基于机器学习方法重建的过去1000年北半球环状模（NAM）指数

基于机器学习方法重建的过去1000年北半球环状模受限于观测资料的短缺，关于北半球主要大气环流模态（Northern Annular Mode，简称NAM）的演变规律和机理还很不明确。运用树轮、冰芯、沉积物等代用指标重建时间序列更长的NAM指数有助于加深对其演变规律和驱动机制的认识。本文通过评估多种机器学习模型在古气候重建中的适用性，基于PAGES 2k的气候代用指标重建了过去1000年高分辨率（1年）的NAM指数。研究结果表明相比普通线性回归模型和随机森林等模型，CatBoost、极端随机树和主成分回归模型可以有效地避免过拟合，模型具有更高的稳定性和可靠性，其中CatBoost模型的重建结果与器测时段内NAM指数的相关系数最高（R=0.93，p < 0.01），能够更好地拟合NAM指数的量级和峰谷变化。分析过去1000年NAM指数的变化特征，发现NAM具有显著的百年际周期（167.5年）和多年代际周期（32.3年）波动，1950~2000年NAM由负位相转向正位相的速率在过去1000年中前所未有。进一步探究NAM与温度和海冰的关系发现，1850年之前，暖期对应NAM增强，冷期对应NAM减弱；而在1850年之后NAM的多年代际变化与巴伦支-喀拉海海冰范围的变化趋于一致，1950年之后NAM向正位相快速转变可能是温度和北极海冰异常共同影响的结果。