Nature Climate Change｜过去60年全球海洋正经历前所未有的复合气候变化

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

成果简介

近期，中国科学院大气物理研究所成里京研究员团队联合法国巴黎高等师范学院、Mercator Ocean International等机构，在《Nature Climate Change》发表重要研究成果。该研究首次基于观测数据，系统揭示了过去60年全球海洋从表层到中层（0-1000米）正在经历的大规模复合气候变化。

研究团队发现，海洋变暖、盐度变化、脱氧和酸化等多重气候影响驱动因子正在同时出现，形成"复合气候影响驱动因子"（compound CIDs）。特别值得关注的是，副热带和热带大西洋、副热带太平洋、阿拉伯海和地中海等区域已经出现显著的复合变化信号。这些发现表明，全球海洋正在向一种全新的气候状态转变，对海洋生态系统和人类福祉构成深远威胁。

引言

海洋正面临多重气候压力的考验——变暖、酸化、脱氧和盐度变化同时发生，深刻影响着地球系统循环和海洋生态。然而，这些变化的综合影响，特别是从表层延伸到深层海洋的复合效应，此前缺乏系统的观测研究。

这项研究的重要意义在于：

• 首次建立复合CIDs评估框架：定义了海洋复合气候影响驱动因子的概念，将多个气候变量的同步变化纳入统一分析框架

• 揭示深层海洋的脆弱性：证明中层海洋（200-1000米）约25%的区域已暴露于两种以上CIDs的同时变化

• 识别气候变化热点区域：发现地中海、北大西洋亚热带环流和热带大西洋氧极小区等区域面临最严峻的复合威胁

研究方法

数据体系：多源观测的全球整合

研究团队整合了多套全球海洋观测数据产品，覆盖1960年至2023年：

• 温度数据：中国科学院大气物理研究所（IAP）月均温度格点产品，分辨率1°×1°，深度覆盖0-6000米

• 盐度数据：IAP月均盐度格点产品，具有完整的不确定性估计

• 溶解氧数据：IAP月均溶解氧格点产品，整合CTD、瓶采和Argo等多种观测手段

• 表层pH数据：哥白尼海洋服务全球表层碳数据集，分辨率0.25°×0.25°

核心方法：信号出现时间（ToE）分析

研究采用"信号出现时间"方法来检测长期变化。核心思想是：当某个气候信号超出背景噪声水平并持续保持时，即认为该信号已"出现"。

具体而言，研究团队将局地时间序列分解为长期趋势信号和短期变异噪声两部分。长期信号通过25年平滑滤波提取，代表气候变化的印记；噪声则反映自然变率和观测误差。当信号与噪声的比值持续超过阈值时，就标志着气候变化信号正式出现。

复合CIDs的定义

当温度、盐度、溶解氧中的两个或三个变量同时出现显著变化信号时，分别定义为"双重出现"和"三重出现"。这些同时变化可能通过联合作用、因果关系或复合关系相互影响——例如，温度和盐度的联合变化会改变海水密度和层化强度；变暖会因降低氧气溶解度而导致脱氧。

图文导读

个体与复合CIDs的全球出现趋势

研究结果显示，不同CIDs具有不同的出现时间尺度，且复合变化正在全球范围内加速扩展。

表层pH的变化最为迅速——自1995年以来，几乎100%的全球海洋表层都经历了酸化信号的出现。这主要归因于人为二氧化碳排放持续增加，导致大气向海洋的净正通量。

对于温度、盐度和溶解氧，自1990年代初以来，约20-60%的全球海洋面积已出现长期变化信号。更值得关注的是，双重出现（温度+盐度或温度+溶解氧同时变化）的比例从表层的约7%增加到中层海洋底部的约32%；三重出现的比例也从真光层顶部的8%增至中层海洋底部的11%。

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

复合CIDs的时空分布格局

过去64年观测到的复合CIDs出现呈现出明显的区域差异。

在真光层（0-200米），地中海展现出最高的双重和三重出现比例，高达约96%；其次是北大西洋亚热带区域（约93%）和热带大西洋（约71%）。这些区域存在特定的动力学机制主导——沿岸上升流区、热带氧极小区、大尺度环流系统以及输运汇聚区。

在中层海洋（200-1000米），北印度洋约58%和北太平洋亚热带环流约42%的区域经历了显著的复合出现。阿拉伯海的三重出现尤为突出，受到空气-海洋相互作用变化、红海和波斯湾高盐水溢流、季风环流变化以及氧极小区扩张加深等多重因素驱动。

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

海洋暴露程度的空间格局

研究定义了三个关键指标来评估复合CIDs的影响程度：持续时间（信号出现后持续了多久）、强度（信号相对噪声有多强）和幅度（信号变化有多快）。基于这三个指标，将海洋暴露程度划分为高、中、低三个等级。

结果显示，北大西洋亚热带中部表层和真光层主要暴露于变暖和盐化的双重出现，达到中等至高暴露水平。地中海、北大西洋亚热带环流及其西边界流（如墨西哥湾流）的真光层和中层海洋显示出对三重出现的高暴露。

热带大西洋氧极小区、阿拉伯海和北大西洋亚热带环流大部分中层海洋区域也表现出类似特征——长持续时间、高强度和高幅度的复合变化。总体而言，约25%的次表层海洋已显著暴露于两种以上CIDs的出现。

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

复合CIDs对海洋功能的潜在影响

研究进一步分析了复合CIDs与海洋关键功能的空间重叠。

对于海洋碳泵，约48%、13%和3%的全球100米深度有机碳输出分别来自经历单一、双重和三重CIDs显著出现的中高暴露区域。

对于全球渔业，约51%、14%和3%的高捕捞强度区域分别暴露于单一、双重和三重CIDs的显著出现。受影响区域包括东北大西洋、墨西哥湾流、地中海、热带大西洋、黑潮、南太平洋小岛国周边海域和大西洋亚热带环流。

此外，约38%的公海区域（国家管辖范围以外区域）中层海洋已经历双重或三重复合CIDs出现，这为在这些"复合气候变化热点区域"建立大规模海洋保护区提供了科学依据。

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

小结

这项研究通过系统的观测数据分析，首次描绘了全球海洋复合气候变化的完整图景：

建立了复合CIDs评估框架：提出了包含信号出现时间、持续时间、强度和幅度的多维度评估体系，为理解海洋复合变化提供了方法论基础。

揭示了深层海洋的脆弱性：证明气候变化影响并非局限于海洋表层，而是深达1000米的中层海洋，约25%的次表层海洋已暴露于多重CIDs的同时变化。

识别了气候变化热点区域：地中海、北大西洋亚热带环流、热带大西洋氧极小区和阿拉伯海等区域面临最严峻的复合威胁，对这些区域海洋生态系统的监测和保护刻不容缓。

这项工作表明，全球海洋正在经历向新气候状态的转变。复合CIDs的长期变化可能通过协同、拮抗或叠加效应影响海洋生物多样性、渔业资源和碳循环，凸显了在气候风险评估中纳入复合效应的紧迫性。

与AI的潜在结合点

多变量时空模式的深度学习挖掘

该研究涉及温度、盐度、溶解氧、pH等多个变量在三维空间和时间维度上的协同变化。传统方法难以捕捉这些变量之间的复杂非线性关系。卷积神经网络（CNN）和循环神经网络（RNN）可以从海洋观测格点数据中自动提取时空特征，识别复合CIDs出现的前兆信号。图神经网络（GNN）特别适合处理海洋环流连接的空间关系，追踪信号从表层向深层传播的路径。注意力机制可以识别哪些区域和时间段对复合变化最为敏感，指导观测资源的优化配置。

信号-噪声分离的智能优化

该研究的核心是将长期气候信号从短期变率噪声中分离出来。这一过程依赖于滤波参数的选择，可能受到年代际变率的干扰。深度学习的自编码器（Autoencoder）可以学习海洋变量的本征表示，在潜空间中更清晰地分离信号和噪声成分。变分自编码器（VAE）还可以量化分离过程的不确定性。物理信息神经网络（PINN）可以将海洋动力学约束嵌入网络结构，确保分离出的信号在物理上是自洽的。

复合效应的因果推断建模

该研究描述了温度-盐度-溶解氧之间的联合、因果和复合关系，但定量区分这些关系仍具挑战性。因果机器学习方法（如因果森林、do-calculus框架）可以从观测数据中推断变量间的因果方向和强度。结构方程模型与深度学习结合，可以构建多层次的因果图，追溯从温室气体排放到海洋生态响应的完整因果链。这对于预测未来复合变化的演变趋势和制定干预策略至关重要。

海洋暴露风险的多模态预测

该研究定义的暴露指标（持续时间、强度、幅度）可以与海洋生物分布、渔业活动、碳通量等多源数据融合。多模态深度学习可以整合卫星遥感、现场观测、模式模拟和社会经济数据，构建端到端的风险预测系统。集成学习方法（如XGBoost、随机森林）可以评估不同暴露情景下的生态和经济损失，为气候适应决策提供量化支撑。迁移学习可以将在数据丰富区域训练的模型应用到数据稀疏的深海或极地区域，拓展复合CIDs监测的空间覆盖范围。

DOI：10.1038/s41558-025-02484-x

本文版权归原作者所有，本文旨在分享优秀科研成果，文章推送时未能及时与原作者取得联系，若来源标注错误或侵犯到您的权益烦请告知，我们将立即删除。更多详情和引用，请参考原文，点击文章底部（阅读原文）。

微信号丨AI4EarthScience

商务联系丨AI4EarthScience