利用深度学习评估热浪归因

与天气有关的极端事件--如热浪、洪水和干旱--呈上升趋势，据报道，人为温室气体排放增加了此类事件的频率和强度。然而，确定和量化人为气候变化对极端事件的确切影响仍然是一项具有挑战性的任务。最近在事件归因研究方面取得的进展试图量化人为作用力的影响，但这些研究也有一定的局限性，例如由于观测记录的长度有限，归因估计的不确定性较高，而且计算成本较高，因此难以进行快速归因评估。在最近的一项研究中，Noah S. Diffenbaugh 及其同事介绍了一种基于深度学习的框架，以解决上述不足，并评估人为气候变化对个别极端高温事件的影响。作者利用卷积神经网络（CNN）作为其框架的基础。值得注意的是，利用气候模型模拟数据训练了多个 CNN 来预测每日最高气温（TMAX）。为了了解历史极端事件如何受到人为气候强迫的影响，首先，将未见过的历史再分析数据（将过去的天气观测数据与模拟数据相结合）作为 CNN 的输入，以准确预测不同水平的全球平均表面温度（GMT）下的最高气温（TMAX）。然后，作者采用部分依赖性分析--一种可解释的方法，显示特定特征如何影响预测结果--来创建不同年度 GMT 水平下极端事件的反事实版本。最终，通过计算反事实 CNN 预测对 GMT 输入值的敏感性，该框架能够量化人为强迫对事件规模的贡献。在实验中，作者分析了不同的历史热浪事件，结果与之前的报告和公开发表的结果基本一致。总之，这项工作表明，深度学习有潜力用于对极端事件进行快速、低成本的归因评估。