[논문 리뷰] Disentangling regional impacts of joint teleconnections using causal representation learning

Fiona R. Spuler, Marlene Kretschmer외 3명|arXiv (Cornell University)|2026. 03. 03.

Climate variability and models인용 수 0

한 줄 요약

이 논문은 물리 기반 DAG를 잠재 공간에 내재시키는 인과 표현 학습 방법 DAG-VAE를 제안하여, 텔레커넥션의 비선형 축소 표현과 Greater Horn of Africa 강수에 대한 인과 효과를 공동으로 학습하고, 데이터 기반 반사실(counterfactual)를 생성합니다.

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.

연구 동기 및 목표

• 대규모 기후 변동성의 저차원 표현과 그것들의 인과 상호작용을 공동으로 학습하기 위한 데이터 기반 방법을 개발한다.
• 개별 텔레커넥션 구동 요인에 대한 강수의 공간적 인과 반응 패턴을 추정한다.
• 예보 기반의 대응 및 계획 수립을 지원하기 위해 극단적인 단강우 계절의 데이터 기반 반사실 시나리오 생성을 가능하게 한다.

제안 방법

• 열대 태평양 SST, 인도양 SST, 그리고 Greater Horn of Africa 강수의 잠재 표현 간 인과 관계를 모델링하기 위해 물리 정보를 활용한 Directed Acyclic Graph (DAG)을 Variational Autoencoder (VAE)의 잠재 공간에 내장한다.
• 식별성과 인과 요인의 해분리(disentanglement)를 보장하기 위해 희소성 규제된 선형 잠재 공간 인과 모델을 비선형 VAE 프레임워크 내에서 사용한다.
• SEAS5 계절 예측 후향(hindcasts)과 ERA5 재분석 데이터를 사용해 DAG-VAE를 학습하여 해석 가능한 잠재 표현과 그 인과 연결을 학습한다.
• 잠재 공간 개입으로 모델을 면밀히 검토하여 직접 인과 효과를 추정하고 반사실 강수 패턴을 생성한다.
• 재구성, 예측 능력, 학습된 인과 요인의 강건성을 평가하기 위해 PCA 기반 및 지표 기반 기준선과 비교한다.
• 이전 연구의 SST 대체 실험과 벤치마킹하여 인과 경로의 일관성과 공간 반응 패턴을 평가한다.

실험 결과

연구 질문

• RQ1 VAE 내 DAG-정보 잠재 공간이 Pacific and Indian Ocean SST 이상치가 GHA 단강우에 미치는 공동 인과 영향을 해리해낼 수 있는가?
• RQ2 학습된 잠재 표현이 인과 이론 및 SST 대체 실험과 일치하는 공간적으로 해석 가능한 강수 반응 패턴을 제공하는가?
• RQ3 확인된 인과 구동 요인에 기초하여 극단적인 단강우 계절의 그럴듯한 데이터 기반 반사실을 생성할 수 있는가?

주요 결과

• DAG-VAE는 ENSO 및 IOD 패턴을 반영하는 열대 태평양 SST, 인도양 SST, 및 GHA 강수에 대해 비선형적이고 물리적으로 의미 있는 잠재 표현을 식별한다.
• 이 방법은 PCA 및 지표 기반 기준선보다 GHA 강수에 대해 이상치 상관계수 (r ≈ 0.68) 및 총 강수량 R^2 (≈ 0.58)가 더 높다.
• 잠재 공간 개입은 알려진 SST 대체 결과를 회복한다: 양의 IOD는 GHA 전역에 걸쳐 습한 이상을 직접 일으킨다; ENSO는 동–서의 이중극을 직접 일으켜 내륙 건조와 해안가 습윤을 유발한다.
• DAG-VAE는 여러 차례의 학습에서 높은 평균 상관 계수를 가진 강건한 잠재 표현을 나타내며, 실제로 식별 가능성을 뒷받침한다.
• 재분석 데이터에서 직접적인 태평양 영향은 hindcasts와 다른 공간 패턴을 보여 주며, 모델 바이어스와 데이터 기반 접근의 가치를 강조한다.