Verifying storyline attribution of extreme weather and climate events
本文提出并应用了一种利用历史气象类比来验证情景极端事件归因结果的客观且可证伪的方法论，发现虽然基于机器学习的估算能够准确捕捉全球气温对南欧和中欧极端高温的影响，但在北欧地区的效果较差。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
当热浪席卷大陆，让城市汗流浃背、农作物枯萎时，一个关键问题随之而来：这种强度有多少是由气候变化引起的，又有多少仅仅是由于一次特别倒霉的天气波动？几十年来，科学家们一直致力于通过将当今的世界与一个从未经历过人为变暖的假设世界进行比较来回答这个问题。这个被称为“极端事件归因”的领域，试图将全球变暖的信号从自然天气的噪声中分离出来。然而，验证这些答案一直非常困难。因为我们无法穿越回过去，去观察如果同样的模式发生在更凉爽的过去会发生什么，研究人员一直缺乏一种方法来独立测试关于气候变化的说法是否真实。由于缺乏一种方法将这些说法与现实世界的观测结果进行对比，该领域在很大程度上依赖于计算机模型的内部一致性，而非直接证据。
斯坦福大学研究人员的一项新研究提供了一条前进之路，将这些理论性的故事转变为可测试的预测。该团队专注于一种被称为“情景归因”（storyline attribution）的特定方法，即：如果这种完全相同的天气模式发生在今天，与发生在较凉爽时代时相比，它会热多少？为了验证这一点，研究人员并没有孤立地观察某一天的情况。相反，他们寻找了“类比事件”——即共享非常相似的大气模式（例如悬浮在欧洲上空的高压系统的形状）、但发生在不同年代的一对对事件。他们选取了近期（2000年至2024年间）最剧烈的热浪，并将其与卫星观测时代早期（1979年至1999年间）一个虽然强度稍低但类似的模式进行匹配。通过比较这些配对，他们创造了一个自然实验：其中的天气成分几乎完全相同，但地球的背景温度却不同。
随后，研究人员对一个机器学习系统进行了测试。该系统经过训练，可以根据天气模式和当前全球温度来预测一个地区会变得多热。团队要求该系统预测现代热浪与其旧类比事件之间的温差。然后，他们将这些预测结果与实际发生的历史记录进行了对比。结果非常清晰。对于覆盖南欧和中欧的地区，机器学习的预测与观测到的温度差异高度吻符。该系统正确地识别出，当相似的天气模式发生在更温暖的世界时，热度的强度会显著增加。事实上，模型预测与温度计记录之间的相关性如此之强，以至于表明该模型捕捉到了全球变暖对这些事件的真实影响。
然而，研究也揭示了该方法面临局限之处。对于北欧地区，当研究人员试图将全球变暖的影响从特定的天气细节中分离出来时，预测与现实之间的匹配度要弱得多。虽然模型仍能预测单个事件的一般强度，但在解释这种强度中有多少归因于变暖的地球、有多少归因于局部天气的特殊特征时，却显得力不从心。这一发现并不意味着模型完全失败，而是强调了全球变暖的影响在每个地区并不统一，且某些地区对大气环流的具体细节更为敏感。
至关重要的是，研究发现机器学习模型在估算时往往表现得较为保守。模型略微低估了最热事件的严重程度，并略微高估了较旧、较凉爽类比事件的严重程度。这意味着，当模型说某次热浪因气候变化而恶化时，其实际影响可能比数字所暗示的还要大。研究人员还指出，模型未能充分考虑区域性因素，如气溶胶（即可以影响热量的空气中微小颗粒）。尽管存在这些细微差距，但利用独立的历史数据来测试这些预测的能力，代表了向前迈出的重要一步。它使该领域不再仅仅是讲述一个关于气候变化的合理故事，而是提供了一个可以通过过去证据来证实或证伪这些故事的框架。
这项工作证实了全球变暖对极端高温的影响不仅是一个理论概念，也是一个可以被检测到的可测量现实，即使在天气模式本身保持不变的情况下也是如此。通过将现代极端事件与它们的历史类似物配对，研究人员证明了地球上升的基准温度起到了倍增器的作用，将危险的热浪转化为威胁生命的极端天气。虽然该方法并非适用于每一个单一地区，但它为验证归因科学提供了一个强大的工具。这种方法使科学家能够超越仅仅询问气候变化是否正在发生，转而回答气候变化究竟在多大程度上改变了我们所经历的天气，从而为我们在变暖的世界中所面临的风险提供一个更清晰、更可靠的图景。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。