迈向气候模型数据的因果表示
机器学习
2023-12-07 v2 人工智能
大气与海洋物理
统计方法学
摘要
气候模型（如地球系统模型，ESMs）对于基于预测的共享社会经济路径（SSP）温室气体排放情景模拟未来气候变化至关重要。尽管 ESMs 复杂且极具价值，但基于现有模拟数据训练的机器学习模拟器能以更快的速度预测额外的气候情景，且计算效率高。然而，它们通常缺乏泛化能力和可解释性。本研究深入探讨了因果表示学习的潜力，特别是 \emph{单亲解码因果发现}（CDSD）方法，该方法能使气候模型模拟既高效又具可解释性。我们在多个气候数据集上评估了 CDSD，重点关注排放、温度和降水。我们的研究结果阐明了将 CDSD 作为迈向更具可解释性和鲁棒性的气候模型模拟之基石所面临的挑战、局限性与前景。
引用
@article{arxiv.2312.02858,
title = {Towards Causal Representations of Climate Model Data},
author = {Julien Boussard and Chandni Nagda and Julia Kaltenborn and Charlotte Emilie Elektra Lange and Philippe Brouillard and Yaniv Gurwicz and Peer Nowack and David Rolnick},
journal= {arXiv preprint arXiv:2312.02858},
year = {2023}
}