现出明显优势（图2）。研究不仅验证了维持非高斯背景误差特征能够提升古气候重建能力，也为进一步开展强耦合数据同化、高维地球系统重建以及人工智能赋能地球系统模拟等研究提供了新的研究思路。

图1：算法流程示意图。图上半部分为机器学习模型利用NMC算法生成的背景误差样本进行训练，图下半部分为利用解码器进行同化的流程。

图2： 各同化方案在不同观测密度下的均方根误差对比。（a）近地表气温结果：蓝色柱代表离线同化，橙色柱为四维变分同化，绿色柱为基于线性逆模型的EnKF在线同化，红色柱为基于机器学习预报模型的EnKF的在线同化，紫色柱为舍去去掉行列式项的VAE同化方案，棕色为本研究构建的完整VAE同化方法。（b）海表面温度误差统计，分组设置与（a）一致。

　　该成果由物理海洋教育部重点实验室/海洋与大气学院2023级物理海洋学博士研究生林子宽为第一作者，张绍晴教授、金亦帅教授为通讯作者，联合多位专家学者共同合作完成。研究工作得到了崂山实验室科技创新项目、国家自然科学基金、山东省泰山学者等基金的共同资助。
文章引用：
LIN Z. -K., S. -Q. Zhang*, Z. -Y. Liu, Y. -S. Jin*, L. -F. Wan, S. -B. Cheng, et al., 2026: Non-Gaussian Assimilation of Atmospheric and Oceanic Data in Latent Space for Paleoclimate Reconstruction. Journal of Advances in Modeling Earth Systems, 18, e2026MS005767. https://doi.org/10.1029/2026MS005767.