(...接续）

附记三

       在海洋与大气科学中，因果分析旨在超越相关性，揭示变量间驱动-响应机制的本质。

一、因果关系的本质与挑战

1. 因果性 vs 相关性

   

2. 气候系统的特殊挑战

不可重复性：无法对地球系统进行随机对照试验

高维度混杂：太阳辐射、温室气体等隐性共同原因

非线性反馈：如云-气溶胶-温度的循环作用

时滞效应：海洋热惯性导致响应延迟（如PDO相位转换需数年）

二、核心因果分析方法论

1. 格兰杰因果（Granger Causality）

本质：基于预测能力提升的因果推断

"若X的历史信息能显著改进对Y的未来预测，则X是Y的格兰杰原因"

数学模型：

基础回归比较：

适用场景：

验证ENSO海温异常是否领先太平洋降水变化

诊断北极海冰减少是否“格兰杰引起”中纬度寒潮频发

优势：计算高效，可处理多变量扩展（条件格兰杰因果）

局限：

仅捕获线性预测关系

对滞后阶数敏感（需AIC/BIC优化）

可能遗漏瞬时因果（如闪电引发火灾）

2. 传递熵（Transfer Entropy, TE）

本质：基于信息论的非参数因果度量

"X到Y的传递熵是已知X历史时，Y未来不确定性的减少量"

数学定义：

应用案例：

揭示热带大西洋蒸发量向亚马逊雨林的水汽输送因果链

量化城市热岛效应中人为热释放对局地温度的驱动贡献

计算工具：

Kraskov-Stögbauer-Grassberger估计器（KSG，抗高维噪声）

JIDT, PyIF库实现

3. 介入主义因果（Do-Calculus）

本质：基于反事实推理的结构化方法（Pearl框架）

"X对Y的因果效应即人为设定X=x时Y的分布变化：P(Y|do(X=x))"

核心运算：

do-算子：模拟干预（如设定全球CO₂=工业化前水平）

后门准则：阻断混淆路径（控制变量集Z满足：

前门准则：处理未观测混杂（如通过中介变量M）

气候应用：

通过控制ENSO和太阳活动，分离火山强迫的纯因果效应

实现方式：

结构方程模型（SEM）

因果图建模（DAG） + 条件独立性检验

4. 收敛交叉映射（Convergent Cross Mapping, CCM）

本质：基于动力系统重构的因果检测

"若X因果驱动Y，则Y的吸引子可重构X的状态"

步骤：

从Y时间序列重构影子流形M_Y

在M_Y上定位X的邻近点

检验预测X的精度随序列长度增加而收敛

优势：

适用于弱耦合非线性系统（如海气相互作用）

抗观测噪声（如卫星遥感数据）

经典案例：

证实北大西洋副极地海盐度异常驱动AMOC变率（而非相反）

识别印度洋偶极子对东非洪水的因果作用

三、因果发现算法

1. PC算法（Peter-Clark）

原理：基于条件独立性测试的贝叶斯网络学习

四、海洋与大气领域的验证策略

1. 物理一致性检验

例：传递熵检测到西风增强→黑潮延伸体暖异常，需验证是否匹配正压Rossby波传播理论

2. 模型敏感性试验

CESM模拟组：

3. 自然实验

利用火山事件（如1991年皮纳图博喷发）作为准随机干预

检验平流层气溶胶对海温的因果效应

五、因果分析决策框架

六、警示与前沿

1. 因果陷阱

混淆偏倚：

例：分析北极变暖与中纬度极端天气相关时，忽略平流层极涡变化

对策：加入条件变量（如北极涛动指数）

过度控制：

阻断中介路径（如控制海冰反照率分析CO₂→温度效应）

2. 融合创新

深度因果模型：

CNN+Granger：空间场因果检测（如SST异常波传播路径）

Transformer+TE：长程气候因果发现（如大西洋多年代振荡与干旱关联）

因果强化学习：

优化气候干预策略（如云种化方案评估）

气候系统中的因果性是分层级、多尺度耦合的涌现属性，需结合“数据驱动”与“机制驱动”方法，

在物理约束下解构复杂系统的因果骨架。