菜单

社会渠道

搜索档案


附加选项
话题

日期范围

收到每日或每周最重要文章的摘要直接到你的收件箱,只需在下面输入你的电子邮件。通过输入您的电子邮件地址,您同意您的数据将按照我们的隐私政策

印度瓦拉纳西被洪水淹没的村庄里,一名男子在划船
一个人在印度瓦拉纳西州洪水村庄划船。 信用:RR08/阿拉米股票照片。
来宾职位
2021年10月11日16:00

嘉宾帖子:100000项研究告诉了我们关于全球气候影响的什么

多个作者

10.11.21
来宾职位 嘉宾帖子:100000项研究告诉了我们关于全球气候影响的什么

气候研究的快速发展为观察全球气候变化的影响提供了前所未有的证据基础。

然而,发表研究的纯粹体积意味着试图为整体评估它,使其成为令人生畏的挑战。

在我们的新研究中,发表在自然气候变化,我们用机器学习方法评估、分类和绘制超过100000份经同行评审的气候影响研究。

我们的研究结果表明,85%的世界人口和80%的地区已经感受到了人为变暖对平均气温和降雨量的影响。

研究结果还突出了全球南北国家之间的“归因差距”,因为相对缺乏对欠发达国家气候影响的研究。

机器学习

自从政府间气候变化专门委员会(IPCC)在1990年发表了第一份评估报告,每年发表的与观测到的气候影响相关的研究数量增加了两个数量级以上。

就其本身而言,IPCC报告的第一部分最近的评估报告——发表于8月——参考了14000多篇科学论文。

关于气候变化的同行评议科学出版物的指数级增长已经将手动专家评估推向了极限。

在这项研究中,我们开发了一种使用机器学习的方法 - 开发一种算法,不仅可以识别研究是关于气候影响,还提到的地点,气候影响驱动器 - 是否受到温度或降水变化引起的影响 - 以及描述的影响类型。

为此,我们使用了最先进的深度学习语言表示模型,称为“伯特”. 该模型可以捕获文本的上下文相关意义,这意味着它可以从我们分析的每个研究中提取我们正在寻找的信息。

我们使用“监督学习”来训练我们的算法,这涉及到我们的团队手工编写了2000多份文档。然后,我们的算法能够很好地复制人类做出的分类决策。它做出的预测当然并不完美,但我们的方法允许我们明确评估预测的不确定性范围。

根据我们对不同人类编码者的双重编码文档的经验,我们可以证明人类分类并非没有错误或分歧。如何比较机器学习和人工编码的性能是一个值得进一步研究的有趣领域。

我们的算法总共识别了100000项研究,记录了人类和自然系统受到气候和天气影响的方式。这些论文来自期刊数据库,网络的科学biwei6868头节.我们不会根据研究的质量或他们发表的杂志的声望来过滤这些研究。

下图显示了记录气候影响的科学论文数量是多么庞大,而且还在不断增长。蓝色阴影反映了机器学习方法的不确定性。

1986-2019年科学文献中由算法确定的气候影响研究数量的交互图表。biwei6868蓝色阴影表示不确定性。来源:马克斯·卡拉汉。

证据的份量

在可能的情况下,我们的方法绘制出每个研究的重点位置。这使我们能够绘制出这些研究在全球的分布情况,如下所示。

每个细胞具有“加权研究”得分,地图的较暗区域,表明证据更密集的地方 - 即,在涉及每个网格细胞的研究中有更多的研究。

例如,欧洲几乎每个网格单元都有几项记录气候影响的研究。然而,在一些地区——特别是在非洲——证据的分布要少得多。

使用过滤器在气候驱动因素(温度或降水量)和影响类型(如“山脉、冰雪”和“河流、湖泊和土壤湿度”)之间进行切换。这让人感觉到不同影响类型的证据分布不同,但也突出了我们方法的一些局限性。

显示全球网格单元气候影响证据权重的交互式地图。较暗的阴影显示了更大的证据权重。过滤器可用于指定气候驱动因素和影响类别。信贷:马克斯·卡拉汉。

因为我们的文件使用机器学习模型进行分类,所以将有一些不正确的分类。例如,过滤文件“沿海和海洋生态系统”将更暗的斑块归于沿海地区和海洋地区,但有些黑色贴片仍然是内陆的。

在检查我们的算法表现更好和更糟糕的情况下,我们注意到关于鱼类,特别是鲑鱼的文件 - 在回到淡水以产卵前迁移到海洋 - 有时会在陆地和淡水生态系统和沿海和海洋生态系统之间被错误分类。

许多研究记录了气温上升对特定部门的影响,如作物产量、人类健康或生物多样性,但不一定在同一项研究中显示温度上升是否归因于人类对气候的影响。

我们的算法不允许对每个研究是否进行实际分析正式的属性人类活动引起的气候变化的观测变化。这可能需要一个人类专家阅读整篇论文,这对于不断增长的文献基础来说越来越难做到。

在我们的研究中,我们追求一个非常不同的数据驱动的方法来检测和归属问题。我们的算法提取文档的影响和各个驱动器 - 在我们的情况下,温度和降水 - 在网格单元水平上。然后,我们使用基于物理气候科学的方法来评估可检测和可归因的biwei6868趋势。

使用公认的方法,我们评估了1950-2018年期间可检测的趋势及其对人为造成的气候变化的归因,基于观测和观测气候模型网格单元级别的证据。

我们可以表明温度一直在上升,并且可以归因于人类影响力在我们拥有数据的几乎所有地方。

降水的图片不太清楚。我们的网格细胞具有足够的数据,以这种方式分析了足够的数据,趋势较少的细胞越来越多的细胞,而且我们有一些细胞 - 例如,在西非 - 虽然气候模型,降水量显着下降预计趋势越来越大。我们不计算这些细胞,以表明归因于人类影响的趋势。

通过将我们的大型文献评估与物理气候信息结合起来,我们可以评估与温度或降水变化相关的气候影响可能归因于人为气候变化的地方。

“归因差距”

你可以在下图中看到这一点,其中的细胞被染成粉红色,选中的驱动显示了可归因的趋势,而深粉色的细胞显示了有更多的研究指向那个地方和那个气候驱动。

总的来说,当考虑平均温度或降水量时,我们表明,占世界人口85%的80%的陆地面积可以观察到归因趋势。

交互式地图(顶部)和条形图(底部)显示了可归因于人为气候变化趋势的区域(粉红色),其中较暗的阴影表示支持性研究的数量较多。灰色阴影表示该趋势的非气候驱动因素。条形图显示了这些结果如何在高收入、中上收入、中下收入和低收入国家之间划分。地图过滤器可用于指定气候驱动因素和im的类别pact,而条形图过滤器指定结果是按人口还是按面积汇总。信用:Max Callaghan。

对于大多数网格细胞来说,存在可占的温度或降水的趋势,具有大量趋势如何影响人类和自然系统的证据。但是,这不是无处不在的情况。条形图显示了来自不同收入分类的国家的变化。

例如,如果我们考虑由温度驱动的所有影响,生活在高收入国家的90%的人所生活的地区的趋势可归因于人类对气候的影响。其中近90%的人生活在有大量研究提及这些趋势对人类和自然系统影响的地区

在低收入国家,生活在具有可归因趋势的地区的人数为72%。然而,其中只有22%生活在有大量证据表明温度如何影响人类和自然系统的地区。

我们把这种现象称为“归因差距”。应该指出的是,较低水平的证据并不意味着气候变化没有影响低收入国家的人民。相反,公布的证据很少——即使在我们能观察到人为造成的温度或降水变化的地方——这表明存在迫切需要更多的科学研究气候变化对全球南方的影响。

我们在论文中探讨的方法说明了部署深度学习技术和不同“大数据”组合的潜力,从而为现有证据的科学评估提供信息——比如IPCC所进行的评估。

我们还希望它通过将往往在全球范围内的物理气候科学信息汇集在全球范围内具有高度区域化的研究,对观察到的部门气候影响的高度区域化研究,允许更多地系统地将气候biwei6868科学信息与秤组合在一起。

我们打算公开的数据库理论上可以不断更新,我们的算法可以通过投资额外的监督学习来改进。此外,我们可以继续整合除温度和降水之外的气候影响驱动因素的可检测和可归因变化的信息。

如果科biwei6868学是靠站在巨人的肩膀上进步的,那么在科学文献不断膨胀的时代,巨人的肩膀变得更加难以触及。我们的计算机辅助证据映射方法可以提供支持。

Callaghan,M.等人(2021)100000项气候影响研究的基于机器学习的证据和归因映射,自然气候变化,DOI:10.1038 / S41558-021-01168-6

分享这个故事的内容
  • 嘉宾帖子:100000项研究告诉了我们关于全球气候影响的什么
  • 特邀帖子:南半球气候研究中的“归因差距”

简报

专家分析直接发送到您的收件箱。

通过电子邮件获取由Carbon Brief选择的所有重要文章和论文的每日或每周综述。必威手机官网通过输入您的电子邮件地址,您同意您的数据将按照我们的隐私政策

简报

专家分析直接发送到您的收件箱。

通过电子邮件获取由Carbon Brief选择的所有重要文章和论文的每日或每周综述。必威手机官网通过输入您的电子邮件地址,您同意您的数据将按照我们的隐私政策