基于机器学习方法重建的过去1000年北半球环状模(NAM)指数

摘要

受限于观测资料的短缺,关于北半球主要大气环流模态(Northern Annular Mode,简称NAM)的演变规律和机理还很不明确.运用树轮、冰芯、沉积物等代用指标重建时间序列更长的NAM指数有助于加深对其演变规律和驱动机制的认识.本文通过评估多种机器学习模型在古气候重建中的适用性,基于PAGES 2k的气候代用指标重建了过去1000年高分辨率(1年)的NAM指数.研究结果表明相比普通线性回归模型和随机森林等模型,CatBoost、极端随机树和主成分回归模型可以有效地避免过拟合,模型具有更高的稳定性和可靠性,其中CatBoost模型的重建结果与器测时段内NAM指数的相关系数最高(R = 0.93,p＜0.01),能够更好地拟合NAM指数的量级和峰谷变化.分析过去1000年NAM指数的变化特征,发现NAM具有显著的百年际周期(167.5年)和多年代际周期(32.3年)波动,1950～2000年NAM由负位相转向正位相的速率在过去1000年中前所未有.进一步探究NAM与温度和海冰的关系发现,1850年之前,暖期对应NAM增强,冷期对应NAM减弱;而在1850年之后NAM的多年代际变化与巴伦支-喀拉海海冰范围的变化趋于一致,1950年之后NAM向正位相快速转变可能是温度和北极海冰异常共同影响的结果.