[논문 리뷰] A direct approach to detection and attribution of climate change

Enikő Székely, Sebastian Sippel외 3명|arXiv (Cornell University)|2019. 10. 08.

Climate variability and models참고 문헌 12인용 수 4

한 줄 요약

이 논문은 기후 변화 탐지 및 원인 규명을 위한 지도 학습 접근법을 제안하며, 복사 방출력(예: 인위적)을 기후 변수 패턴에서 직접 예측한다. 분포 기반 강건성 최적화를 사용하여 화산 또는 태양 복사 방출력과 같은 다른 외부 힘의 변화에 대비한 강건성을 확보한다. 기존의 EOF 기반 차원 감소 방식보다 더 임의적인 투영을 피하고 예측 가능한 공간적 지문을 학습함으로써 신뢰할 수 있는 탐지 및 원인 규명이 가능해지며, 결과적으로 RCP 시뮬레이션을 사용해 약 1990년 이후부터 신호 탐지에 성공한다.

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.

연구 동기 및 목표

• 기존의 탐지 및 원인 규명에서 주로 사용되는 비지도 차원 감소(예: EOF)의 한계를 극복하기 위해 지도 학습 프레임워크를 도입함.
• 화산, 태양 복사 방출력과 같은 자연적 외부 힘의 변화로 인한 분포 변화에 대비해 복사 방출력 예측의 강건성을 확보함.
• 예측된 복사 방출력을 바탕으로 한 검정 통계량을 개발하여 기후 변화 신호의 신뢰할 수 있는 탐지 및 원인 규명을 가능하게 함.
• 학습 문제를 분포 기반 강건성 관점에서 재정의하여 외부 힘 분포의 변화로부터 보호함.
• 시간 지연 임베딩과 독립성 제약 조건을 활용해 향후 시간 동적 특성과 다중 힘 원인 규명으로의 확장 가능성을 확보함.

제안 방법

• 기후 변수 패턴 $ x $ 에서 복사 방출력 $ y $ 를 함수 $ f_{\beta}(x) $ 를 통해 직접 지도 학습 회귀 모델로 예측함. 이 모델은 $ \beta $ 를 매개변수로 가짐.
• 목표 분포 $ P $ 에 대해 손실 함수 $ \mathbb{E}_{(x,y)\sim P}[l(y, f_{\beta}(x))] $ 를 최소화하여 $ \hat{\beta} $ 를 추정함. 릿지 회귀 또는 앵커 회귀를 사용함.
• 잔차와 앵커 변수(예: 화산 복사 방출력) 간의 수직성을 강제하는 인과적 정규화 파rameter $ \gamma $ 를 도입한 앵커 회귀를 제안하여 강건성을 향상시킴.
• 예측된 복사 방출력을 탐지 및 원인 규명의 검정 통계량으로 사용하며, 잔차의 표준편차로부터 신뢰구간을 유도함.
• CMIP5 모델 시뮬레이션을 사용한 완벽한 모델 설정에서 방법을 적용함. 데이터를 75% 훈련, 25% 테스트로 분할함.
• 향후 시간 동적 특성을 통합하고 다양한 반응 timescale을 가진 힘들을 분리하기 위해 타카엔스의 임베딩을 잠재적 확장 수 Mittelstelle로 활용함.

실험 결과

연구 질문

• RQ1 지속적인 EOF 기반 차원 감소 방식보다 지도 학습 접근법이 더 관련 있는 투영 공간을 학습함으로써 탐지 및 원인 규명에서 더 나은 성능을 내는가?
• RQ2 화산 또는 태양 복사 방출력과 같은 외부 힘의 분포 변화에 대비해 모델을 어떻게 강건하게 만들 수 있는가?
• RQ3 잔차와 앵커 변수(예: 화산 복사 방출력) 간의 수직성을 강제함으로써 예측의 강건성이 얼마나 향상되는가?
• RQ4 예측된 복사 방출력은 관측 데이터에서 기후 변화 신호를 탐지 및 원인 규명하기 위한 유효한 검정 통계량이 될 수 있는가?
• RQ5 시간 지연 좌표를 통한 시간 동적 특성의 통합은 다양한 반응 timescale을 가진 다중 힘의 분리에 어떤 영향을 미치는가?

주요 결과

• 증가하는 $ \gamma $ 를 통해 잔차와 앵커(화산 복사 방출력) 간의 상관계수가 감소하며, 높은 $ \gamma $ 에서는 거의 0에 수렴함으로써 강건성이 향상됨을 확인함.
• 강한 인과적 정규화(높은 $ \gamma $)를 적용할수록 예측 정확도는 약간 감소함(낮은 R² 및 높은 RMSE로 확인됨) 하지만 이는 힘의 변화에 대비한 안정성을 확보하는 트레이드오프임.
• 높은 $ \gamma $ 에서는 회귀 계수의 공간 패턴이 더 대비가 뚜렷해지며, 인위적 복사 방출력에 기여하지만 화산 복사 방출력에는 기여하지 않는 지역(예: 열대 해역 및 해양 위의 대륙 지역)이 강조됨.
• 이 방법은 RCP 시뮬레이션을 통해 약 1990년 이후부터 인간 활동에 기인한 신호를 성공적으로 탐지함. 신뢰구간(±2σ)은 진짜 복사 방출력(검은 선)을 포함하고 0을 포함하지 않아 통계적으로 유의미함.
• 높은 $ \gamma $ 에서 잔차는 앵커와 상관관계가 없음으로써, 모델의 예측가능성이 비표적 외부 힘의 분포 변화로부터 강건함을 확인함.
• 사전 정의된 EOF에 의존하지 않고 탐지 및 원인 규명을 가능하게 하여, 기존 최적 탐지 방법보다 더 해석 가능하고 통계적으로 타당한 대안을 제공함.