近日，南方科技大学环境科学与工程学院副教授曾振中团队联合计算机科学与工程系教授刘江团队在Science Bulletin上发表题为“An artificial intelligence reconstruction of global gridded surface winds”的研究论文。该研究为重构历史气候数据，尤其是风速数据提供了新的解决方案。

风速数据被广泛用科学、管理和政策领域，在评估可再生能源潜力、解决风灾、研究生物现象和探索气候变化等方面发挥着重要作用。但现有的风速产品存在很大的局限性：气象观测数据在空间和时间存在不连续性，再分析产品和气候模型模拟虽然实现了数据的连续性，但大多未能重现观测到的风速趋势。此外，风速数据的高变异性及站点分布的不均匀和稀缺性，使得传统的统计插值方法，如克里金或主成分分析，在重构全球风速上表现不佳。因而，风速数据成为风速研究中“卡脖子”的难题。

在此，研究团队探究了人工智能算法——部分卷积神经网络（the partial convolutional neural network ，简称PCNN）在风速数据重构方面的表现。PCNN于2018年由刘贵林博士等人开发，最早被用于不规则孔洞的图像修复。与传统方法相比，PCNN在恢复具有大量缺失数据的数据集方面具有很高的效率。本研究证实了该算法修复数据大量缺失（85-88%）的风速数据集上的可行性。在验证阶段，几乎所有区域（北美洲、欧洲、亚洲、南美洲、大洋洲）的重建数据都能捕捉到原始数据的变异性和趋势（图2）。

图1. 重构效果示例

图2. CNRM-CM6-1（左栏）、EC-Earth3（中栏）和ERA5（右栏）的风速时间序列。相关性（r）和均方根误差（rmse）为原始数据和输出数据之间的比较。原始数据与重建数据的网格相同，都是该地区内所有的陆地网格；而输入数据（用于PCNN-based模型）来自有观测的陆地网格。

随后团队利用该算法，基于全球站点数据集（HadISD）和34个CMIP6气候模式数据，开发了一套全球栅格化的风速数据产品——GGWS-PCNN。该数据集提供了1973年1月至2020年12月的月平均风速，分辨率为1.25°×2.5°（纬度×经度）。数据集和相关代码可于曾振中教授课题组网站上下载（https://www.zhenzhongzeng.com/resources/  ）。

图3. PCNN的重构流程示意图

曾振中课题组研究助理周俐宏为论文第一作者，曾振中为论文通讯作者，南科大为论文第一单位。合作者包括刘江、计算机科学与工程系2020级硕士生刘浩锋、环境科学与工程学院2020级博士生江鑫，泰国梅州大学教授Alan D. Ziegler、西班牙荒漠化问题研究中心研究员Cesar Azorin-Molina。本研究得到了国家自然科学基金和南方科技大学启动基金等项目的资助。

论文链接：https://www.sciencedirect.com/science/article/pii/S2095927322004340 

供稿：环境科学与工程学院

通讯员：晏梓添

主图：丘妍

编辑：朱增光