Towards Causal Representations of Climate Model Data

要約

地球システム モデル (ESM) などの気候モデルは、予測される社会経済共有経路 (SSP) 温室効果ガス排出シナリオに基づいて将来の気候変動をシミュレーションするために重要です。
ESM は洗練されており非常に貴重ですが、既存のシミュレーション データに基づいてトレーニングされた機械学習ベースのエミュレーターは、追加の気候シナリオをはるかに高速に予測でき、計算効率が優れています。
ただし、一般化可能性や解釈可能性に欠けていることがよくあります。
この研究では、因果表現学習、特に \emph{単一親デコーディングによる因果発見} (CDSD) 手法の可能性を掘り下げており、これにより気候モデルのエミュレーションを効率的に \textit{および}解釈可能にすることができます。
私たちは、排出量、気温、降水量に焦点を当てて、複数の気候データセットで CDSD を評価します。
私たちの調査結果は、より解釈可能で堅牢な気候モデルエミュレーションへの足がかりとして CDSD を使用することの課題、限界、および将来性を明らかにしています。

要約(オリジナル)

Climate models, such as Earth system models (ESMs), are crucial for simulating future climate change based on projected Shared Socioeconomic Pathways (SSP) greenhouse gas emissions scenarios. While ESMs are sophisticated and invaluable, machine learning-based emulators trained on existing simulation data can project additional climate scenarios much faster and are computationally efficient. However, they often lack generalizability and interpretability. This work delves into the potential of causal representation learning, specifically the \emph{Causal Discovery with Single-parent Decoding} (CDSD) method, which could render climate model emulation efficient \textit{and} interpretable. We evaluate CDSD on multiple climate datasets, focusing on emissions, temperature, and precipitation. Our findings shed light on the challenges, limitations, and promise of using CDSD as a stepping stone towards more interpretable and robust climate model emulation.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google