学习气候模型中强迫对温度影响的层次化因果表征
Learning Hierarchical Causal Representations of the Effects of Forcings on Temperature in Climate Models
精选理由
该框架提升气候模型预测的准确性与可解释性，帮助识别温室气体和气溶胶对温度变化的因果影响。
AI 摘要
arXiv:2609.30995v2 公告类型：替换 摘要：机器学习（ML）仿真器在使用地球系统模型的预测结果进行训练后，可提供一种快速且经济高效的气候变化情景模拟方法。然而，这些数据驱动方法的黑箱性质限制了其输出的可用性和可信度，尤其限制了其作为因果归因工具的应用。在此，我们开发了一种层次化因果表征学习框架，并将其应用于先进全球气候模型的海表温度场。相较于以往研究，该框架的一项关键进展是显式建模了由气候内部变率引起的大气动力学相互作用，以及由大气温室气体和气溶胶浓度变化引起的受迫响应。在未来气候变化情景上训练后，我们的方法能够准确预测全球平均温度和区域温度的长期演变，并在未见过的情景上评估时，对温室气体和气溶胶浓度扰动表现出符合物理实际的响应。我们的结果凸显了因果表征学习框架在推动气候模型仿真方面的潜力。