[論文レビュー] Disentangling regional impacts of joint teleconnections using causal representation learning

Fiona R. Spuler, Marlene Kretschmer+3 more|arXiv (Cornell University)|Mar 3, 2026

Climate variability and models被引用数 0

ひとこと要約

この論文はDAG-VAEを提案する。これは物理情報を組み込んだ有向非巡回グラフを潜在空間に埋め込む変分オートエンコーダ（VAE）で、熱帯太平洋SSTとインド洋SST、そしてGHA降水量の非線形低次元表現と、それらの因果効果を同時に学習し、データ駆動の反事実を生成する因果表現学習法である。

ABSTRACT

Understanding teleconnections of large-scale modes of climate variability is relevant for seasonal predictability and support a dynamical understanding of climatic changes. While numerical model experiments are the most common approach for investigating counterfactual climate responses, their conclusions are subject to model biases. Data-driven approaches offer a complementary perspective. Deep learning can extract reduced-dimensional patterns but usually lacks causal interpretability, while causal methods can disentangle signals in the presence of confounding yet are typically based on simple indices. Treating dimensionality reduction and causal inference separately thereby risks losing the teleconnection signal of interest. This paper introduces DAG-VAE, a causal representation learning approach that embeds a physics-informed directed acyclic graph in the latent space of a variational autoencoder. Combining deep learning with causal inference, the method jointly learns nonlinear reduced representations of large-scale modes of variability and their causal interactions. We apply DAG-VAE to disentangle the influences of the Pacific and Indian Oceans on the short rains over the Greater Horn of Africa. Trained on seasonal hindcasts, the method identifies dynamically meaningful representations and recovers spatial response patterns consistent with SST-replacement experiments. Trained on reanalysis data, DAG-VAE identifies a different response pattern to direct influence of the tropical Pacific, highlighting potential model biases and the value of DAG-VAE as a complementary, data-driven approach for estimating spatial causal response patterns from observations. Finally, we demonstrate the ability of the method to generate data-driven counterfactuals of extreme short rain seasons, with potential applications for forecast-based early action and scenario planning.

研究の動機と目的

• 大規模気候変動の低次元表現とそれらの因果相互作用を共同で学習するデータ駆動法の開発。
• 降水量の空間的因果応答パターンを個々のテレコネクション駆動要因に対して推定する。
• 極端な短雨季節のデータ駆動反事実シナリオを生成できるようにし、予報に基づく行動と計画を支援する。

提案手法

• 物理情報を組み込んだ有向非巡回グラフ（DAG）を変分オートエンコーダ（VAE）の潜在空間に埋め込み、熱帯太平洋SST、インド洋SST、およびGHA降水量の潜在表現間の因果関係をモデル化する。
• 識別性と因果要因の分離を保証するため、非線形VAEフレームワーク内でスパース性正則化された線形潜在空間因果モデルを用いる。
• SEAS5季節 hindcastとERA5再分析データでDAG-VAEを訓練し、解釈可能な潜在表現とその因果結合を学習する。
• 潜在空間の介入で直接的な因果効果を推定し、反事実的な降水パターンを生成する。
• 再構成、予測精度、および学習された因果要因の頑健性を評価するため、PCAベースおよびインデックスベースのベースラインと比較する。
• 以前の研究のSST置換実験と比較して因果経路と空間応答パターンの一貫性を評価する。

実験結果

リサーチクエスチョン

• RQ1 DAG情報を取り入れた潜在空間は、太平洋・インド洋SST異常がGHA短雨季に及ぼす結合的因果影響の分離を実現できるか。
• RQ2 学習された潜在表現は因果理論およびSST置換実験と一致する空間的に解釈可能な降水応答パターンを生み出すか。
• RQ3 識別可能性を支持する、特定された因果駆動要因に基づく極端な短雨季節のデータ駆動反事実を生成できるか。

主な発見

• DAG-VAEは、ENSOおよびIODパターンを反映する熱帯太平洋SST、インド洋SST、およびGHA降水量の非線形で物理的に意味のある潜在表現を識別する。
• この手法は、PCAおよびインデックス基準と比較して、GHA降水量の異常相関(r ≈ 0.68)と総降水量のR^2(≈ 0.58)を高く達成する。
• 潜在空間に対する介入は既知のSST置換結果を回復する：正のIODはGHA全体で湿性異常を直接引き起こす；ENSOは東西の双極子を直接引き起こし内陸の乾燥と沿岸の湿潤を生む。
• DAG-VAEは複数回の訓練で高い平均相関係数を持つ頑健な潜在表現を示し、実務的な識別可能性を支持する。
• 再分析データでは、直接的な太平洋の影響は hindcast とは異なる空間パターンを示し、モデルのバイアスとデータ駆動アプローチの価値を浮き彫りにする。