干预下气候变化的鲁棒检测与归因
机器学习
2022-12-12 v1 机器学习
应用统计
摘要
指纹是气候变化检测与归因（D&A）中的关键工具，用于确定观测中的变化是否不同于内部气候变率（检测），以及观测变化能否归因于特定的外部驱动因子（归因）。我们提出一种基于监督学习的直接D&A方法，以提取在对外生变量（即目标以外的气候驱动因子）的相关干预下能导致鲁棒预测的指纹。我们采用锚回归，这是一种受因果推断启发的分布鲁棒统计学习方法，在所考虑的干预下能很好地外推至扰动数据。预测的残差与外生变量实现不相关性或均值独立性，从而保证了鲁棒性。我们将D&A定义为一个统一的假设检验框架，其依赖同一统计模型但使用不同的目标和检验统计量。在实验中，我们首先表明在针对太阳强迫的强干预下，可从温度空间格局鲁棒地预测CO2强迫。其次，我们展示在对气溶胶和CO2强迫分别进行干预保护下，对温室气体和气溶胶的归因。我们的研究表明，纳入针对相关干预的鲁棒性约束可显著有益于气候变化的检测与归因。
引用
@article{arxiv.2212.04905,
title = {Robust detection and attribution of climate change under interventions},
author = {Enikő Székely and Sebastian Sippel and Nicolai Meinshausen and Guillaume Obozinski and Reto Knutti},
journal= {arXiv preprint arXiv:2212.04905},
year = {2022}
}