今年的諾貝爾物理學獎，一部分頒給了兩位氣象學家 Syukuro Manabe 和 Klaus Hasselmann，以表彰他們 “對地球氣候的物理建模、量化可變性和可靠地預測全球變暖” 的貢獻。

近年來，全球氣候變暖已經成為不爭的事實，而人類活動是全球變暖的主要原因之一。來自世界各地的科學家們在氣象學方面進行了大量的研究，以探求全球氣候變化與人類活動有著怎樣的相關性。

人類在影響全球氣候的同時，也已經自食其果。越來越多的證據表明，氣候變化的影響已經在人類生活環境和自然系統中被觀察到，相關文獻的數量也在迅速增長。

已發表的一些系統性綜述文獻試圖以一種全面、透明的方式，對以往的研究文獻進行結構化分析，但這些文獻的研究范圍往往局限于非常具體的問題，涵蓋的研究內容不超過幾十到幾百項。

為了克服這些潛在的局限性，德國墨卡托全球公域與氣候變化研究所（MCC）研究員 Max Callaghan 團隊及其合作者使用機器學習方法，對已觀察到的氣候影響相關研究進行了識別和分類，并推斷出 “世界上 85% 的人口已經受到了人類引起的氣候變化的影響”。

相關研究論文以“Machine-learning-based evidence and attribution mapping of 100,000 climate impact studies”為題，已發表在《自然氣候變化》（Nature Climate Change）上。 

（來源：Nature Climate Change）

在這項研究中，Callaghan 等人借助機器學習技術，使用神經網絡預訓練的地理搜索器，將地理位置的文獻與氣候信息相結合，融合分析氣候變化和氣候影響的兩條證據線，提供了一個自動的、活生生的、可以隨時更新的氣候影響系統地圖。 

過去 30 年，氣候變化相關文獻持續增長

近些年，全球各地旱災、洪水、颶風等自然災害頻發，極端氣候事件增多，已嚴重影響到人們的生產生活甚至生命安全。各國科學家們對氣候變化及其與人類活動之間的關系的研究已持續多年，相關研究文獻也呈現出飛速增長的趨勢。 

研究氣候變化的歸因需要 “站在巨人的肩膀上”，對大量已有發現進行綜合分析，科學家們不僅需要分析一個區域一段時間內的氣溫、降水、海平面上升等數據，更需要在更大的時間尺度和更寬區域尺度上分析已有的科學發現。 

如果可以充分利用有關氣候變化影響的新發現，將為全球氣候研究提供關鍵的信息，也會在世界區域和地方風險評估以及氣候適應的實地行動中起到關鍵性作用。

為此，Max Callaghan等人使用了深度學習語言表示模型 BERT，開發了一個含兩步驟的歸因過程，將透明的、可重復的機器學習方法與基于模型的對歷史氣溫和降水趨勢等可觀察人為貢獻的評估結合起來，來識別已發現的氣候影響的研究。 

圖｜該研究所使用的機器學習輔助歸因圖工作流程的可視化表示（來源：該論文）

BERT 是一個深度學習的語言模型，在大規模的語料庫上使用半監督式學習進行訓練，以表示文字，其中單詞的表示取決于上下文。這樣的模型在一定程度上能夠捕捉到文本的語境依賴性含義。

通過使用 Web of Science 和 Scopus 兩個大型數據庫進行數據查詢， 該機器學習系統查詢返回了 601677 份相關文獻，其中有 102160 篇與所理解觀察到的氣候變化影響有關。

圖｜與過去 30 年觀測到的氣候影響相關的科學文獻的增長（來源：該論文）

結果顯示， 過去 30 年觀察到的氣候影響相關的科學文獻在近幾年呈現出大幅的增長趨勢。其中 在聯合國政府間氣候變化專門委員會（IPCC）第六次評估周期內發表的研究文獻是第五次評估周期內發表的研究文獻 2 倍。 

同地區存在著較大的“歸因差距”

為研究溫室氣體和氣溶膠等如何影響全球氣候，研究人員將機器學習方法與溫度和降水兩個關鍵氣候變量結合起來，分析了從 1951 年到 2018 年的溫度和到 2016 年的降水的更新觀測數據的趨勢。

研究人員將提取出的結構化地理信息解析為網格單元組，通過將與溫度或降水有關的研究與溫度和降水的可歸屬趨勢的網格化信息相結合，設計出了氣候變化歸因的自動評估系統。

通過將具有空間分辨率的數據庫與網格單元級的人類可歸因的氣溫和降水變化相結合，研究人員推斷， 可歸因的人為影響可能發生在世界 80% 的土地面積上，85% 的人口居住在這些地區。

圖| 影響研究與區域人為溫度和降水趨勢的潛在歸屬關系（來源：該論文）

研究發現， 盡管世界上大多數人口居住在溫度和降水趨勢至少可以部分歸因于人類影響的地區，但在溫度和降水對人類和自然系統的影響的研究程度上存在著巨大的地理差異。

該研究發現了強有力的證據表明，對于全球 48% 的土地面積（承載著全球 74% 的人口），對人類和自然系統的影響與氣溫或降水趨勢相吻合，而且所有大陸的一些其他地方都有大量的初步類似證據。

這項研究還清楚地揭示了一個巨大的地理位置氣候“歸因差距”， 低收入國家 23% 的人口生活在影響證據較少的地區，而在高收入國家，這一數字僅為 3%。

研究發現，占陸地面積的 17% 的地區沒有發現人類活動對區域溫度或降水的影響，并且有關氣溫或降水對人類和自然系統影響的文獻很少。這些地區除了分布在高緯度地區和海洋上空外，主要是在非洲。此外，很少有研究分析這些地區的氣候變化對人類和自然系統的影響，這種證據差距也構成了對氣候影響理解的重大盲點。 

圖 | 氣候影響證據的全球密度圖（來源：該論文）

此外，研究人員還對每個影響類別的研究份額在各大洲之間的差異進行了量化的分析。關于人類和管理系統的研究占全球所有研究的 12%，但在歐洲只占 10%，而在非洲則是 19%。非洲記錄人類和管理系統影響的研究所占比例較大，也可能反映了撒哈拉以南非洲對氣候影響的高度脆弱性。 

“站在巨人的肩膀上”

該研究更加全面地繪制出了所有可能與氣候變化相關的研究，還研究了人類或自然系統對氣候指標的敏感性，并分析了極端氣候影響的文獻和檢測氣候變量或氣候極端事件的重要趨勢。

通過使用機器學習來擴大證據的綜合分析，繪制出了 100000 份關于氣候影響的研究，并使用空間分辨率方法，系統地向地方或區域專家提供從區域到地方、特定部門的氣候影響信息。

該研究還對氣候變化影響的歸因差距進行了量化分析，高收入國家的潛在可歸因影響的有力證據水平是低收入國家的兩倍，更加突出強調了對低收入國家氣候影響進行更多研究的必要性。

盡管該研究基于系統查詢的文獻搜索很廣泛，但仍存在一定的誤差和可進一步擴展研究的方面。

研究人員表示，對于受到其他人為干擾的系統，如全球生物圈、農業等管理型系統或人類系統本身，確定一個強有力的氣候變化驅動因素還需要仔細評估其他社會經濟因素。 

“如果說科學的發展是站在巨人的肩膀上，那么在科學文獻不斷膨脹的時代，巨人的肩膀就變得更加難以企及。”

論文結尾指出，該計算機輔助的證據圖譜方法可以為全球氣候變化的人為影響分析提供一條有力的“腿”。 

參考資料： https://www.nature.com/articles/s41558-021-01168-6 

本文來自微信公眾號 “學術頭條”（ID：SciTouTiao），作者：XT，36氪經授權發布。