采用大样本集合模拟前所未有的极端事件的方法 (UNSEEN)

文献：Kelder, T. et al. Interpreting extreme climate impacts from large ensemble simulations-are they unseen or unrealistic? Environ.Res. Lett. 17, 044052 (2022).

1.研究背景

洪水、干旱、热浪和气旋等极端天气可能产生重大社会影响，包括死亡率和发病率（和经济损失。极端天气也会增加不平等。在风险分析中，必须评估气候和天气极端可能产生的全部影响。然而，历史记录的简洁性和稀疏性是混淆极端事件可能性估计的众所周知的约束条件。气候模式预测减少了这一限制，但当仅使用少数集合成员时，可能无法捕获气候变率可能引起的全部极端事件。然而，从季节性到多年代际预测系统的大型集合模拟提供了一种解决方案，用于估计罕见事件，因为它们具有多种实现方式。继Thompson等人（2017）之后，我们定义了使用大型集合模拟来估计比历史记录中所见更严重的“看不见的”事件，即使用集合的前所未有的模拟极端事件（UNSEEN）方法。

然而，使用模型模拟的一个缺点是可能存在偏差，这可能偶尔会产生不切实际的极端事件。已经开发了许多技术来揭示潜在的系统性气候模型偏差，将模拟的极端指数与观测值进行比较，并评估模拟和观测到的极端事件分布之间的一致性。然而，这些程序都不能确定模型是否因正确的物理原因而正确。偏差校正（或数据调整）方法被广泛用于减少模型差异，特别是在将气候模型模拟与影响模型耦合时，但不一定因正确的物理原因而校正模拟。例如，模拟和观测之间的不匹配可能是由观测不确定性和自然变率引起的，而不是由模型偏差引起的。因此，现有的评估和校正方法不是针对模拟的不可见事件而设计的。因此，对观测变率范围之外的极端事件进行大型集合模拟提出了一个重要问题：这些异常值在多大程度上可以信任？这些事件是看不见的还是不真实的？

2.传统的模式偏差的评估和订正方法局限

• 模式模拟的一个缺点是可能存在偏差，偶尔会产生不切实际的极端事件。已经开发了许多揭示气候模式潜在系统性偏差的技术，将模拟的极端指数与观测值进行比较，并评估模拟和观测到的极端事件分布之间的一致性。然而，这些方法不能确定模式是否因正确模拟物理过程才对极端事件有正确的模拟。
• 偏差订正(或数据调整)方法被广泛用于减少模式差异，特别是将气候模式模拟与影响模式相结合时，但不一定出于正确的物理原因来订正模式。如模拟和观测之间的不匹配可能是由观测的不确定性和自然变率造成的，而不是由模式偏差造成的。因此，现有的模式评估和订正方法不是针对模拟的观测不可见的事件而设计的。
• 观测的不确定性范围之外的极端事件进行的大型集合模拟就提出了一个重要的问题：在多大程度上可以信任这些离群值？这些事件是观测看不见的还是不真实的？

 3.提出评估模式模拟的观测的不确定性范围之外的事件的真实性的框架

该框架可以分为以下三步：

• 检查模式属性并评估是否有能力系统表示导致极端事件的相关过程。

  一般可以通过检查模式对当前研究主题相关的问题进行审查，一般是模式的基本属性，与事件相关的海气耦合或其他的大气振荡。如对于亚马逊洪水，主要关注两个问题：(a)模拟的空间或时间分辨率是否太粗糙而不能表示关键过程(b)关键过程是否依赖于模型参数化，而不是直接模拟？（可参考IPCC AR6第10章第3.3节，了解模式中的事件线和极端事件类型及其相关过程的模型性能概述来选择相关的问题）。

1. 通过评估模拟分布与观测值的一致性来评估大型模拟集合的统计特征。偏差订正是评估统计特征的一个组成部分，但可能会影响极端事件和影响的模拟分布。因此，我们评估原始和偏差校正值的统计特征。利用模式创建与观测相同时间尺度的自举时间序列，计算均值、标准差、偏度和峰度，检查来自模拟和观察的极值分布。平稳广义极值（GEV）分布拟合单变量，观测的年最大流量，使用最大似然估计分布参数。由于模式可能的系统误差，在将模拟用于影响评估之前，通常会对模型误差进行偏差校正，然而，偏差校正可以调整极值的模拟分布，所以评估了每月特定流量模拟对两种常规使用的偏差校正方法的敏感性：经验分位数映射和缩放因子法。
2. 评估模式模拟的物理可信度。首先，识别导致模拟看不见的事件的过程。将其分为三个子步骤：（a）看不见的事件的时空积累;（B）气候模式中的驱动大气变量和过程;以及（c）影响模式中的驱动过程。可以将产生最大模拟极端事件的过程与历史事件放在一起。在亚马逊河的情况下，人们可能会问，是否模拟的最大月洪水是与历史事件相似（但更强烈）的气象事件的结果，或者是否涉及其他机制。如果确定了其他机制，则可以评估其理论合理性。

4. 结果

• 比较分位数映射和缩放因子对亚马逊洪水模拟的敏感性

UNSEEN亚马逊洪水模拟的评估和订正。(a)观测的亚马逊洪水的极值分布显（蓝色圆圈），应用分位数映射（Qmap，红色圆圈）或比例因子（绿色圆圈）之后和原始的模拟分布（橙子圆圈）。

经验分位数映射校正了分布的各阶统计量（红线与橙线相比），因此非常适合观察到的分布。然而，在这个过程中，订正调整了气候模型模拟的长尾。相比之下，常数缩放因子仅校正模拟极值的平均值和标准差（绿线与橙线），因此保留了分布的形状（偏度和峰度）。但不能在统计上确定哪一个具有更好的物理可信度，必须进行评估。

• 首先评估的空间和时间特性的最大月洪水模拟，进一步评估了最大模拟月洪水的物理驱动因素，以解释这一事件是否可能是由尚未观察到的看不见的罕见物理驱动机制引起的，或者是否可能是由不切实际的模型偏差或错误引起的。确定洪水是由南方的直接径流驱动的，然而，在模式的原始降水数据中没有发现该峰值。因此，我们得出结论，这看不见的亚马逊月洪水是在对亚马逊南部地区产生极端降水的机制进行偏差订正时人为导致的。
• 在进一步调查导致这场极端洪水的机制后，我们发现，5月至9月亚马逊地区模式模拟降水的干燥偏差导致了月总降水量校正中的高倍增因子。在全球范围内的订正偏差如下图：

关于偏差校正问题的全球视角

可以发现亚马逊在全球范围内具有最大的因子订正率（>100）。其他大的订正因子（10-100）出现在7月和8月的中亚上空。相反，最小的修正（1/1000）发生在撒哈拉全年，对那里的干旱估计的真实性产生影响。

5.结论

传统的评估和校正方法对观测的不确定性和自然变率很敏感，并且无法确定观测变率之外的模拟是否正确。在这里，我们展示了一个框架，并说明了相关的复杂性，评估，然后纠正观察到的气候变率以外的模拟影响。亚马逊每月洪水模拟EC-Earth和PCR-GLOBWB，我们发现模拟和观测分布之间的巨大差异，无法统计解释。必须检查物理现实性，在这种情况下，这表明最大的模拟月洪水是一个偏差校正机制的人为产物。我们的结论是，有高灵敏度的模拟以外观察到的变化偏差订正方法，物理可信度检查是至关重要的，理解什么是是驱动模拟的极端事件。此外，我们建议评估的驱动过程以外的观察到的变化，以解释他们的真实性超越什么是可能的传统方法。揭示模型中事件的特征可以揭示限制影响分析的最重要的模型缺陷，这反过来可以指导未来的研究。此外，检测出观测影响之外的极端事件的合理驱动因素，可能会提高我们对未知事件的科学理解，并有助于为决策者提供宝贵的信息，为看不见的影响做好准备