报告题目：

过去千年的在线古气候资料同化

报告人：

孟子路

单位：

美国华盛顿大学大气与气候科学系

报告介绍：

气候重建是理解过去气候变化的重要手段。本研究首先采用“在线”资料同化方法，结合海洋-大气-海冰耦合的线性逆模型（LIM）与气候指标记录，生成了过去一千年的季节分辨率重建数据集。验证结果显示，该方法在表面温度重建方面具有较高的相关性技能，且使用的指标数据较少，尤其在北半球冬季，指标数据稀缺时表现更为突出。重建的海洋和海冰变量与实际观测数据和卫星数据集也具有较高的相关性。验证结果显示，该方法在整个千年期间的重建技能稳健，能够有效捕捉厄尔尼诺事件的季节演变和幅度，以及过去千年的季节温度趋势，符合轨道强迫的变化，并揭示了从中世纪气候异常到小冰期的极地放大冷却现象。在此基础上，研究进一步应用深度学习（DL）模型进行拓展。通过训练基于Transformer架构的DL模型并与LIM进行对比，发现DL模型在预测精度上优于LIM。研究还提出了一种创新的通胀技术，解决了DL模型信号衰减的问题，使其在观测同化中的重建结果显著优于LIM，尤其在长时间尺度下。此方法提高了古气候重建的准确性，为未来的古气候资料同化研究提供了新的思路。

报告人介绍：

孟子路，美国华盛顿大学大气与气候科学博士生，师从 Gregory Hakim 教授和 Eric J. Steig 教授。研究方向包括资料同化、古气候重建、气候动力学与深度学习气候模型。他致力于发展过去千年季节分辨率古气候再分析系统，并参与深度学习地球系统模式的开发与应用。多项成果发表于 Journal of Climate、JAMES 和 Climate Dynamics，并开发 Sacpy 等开源科研工具。