地球系统模式是进行气候变化预估的重要工具。气候变化的预估存在诸多不确定性，对确定的某种排放情形，几十年以上尺度气候变化的预估不确定性主要来自于模式间差异，而多模式集合被证实可以有效降低预估不确定性。近些年，越来越先进的机器学习方法在地球系统科学相关领域得到了广泛应用，但在多模式集合预估中的应用较少。
近期，在南京信息工程大学江志红教授和法国气象动力科学实验室李肇新研究员的联合指导下，博士生李童使用三种不同思想的多模式集成方案（偏差订正后的算术平均方案（AM），线性回归方案（LR）和基于机器学习的随机森林方案（RF）），利用全球耦合模式第六次比较计划（CMIP6）多模式模拟结果，进行了中国平均和极端气候的模拟评估及未来预估，相关成果已发表于Environmental Research Letters。
结果显示，和AM方案相比，RF方案可以显著提高对气候态的模拟能力，特别是降水指数。基于RF方案，全球1.5/2℃增温阈值下，中国区域平均温度和总降水量较当前（1995-2014年）增加了1.28/2.06°C和8.9/12.72%。与AM方案对比，RF预估空间不均匀性显著增强，特别是地形复杂地区。全球增温1.5/2℃下，青藏高原的北部和边缘地区总降水增加超过20/30%。其中柴达木盆地和祁连山脉地区RF预估的强降水变化大多是AM方案的两倍以上；而在西北北部地区，RF预估的降水变化在5%左右，部分区域甚至降水减少，与AM预估的降水增加5-10%不同。
值得注意的是，机器学习RF预估给出了较为精细化的空间分布特征，并与更高分辨率的区域模式和降尺度的结果类似。这表明基于观测约束的机器学习，有可能从大量数据中检索更多信息，做出更精细可靠的未来预估。
论文信息：
Li, T., Jiang, Z., Treut, H. L., et al., 2021: Machine learning to optimize climate projection over China with multi-model ensemble simulations. Environ. Res. Lett., 16, 094028, doi: 10.1088/1748-9326/ac1d0c.
图1检验期1995-2014年，偏差订正后的算术平均（AM，灰色），线性回归（LR，蓝色），随机森林（RF，红色）集成方案对6个平均和极端温度与降水指数（不同图标）的泰勒技巧评分。
