Earth’s Future | 利用可解释神经网络揭示夏季气温的的时空变化

  第一时间获取气象科研资讯

『 气象学家 』 公众号 交流群

加入

今天介绍这篇文章的标题是《Changes in United States Summer Temperatures Revealed by Explainable Neural Networks》，旨在通过使用人工神经网络（ANN）和可解释的人工智能（XAI）方法来理解美国连续州（CONUS）夏季温度的区域变化。

这项研究通过训练ANN来识别与季节性平均温度相关的时间演变模式，从而揭示由于气候变化而强制的气候信号的出现时间（ToE）。

Q1: 这篇论文试图解决什么核心问题?

这篇论文试图解决的核心问题是如何更好地理解和揭示美国连续地区（CONUS）夏季温度的区域变化，特别是在识别由人类活动引起的气候变化信号中，这些信号从自然气候变异性中的噪声中显现出来的时间点。

图1 研究使用ANN的框架，展示了如何将平均6月至8月（JJA）温度地图作为输入，通过模型预测这些地图属于哪个特定十年期的可能性。

Q2:该领域现有的相关研究和观点有哪些?

1. 气候变化的检测与归因 ：旨在识别和量化人为活动对气候系统的影响。通过比较观测数据和气候模型模拟，可以确定特定气候变化信号是否超出了自然变异性的范围。

2. 出现时间（ToE）研究 ：专注于确定气候变化信号何时在自然变异性的背景下变得明显。ToE是一个重要的指标，因为它可以帮助识别气候变化的早期影响，为适应和缓解策略提供依据。

3. 机器学习在气候科学中的应用 ：机器学习技术，特别是人工神经网络，已经被用于气候数据的分析和预测，提供了一种强大的工具来识别模式和预测未来变化。这些技术的应用扩展了传统统计方法的能力，允许更复杂的数据分析。

4. 可解释的人工智能（XAI）

Q3:论文如何回答核心问题?

这篇论文通过应用机器学习技术来探究美国连续州夏季温度变化，主要聚焦于以下几个关键方法和发现：

1. 机器学习方法： 使用ANN处理气候变量地理图（最大、最小和平均温度图），并预测每张图对应的年份。这一方法的关键在于使ANN学习到随时间演变的、由人类活动引起的强制性气候信号的模式，从而能准确识别每张地图的年份。

2. 数据和分辨率： 研究基于高分辨率的SPEAR气候模型数据进行分析，包括全美国及其西部、中部、东部地区的细分。高分辨率数据有助于ANN更好地捕捉和学习气候变化信号，尤其是在具有复杂地形和局部气候特征的区域。

3. ANN框架： 利用具有不同隐藏层和节点数量的ANN来分析温度数据。

图1 研究使用ANN的框架，展示了如何将平均6月至8月（JJA）温度地图作为输入，通过模型预测这些地图属于哪个特定十年期的可能性。

4.标准化处理和XAI分析： 在训练ANN之前，对气候模型温度图进行标准化处理，并应用XAI技术来解释模型的预测决策，揭示对年份预测最具贡献的地理区域和气候特征。

5.观测数据的ToE分析： 使用训练好的ANN对观测数据集进行推断，以计算温度信号超出历史气候变异性范围并持续存在的时间点。

图2 ANN提供的输出示意图和随后基于CONUS观测图计算出现时间(ToE)。蓝色散点代表基于SPEAR_MED（historical+SSP5-8.5）测试集合成员的ANN预测，红色标记用于输入NClimGrid地图后的ANN预测。

Q4:简要总结论文的主要结果？

1. 强制气候信号的检测： 研究表明，通过训练的ANN能够识别出在美国夏季温度观测数据中出现的人为强制气候信号，特别是在最小温度（TMIN）中最早出现的信号。

2. 空间分辨率的重要性： 研究发现，提高空间分辨率可以增强ANN在预测给定夏季温度图的年份方面的技能。这表明，在训练模型时使用高分辨率的气候模型数据对于识别更精细的气候变化模式是有益的。

3. 地区差异性： 通过ANN的预测，研究揭示了美国不同地区夏季温度变化的区域差异性。特别是，东部美国的最小温度增加在历史记录中最早显现，而西部美国则在最大温度（TMAX）中观察到信号的较晚出现。

4. 出现时间（ToE）的计算： 计算了人为气候变化信号超出历史自然变异性并持续存在的时间点，即ToE。结果显示，对于TMIN，ToE最早出现在2003年，而TMAX的ToE最晚出现在2018年。

5. 利用XAI技术揭示重要影响因素： 通过应用XAI技术，研究识别了对ANN预测年份有显著贡献的区域。

图3 ANN在预测TAVG、TMAX或TMIN方面的技能，以及利用观测数据后的预测结果。

Q5:未来可从哪些角度继续拓展研究?

1. 更多气候变量的综合分析 ：当前研究主要集中于温度变量（最大温度、最小温度和平均温度），未来可以通过整合更多气候变量，如降水、风速、湿度等，来全面评估气候变化的综合影响。

2. 不同气候模型和场景的对比分析 ：本研究使用了SPEAR气候模型的数据。将来可以通过引入并对比不同气候模型（如CESM、MIROC等）下的结果，评估模型之间的差异和一致性，以及不同排放情景对预测结果的影响。

3. 地区和局部尺度的深入研究 ：本研究已经对全美及其三大区域（西部、中部、东部）的温度变化进行了分析。未来的研究可以针对特定的地理位置或更细分的区域进行深入研究。

4. 长期气候变化趋势和模式的预测 ：利用机器学习方法对未来气候变化的长期趋势和模式进行更准确的预测，特别是在全球变暖背景下，探索不同时间尺度（如年代际变化）上的气候信号。

总的来说，这篇论文通过结合高分辨率的气候模型数据和先进的机器学习及解释性分析技术，提供了对美国夏季温度变化更深层次的理解。

研究结果不仅揭示了人为气候变化信号的出现时间，还展示了如何利用人工智能方法在复杂气候数据中识别关键气候变化模式。

来源：ClimAI 智慧气象

---

声明： 欢迎转载、转发。气象学家公众号转载信息旨在传播交流，其内容由作者负责，不代表本号观点。文中部分图片来源于网络，如涉及内容、版权和其他问题，请联系小编 (微信：qxxjgzh) 处理。

---