“补全” 南极观测空白！AI 驱动的全球温度重建数据集 C‑AIRST 问世
全球变暖加剧引起了学界、公众和各国政府的高度关注。但由于历史观测分布极不均衡，极地、高原及欠发达地区观测数据大量缺失，当前全球温度序列仍然存在一定不确定性。全球多家团队分别采用各种技术手段，对1850年以来的近地表温度数据进行了重建，对南极以外区域长期气候变暖事实的检测已达到了极高信度。但学界对于南极气候变化评估结论仍然存在显著的差异和广泛争议，南极气候变化评估成为全球温度重建领域长期悬而未决的技术难点和科学空白。
中山大学大气科学学院李庆祥团队近日在《Earth System Science Data（ESSD）》发表新论文“An AI-driven reconstruction of global surface temperature with emphasis on refining the Antarctic record”。研究基于部分卷积（PConv）深度学习框架，构建一套全新逐月全球近地表温度重建数据集 C-AIRST。相较以往同类产品，该数据集重点优化了南极区域重建质量，并且通过输出集合表征的方式估计相应的不确定性（图1）。该论文第一作者为本院硕士研究生欧阳晨曦，通讯作者为李庆祥教授。
图1 C-AIRST与C-MST3.0、HadCRUT5等数据集95%不确定性范围对比
该研究以 CMIP6 历史模式模拟作为训练样本，观测数据融合了团队发展的中国陆面气温数据集 C-LSAT2.1 与英国气象局哈德来中心 HadSST4.2.0.0 提供的200套海温集合产品。在此基础上，团队采用深度集成（Deep Ensemble）策略训练了 5 组独立 PConv 网络，将观测固有测量不确定性与模型不确定性进行解耦，共输出1000套重建集合成员，以集合平均作为最终数据集，并利用集合离散度结合全概率方差公式估计最终的重建不确定性。这一设计有别于多数仅输出单一场的AI重建产品，可为后续气候分析提供置信度参考依据。
C-AIRST是继China-MST之后，团队成功研发的另一个1850年以来的全球近地表温度数据集。China-MST已经被IPCC、WMO等权威机构广泛采纳，是全球气候变化研究与监测的重要基准数据集之一。在 China‑MST 基础之上，C-AIRST的推出，标志着该团队在全球陆地气温变化检测研究中，已补齐最后一块短板（南极）。同时，团队系统评估了数据集中观测不确定性和模型不确定性在内的总不确定性范围，为科学认识全球及区域气候变化提供了可完整溯源的基础数据。
检验表明，C-AIRST再现了 ENSO 历史空间信号，成功补全了 HadSST4.2.0.0数据集在 1910-1920 年 Niño3.4 指数的数据缺口。基于C-AIRST，1850-2024 年全球平均地表温度趋势为 0.064 ℃/10a，2024 年作为最暖年相对工业化前期（1850-1900）的增温水平达 1.49 ℃，这与 China-MST 3.0（融合美国NOAA的ERSST）、HadCRUT5（融合英国气象局的HadSST）等主流数据集高度一致。C-AIRST在低、中纬度区域重建可靠性很高，1900 年之后 60°S-60°N 范围内数据集之间差异大多控制在±0.1 ℃以内；而在观测覆盖率不足的非洲、南美洲早期，重建结果仍存在明显离散，需要审慎解读。此外，受观测采样减少影响，两次世界大战期间全球重建不确定性出现阶段性抬升，极地整体不确定性显著高于中低纬，其中南极不确定性普遍高于北极。
图2 C-AIRST和其他数据集的南极年平均温度序列对比
南极是C-AIRST重点攻关区域。尽管 1961 年后南极有效格点观测覆盖率仅约 8%，使用未参与模型训练的独立台站检验，数据集平均相关系数可达 0.71，均方根误差 0.59 ℃。相较于既往 AI 重建结果存在的空间伪缺陷，该产品规避了部分已有 AI 重建产品在 0° 经度附近出现的人为趋势突变伪影，合理还原了南极半岛显著增暖、威尔克斯地沿岸降温的空间格局（图3）。基于本文的重建，尽管1961-2022 年南极大陆平均显著增温趋势为 0.089 ℃/10a，但1979-2022 年及2001-2022年南极整体未检测到统计显著的增温，表明内部气候变率在近期南极气候变化中仍然扮演重要角色；该结果也指出，目前多数主流数据集及模式再分析对南极增暖有所高估（图2）。论文公开讨论期间，国际知名极地气象与极地气候学专家、美国俄亥俄州立大学David Bromwich教授实名评审，肯定了本文结论的合理性。
图3 C-AIRST和其他数据集的南极年平均温度变化趋势分布
C-AIRST数据集空间分辨率为 5°×2.5°，包含重建场与配套不确定性信息，已公开开放下载，并将与China-MST3.0数据集同期更新，可为长序列气候诊断、极地气候变化评估、气候检测-归因提供又一新的数据支撑。数据集访问https://doi.org/10.6084/m9.figshare.33122444
参考文献：Ouyang, C., Li, Q., Li, Z., and Wei, S.: An AI-driven reconstruction of global surface temperature with emphasis on refining the Antarctic record, Earth Syst. Sci. Data, 18, 6503–6526, https://doi.org/10.5194/essd-18-6503-2026, 2026
