A spatio-temporal statistical framework for heatwave attribution under climate change

以下是 Gasser、Segers 和 Ragone 所著论文《气候变化背景下热浪归因的时空统计框架》的详细技术总结。

1. 问题陈述

本文解决了将热浪归因于人为气候变化的挑战。与通常将事件视为时间或空间上孤立点的标准极值分析不同，热浪本质上是具有以下特征的时空现象：

• 高强度：极端的温度值。
• 时间持续性：连续多日的高温。
• 空间相干性：在区域内同时发生。

现有方法的局限性：

• 边际极值理论 (EVT)：标准方法仅对单点（边际）的极值分布进行建模，但丢弃了时间持续性和空间依赖性。它们无法估计由同时超限定义的区域事件的概率。
• 基于指数的方法：这些方法将多维热浪结构压缩为一维摘要（例如区域平均温度），从而丢失了关于空间范围和演变的信息。
• 渐近依赖模型：传统的空间极值模型（例如最大稳定过程）假设渐近依赖性。然而，环境数据通常表现出次渐近依赖性（在极端水平下依赖性减弱），使得僵硬的渐近模型不再适用。

作者提出了一个统一的框架，将热浪建模为非平稳气候条件下的连贯时空对象，从而能够量化人为强迫如何改变这些事件的概率、持续时间和空间范围。

---

2. 方法论

所提出的框架是一个用于日温度场的生成模型，它将边际非平稳性与时空依赖性分离开来。它由三个集成的组件组成：

A. 贝叶斯空间分位数回归 (BSQR)

• 目的：对温度分布的“主体”部分进行建模，并捕捉由协变量（具体为全球平均地表温度异常，GMST）驱动的非平稳性。
• 机制：使用具有伯恩斯坦多项式基的层次贝叶斯模型来估计条件分位数函数 $q(\tau | \text{协变量}, s)$。
• 作用：在建模依赖性之前，将观测到的温度异常转换为均匀尺度 ($U \in [0,1]$) 以消除时间非平稳性。它还允许在不同气候情景下移动热浪阈值。

B. 非平稳空间广义极值 (GEV) 模型

• 目的：纠正 BSQR 模型中固有的尾部风险低估问题。
• 机制：使用空间 GEV 分布对年度季节最大值的边际尾部行为进行建模。
  • 位置 ($\mu$) 和尺度 ($\sigma$) 参数被建模为 GMST 异常的线性函数。
  • 形状参数 ($\xi$) 假设随时间恒定，但在空间上变化。
  • 空间结构：在贝叶斯层次框架内使用内在条件自回归 (ICAR) 先验，以确保参数的空间平滑性。

C. 基于 Copula 的时空依赖模型

• 目的：捕捉日温度在空间和时间上的联合行为，特别是处理渐近依赖和渐近独立两种情况。
• 机制：使用灵活的次渐近 Copula 构造：
  $$Z(s, d) = R(s, d)^\delta \cdot W(s, d)^{1-\delta}$$
  • $R(s, d)$：源自Smith 风暴剖面的渐近依赖过程（具有空间范围和随时间衰减的偶发性热浪事件）。
  • $W(s, d)$：源自高斯场（Matérn 协方差）的渐近独立过程。
  • $\delta$：混合参数 ($0 \le \delta \le 1$)，决定尾部行为。如果 $\delta > 0.5$，尾部由 $R$ 驱动（依赖）；如果 $\delta < 0.5$，则由 $W$ 驱动（独立）。
• 估计：由于似然函数难以处理，作者采用了神经贝叶斯估计器 (NBE)。神经网络在模拟数据上进行训练，将摘要统计量（极值图、自尾依赖函数、madogram）映射到模型参数。

D. 归因框架

• 情景：该模型应用于 MRI-ESM2 气候模型的两个情景：
  1. 事实情景 (F)：历史数据 + SSP2-4.5（包含人为强迫）。
  2. 反事实情景 (CF)：仅历史自然强迫（无人为强迫）。
• 过程：该模型模拟了两种情景下的温度场。热浪被定义为温度异常超过第 95 百分位阈值至少连续 3 天，且覆盖该区域至少 60% 面积的区域。
• 指标：使用蒙特卡洛模拟来估计不同 GMST 异常下热浪持续时间和强度的重现期。

---

3. 主要贡献

1. 统一的时空框架：首个同时针对热浪归因对边际非平稳性（通过 BSQR 和 GEV）和灵活的次渐近依赖性（通过风暴/高斯混合 Copula）进行建模的框架。
2. 事件级归因：超越了标量指数，估计整个时空事件的概率指标，包括持续时间、空间范围和最大强度。
3. 神经贝叶斯估计：成功将无似然推断 (NBE) 应用于估计复杂的时空依赖参数，解决了传统最大似然法不可行的问题。
4. 混合尾部建模：证明了将主体分位数模型 (BSQR) 与尾部模型 (GEV) 相结合对于准确捕捉极端分位数是必要的，纠正了仅使用主体模型中存在的系统性低估问题。

---

4. 结果

该框架应用于 Cluster 3（通过极值依赖聚类确定的欧洲特定区域），使用 MRI-ESM2 模拟数据（1850–2020 年）。

• 模型性能：
  • 混合的 BSQR+EVT 方法成功复现了观测温度分布的上尾部，而仅使用 BSQR 的模型则显著低估了极端分位数。
  • 依赖模型捕捉了极值依赖的一般结构，尽管与气候模型数据相比，它在极短距离上略微低估了依赖性。
• 归因发现：
  • 强度增加：人为强迫显著增加了热浪的强度。随着 GMST 异常升高（从 0°C 到 3°C），最大强度的重现水平增加。
  • 持续时间增加：长持续时间热浪事件的重现期急剧缩短。在反事实世界中罕见的事件（例如百年一遇），在事实世界中正变得更为频繁。
  • 空间相干性：模型证实，人为强迫增加了大规模、空间相干热浪发生的概率，这是仅基于边际的方法无法获取的指标。

---

5. 意义与影响

• 科学进步：这项工作填补了极值理论与时空统计之间的空白，提供了一种严谨的方法，将热浪视为复杂的、演变的对象，而非静态的点。
• 政策相关性：通过提供事件级指标的直接估计（例如，“覆盖欧洲 60% 地区的 10 天热浪发生的可能性增加了多少？”），该框架比传统的基于指数的归因方法为风险评估和适应规划提供了更具可操作性的见解。
• 未来方向：作者指出，虽然该模型具有鲁棒性，但未来的工作应侧重于：
  • 允许非平稳依赖结构（例如随时间变化的 $\delta$）。
  • 将该框架应用于观测数据集和多模型集合，以评估其鲁棒性。
  • 将方法论扩展到其他连贯的极端事件，如干旱。

总之，该论文提出了一套复杂、灵活且计算先进的统计流程，显著提高了将热浪特征的变化归因于人为气候变化的能力。