Using machine learning to analyze physical causes of climate change: a case study of U.S. Midwest extreme precipitation
有人说科研很苦，有人却说科研很酷，希望在这里能让你感受到不一样的科研
以下是本篇论文的思维导图。此图包含本文所有核心内容，篇末为文字总结，如果各位看官感兴趣，且还听我继续分说。
ps:以下内容为个人观点，如有雷同，不胜荣幸，如有错误，欢迎指出
气候变化会造成动力改变，如风暴轴位置和速度的改变，与极端降水相关的大气环境的出现等等。前人大都通过无监督方法以研究与极端事件相联系的大气环流模态，但无监督方法存在一些固有局限性（会错过一些发生频率不高的极端事件）。近期机器学习及其相关可视化方法在地学领域中的应用越来越广泛，因卷积神经网络（CNN）在格点数据（图像等空间场）的固有优势，本文采用CNN方法，使用海平面气压和500hPa高度场作为输入场对美国中西部极端降水环流模态天数进行训练分类，并利用分层相关性传播可视化等方法对该地区降水变化的成因进行分析（极端降水的频率、水汽输送以及极端降水发生时降水强度的变化）。
神经网络框架图
神经网络的表现及可解释性。CNN分类总体准确率为88%，CNN分类为可能出现极端降水的结果中有28%的概率出现极端降水，而分类为不出现极端降水的类别里，有0.5%的概率出现极端降水。通过对LRP结果进行合成，发现在极端降水类别中LRP图在中西部区域数值最大，表明CNN主要聚焦在中西部区域，而在无极端降水类别中，LRP图无显著高相关区域，并且空间一致性较差。在极端降水环流模态较高发生可能性下，CNN可以识别出中西部500hPa高空槽以及在抬升槽东侧为海平面低压异常，而在极端降水环流模态较低发生可能性下，CNN识别出的环流模态在选取的两个个例中有所差异。总体而言，神经网络可以识别出输入数据的各种特征，但是对500hPa负位势高度异常和海平面气压异常的存在和位置特别敏感。
环流模态频率、降水与水汽通量的变化。在近期（2000-2019）极端降水频率显著增加，而1981-2019极端降水频率无明显变化，分析极端事件发生概率大于0.75和0.9的天数，发现概率大于0.75的天数显著增加，而大于0.9的天数无明显变化，而降水强度在1981-1999，2000-2019两个时间段均显著增强；在极端降水分类中，与前一时间段相比，极端降水在后一时间段所占比例增加，而在非极端降水分类中前后两个时间段日降水分布无明显变化，这进一步表明观测中极端降水的增加主要是降水降水强度增加导致的。通过分析水汽通量输送，发现在极端降水分类中水汽从西南方向输入该区域，并且目标区域有明显水汽变化，而在非极端降水类别中水汽呈纬向输送，并且目标区域无明显水汽变化。
Davenport F V, Diffenbaugh N S. Using machine learning to analyze physical causes of climate change: A case study of US Midwest extreme precipitation[J]. Geophysical Research Letters, e2021GL093787.
