期刊：Nature Climate Change
题目：Using deep learning to generate key variables in global mitigation scenarios
通讯作者：偶阳研究员、周沛劼研究员（北京大学）
原文链接：https://doi.org/10.1038/s41558-025-02352-8
发表日期：2025-06-13
气候变化对人类社会构成了重大威胁，导致环境破坏和经济损失。理解人类活动对温室气体排放的贡献对于制定有效的气候变化减缓策略至关重要。综合评估模型（IAMs）是当前用于预测减排情景的主要工具，但这些模型存在建模偏差和计算负担大的问题。为了克服这些挑战，研究者们开发了一种基于深度学习的框架，用于生成与IPCC第六次评估报告（AR6
）情景数据库一致的合成减排情景。
该研究首先从1,202个IAM情景中筛选出关键驱动因素，以实现更详细的部门化表示。然后，训练了三种生成型深度学习模型（变分自编码器VAE、条件生成对抗网络CGAN和循环条件生成对抗网络RCGAN），以低成本生成30,000个合成情景。这些情景涵盖了不同的IPCC AR6气候类别，能够复制变量的分布和相关性，并通过内部验证检查展示电力部门变量的物理一致性。研究还使用随机森林和XGBoost模型进行特征选择，以识别对情景分类最重要的变量。
特征重要性分析：化石能源消费（如煤炭、石油和天然气）是最重要的特征，表明其与气候变化稳定化的密切关联。近期内的碳封存措施（如造林）也被认为是减缓气候变化的关键因素。
合成情景生成：VAE在三种深度学习模型中表现最佳，其生成的合成情景在分布和相关性上与原始AR6情景高度一致，尤其是在低变暖情景（C1234）中。
内部一致性验证：在电力部门的总发电量与各燃料发电量之和的校验中，部分合成情景的误差低于AR6情景数据库的平均误差（1.2%），表明合成情景在某些情况下甚至比IAM情景更具内部一致性。
计算效率：深度学习模型在训练完成后，能够在短时间内生成大量合成情景，显著降低了计算成本。
图1. 研究框架概述
图2.
识别减排情景的关键决定因素
图3.VAE生成的与IPCC一致的合成情景
图4. AR6情景与VAE生成合成情景中关键变量的相关性
图5.合成情景的内部一致性和计算性能
该研究展示了深度学习在补充IAM方法方面的潜力，能够以较低的计算成本生成与IPCC情景一致的合成情景。虽然当前的深度学习框架仅能复制部分关键变量，但已为未来研究提供了有价值的起点。未来的研究可以扩展到包含区域特定信息的情景建模，并进一步提高合成情景的内部一致性和多维关系的捕捉能力。此外，研究还强调了将深度学习技术与现有的IAM情景相结合的重要性，以提高情景的多样性和政策相关性
