[論文レビュー] A direct approach to detection and attribution of climate change

Enikő Székely, Sebastian Sippel+3 more|arXiv (Cornell University)|Oct 8, 2019

Climate variability and models参考文献 12被引用数 4

ひとこと要約

本稿では、気候変動の検出と帰属分析のための教師あり機械学習手法を提案する。この手法は、放射強制力（例：人為的要因）を、気候変数のパターンから直接予測し、ボルケーノや太陽放射など他の強制要因の変化に対するロバスト性を保証するために、分布的に頑健な最適化を用いる。従来のEOFに基づく次元削減手法に比べ、任意の射影を避ける代わりに、信頼性の高い検出と帰属分析を可能にする予測可能な空間的指紋を学習する。結果として、RCPシミュレーションを用いた分析により、1990年以降に信号検出に成功している。

ABSTRACT

We present here a novel statistical learning approach for detection and attribution (D&A) of climate change. Traditional optimal D&A studies try to directly model the observations from model simulations, but practically this is challenging due to high-dimensionality. Dimension reduction techniques reduce the dimensionality, typically using empirical orthogonal functions, but as these techniques are unsupervised, the reduced space considered is somewhat arbitrary. Here, we propose a supervised approach where we predict a given external forcing, e.g., anthropogenic forcing, directly from the spatial pattern of climate variables, and use the predicted forcing as a test statistic for D&A. We want the prediction to work well even under changes in the distribution of other external forcings, e.g., solar or volcanic forcings, and therefore formulate the optimization problem from a distributional robustness perspective.

研究の動機と目的

• 従来の検出と帰属分析における非教師あり次元削減（例：EOF）の限界を克服するため、教師あり学習フレームワークを導入すること。
• 自然要因による分布的シフト（例：ボルケーノ、太陽放射）が生じる状況下でも、放射強制力の予測を頑健に保つこと。
• 予測された強制力に基づく検定統計量を構築し、気候変動信号の信頼性のある検出と帰属分析を可能にすること。
• 学習問題を分布的頑健性の観点から定式化し、外部強制力の分布変化に対する保護を図ること。
• 時間遅れ埋め込みと独立性制約を用いて、将来的に時間的ダイナミクスと複数強制要因の帰属分析への拡張を可能にすること。

提案手法

• 放射強制力 $ y $ が気候変数パターン $ x $ から関数 $ f_{\beta}(x) $ を用いて予測される直接的教師あり回帰モデルを提案。パrameterは $ \beta $ で表される。
• 目標分布 $ P $ における損失関数 $ \mathbb{E}_{(x,y)\sim P}[l(y, f_{\beta}(x))] $ の最小化により $ \hat{\beta} $ を推定し、リッジ回帰またはアンカーレジRESSIONを用いる。
• 残差とアンカーバリアブル（例：ボルケーノ強制力）との直交性を強制するための因果的正則化パrameter $ \gamma $ を導入し、アンカーレジRESSIONを用いることで、ロバスト性を向上させる。
• 予測された強制力を検出と帰属分析の検定統計量として用い、残差の標準偏差から信頼区間を導出する。
• データを75％の訓練用、25％のテスト用に分割し、CMIP5モデルシミュレーションを用いたパーフェクトモデル設定で手法を適用する。
• 時間的ダイナミクスの統合と、異なる応答時定数を持つ強制要因の分離のための将来の拡張として、Takensの埋め込みを活用する。

実験結果

リサーチクエスチョン

• RQ1 教師あり機械学習手法が、より関連性の高い射影空間を学習することで、従来のEOFに基づく次元削減を上回る性能を示せるか？
• RQ2 ボルケーノや太陽放射強制力などの外部強制力の分布的シフトに対して、モデルをどのようにして頑健化できるか？
• RQ3 残差とアンカーバリアブル（例：ボルケーノ強制力）との直交性を強制することで、予測のロバスト性がどの程度向上するか？
• RQ4 予測された強制力が、観測データにおける気候変動信号の検出と帰属分析の有効な検定統計量として機能できるか？
• RQ5 時間遅れ座標（時間的ダイナミクス）を含めることで、異なる応答時定数を持つ複数の強制要因の分離にどのような影響を与えるか？

主な発見

• 増加する $ \gamma $ に伴い、残差とアンカー（ボルケーノ強制力）の相関が低下し、高 $ \gamma $ でほぼゼロの相関に達する。これは、ロバストネスの向上を示している。
• 因果的正則化が強い（$ \gamma $ が高い）ほど、予測精度がわずかに低下する（R²が低く、RMSEが高くなる）。しかし、このトレードオフにより、強制力の変化に対して安定性が保証される。
• 高 $ \gamma $ になると、回帰係数の空間的パターンがより対照的になる。これは、人為的強制力に寄与するがボルケーノ強制力には寄与しない地域（例：熱帯の海洋および海洋上陸域）を強調している。
• 本手法は、RCPシミュレーションにおいて1990年ごろから人為的信号を成功裏に検出しており、信頼区間（±2σ）が真の強制力（黒線）を含み、ゼロを含まないため、統計的に有意であることが示された。
• 高 $ \gamma $ 時に残差とアンカーの相関がなく、モデルの予測が非標的強制力の分布変化に対して頑健であることが確認された。
• 事前に定義されたEOFに依存せず、従来の最適検出法よりも解釈性が高く、統計的により妥当な代替手法を提供できる。