利用机器学习理解澳大利亚西南部气候变化的复杂动力学

标准化降水指数（SPI）用于指示气象干旱状况——SPI 的负（或正）值意味着某地区在一段时间内处于干燥（或湿润）状态。气候系统是一个复杂系统的绝佳范例，因为多个气候变量之间存在相互作用与相互关联。识别可能影响 SPI 的因素或其相互关系（包括反馈回路）并非总是易事。在此，我们旨在使用机器学习方法研究 SPI 与海表温度（SST）、NINO 3.4 和印度洋偶极子（IOD）之间的复杂动力学。我们的发现如下：(i) IOD 在 2008 年之前与 SPI 呈负相关；(ii) 直至 2004 年，SST 与 SPI 呈负相关；(iii) 从 2005 年到 2014 年，SST 在负相关与正相关之间摇摆；(iv) 自 2014 年以来，我们观察到对应于 SST 的回归系数（$\delta$）始终为正；(v) SST 呈上升趋势，且 $\delta$ 的正向上升趋势意味着近年来 SPI 与 SST 呈正相关；最后，(vi) SPI 的当前值与具有约 7.5 年周期性的过去 SPI 值显著正相关。通过考察复杂动力学，我们采用统计机器学习方法构建了这些气候变量的推断网络，揭示 SST 和 NINO 3.4 直接与 SPI 耦合，而 IOD 通过 SST 和 NINO 3.4 间接与 SPI 耦合。该系统还表明 Nino 3.4 对 SPI 有显著负向影响。有趣的是，这四个气候变量的复杂动力学似乎在 2008 年的某个时刻发生了结构变化。尽管 SPI 的简单 12 个月移动平均呈现指向干旱的负趋势，但 SPI 与其他气候变量的复杂动力学表明澳大利亚西部将迎来湿润季节。