Estimating Causal Attribution of Anthropogenic Forcing on High-Temperature Extremes Using a Latent Gaussian Spatial Model

Resumen Técnico: Estimación de la Atribución Causal del Forzamiento Antropogénico en Extremos de Alta Temperatura mediante un Modelo Gaussiano Latente Espacial

Autores: Ritik Roshan Giri y Arnab Hazra (IIT Kanpur).

1. El Problema

El cambio climático, impulsado principalmente por la intervención humana, ha aumentado la frecuencia e intensidad de los eventos meteorológicos extremos. Un desafío crítico en la ciencia climática es la Atribución de Eventos Extremos (EEA): cuantificar cuánto de un evento específico (en este caso, máximos de temperatura) se debe al forzamiento antropogénico frente a la variabilidad natural.

Los métodos tradicionales a menudo carecen de un marco de inferencia causal robusto que integre la dependencia espacial y la incertidumbre de manera coherente en datos de rejilla (gridded data), especialmente cuando se busca comparar el "mundo factual" (con actividad humana) con el "mundo contrafactual" (solo forzamiento natural).

2. Metodología Propuesta

Los autores proponen un marco de inferencia causal basado en el modelo de resultados potenciales (Potential Outcomes Framework) de Rubin, aplicado a los niveles de retorno de la temperatura.

• Modelo de Datos (Capa de Observación): Utilizan la distribución de Valores Extremos Generalizados (GEV) para modelar los máximos anuales de temperatura. Para capturar la dependencia entre el mundo factual y el contrafactual, emplean la distribución de Hüsler-Reiss Bivariada (BHR). El modelo incluye no estacionariedad temporal (tendencias lineales en el parámetro de localización).
• Modelo de Capa Latente (LGM): Proponen un Modelo Gaussiano Latente (LGM) para modelar los coeficientes espacialmente variables. Para la estructura de dependencia espacial en los datos de rejilla, utilizan un modelo Autorregresivo Condicional Intrínseco Multivariante (MICAR). Esto permite que los parámetros (intersección, pendiente, escala, forma y dependencia) compartan una estructura de covarianza espacial y entre componentes.
• Transformación del Parámetro de Forma ($\xi$): Debido a que el parámetro de forma en temperaturas suele ser negativo y requiere restricciones para asegurar la existencia de varianza, proponen una transformación no lineal específica para mapear $\xi$ a un espacio gaussiano ($\psi$) de manera monótona y estable.
• Inferencia Bayesiana Aproximada: Para manejar la alta dimensionalidad y la complejidad computacional, implementan la técnica "Max-and-smooth". Esta utiliza una aproximación de Laplace de la verosimilitud para convertir el problema en un modelo pseudo-gaussiano-gaussiano, permitiendo un muestreo de Gibbs altamente eficiente.
• Identificación de "Hotspots": Utilizan un enfoque de regiones de credibilidad para identificar áreas donde el efecto causal supera un umbral determinado, controlando la tasa de error familiar (FWER).

3. Contribuciones Clave

1. Nuevo Marco de Atribución Causal: Integra la teoría de valores extremos con el paradigma de resultados potenciales para definir el Efecto de Tratamiento del Nivel de Retorno ($p$RTE).
2. Modelado Espacial Avanzado: El uso de un modelo MICAR permite capturar la interdependencia de múltiples parámetros climáticos en una estructura de rejilla de forma eficiente.
3. Eficiencia Computacional: La implementación de la técnica "Max-and-smooth" permite realizar inferencia bayesiana en modelos complejos de valores extremos sin el costo prohibitivo de los métodos MCMC tradicionales.
4. Transformación de Parámetros: Una solución matemática para tratar el parámetro de forma $\xi$ en un entorno de modelos gaussianos latentes.

4. Resultados Principales

El estudio se aplica a datos del modelo climático IPSL-CM6A (CMIP6) para el territorio continental de los Estados Unidos (1850–2014):

• Efecto Causal Positivo: En la mayor parte de los EE. UU., el forzamiento antropogénico contribuye positivamente a la intensidad de los máximos de temperatura. Los efectos son especialmente altos en el noreste y en regiones del sur.
• Excepciones Regionales: En el Medio Oeste (Midwest), el efecto causal promedio es negativo, lo que sugiere que en esas zonas los factores naturales (como patrones de circulación atmosférica) dominan sobre el forzamiento humano.
• Tendencias: Se observa que la tendencia de intensificación de las temperaturas es significativamente mayor en el mundo factual que en el contrafactual en casi todo el país.
• Detección de Hotspots: Al aplicar umbrales altos ($u=0.65$), el modelo identifica regiones críticas de riesgo (como partes de Nueva York, Nueva Jersey y Virginia) donde la influencia humana en los extremos térmicos es indiscutible y urgente.

5. Significancia

Este trabajo proporciona una herramienta estadística rigurosa para que los climatólogos no solo detecten el cambio climático, sino que atribuyan con precisión la responsabilidad humana a eventos extremos específicos. La capacidad de mapear "hotspots" de riesgo permite a los responsables de políticas públicas diseñar estrategias de adaptación y mitigación focalizadas en las regiones donde el calentamiento inducido por el hombre es el motor principal de los extremos térmicos.