玻尔百科随着破纪录的热浪、洪水和干旱日益频繁，“为什么？”这个问题已经从科学界进入了公众讨论的范畴。将单个天气事件归因于长期气候变化是一项复杂的挑战，好比要证明某一次掷骰子的结果是由灌铅的骰子造成的。极端事件归因正是填补这一空白的科学领域，它并非为单一结果寻找罪魁祸首，而是通过严谨计算人类活动如何操纵了“气候骰子”，使得某些极端事件变得更可能发生或更强烈。本文将深入探讨这个迅速发展的科学领域。第一章“原理与机制”将解析比较事实世界与反事实世界的核心框架，介绍科学家用于量化变化的统计工具，并概述确保结论稳健的严谨工作流程。随后的“应用与跨学科联系”一章将探讨归因科学如何作为连接其他学科的桥梁，为公共卫生、经济学和政策领域的决策提供信息，并推动统计学和人工智能的前沿发展。
想象一个赌徒正在玩一副骰子。多年来，这副骰子都很公平，大约每投掷36次才会出现一次双六。但最近，赌徒怀疑这副骰子被动了手脚。一副“灌铅的”骰子可能会让双六更频繁地出现。我们如何才能确定呢？我们无法让时间倒流，去看某一次出人意料的双六是否是由于骰子被动了手脚所导致的。但我们可以问一个更强大、更科学的问题：“掷出双六的概率发生了怎样的变化？”
这正是极端事件归因的核心所在。当一场破纪录的热浪、一场毁灭性的洪水或一场历史性的干旱发生时，我们不能指着一个二氧化碳分子说：“是你干的。”但我们可以满怀信心地提出一个不同的问题：我们大气中不断累积的温室气体负担是如何操纵“气候骰子”的？
为了回答这个问题，科学家们采用了一个非常巧妙的想法，这个想法借鉴自医学和统计学等领域：他们比较两个世界。
第一个是事实世界，也就是我们实际生活的世界。在这个世界里，气候在所有已知因素的影响下演变：太阳周期、火山爆发，以及至关重要的人类活动（如燃烧化石燃料）产生的人为强迫。
第二个是反事实世界。这是一个假设的世界，一个“如果”的情景。这是一个本可能存在的世界，它在各方面都与我们的世界相同——拥有相同的自然法则和相同的自然变率——但有一个关键区别：工业革命从未大规模展开。这个世界的大气成分没有我们所增加的过量温室气体。
我们如何进入这个反事实世界？当然，我们无法进入。但我们可以构建它。我们可以在我们最强大的工具——全球气候模型——内部构建它。这些不是水晶球；它们是基于物理学基本定律构建的虚拟实验室——质量、动量和能量守恒定律，以及流体动力学和辐射传输原理。科学家们对事实世界（他们可以与真实世界的观测数据进行核对）和反事实世界进行大量模拟，以观察在没有我们施加影响的情况下气候会如何表现。
通过创建这两个可能气候的集合，我们现在可以用一种科学严谨的方式来问那个赌徒的问题。我们可以关注一个极端事件，比如说某个强度的热浪，然后计算它在数千个模拟年的事实世界中出现的次数，并与反事实世界进行比较。
一旦我们拥有了两个充满模拟天气数据的世界，我们就可以开始量化这种变化。我们定义一个事件，并计算它在每个世界中的概率。我们把事实世界中的概率称为（一个人为强迫的世界），反事实世界中的概率称为（一个的世界）。归因的目标就是比较这两个数字。
有几种关键的方式可以做到这一点，每种方式都讲述了故事中略有不同的部分：
风险比（）：也许最直观的度量是风险比，即。它就是两个概率的比值： 为5意味着该事件在当今世界发生的可能性是其在没有气候变化情况下的五倍。为1意味着没有变化，而小于1则意味着气候变化使得该事件更不可能发生。
归因风险分数（）：另一个强大的指标是归因风险分数，即。它回答了这个问题：“在我们今天面临的风险中，有多大一部分是由人为造成的气候变化引起的？”其公式为： 如果一个事件发生的可能性增加了一倍（），那么它的就是，意味着该事件当前风险的可归因于人为强迫。
这整个框架不仅仅是一个巧妙的技巧；它建立在因果推断的坚实基础之上，这与用来判断一种新药是否有效或吸烟是否致癌的统计科学是相同的。“全强迫”集合就像是“处理”组，而“仅自然”集合则是“控制”组。通过确保“患者”（模型设置）在所有其他方面都相同，我们可以将结果（事件概率）的差异与处理（人为强迫）进行因果关联。
现在，出现了一个微妙之处。在我们计算任何比率之前，我们必须首先定义事件。而事实证明，这既是一门艺术，也是一门科学。我们正在研究的热浪到底是什么？是连续三天温度超过？还是连续五天超过当地第99百分位数？
答案很重要，非常重要。
想象一下科学家们试图定义一场热浪。他们面临一个权衡。如果他们选择一个非常高的温度阈值和很长的持续时间（例如，连续五天超过第98百分位数），那么这个事件无疑是极端且具有影响力的。然而，它可能非常罕见，以至于在他们的模型数据中只出现几次，这使得任何概率估计都不可靠。另一方面，如果他们选择一个较低的阈值和较短的持续时间（例如，连续两天超过第85百分位数），他们将有足够的数据进行稳健的统计分析，但这个事件可能又太常见，不能被认为是真正的“极端”。
科学家们通过设定明确的标准来解决这个问题。定义必须具有物理意义（与现实世界的影响相关，如人类热应激）并且在统计上适用（足够频繁以便分析，但又足够罕见以构成极端）。没有一个单一的“正确”定义，这就是为什么归因研究的语言总是非常精确：“对于一个定义为X的事件，我们发现气候变化使其发生的可能性增加了Y倍”[@problem-id:3864357]。这种条件性不是弱点，而是科学严谨性的标志。
进行一项顶尖的归因研究是一项艰巨的任务，需要一个细致的、多步骤的工作流程来确保结果的稳健性和可信度。
事件定义：正如我们所见，这第一步至关重要，并且需要仔细论证。
偏差校正：气候模型非常出色，但并非完美。一个模型可能存在轻微的“冷偏差”，系统性地将一个地区的温度低估一到两度。为了与现实世界进行公平比较，科学家们会应用复杂的统计调整，通常称为偏差校正或分位数映射。这就像将模型的温度计与真实的温度计进行校准，确保其整个温度范围——从平均值到极值——都尽可能地与现实匹配。
应对罕见性：对于真正的灾难性事件，我们可能在观测记录中只有一两个例子，在我们的模型模拟中也只有同样少的数量。简单地计数是不可靠的。这时，科学家们转向一个强大的统计学分支：极值理论（EVT）。EVT是一个统计放大镜，它让我们能够理解概率分布的“尾部”。通过将特定类型的数学曲线（如广义帕累托分布）拟合到我们确实拥有的数据上，我们可以稳健地估计比我们所见过的任何事件都更极端的事件的概率。这与工程师用来计算“千年一遇的洪水”的概率以设计桥梁的原理相同，即使他们没有1000年的数据。
理清驱动因素：一个极端事件通常是多种因素共同作用的结果。一场热浪不仅仅是背景温度升高的问题；它通常被一种特定的天气模式锁定，比如一个顽固的高压“阻塞”系统。科学家们可以理清这些影响。通过以该天气模式的存在为条件进行分析，他们可以提出一个更细致的问题：“鉴于这个阻塞事件的发生，气候变化带来的额外背景升温在多大程度上加剧了由此产生的热浪？”这有助于将热力学（温度）贡献与动力学（天气模式）贡献分离开来。
量化不确定性：科学从来都不是关于绝对确定性的。一项负责任的归因研究会将其结果呈现为一个可能值的范围，而不是一个单一的数字。这种不确定性来自多个来源：模型集合规模有限（抽样不确定性）、不同气候模型之间的差异（结构不确定性），以及EVT的统计拟合过程（参数不确定性）。将这些结合起来，可以全面了解我们知道什么，以及我们知道到什么程度。
通往可靠科学结论的道路上充满了潜在的陷阱和误解。科学过程的一个核心部分就是识别并避免它们。
一个常见的混淆点是长期趋势与单一事件之间的关系。在50年的温度记录中检测到的变暖趋势似乎是确凿的证据。但是，如果由于逐年变率较大（噪音）而无法在统计上检测到趋势呢？这是否意味着没有气候变化的影响？不。一个更暖的世界的物理学原理仍然适用，基于模型的归因研究通常可以在充满噪音的观测数据无法找到信号的地方发现强烈的信号。趋势检测对于归因并非必要。
反过来，检测到的趋势是否足以归因于一个特定事件？同样，也不是。想象一个地区显示出年降雨量明显增加的趋势。但某一次破纪录的暴雨是由一个极不寻常的大气河事件造成的。如果大气河的频率没有改变，那么那个特定事件的主要驱动因素是其罕见的动力学，而不是背景热力学趋势。这两个问题——“平均值在变吗？”和“为什么这个特定的极端事件会发生？”——是截然不同的。此外，即使平均值不变，极端事件的风险也可能改变！气候变率的增加（波动变得更剧烈）可以使极端事件更可能发生，即使平均值保持不变。
也许最微妙的陷阱是事件选择偏差。想象一个弓箭手，他朝谷仓墙壁射出一箭，然后围绕箭头画上靶心。他看起来总是百发百中。在归因科学中也可能发生类似的错误。如果一个破纪录的事件发生了，科学家将“事件”的阈值定义为刚刚创下的纪录，然后用同样的数据来估计其概率，他们就掉入了陷阱。通过这种构造，他们保证了数据集中恰好有一个事件，这人为地夸大了其表观概率，进而夸大了风险比。为避免这种情况，用于定义事件的数据必须独立于用于分析它的数据。
最后，归因不仅仅是一个统计练习。它深深植根于大气物理学。以极端降水为例。更暖的大气可以容纳更多的水汽——温度每升高一摄氏度，水汽含量大约增加7%。这是一个被称为克劳修斯-克拉佩龙（CC）关系的基本定律。因此，作为一个基准，我们预计当风暴发生时，它有更多的“燃料”可用，降雨强度也应以相似的幅度增加。
但现实更为有趣。有时，强度增加远超过7%/°C（超-CC标度），而其他时候则增加得更少（亚-CC标度）。为什么？因为一场风暴不仅仅是一桶水。它的强度还取决于：
在某些风暴中，比如强度大、持续时间短的夏季雷暴，变暖可以增强上升气流，导致超-CC标度。在其他情况下，比如大范围、移动缓慢的冬季风暴系统，变暖实际上可能削弱大尺度环流，导致亚-CC标度。
这些复杂的物理相互作用正处于气候科学的前沿，它们也是为什么不同的气候模型——它们可能以略微不同的方式表示这些微小尺度的过程——会对极端降水事件的归因得出不同范围的答案的原因之一。这并非失败的迹象，而是一个充满活力的领域正在应对气候系统错综复杂之美的证明，不断向着更全面地理解我们正在塑造的世界迈进。
在了解了让我们能够将极端事件归因于其原因的原理之后，我们可能会留下一个简单但强有力的印象：科学家现在可以告诉我们，气候变化是否使某场洪水、干旱或热浪变得更糟。这是事实，但这只是一个更宏大故事的开篇。真正的魔力始于我们超越“气候变化是否起了作用？”这个简单问题，开始追问“它究竟是如何改变概率的？”以及“这种改变对我们意味着什么？”
正是在这里，归因科学从一种诊断工具，绽放成一个强大的镜头，通过它我们可以理解我们的世界，连接不同领域的知识，并为未来做出更明智的决策。这不仅仅是一项学术活动；它是一颗转型中星球的实用指南。
大自然不会轻易泄露它的秘密。一个单一的极端事件往往是多种原因共同作用的结果。现代归因科学的精妙之处在于它能够像一位侦探大师一样，仔细地分离和审问每一个“嫌疑人”。
例如，我们知道人类活动以多种方式改变气候。我们排放的温室气体使地球变暖，但我们也释放气溶胶——来自污染的微小颗粒——它们可以产生冷却效应，并改变云的形成和降雨模式。归因科学允许我们在虚拟气候实验室中进行实验，以理清这些影响。我们可以创建一个包含所有人类强迫的世界，和另一个我们假设性地只移除了人为气溶胶的世界。通过比较这两个世界中极端暴雨的频率，我们可以分离出工业污染在改变降雨方面的特定作用，这与温室气体变暖的更广泛影响是分开的（）。这种细致入微的分析对于理解我们影响的全部范围至关重要。
此外，许多最具破坏性的极端事件都与特定的大尺度天气模式有关。想象一个持续的“阻塞”高压系统，它在大陆上空停留数周，导致破纪录的热浪。一个简单的归因可能会将变暖效应和天气模式混为一谈。但一种更复杂的方法，通常称为“故事线”分析，会提出一个更精炼的问题：鉴于这个阻塞模式已经发生，背景变暖在多大程度上使由此产生的热浪变得更强烈或更可能？这需要深入研究气候系统的物理学，评估我们的模型是否能够首先可信地模拟这些关键的天气模式及其与极端温度的关系。只有在建立了这种可信度之后，我们才能相信模型关于气候变化额外影响的答案（）。
这引导我们得出该领域最深刻、最微妙的见解之一：你得到的答案在很大程度上取决于你提出的问题。而问题的关键部分正是对“事件”的定义。什么构成“热浪”？是单日超过？还是整个区域连续三天超过？我们如何定义事件的强度、持续时间和空间范围——它的“足迹”——从根本上改变了我们向自然提出的因果问题。一个非常极端、局部的阈值可能会揭示一个在工业化前世界几乎不可能发生的事件，导致风险比趋于无穷大。一个稍低、范围更广的阈值可能会揭示一个仅仅是可能性增加一倍的事件。两个答案都不是错误的；它们是不同问题的答案。理解这一点提醒我们，科学的进步不仅在于找到答案，还在于学会提出越来越精确和有意义的问题（）。
一旦归因科学为极端事件风险的变化提供了定量衡量，它就成为一个更大谜题的基础部分。它提供了必不可少的“灾害”信息，可以与其他学科整合，描绘出一幅完整的风险图景。
公共卫生与灾害响应 与公共卫生的联系可能是最直接和最紧迫的。在这里，归因科学在两个不同的时间尺度上发挥作用。在极端事件发生后，快速归因研究可以近乎实时地评估气候变化对事件严重性的影响。这些信息对于公众沟通和为即时操作决策提供信息至关重要，例如部署紧急医疗服务、开放纳凉中心，或为一个已被证明带有气候变化指纹的灾难分配资源。与此同时，长期趋势归因为战略规划提供了基础。它为医院的新建筑规范、医疗卫生人员应对热相关疾病的预先培训，以及城市热浪行动计划等公共卫生政策的设计提供了信息。它将卫生部门从被动应对转变为在日益加剧的气候灾害面前主动预防（）。
经济学与政策 一个风险比，如“可能性增加3倍”，是一个强有力的科学陈述。但对于城市规划者、基础设施部长或保险公司来说，关键问题通常是：“成本是多少？”与决策相关的归因填补了这一鸿沟。通过将事件概率的变化（ vs. ）与资产价值、暴露度和脆弱性的经济模型相结合，我们可以将抽象的风险比转化为一个具体的、货币化的量：年均预期损失的归因变化。我们可以计算出气候变化平均每年造成的以美元计的损失。这将对话从抽象引向具体，并允许进行理性的决策。例如，如果我们知道气候变化使热浪造成的年均预期损失增加了万美元，我们就可以评估一项年成本为万美元的适应措施，如安装清凉屋顶，是否是一项明智的投资（）。
高等统计学与因果推断 事件归因带来的挑战推动了统计学前沿的创新。
事件归因领域并非一成不变；它在不断发展，融合新技术，并开发巧妙的新方法来完善其结论。
最大的挑战之一是气候模型固有的不确定性。不同的模型可以给出范围很广的未来预测。但如果我们能找到一种方法，让现实世界来“投票”决定哪些模型更可能是正确的呢？这就是*涌现约束*背后的思想。科学家们寻找一种在整个模型集合中都成立的关系——例如，当前气候的一个可观测特征（如其温度变率）与未来预测（如未来极端事件的强度）之间的相关性。如果存在这种物理上可解释的关系，我们就可以在现实世界中测量该特征，并用它来约束未来可能结果的范围，从而减少我们归因陈述中的不确定性（）。
与此同时，归因科学正在与人工智能（AI）建立强大的合作伙伴关系。机器学习模型可以被训练来识别海量气候数据集中的复杂模式，帮助科学家理解导致极端事件的关键因素。然而，这种合作需要谨慎。如果用于训练AI模型的数据对极端事件的代表性不足，那么AI对重要因素的“解释”（源自SHAP等技术）就会有偏差。它可能会低估某个关键物理驱动因素的重要性，仅仅因为它没有看到足够多由它引发极端的例子。因此，AI与气候科学的融合不仅涉及使用AI，还涉及开发统计方法来纠正这些偏差，确保我们获得的见解是稳健和可靠的（）。
从提出更好的问题到与众多学科建立联系，再到开创新技术，极端事件归因的应用正在改变我们应对气候变化的能力。这是一门既有深刻思想性又极具实践性的科学，为我们提供了理解现在所需的清晰度，以及建设一个更具韧性的未来所需的前瞻性。