传统基于统计回归或数据同化的方法在处理稀疏且空间分布不均的代用指标数据时，往往难以同时兼顾气候场的空间结构一致性与多变量之间的协同关系。为此，本研究引入一种基于生成扩散的框架，利用稳定同位素代用指标（d18O）作为观测约束，重建多变量气候场，包括地表气温（tas）、降水（pr）以及低层环流（U850、V850），以探索生成式深度学习在古气候重建中的应用潜力。结果表明，该方法能够在有限观测信息条件下有效恢复高维气候场的空间结构，并保持不同变量之间的物理一致性，较好再现温度与降水的主要模态结构及环流型态。与传统方法相比，该方法在多变量联合重建中展现出更强的空间一致性与细节刻画能力。此外，研究还表明，d18O作为水循环过程的重要指示变量，对约束降水及相关环流结构具有显著作用。
 

古气候重建,生成扩散模型,稳定同位素代用指标