气候政策情景分析一直是制订全球减排战略、评估国家自主贡献（NDCs）目标以及推动持久低碳发展的核心工具。综合评估模型（IAMs）通过将经济、能源、资源与气候等子系统深度耦合，定量模拟不同社会经济路径下的温室气体排放情景，为国际谈判和政策制订提供了坚实的科学支撑。然而，随着政策评估对高频、多样且低成本情景数据需求的持续增长，IAMs在运行成本、模型异质性和更新效率等方面的局限愈发突出，难以满足灵活多变的分析需求。

针对这一挑战，北京大学环境科学与工程偶阳研究员课题组联合国际机器学习研究中心周沛劼助理教授团队在《自然-气候变化》（Nature Climate Change）在线发表了题为“Using Deep Learning to Generate Key Variables in Global Mitigation Scenarios”的研究成果。团队以IPCC第六次评估报告（AR6）情景数据库的1202个减排情景为训练基础，利用变分自编码器（VAE）、生成对抗网络（GAN）等多种深度学习架构，成功生成了覆盖C1—C8几类气候减缓路径的3万条情景，涵盖主要能源结构与温室气体排放等关键变量。实验结果表明，该生成式框架不仅在效率上大幅超出了传统IAMs，实现了海量情景的快速构建，也为多维不确定性评估和政策敏感性分析提供了丰富且可操作的样本。

与传统综合评估模型相比，深度学习方法在计算成本和生成速度上实现了跨越式提升，展现了生成式人工智能在自然-社会耦合建模领域的巨大潜力。然而，当前深度学习模型在可处理变量数量、物理一致性和区域差别化等方面仍存在瓶颈。未来，团队将继续深化合作，依托北京大学交叉学科平台，致力于进一步提升深度学习技术在气候变化减缓与适应协同路径优化中的应用价值。

不同气候目标下生成情景中关键变量的时间变化趋势与分布

该项研究得到国家重点研发计划（No.2024YFF1307000）、国家自然科学基金项目（72474002）、北京大学新工科交叉专项资助。机器学习模型训练得到了北京大学高性能计算平台的支持。偶阳和周沛劼为论文共同通讯作者，国际机器学习研究中心2023级硕士研究生李佩津、环境科学与工程2024级博士研究生朱荣琦为论文共同第一作者，韩国科学技术院Haewon McJeon教授和国际应用系统分析研究所Edward Byers研究员为论文合作者。