近日，一项发表于PNAS的研究通过结合观测数据与机器学习方法，提出了地球有效辐射强迫（Effective Radiative Forcing）的新估算方法，为理解人类活动对气候系统的直接影响提供了独立于传统气候模式的新视角。
有效辐射强迫是量化人为排放和自然因素对地球能量平衡影响的关键指标，但其直接观测存在困难，传统方法多依赖气候模式，而模式中的参数化偏差和不确定性限制了估算的准确性。本研究通过机器学习技术，利用观测数据直接估算地球有效辐射强迫，为气候变化的归因和预估提供了更可靠的工具。
研究团队采用卷积神经网络（CNN）从多模式集合中学习地表温度与辐射响应之间的非线性关系。CNN通过分析内部变率下的温度空间分布与全球平均辐射响应的关系，避免了传统线性反馈假设的局限性。研究基于四个气候模式（CanESM5、MIROC6、MPI-ESM1.1等）的大样本集合进行训练，并通过独立观测数据（CERES卫星辐射数据和ERA5再分析数据）验证模式的模拟能力。结果表明，CNN能够准确捕捉热带地区温度变化对辐射响应的主导作用，例如西太平洋的负反馈和东太平洋的正反馈，这些发现与现有气候物理理论高度一致。
研究估算2001-2024年间地球有效辐射强迫的趋势为每十年增加0.71±0.21 Wm⁻²，显著高于此前基于模拟和排放数据的估算结果（如Forster等2024年提出的每十年0.51 Wm⁻²）。这一差异可能源于传统方法低估了气溶胶排放减少导致的辐射强迫加速。
研究还发现，自2021年以来，地球有效辐射强迫的快速增长与航运减排政策实施时间吻合，但2022年Hunga Tonga火山喷发的冷却效应部分抵消了这一趋势。值得注意的是，2023年的异常高温与地球有效辐射强迫的持续增加及辐射响应的稳定化不足密切相关，而2024年辐射不平衡的下降则归因于温度空间分布引发的强烈负反馈。
通过可解释人工智能（XAI）技术，研究揭示了CNN预测的物理合理性。梯度分析表明，CNN对热带地区温度变化最为敏感，例如西太平洋的深对流区表现为负反馈（温度升高导致辐射减少），而副热带东太平洋的稳定区则表现为正反馈（温度升高导致辐射增加）。这些模式与已知的云反馈和水汽调节机制一致。
此外，研究还验证了方法的稳健性，在未参与训练的气候模式中，CNN仍能准确预测地球有效辐射强迫的历史变化，但在强变暖情景下存在系统性低估，提示未来需进一步优化训练策略。
该研究通过机器学习与观测数据的创新结合，提供了独立、实时且物理一致的有效辐射强迫估算方法，不仅减少了对传统气候模式的依赖，还揭示了近二十年辐射强迫的加速趋势可能被低估的事实。未来，通过进一步分解辐射响应的组分或空间分布，并结合海洋热吸收数据，这一方法有望更精准地解析气候变化的驱动机制，为动态监测全球能量收支和制定气候政策提供科学依据。随着人工智能技术的深入应用，气候变化的归因与预测能力将迎来新的突破。
S. Van Loon,M. Rugenstein,& E.A. Barnes, Observation-based estimate of Earth’s effective radiative forcing, Proc. Natl. Acad. Sci. U.S.A. 122 (24) e2425445122, https://doi.org/10.1073/pnas.2425445122 (2025).
