气候变化领域集成服务门户

8月21日，《科学进展》（Science Advances）发表题为《基于机器学习的极端事件归因》（Machine Learning-Based Extreme Event Attribution）的文章，提出了一种基于机器学习的方法并用于极端事件归因分析，结果显示该方法可对极端事件进行快速、低成本分析。

观测到的极端天气增加促使近期极端事件归因方面的研究取得进展。然而，目前极端事件归因方法方面仍有许多局限性。因此，来自美国斯坦福大学（Stanford University）和科罗拉多州立大学（Colorado State University）的研究人员，提出了一种基于机器学习的方法，该方法使用卷积神经网络来创建不同全球平均温度水平下动态一致的历史极端事件。进而将该方法应用于近期一个极端高温事件（发生在2023年北美中南部）以及之前使用既定归因方法分析过的几个历史事件归因分析。结果发现，由于全球变暖，北美中南部发生极端高温事件期间的温度升高了1.18~1.42 ℃。如果在高于工业化前全球平均温度水平2 ℃情况下，类似极端高温事件将每年发生0.14~0.60次。日温度与全球平均温度之间的学习关系受到季节性强迫温度响应和日气象条件影响。研究结果与其他归因技术结果大体一致，表明了机器学习可用于对极端事件进行快速、低成本分析。