Nature Climate Change｜過去60年全球海洋正經歷前所未有的復合氣候變化

Observed large-scale and deep-reaching compound ocean state changes over the past 60 years

成果簡介

近期，中國科學院大氣物理研究所成里京研究員團隊聯合法國巴黎高等師范學院、Mercator Ocean International等機構，在《Nature Climate Change》發表重要研究成果。該研究首次基于觀測數據，系統揭示了過去60年全球海洋從表層到中層（0-1000米）正在經歷的大規模復合氣候變化。

研究團隊發現，海洋變暖、鹽度變化、脫氧和酸化等多重氣候影響驅動因子正在同時出現，形成"復合氣候影響驅動因子"（compound CIDs）。特別值得關注的是，副熱帶和熱帶大西洋、副熱帶太平洋、阿拉伯海和地中海等區域已經出現顯著的復合變化信號。這些發現表明，全球海洋正在向一種全新的氣候狀態轉變，對海洋生態系統和人類福祉構成深遠威脅。

引言

海洋正面臨多重氣候壓力的考驗——變暖、酸化、脫氧和鹽度變化同時發生，深刻影響著地球系統循環和海洋生態。然而，這些變化的綜合影響，特別是從表層延伸到深層海洋的復合效應，此前缺乏系統的觀測研究。

這項研究的重要意義在于：

• 首次建立復合CIDs評估框架：定義了海洋復合氣候影響驅動因子的概念，將多個氣候變量的同步變化納入統一分析框架

• 揭示深層海洋的脆弱性：證明中層海洋（200-1000米）約25%的區域已暴露于兩種以上CIDs的同時變化

• 識別氣候變化熱點區域：發現地中海、北大西洋亞熱帶環流和熱帶大西洋氧極小區等區域面臨最嚴峻的復合威脅

研究方法

數據體系：多源觀測的全球整合

研究團隊整合了多套全球海洋觀測數據產品，覆蓋1960年至2023年：

• 溫度數據：中國科學院大氣物理研究所（IAP）月均溫度格點產品，分辨率1°×1°，深度覆蓋0-6000米

• 鹽度數據：IAP月均鹽度格點產品，具有完整的不確定性估計

• 溶解氧數據：IAP月均溶解氧格點產品，整合CTD、瓶采和Argo等多種觀測手段

• 表層pH數據：哥白尼海洋服務全球表層碳數據集，分辨率0.25°×0.25°

核心方法：信號出現時間（ToE）分析

研究采用"信號出現時間"方法來檢測長期變化。核心思想是：當某個氣候信號超出背景噪聲水平并持續保持時，即認為該信號已"出現"。

具體而言，研究團隊將局地時間序列分解為長期趨勢信號和短期變異噪聲兩部分。長期信號通過25年平滑濾波提取，代表氣候變化的印記；噪聲則反映自然變率和觀測誤差。當信號與噪聲的比值持續超過閾值時，就標志著氣候變化信號正式出現。

復合CIDs的定義

當溫度、鹽度、溶解氧中的兩個或三個變量同時出現顯著變化信號時，分別定義為"雙重出現"和"三重出現"。這些同時變化可能通過聯合作用、因果關系或復合關系相互影響——例如，溫度和鹽度的聯合變化會改變海水密度和層化強度；變暖會因降低氧氣溶解度而導致脫氧。

圖文導讀

個體與復合CIDs的全球出現趨勢

研究結果顯示，不同CIDs具有不同的出現時間尺度，且復合變化正在全球范圍內加速擴展。

表層pH的變化最為迅速——自1995年以來，幾乎100%的全球海洋表層都經歷了酸化信號的出現。這主要歸因于人為二氧化碳排放持續增加，導致大氣向海洋的凈正通量。

對于溫度、鹽度和溶解氧，自1990年代初以來，約20-60%的全球海洋面積已出現長期變化信號。更值得關注的是，雙重出現（溫度+鹽度或溫度+溶解氧同時變化）的比例從表層的約7%增加到中層海洋底部的約32%；三重出現的比例也從真光層頂部的8%增至中層海洋底部的11%。

Fig. 1 | Global percentage of emergence as a function of year for individual or compound CIDs

復合CIDs的時空分布格局

過去64年觀測到的復合CIDs出現呈現出明顯的區域差異。

在真光層（0-200米），地中海展現出最高的雙重和三重出現比例，高達約96%；其次是北大西洋亞熱帶區域（約93%）和熱帶大西洋（約71%）。這些區域存在特定的動力學機制主導——沿岸上升流區、熱帶氧極小區、大尺度環流系統以及輸運匯聚區。

在中層海洋（200-1000米），北印度洋約58%和北太平洋亞熱帶環流約42%的區域經歷了顯著的復合出現。阿拉伯海的三重出現尤為突出，受到空氣-海洋相互作用變化、紅海和波斯灣高鹽水溢流、季風環流變化以及氧極小區擴張加深等多重因素驅動。

Fig. 2 | Spatial distribution of the time of emergence (ToE) (single, double and triple emergence) of compound CIDs in different depth layers

海洋暴露程度的空間格局

研究定義了三個關鍵指標來評估復合CIDs的影響程度：持續時間（信號出現后持續了多久）、強度（信號相對噪聲有多強）和幅度（信號變化有多快）。基于這三個指標，將海洋暴露程度劃分為高、中、低三個等級。

結果顯示，北大西洋亞熱帶中部表層和真光層主要暴露于變暖和鹽化的雙重出現，達到中等至高暴露水平。地中海、北大西洋亞熱帶環流及其西邊界流（如墨西哥灣流）的真光層和中層海洋顯示出對三重出現的高暴露。

熱帶大西洋氧極小區、阿拉伯海和北大西洋亞熱帶環流大部分中層海洋區域也表現出類似特征——長持續時間、高強度和高幅度的復合變化。總體而言，約25%的次表層海洋已顯著暴露于兩種以上CIDs的出現。

Fig. 3 | Spatial distribution of the global exposure of the ocean to the emergence of individual and compound CIDs

復合CIDs對海洋功能的潛在影響

研究進一步分析了復合CIDs與海洋關鍵功能的空間重疊。

對于海洋碳泵，約48%、13%和3%的全球100米深度有機碳輸出分別來自經歷單一、雙重和三重CIDs顯著出現的中高暴露區域。

對于全球漁業，約51%、14%和3%的高捕撈強度區域分別暴露于單一、雙重和三重CIDs的顯著出現。受影響區域包括東北大西洋、墨西哥灣流、地中海、熱帶大西洋、黑潮、南太平洋小島國周邊海域和大西洋亞熱帶環流。

此外，約38%的公海區域（國家管轄范圍以外區域）中層海洋已經歷雙重或三重復合CIDs出現，這為在這些"復合氣候變化熱點區域"建立大規模海洋保護區提供了科學依據。

Fig. 5 | Interplay of exposure from the emergence of compound CIDs with the biological carbon pump, global fishing activities and their emergence in the high seas

小結

這項研究通過系統的觀測數據分析，首次描繪了全球海洋復合氣候變化的完整圖景：

建立了復合CIDs評估框架：提出了包含信號出現時間、持續時間、強度和幅度的多維度評估體系，為理解海洋復合變化提供了方法論基礎。

揭示了深層海洋的脆弱性：證明氣候變化影響并非局限于海洋表層，而是深達1000米的中層海洋，約25%的次表層海洋已暴露于多重CIDs的同時變化。

識別了氣候變化熱點區域：地中海、北大西洋亞熱帶環流、熱帶大西洋氧極小區和阿拉伯海等區域面臨最嚴峻的復合威脅，對這些區域海洋生態系統的監測和保護刻不容緩。

這項工作表明，全球海洋正在經歷向新氣候狀態的轉變。復合CIDs的長期變化可能通過協同、拮抗或疊加效應影響海洋生物多樣性、漁業資源和碳循環，凸顯了在氣候風險評估中納入復合效應的緊迫性。

與AI的潛在結合點

多變量時空模式的深度學習挖掘

該研究涉及溫度、鹽度、溶解氧、pH等多個變量在三維空間和時間維度上的協同變化。傳統方法難以捕捉這些變量之間的復雜非線性關系。卷積神經網絡（CNN）和循環神經網絡（RNN）可以從海洋觀測格點數據中自動提取時空特征，識別復合CIDs出現的前兆信號。圖神經網絡（GNN）特別適合處理海洋環流連接的空間關系，追蹤信號從表層向深層傳播的路徑。注意力機制可以識別哪些區域和時間段對復合變化最為敏感，指導觀測資源的優化配置。

信號-噪聲分離的智能優化

該研究的核心是將長期氣候信號從短期變率噪聲中分離出來。這一過程依賴于濾波參數的選擇，可能受到年代際變率的干擾。深度學習的自編碼器（Autoencoder）可以學習海洋變量的本征表示，在潛空間中更清晰地分離信號和噪聲成分。變分自編碼器（VAE）還可以量化分離過程的不確定性。物理信息神經網絡（PINN）可以將海洋動力學約束嵌入網絡結構，確保分離出的信號在物理上是自洽的。

復合效應的因果推斷建模

該研究描述了溫度-鹽度-溶解氧之間的聯合、因果和復合關系，但定量區分這些關系仍具挑戰性。因果機器學習方法（如因果森林、do-calculus框架）可以從觀測數據中推斷變量間的因果方向和強度。結構方程模型與深度學習結合，可以構建多層次的因果圖，追溯從溫室氣體排放到海洋生態響應的完整因果鏈。這對于預測未來復合變化的演變趨勢和制定干預策略至關重要。

海洋暴露風險的多模態預測

該研究定義的暴露指標（持續時間、強度、幅度）可以與海洋生物分布、漁業活動、碳通量等多源數據融合。多模態深度學習可以整合衛星遙感、現場觀測、模式模擬和社會經濟數據，構建端到端的風險預測系統。集成學習方法（如XGBoost、隨機森林）可以評估不同暴露情景下的生態和經濟損失，為氣候適應決策提供量化支撐。遷移學習可以將在數據豐富區域訓練的模型應用到數據稀疏的深海或極地區域，拓展復合CIDs監測的空間覆蓋范圍。

DOI：10.1038/s41558-025-02484-x

本文版權歸原作者所有，本文旨在分享優秀科研成果，文章推送時未能及時與原作者取得聯系，若來源標注錯誤或侵犯到您的權益煩請告知，我們將立即刪除。更多詳情和引用，請參考原文，點擊文章底部（閱讀原文）。

微信號丨AI4EarthScience

商務聯系丨AI4EarthScience