西湖大学工学院宫先达团队npj Climate and Atmospheric Science：基于多个深度学习模型重建高精度海洋气溶胶粒径分布

该研究针对远洋大气环境中气溶胶粒子数粒径分布(PNSD)重建精度不足的问题，提出了一种融合气团历史信息与多个深度学习模型的新框架。研究背景是气溶胶-云相互作用是气候评估中最大的不确定性来源，而传统数值模式对PNSD的模拟存在较大误差。研究目的是基于北大西洋中部CVAO观测站十年数据，利用LSTM和BiLSTM模型重建PNSD，并验证其迁移至南大西洋ASI站点的能力。结论表明，该框架MFE达0.13-0.16，显著优于传统方法；迁移学习仅需25%数据即可接近50%数据从头训练的效果。但SHAP可解释性分析显示，模型可能仅捕捉统计相关性而非真实物理机制，需结合多个模型交叉验证。该研究为精确量化人为气候强迫提供了新思路。