利用可解释AI检测气候信号

利用非线性神经网络和可解释机器学习方法（比如层间相关传播），我们旨在从观测和大集合的内部变异(internal variability)中分离强迫气候响应。我们想利用这些方法检测在完全耦合的气候模式中模拟复合极端事件、内部变异和强迫趋势的偏差/差异。可解释AI方法可作为理解气候系统物理机制的又一个工具。

分离气溶胶和温室气体

气溶胶对地球的气候有重要影响。一方面，可以阻挡传入的太阳辐射，起到冷却作用。然而，其他气溶胶（如黑碳）可以通过吸收太阳能量导致变暖。总的来说，气溶胶仍然是一个高度不确定的气候强迫因素。最近的研究还表明，全球气候模型模拟对20世纪人类造成的（人为）气溶胶的数量高度敏感。

随着高性能计算的发展，气候研究者反复运行气候模拟，通过使用很小的舍入误差(round-off error)对初始条件进行细微的扰动，从而生成大集合模拟。大集合模拟可以探索气候模拟的内部变异，即气候系统的内部噪声。这些大集合模拟通常是由20和21世纪的温室气体和人为气溶胶所规定。

‍12月500hPa卫势高度动态变化

由于温室气体和气溶胶可以通过（非）线性作用影响区域和全球的气候变化，科学家很难直接确定各自的因果关系。为了解决此问题，NCAR的科学家开发了新的大集合模拟，这些集合模拟由人为气溶胶和温室气体的不同组合强迫产生。比如在一组实验中，温室气体在1920-2080年间演变，而工业气溶胶固定在1920年的水平。这种单一强迫的组合让我们可以分离它们对气候变化和变异的影响。

本研究中，通过ANN中一种新的类似模式识别的方法对比了单一强迫大集合的区域气候变化信号。本研究相对浅的ANN模型的输入是气候模式的表面温度图，输出是这些温度图的年/十年的值作为预测。

为了找到这些气候指标，本研究使用了一种叫做层间相关传播的可解释AI方法，这使我们能够"看到"ANN用于预测的重要区域。最后，利用大集合模拟训练模型后，我们将真实的观测作为输入测试ANN模型。通过使用人工神经网络，我们考虑了区域气候信号潜在的非线性，这些信号因温室气体和工业气溶胶而随时间演变，可能不容易被传统的统计方法捕获。

我们发现，东南亚、南大洋和北大西洋是关键的区域信号，对ANN进行预测非常重要。相关的模式在气溶胶和温室气体模拟中也有所不同。与最近的工作一致，我们的LRP方法显示，人为气溶胶在北大西洋暖洞(North Atlantic Warming Hole)附近的表面温度趋势中起到重要作用。最后，也许是最有意思的，我们发现，将工业气溶胶固定在1920年的水平上，利用大集合训练ANN后，基于真实观测的年度预测（从1920年到2015年）与实际数据的相关性更加密切。这种相关性略高于根据更真实的大集合模拟（包括时间演变的气溶胶和温室气体）训练的ANN的结果。

本研究的关键点及原理图

总的来说，本研究支持了最近的一项揭示了与20世纪的观测结果相比，全球气候模型可能对气溶胶过于敏感的研究。本研究表明，可解释AI方法如何能够成为识别区域气候变化信号出现时间的宝贵工具。

扫描以下二维码或复制链接获取文章报告PPT

链接: https://pan.baidu.com/s/1OaFOhtZ1oErUaENVmIFJ4w 提取码: seqh

Labe, Z. M., & Barnes, E. A. (2021). Detecting climate signals using explainable AI with single-forcing large ensembles. Journal of Advances in Modeling Earth Systems, 13, e2021MS002464. https://doi.org/10.1029/2021MS002464

以上是对原文的编译，如有疏漏，敬请指正。