极端事件归属

概览

极端事件归属将所观测到的气候与一个没有特定人类影响的相反事实世界相提并论. 它不问气候变化是否是事件的唯一原因。 相反,它估计外部强迫如何改变一个可衡量的事件定义(如区域热能最大值、降雨积累量和干旱指数或火灾-天气状况)。

技术基础

事件归属借鉴了检测与分配理论,但侧重于一个定义的极端. 基于概率的方法估计出在实际气候中p1和反事实地相正的天气下 p0,然后报告一个风险比为平分除以活度或可归属之数. 基于强度的方法以等概率比较回报水平. 反事实模拟在保留自然驱动力的同时,消除了估计的人为强迫. 附加条件的选择从海平面温度到大气环流不等,因此不同的科学上有效的问题可以产生不同但相容的答案.

如何运作

研究人员分析反映事实和反实际条件的气候模拟观测结果及集合. 概率比比较了事件的可能性,而可归属风险的分数则说明了当前的风险中受人类影响的份额。 故事情节接近观测到的环流条件,并检查热力学变化. 成果取决于事件界限、计量标准,数据集和模型评价以及关于强迫性的假设。

衡量和研究方法

一项研究尽可能预先登记事件衡量标准,质量控制观测并适合极端值分布或直接使用大型综艺. 气候模型按季节性手段、差异和极端以及本区域的相关机制进行评估。 其结果通过观察和独立模型家族进行综合,并有不确定性间隔和对阈值的敏感性。 快速研究利用既有管道,但仍需要同行评审。 化合物事件需要多变的方法,因为热能、干旱和风力或先期水分不独立。

二. 主要想法

• 归属声明以一个精确定义的事件,区域、季节和门槛为条件.
• 模型组合必须复制相关的物理过程并观察到可变性,然后才能相信概率.
• 危险归属本身并不能量化损害,这也取决于接触和脆弱性。

目前的研究领域

研究正在从单一的危害转向将气候、暴露和脆弱性结合起来的影响归属,同时避免双重计算。 大型综艺和对流-摄入模型改善了当地降雨量与热带环状花序分析. 如果表现出物理上的忠诚,机器学习模拟器可以扩展反事实样本. 挑战包括除了校正的分发和连锁故障的原因之外,还有前所未有的事件。 交流越来越多地报告简单语言的概率和强度变化,并说证据没有定论而不是强迫二进制因果判断。

为什么它很重要

迅速归因可以将灾害置于数量化气候背景下,而公众则高度关注。 实地支持适应规划、基础设施标准,风险披露和损失研究等工作;同时区分了强有力的调查结果与无根据的声称每一起不寻常事件都具有同样气候影响的说法。

限制和未决问题

罕见事件概率不确定,因为观测记录很短而模型可能错过了局部对流、土地反馈或复合依赖性。 反事实气候无法直接观测. 法律或财务用途需要注意,因为科学地确定危害并非自动为某一特定损失和行为者指定责任。