周沛劼课题组在Nature Climate Change发文提出生成式深度学习的海量全球减排情景生成方法

气候政策情景分析一直是制定全球减排战略、评估国家自主贡献（NDCs）目标以及推动长期低碳发展的核心工具。综合评估模型（IAMs）通过将经济、能源、资源与气候等子系统深度耦合，定量模拟不同社会经济路径下的温室气体排放情景，为国际谈判和政策制定提供了坚实的科学支撑。然而，随着政策评估对高频、多样且低成本情景数据需求的持续增长，IAMs 在运行成本、模型异质性和更新效率等方面的局限愈发突出，难以满足灵活多变的分析需求。

针对这一挑战，北京大学前沿交叉学科研究院国际机器学习研究中心周沛劼助理教授联合北京大学环境科学与工程学院偶阳研究员课题组，在 Nature Climate Change 在线发表了题为《Using Deep Learning to Generate Key Variables in Global Mitigation Scenarios》的研究成果。团队以IPCC第六次评估报告（AR6）情景数据库的1202个减排情景为训练基础，利用变分自编码器（VAE）、生成对抗网络（GAN）等多种深度学习架构，成功生成了覆盖C1-C8八类气候减缓路径的3万条情景，涵盖主要能源结构与温室气体排放等关键变量。实验结果表明，该生成式框架不仅在效率上大幅超越了传统IAMs，实现了海量情景的快速构建，也为多维不确定性评估和政策敏感性分析提供了丰富且可操作的样本。

与传统综合评估模型相比，深度学习方法在计算成本和生成速度上实现了跨越式提升，展现了生成式人工智能在自然-社会耦合建模领域的巨大潜力。然而，当前深度学习模型在可处理变量数量、物理一致性和区域差异化等方面仍存在瓶颈。未来，团队将继续深化合作，依托北京大学交叉学科平台，致力于进一步提升深度学习技术在气候变化减缓与适应协同路径优化中的应用价值。

图：不同气候目标下生成情景中关键变量的时间变化趋势与分布

论文链接：（点击阅读原文也可查看）

https://www.nature.com/articles/s41558-025-02352-8