今年的诺贝尔物理学奖，一部分颁给了两位气象学家 Syukuro Manabe 和 Klaus Hasselmann，以表彰他们 “对地球气候的物理建模、量化可变性和可靠地预测全球变暖” 的贡献。

近年来，全球气候变暖已经成为不争的事实，而人类活动是全球变暖的主要原因之一。来自世界各地的科学家们在气象学方面进行了大量的研究，以探求全球气候变化与人类活动有着怎样的相关性。

人类在影响全球气候的同时，也已经自食其果。越来越多的证据表明，气候变化的影响已经在人类生活环境和自然系统中被观察到，相关文献的数量也在迅速增长。

已发表的一些系统性综述文献试图以一种全面、透明的方式，对以往的研究文献进行结构化分析，但这些文献的研究范围往往局限于非常具体的问题，涵盖的研究内容不超过几十到几百项。

为了克服这些潜在的局限性，德国墨卡托全球公域与气候变化研究所（MCC）研究员 Max Callaghan 团队及其合作者使用机器学习方法，对已观察到的气候影响相关研究进行了识别和分类，并推断出 “世界上 85% 的人口已经受到了人类引起的气候变化的影响”。

相关研究论文以“Machine-learning-based evidence and attribution mapping of 100,000 climate impact studies”为题，已发表在《自然-气候变化》上。

（来源：Nature Climate Change）

在这项研究中，Callaghan 等人借助机器学习技术，使用神经网络预训练的地理搜索器，将地理位置的文献与气候信息相结合，融合分析气候变化和气候影响的两条证据线，提供了一个自动的、活生生的、可以随时更新的气候影响系统地图。

过去 30 年，气候变化相关文献持续增长

近些年，全球各地旱灾、洪水、飓风等自然灾害频发，极端气候事件增多，已严重影响到人们的生产生活甚至生命安全。各国科学家们对气候变化及其与人类活动之间的关系的研究已持续多年，相关研究文献也呈现出飞速增长的趋势。

研究气候变化的归因需要 “站在巨人的肩膀上”，对大量已有发现进行综合分析，科学家们不仅需要分析一个区域一段时间内的气温、降水、海平面上升等数据，更需要在更大的时间尺度和更宽区域尺度上分析已有的科学发现。

如果可以充分利用有关气候变化影响的新发现，将为全球气候研究提供关键的信息，也会在世界区域和地方风险评估以及气候适应的实地行动中起到关键性作用。

为此，Max Callaghan  等人使用了深度学习语言表示模型 BERT，开发了一个含两步骤的归因过程，将透明的、可重复的机器学习方法与基于模型的对历史气温和降水趋势等可观察人为贡献的评估结合起来，来识别已发现的气候影响的研究。

图｜该研究所使用的机器学习辅助归因图工作流程的可视化表示（来源：该论文）

BERT 是一个深度学习的语言模型，在大规模的语料库上使用半监督式学习进行训练，以表示文字，其中单词的表示取决于上下文。这样的模型在一定程度上能够捕捉到文本的语境依赖性含义。

通过使用 Web of Science 和 Scopus 两个大型数据库进行数据查询，该机器学习系统查询返回了 601677 份相关文献，其中有 102160 篇与所理解观察到的气候变化影响有关。

图｜与过去 30 年观测到的气候影响相关的科学文献的增长（来源：该论文）

结果显示，过去 30 年观察到的气候影响相关的科学文献在近几年呈现出大幅的增长趋势。其中在联合国政府间气候变化专门委员会第六次评估周期内发表的研究文献是第五次评估周期内发表的研究文献 2 倍。

同地区存在着较大的“归因差距”

为研究温室气体和气溶胶等如何影响全球气候，研究人员将机器学习方法与温度和降水两个关键气候变量结合起来，分析了从 1951 年到 2018 年的温度和到 2016 年的降水的更新观测数据的趋势。

研究人员将提取出的结构化地理信息解析为网格单元组，通过将与温度或降水有关的研究与温度和降水的可归属趋势的网格化信息相结合，设计出了气候变化归因的自动评估系统。

通过将具有空间分辨率的数据库与网格单元级的人类可归因的气温和降水变化相结合，研究人员推断，可归因的人为影响可能发生在世界 80% 的土地面积上，85% 的人口居住在这些地区。

图 | 影响研究与区域人为温度和降水趋势的潜在归属关系（来源：该论文）

研究发现，尽管世界上大多数人口居住在温度和降水趋势至少可以部分归因于人类影响的地区，但在温度和降水对人类和自然系统的影响的研究程度上存在着巨大的地理差异。

该研究发现了强有力的证据表明，对于全球 48% 的土地面积，对人类和自然系统的影响与气温或降水趋势相吻合，而且所有大陆的一些其他地方都有大量的初步类似证据。

这项研究还清楚地揭示了一个巨大的地理位置气候“归因差距”，低收入国家 23% 的人口生活在影响证据较少的地区，而在高收入国家，这一数字仅为 3%。

研究发现，占陆地面积的 17% 的地区没有发现人类活动对区域温度或降水的影响，并且有关气温或降水对人类和自然系统影响的文献很少。这些地区除了分布在高纬度地区和海洋上空外，主要是在非洲。此外，很少有研究分析这些地区的气候变化对人类和自然系统的影响，这种证据差距也构成了对气候影响理解的重大盲点。

图 | 气候影响证据的全球密度图（来源：该论文）

此外，研究人员还对每个影响类别的研究份额在各大洲之间的差异进行了量化的分析。关于人类和管理系统的研究占全球所有研究的 12%，但在欧洲只占 10%，而在非洲则是 19%。非洲记录人类和管理系统影响的研究所占比例较大，也可能反映了撒哈拉以南非洲对气候影响的高度脆弱性。

“站在巨人的肩膀上”

该研究更加全面地绘制出了所有可能与气候变化相关的研究，还研究了人类或自然系统对气候指标的敏感性，并分析了极端气候影响的文献和检测气候变量或气候极端事件的重要趋势。

通过使用机器学习来扩大证据的综合分析，绘制出了 100000 份关于气候影响的研究，并使用空间分辨率方法，系统地向地方或区域专家提供从区域到地方、特定部门的气候影响信息。

该研究还对气候变化影响的归因差距进行了量化分析，高收入国家的潜在可归因影响的有力证据水平是低收入国家的两倍，更加突出强调了对低收入国家气候影响进行更多研究的必要性。

尽管该研究基于系统查询的文献搜索很广泛，但仍存在一定的误差和可进一步扩展研究的方面。

研究人员表示，对于受到其他人为干扰的系统，如全球生物圈、农业等管理型系统或人类系统本身，确定一个强有力的气候变化驱动因素还需要仔细评估其他社会经济因素。

“如果说科学的发展是站在巨人的肩膀上，那么在科学文献不断膨胀的时代，巨人的肩膀就变得更加难以企及。”

论文结尾指出，该计算机辅助的证据图谱方法可以为全球气候变化的人为影响分析提供一条有力的“腿”。