为了更好地应对全球气候变化挑战，深入开展全球温度变化的归因研究具有重要意义。尽管以往研究普遍认为气候内部变率对全球温度变化有着重要影响，但是由于数值模式和经验统计等方法的自身局限性，已有研究多难以就各种气候内部变率影响的相对重要性达成一致。而机器学习方法能够有效地捕捉到地球-大气系统的线性和非线性特征，其中多层感知器（MLP）是一种前馈人工神经网络模型，能够在较小的数据集上有效避免过拟合现象，有望在全球气温变化的归因研究中发挥重要作用。
图源：IPCC 2021
本研究利用MLP模型，基于自然、人为强迫因子和气候内部变率因子，成功重建了1866—2019年期间的全球/海洋月平均温度（GST/OST）。尤其在年代际和年际尺度上，MLP展示了优秀的GST/OST重建能力。通过改变不同强迫因子的组合，本研究分析了不同因子对GST和OST变化的影响。自1866年以来，GST和OST的增暖大部分可归因于人类活动的影响，而GST和OST的年际和年代际变化在很大程度上由北大西洋年代际振荡（AMO）主导（图1，这里只给出在GST上的结果）。年代际太平洋涛动（IPO）可以放大GST和OST的变化幅度，并且是造成1998年以来全球变暖放缓的主要原因。南方涛动指数（SOI）对GST和OST变化的影响与IPO相似，但其影响程度较小。另外，由太阳强迫引起的OST变化比GST变化更为显著。
图1 基于不同强迫因子组合，利用MLP模型重建的1866—2019年的 GST
由于难以重建二战时期（1941-1945年）全球气温的“异常偏暖”现象，以往研究多将之归为由海温观测误差引起。本研究中，MLP成功重建了这段时期的“异常偏暖”情况（图2）。AMO和 IPO是造成该时期GST/OST年际变化和年内变化的主要影响因素。这也表明这一异常暖期不是完全由探测误差引起的，而是真实存在的。这些发现表明MLP同时具有表达长期和短期气候变化的能力，将有助于加深对年际和年代际温度变化机制的理解，有利于监测气候变化对特定因素的快速反馈，并作为更好地预测气候变化的理论基础。
图2 基于不同强迫因子组合，利用MLP模型重建的1938—1948年的 GST
