[论文解读] 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 4

一句话总结

本文提出了一种监督机器学习方法，用于气候变暖的检测与归因，该方法直接从气候变量模式中预测辐射强迫（例如人为强迫），并利用分布鲁棒优化以确保对火山或太阳等其他强迫变化的鲁棒性。该方法通过避免任意投影，改用学习预测性空间指纹，从而在传统EOF降维方法的基础上实现改进，实现了可靠的检测与归因。结果表明，自约1990年起，利用RCP模拟可成功检测到信号。

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.

研究动机与目标

• 为克服传统检测与归因中无监督降维（如EOF）的局限性，引入一种监督学习框架。
• 确保在自然强迫（如火山、太阳）变化引起的分布变化下，对辐射强迫的预测具有鲁棒性。
• 基于预测的强迫构建检验统计量，以实现对气候变暖信号的可靠检测与归因。
• 从分布鲁棒性的角度构建学习问题，以防范外部强迫分布的变化。
• 通过时间延迟嵌入和独立性约束，为未来扩展至时间动态和多强迫归因提供支持。

提出的方法

• 提出一种直接的监督回归模型，其中辐射强迫 $ y $ 通过函数 $ f_{\beta}(x) $ 从气候变量模式 $ x $ 中预测，参数为 $ \beta $。
• 通过在目标分布 $ P $ 上最小化损失函数 $ \mathbb{E}_{(x,y)\sim P}[l(y, f_{\beta}(x))] $ 来估计 $ \hat{\beta} $，使用岭回归或锚定回归。
• 引入锚定回归，并引入因果正则化参数 $ \gamma $，以强制残差与锚定变量（如火山强迫）正交，从而提高鲁棒性。
• 将预测的强迫用作检测与归因的检验统计量，置信区间基于残差的标准差计算。
• 在使用CMIP5模型模拟的完美模型设定下应用该方法，将数据划分为75%训练集和25%测试集。
• 采用Takens嵌入作为未来潜在扩展，以整合时间动态，并分离具有不同响应时间尺度的强迫。

实验结果

研究问题

• RQ1 监督机器学习方法是否能通过学习更具相关性的投影空间，在检测与归因中超越传统的EOF降维方法？
• RQ2 如何使模型对火山或太阳强迫等外部强迫的分布变化保持鲁棒性？
• RQ3 强制残差与锚定变量（如火山强迫）正交在多大程度上能提升预测的鲁棒性？
• RQ4 预测的强迫能否作为观测数据中检测与归因气候变暖信号的有效检验统计量？
• RQ5 通过时间延迟坐标引入时间动态后，对具有不同响应时间尺度的多个强迫的解耦效果如何？

主要发现

• 随着 $ \gamma $ 增大，残差与锚定变量（火山强迫）之间的相关性降低，在高 $ \gamma $ 时趋近于零，表明鲁棒性得到提升。
• 更强的因果正则化（更高的 $ \gamma $）导致预测精度略有下降，表现为R²降低和RMSE升高，但这种权衡确保了在强迫变化下的稳定性。
• 随着 $ \gamma $ 增大，回归系数的空间模式变得更加对比鲜明，突出强调了解释人为强迫但不解释火山强迫的区域，如热带海洋和海洋上的陆地区域。
• 该方法成功检测到RCP模拟中自约1990年起的人为信号，置信区间（±2σ）包含真实强迫（黑线）且不包含零，表明具有统计显著性。
• 在高 $ \gamma $ 时，残差与锚定变量无相关性，证实模型预测对非目标强迫分布变化具有鲁棒性。
• 该方法无需依赖预定义的EOF，为传统最优检测方法提供了一种更具可解释性和统计原理支持的替代方案。