近期气候变化中，有多少是大自然自身的波动？

我们观测到的每一种气候趋势，都是两部分之和。一部分是强迫响应：由温室气体、气溶胶、土地利用和火山喷发推动的变化。另一部分是内部变率：气候自身的波动，例如厄尔尼诺，或太平洋和大西洋的缓慢振荡。区分二者很重要，既是为了理解气候变化，也是为了判断气候模式是否模拟得正确。

麻烦在于，现实只运行一次。气候模式可以在相同强迫下运行几十次，这些运行的平均值就揭示了强迫部分。但模式存在偏差，而较简单的统计技巧往往假定强迫的空间型态永远不变。最近一项对此类方法的国际比较发现，误差依然很大，而且机器学习方法并不比经典统计方法更好。

论文举了一个警示性的例子：1998年至2012年间全球变暖的减缓，起初被解读为人为变暖正在放慢、模式出了错的迹象，后来才被认定为内部变率。

一个学会识别“噪声”的网络

太平洋西北国家实验室以及加州大学圣迭戈分校和华盛顿大学的Parvathi Kooloth、Wenyu Zhou及其同事构建了一个ConvLSTM，这是一种神经网络，既能感知空间型态，又能记住它们如何演变。他们用来自15个气候模式的大型模拟集合来训练它，输入的是地表温度、降水和海平面气压的分布图。它的任务是识别自然波动；剩下的就是强迫部分。

在从未见过的模式上测试时，它在历史时期的大部分时间里，在温度、降水和气压方面都胜过了六种现有方法——只有一个例外，作者认为那次模拟是一个不现实的离群值。针对真实世界，研究人员把十个版本的网络（每个版本用不同的十个模式组合训练）应用于1940年以来的观测气候。

它在真实记录中发现了什么

• 1998–2012年的变暖减缓被识别为自然变率，与后来的研究结论一致。全球温度的自然部分与太平洋的缓慢振荡紧密吻合。
• 北极。观测到的北极变暖速率最近已达到全球速率的约四倍。据该网络分析，强迫部分几乎恒定，约为三倍。其余由自然波动造成：太平洋抑制了全球变暖，而北极自身的一种区域性来回摆动——一种北极变率模态——则加剧了当地变暖，尤其是在2005–2020年间。
• **大西洋。**自1950年以来，北大西洋与南大西洋之间的温度差呈V字形变化。强迫部分也先降后升，与北半球气溶胶污染先增加、后来减少相吻合。自然变率放大了这一摆动，造成了20世纪70年代和80年代的深谷。
• 太平洋与美国西南部。自1980年以来，赤道东太平洋的变暖幅度小于西部，形成一种“类拉尼娜”型态，而模式很少能再现这一点。该网络表明，仅凭强迫响应会产生一种微弱的、相反的“类厄尔尼诺”型态；是自然变率把它逆转了。东北太平洋上空高压的增强以及北美西南部的变干也是如此：主要是自然因素，强迫只占不大的份额。

对于其中几个特征，1980–2022年观测到的趋势落在估计的强迫响应范围之外——这提醒我们，单一的历史趋势可能无法很好地说明人类造成了什么。

对模式的检验

由于该网络给出了强迫部分的明确估计，就可以将它与模式的模拟结果直接比较。大的型态是一致的：陆地和高纬度地区变暖更多，副极地北大西洋和南大洋变暖较少；热带和高纬度地区变湿，副热带地区变干。但模式让北半球变暖更多，让副热带高压增强得更少，让陆地变干得更少。作者认为，现有模式可能低估了风场变化会让大陆变干到什么程度。

他们自己列出了局限。该网络从模式中学习，因此所有模式共有的偏差可能会误导它。它为何如此有效，很难从内部看清。而且它假定有限个模拟的平均值就是真实的强迫响应。作者总结道，在这些局限之内，机器学习可以让过去气候变化的归因更加稳健，也让对模式的检验更加犀利。