利用机器学习算法深度挖掘历史时期（1971-2020年）全球地表气温增温的空间格局信息，成功地将未来全球平均温度增暖的预估误差方差削减了约70%。这一成效显著优于仅使用全球平均增温趋势作为约束因子所能达到的约48%的削减水平。研究不仅提供了更为精准的未来增温预估，还揭示了热带和极地等关键区域在约束过程中的物理作用，并指出实现《巴黎协定》2°C温控目标的时间可能比预期的更早。
1 科学问题
尽管已有研究利用观测到的全球平均增温来约束未来气候预估，但全球增温的空间异质性表明，作为一个集总指标的全球平均值可能并非最有效的约束量。因此，本研究的核心科学问题是：全球历史增温的空间格局信息，能否以及如何被用来进一步削减未来全球平均温度增暖预估的不确定性？ 换言之，我们能否从历史增温的“地图”中，识别出对预测未来全球变暖最具信息量的“热点区域”？
2 研究方案
数据驱动：研究利用了第六次耦合模式比较计划（CMIP6）中多个排放情景下的大规模气候模拟数据，以及包括HadCRUT5在内的多套观测数据集。
算法核心：采用多输出CatBoost算法，建立了一个将1971-2020年全球网格点增温趋势（作为输入）与三个未来时期（近期2021-2040、中期2041-2060、长期2081-2100）的全球平均增温（作为输出）相联系的统计模型。该模型旨在从高维的空间场中学习出稳定且具有物理意义的“涌现约束”关系。
验证与解释：通过“留一模型法”交叉验证来评估约束效果的稳健性，并结合气候动力学理论，分析了局地增温敏感性（局地增温与全球增温之比）的时空稳定性及其与未来全球增温的联系，用以解释机器学习模型识别出的关键区域。
3 结论
显著提升预估精度：应用机器学习方法，由历史增温场约束后的未来全球平均增温预估不确定性大幅降低。在SSP5-8.5高排放情景下，中期（2041-2060年）预估的5%-95%不确定性范围从无约束的较宽区间收窄至2.14-2.97°C。综合所有情景和时期，该方法使预估误差方差减少了约70%，相较于仅用全球平均趋势的层次贝叶斯约束方法（~48%），效率提升了约1.5倍。
改变概率分布形态：与主要削减预估上限的全球平均约束不同，增温场约束同时抬升了预估的下限。这意味着，尽管约束后的中值预估可能略低于无约束预估，但由于下限被提高，跨越关键温升阈值的概率显著增加。例如，在SSP3-7.0情景下，中期（2041-2060年）升温超过2°C的概率从全球平均约束下的70%提升至约80%。
识别关键物理区域：机器学习模型识别出对约束未来全球增温贡献最大的网格点，主要集中在北极、青藏高原、亚马逊、印度洋和南大洋等区域。这些区域也是局地增温敏感性高、气候反馈过程（如冰-反照率反馈、云-辐射反馈）显著且未来预估不确定性大的地方。模型倾向于给那些模式间一致性高（即不确定性低）的网格点赋予更高权重，表明其学习到的关系具有物理合理性。
不足与展望
观测周期依赖：本研究的约束基于1971-2020年的历史增温场。这一时期观测相对可靠且增温主要受温室气体强迫驱动。未来的研究可以尝试将观测期向前延伸，或纳入全工业革命以来的温度变化轨迹，以获取更强的约束信号。
未充分利用的信息：研究主要利用了温度的平均态变化。温度变率的长期记忆性、云相关属性等其他过程相关变量也可能包含约束信息，有待未来工作整合。
方法学拓展：当前CatBoost模型本身不直接提供不确定性估计，本研究通过交叉验证残差来构建置信区间。未来可探索概率性机器学习或贝叶斯框架，以实现对约束不确定性的直接估计。
