机构名称：
¥ 1.0
为了说明与温室气体排放水平相关的未来预测中的不确定性，大多数气候模型都使用不同的强迫场景（例如共享的社会经济途径（SSP））运行。尽管可以将现实世界中温室气体浓度与这些假设的情况进行比较，但尚不清楚如何确定观察到的天气和气候异常是否与各个场景保持一致，尤其是在年际时间表上。因此，本研究使用人工神经网络（ANN）设计了一种数据驱动的方法，该方法通过使用高分辨率的单个模型初始条件大型合奏来通过匹配的排放场景来对年度平均温度或降水进行分类。在这里，我们构建了我们的ANN框架，以考虑气候图是来自SSP1-1.9，SSP2-4.5，SSP5-8.5，历史强迫场景，还是使用NOAA地球物理学动力学动态实验室的预测和地球系统研究（Spear）的无缝预测系统研究（Spear）的自然强迫场景。然后应用来自可解释的AI的局部归因技术来确定每个ANN预测使用的最相关的温度和降水模式。解释性结果表明，区分每个气候情况的一些最重要的地理区域包括北大西洋亚洲，中非和东亚的异常。最后，我们评估了从2031或2040年开始的两个过冲模拟的数据，这些模拟是一组未来的模拟，这些模拟被排除在ANN训练过程中。对于从十年前开始的快速缓解实验，我们发现ANN将其气候图与21 Century（SSP1-1.9）的最低发射情况联系起来，而与更中等的情况（SSP2-4.5）相比，它将在后来的缓解实验中选择。总体而言，该框架表明，可解释的机器学习可以提供一种可能通过未来气候变化途径评估观察结果的可能策略。
可解释的AI可区分未来的气候变化方案
主要关键词
相关文件推荐
