[论文解读] 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 0

一句话总结

本文提出 DAG-VAE，一种因果表示学习方法，在变分自编码器的潜在空间中嵌入一个带物理信息的有向无环图（DAG），以共同学习大尺度气候变率的非线性降维表示及其对大非洲东北部降水的因果效应，并生成数据驱动的反事实数据。

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.

研究动机与目标

• 开发一种数据驱动的方法，联合学习大型气候变率的低维表示及其因果交互。
• 估计降水对单个遥相关驱动因素的空间因果响应模式。
• 为极端短雨季节提供数据驱动的反事实情景生成，以支持基于预测的行动与规划。

提出的方法

• 在变分自编码器（VAE）的潜在空间中嵌入一个带物理信息的有向无环图（DAG），以建模热带太平洋SST、印度洋SST与GHA降水之间潜在表示的因果关系。
• 在非线性VAE框架内使用稀疏正则化的线性潜在空间因果模型，以确保因果因素的可辨识性与解耦。
• 在 SEAS5 季节性后向检验和 ERA5 再分析上训练 DAG-VAE，以学习可解释的潜在表示及其因果连接。
• 通过对潜在空间进行干预来探测模型，估计直接因果效应并生成反事实降水模式。
• 与基于 PCA 的基线和基于指数的方法进行比较，以评估重建、预测技能与学习到的因果因素的鲁棒性。
• 基于 SST 替换的先前工作进行基准对比，以评估因果路径与空间响应模式的一致性。

实验结果

研究问题

• RQ1 DAG 指导的潜在空间在 VAE 中是否能够解耦太平洋与印度洋 SST异常对 GHA 短雨的共同因果影响？
• RQ2 学习到的潜在表示是否产生与因果理论及 SST 替换实验一致的可解释的空间降水响应模式？
• RQ3 该方法是否能够基于识别出的因果驱动因素生成对极端短雨季节的数据驱动反事实？

主要发现

• DAG-VAE 识别出热带太平洋 SST、印度洋 SST 与 GHA 降水的非线性、物理意义明确的潜在表示，能够反映 ENSO 与 IOD 模式。
• 该方法在 GHA 降水的异常相关性（r≈0.68）和总降水决定系数（R^2≈0.58）方面优于 PCA 和基线基于指数的方法。
• 对潜在空间的干预能够恢复已知的 SST 替换结果：正的 IOD 直接在 GHA 出现湿异常；ENSO 直接导致东-西偶极分布，内陆干燥而近海变湿。
• DAG-VAE 显示在多次训练中具有稳健的潜在表示，平均相关系数较高，支持实际可辨识性。
• 在再分析数据上，直接的太平洋影响呈现与后向检验数据不同的空间模式，凸显模型偏差以及数据驱动方法的价值。