Inferring causation from time series in Earth system sciences Jakob Runge et al 2019 in Nature communications 这是一篇因果推断方法在地球系统科学中应用的综述展望文章。 引言: 过去物理定律的发现可通过精确实验,但这无法用于研究复杂的动态系统如地球系统,比如我们无法针对地球系统开展大尺度实验。计算机模拟实验计算量大,费时费力,且包含很多系统的假设。近几十年来发展出大量观测的或地球系统模式输出的大尺度时间序列。这些数据催生了新的、数据驱动的研究方法:观察性因果关系发现。 虽然说变量之间的相关不一定代表因果关系,现在发展出很多因果推断的方法,基于“两个相关变量之间要么是因果,要么是被共同因子所驱动”原理。因果推断方法可发现并量化系统中的因果关系的相互依赖性。目前因果推断方法在地球科学中的应用比较少,具有很大潜力。下面按论文的章节进行介绍。 首先作者提出因果推断方法的成功应用案例:如PCMCI方法可以直接从气压和海温数据中正确检测出Walker环流,而普通相关/回归方法得到结果在物理不可靠。类似的例子还有识别北极与北半球中纬度极端冬天的遥相关、海温对鱼类数量影响等。 然后对因果推断方法进行了概述:基于观测因果推断方法始于1950年代,后来经过不断发展与完善。分别介绍了Granger因果方法、非线性状态空间方法、因果网络学习算法、结构因果模型框架等方法,说明了其原理、特点、问题、应用等方面。 接着,对地球科学中的一般性问题与挑战进行了介绍:
又介绍了因果推断方法应用在地球科学上的挑战:
需要注意的是,因果推断方法得到结果也是基于每种方法的假设,所以要清楚这些假设对结论的影响。 展望了未来的前进方向:
结论:目前地球系统研究中还是相关回归占主导,因果推断方法障碍是缺少可靠的基准数据集(作者尝试建立),因果推断方法会对地球科学发展发挥作用。 注:第一作者单位是1 German Aerospace Center, Institute of Data Science, Mälzer Str. 3, 07745 Jena, Germany. 2 Grantham Institute, Imperial College, London SW7 2AZ, UK. |
|