2023年3月15日，由成都信息工程大学55402com永利(中国)维基百科校外导师罗勇教授（清华大学地球系统科学系）和校内导师文军教授指导的2020级硕士研究生马子起同学在《科学数据》（Scientific Data）上在线发表论文《基于深度学习方法重建1979-2021年北极地表气温》（Newly reconstructed Arctic surface air temperatures for 1979-2021 with deep learning method）（影响因子：8.501，JCR一区）。基于北极地区多源器测逐日观测资料，该研究采用深度学习方法建立了一套1979年以来北极地区1°×1°格点月平均地表气温资料，数据范围覆盖30°N以北区域。该数据集还包括2010年之后的北极地区日平均温度。该数据的发布将有助于进一步认识、监测北极气候变化及其影响，也为验证和改进气候模式对北极气候模拟能力提供数据基础。

近几十年来，北极的增暖速率是全球平均的两倍以上，这一现象被称为“北极放大效应”（ArcticAmplification）。北极快速变暖不仅对当地生态环境造成显著影响（如北极海冰剧烈减少、格陵兰冰盖和冻土消融以及植被增加等），而且对全球气候也有明显作用（如对北半球中纬度天气/气候的影响等）。然而，北极地区长期可靠的观测资料极度缺乏。现有可持续更新的北极温度资料普遍利用中纬度温度观测对北极缺测区域进行插补，这种方法的潜在假设是高纬度温度与中纬度温度变化一致，然而这一假设与实际情况并不相符。因此，建立一套准确的北极温度资料是深入研究北极气候变化及其影响的重要基础。

为了重建1979年以来北极地区月平均地表气温，研究团队使用多源器测逐日观测数据，包括GHCN台站观测、ICOADS海表气温观测、俄罗斯NP冰上人工漂浮站观测以及IABP的浮标气温观测（图1）。其中，后两套海冰上的观测资料极大提升了重建数据集在北极地区的代表性。与国际上广泛使用的全球温度产品（BerkeleyEarth、NASAGISTEMP和ERA5）对比，重建的北极温度升温更强，特别在北冰洋和格陵兰岛（图2）。此外，这一基于大数据建立的深度学习模型可以实现北极地区重建温度的不断持续更新。

论文通讯作者是中国科学院大学黄建斌博士。合作者包括北卡罗来纳州立大学张向东教授、中国气象科学研究所丁明虎研究员。该研究得到中国和挪威政府间科技合作项目“北极大西洋扇区冰雪参数反演及关键过程与气候效应”的资助。

图1北极地区观测数据位置分布图。黑色线为NP观测路径（1979-1991年和2003-2012年），浅灰色线为IABP浮标观测（1979-2021年）路径，深灰色线为ICOADS观测（1979-2021年），陆地上黑色点为GHCN观测站点（1979-2021年）。

图2北极1979-2021年3月温升趋势，其中a为重建结果，b为ERA5，c为NASA GISTEMP v4，d为BerkeleyEarth。图中绿色点为通过显著性检验（P<0.05）。

论文链接：

Ma, Z., Huang, J., Zhang, X. et al. Newly reconstructed Arctic surface air temperatures for 1979–2021 with deep learning method. Sci Data 10, 140 (2023). https://doi.org/10.1038/s41597-023-02059-5

数据链接：

Ma,Z.; Huang, J. (2022): Arctic surface air temperatures from 1979-2021: A newly reconstructed data with deep learning method. figshare. Dataset.

https://doi.org/10.6084/m9.figshare.21345177.v6