解密地球的过去：数据同化如何革新古气候学研究
image: （A）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, 来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. （B）常用替代指标类型及其来源包括: 生物壳体δ18O、 δ11B、 Mg/Ca、Δ47; 海底沉积物CaCO3质量分数、Δ47、δ13Corg; 冰芯δ18O、δ2H; 古菌生物标志化合物TEX86、UK′37; 植物叶片气孔密度指数、树轮宽度、叶蜡δ2H; 土壤MBT′5Me。 图中橙色边框代表的是古温度替代指标, 绿色边框代表pCO2替代指标, 蓝色边框代表降水量替代指标. view more
Credit: ©《中国科学》杂志社
理解地球的气候历史对于预测未来的气候变化至关重要。《中国科学：地球科学》发表的一篇综述中，北京大学李明松研究员团队讨论了古气候数据同化在原理和应用上的最新进展。这一新兴方法通过将古气候替代指标与地球系统模型相结合，提升了跨地质时期气候重建的精度，并为解决古气候学领域的一些长期挑战提供了新框架。
传统的古气候重建方法依赖于如冰芯和沉积物中的同位素分析等替代指标以及地球系统模型。然而，替代指标通常稀疏且分布不均，而模型则高度依赖参数假设，限制了其可靠性。该综述强调了古气候数据同化如何通过将观测数据直接融入模型模拟来弥合这些差距，并利用集合卡尔曼滤波和粒子滤波等技术优化预测，减少不确定性。古气候数据同化方法确保了重建结果不仅反映替代指标指示的局部条件，还与更广泛的全球气候趋势保持一致。
论文探讨了数据同化方法在多种替代指标和不同模型（从简单盒模型到全耦合地球系统模型）中的广泛适用性。同时，该综述还介绍了现有的数据同化软件解决方案，如LMR、PHYDA、cfr、DASH和DeepDA等。此外，文章总结了数据同化领域的最新进展，包括对末次盛冰期（LGM）以来和古新世-始新世极热事件（PETM）期间地球系统状态的重建，全面概述了数据同化技术的当前进展及其在古气候研究中的实际应用。文章讨论了数据同化技术的应用前景，指出其适用于包括新生代到中生代在内的多个关键地质时期。作者指出，这些方法有助于提高预测精度，加深对过去气候极端事件（如冰期-间冰期循环）的理解。论文同时明确了未来研究的关键领域，为探索古气候重建的复杂性提供了一个有益的参考。
论文：
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