极端事件归因方法与碳排放责任认定
近年来，热浪、洪水等极端天气事件发生得越来越频繁，它们是否和气候变化有关？过去几十年间，科学家们只能以描述大致趋势的方式回答这一问题，比如“这类天气事件可能由于气候变化而发生得更加频繁”。2014年，世界天气归因（World Weather Attribution, WWA）项目成立，其目的是开发出一套方法，评估气候变化是否以及在多大程度上影响了极端天气事件的强度和频率。2020年，这套包括8个步骤、称为极端事件归因（Extreme Event Attribution，EEA）的方法被总结成文（Philip et al., 2020）。
2025年9月，研究者在Nature上发表文章，报告他们利用EEA方法对主要的温室气体排放者如何影响热浪强度和频率所作的评估（Quilcaille et al., 2025）。其主要结论是这180名温室气体的大排放者对热浪的强度和频率都产生了影响，使得过去几乎不可能发生的严重热浪在近几年发生，也让热浪整体的发生频率提高。他们的研究首次将极端天气事件与具体的温室气体排放者联系起来，对今后的气候变化责任归属和温室气体管理实践有重要的意义。
#8 蒙特利尔议定书
9月16日是“国际臭氧层保护日”，也是“关于消耗臭氧层物质的蒙特利尔议定书”签署的纪念日。本期节目，我们来回顾蒙特利尔议定书签订的前因后果，看看人类从这项世界性的环保举措中获得了哪些经验，又将如何在气候变化这一新的环境挑战中应用这些经验。
#3 热浪，一浪接一浪
连续几天白天最高温达到35摄氏度以上，或者夜间气温逼近30摄氏度，可不仅仅是令人“有点难受”而已。这种被称为高温热浪的天气近年来几乎每个夏天都会在世界各地出现，而且强度不断上升。为了应对愈演愈烈的热浪，我们需要对其形成原因、影响因素有更充分的理解。
归因方法基本上分为两大流派，一派关注风险水平的评估，使用统计方法；另一派分析气候变化对大气（热）动力学过程的具体影响，建立气候变化对某一极端事件影响方式的完整叙事。前者更适用于对一类事件的趋势变化作出描述和分析，因此被Quicaille et al. (2025)采用。我们将看到，这些研究者也利用EEA方法的这个特点，解答了更加宏观的问题。
EEA一共分为八大步骤，我们以此为线索，来看看研究者们是怎样应用它来获得深具实践意义的结论的。
一、事件选取（Analysis trigger）
这一步首先要避免的是预设一类很可能会由于气候变化而观测到显著变化的事件作为研究对象，而应该以极端事件影响的严重程度为准则来考虑选取什么样的事件。如果以数量作为事件影响的评价标准，那么绝对和相对数量变化都应该考虑，以避免数据的选取过于偏向更大或更小的国家/地区。
此外研究人员还应当考虑对这些事件做归因分析的可行性。为此要考虑这样一些问题（Philips et al., 2020）：
对于这类事件，是否有经过同行评议的评价方法，或者在本项研究中会提出这类方法？
是否能向当地人获取在地知识？
是否有足够的历史观测记录？
所使用的模型能够体现这一极端事件吗？
人力和物力是否足以完成本方法的所有八个步骤？
Quilcaille et al. 从EM-DAT（国际灾害数据库）选取了热浪事件作为分析的对象。首先，热浪在该数据库中有明确的定义，也有较充足的历史观测记录，符合可行性要求。其次，EM-DAT按照一定的影响阈值，收录造成严重影响的自然灾害，因此自然地构成具有可比较性的数据集作为分析对象。
二、事件定义（Event Definition）
这一步确定极端事件的时空范围，以及具体用来分析的指标。事件定义的方式应当让指标受外界因素影响而产生的变化尽量明确，也就是有更高的信噪比；或者突出天气事件的极端性；或者与社会和生态系统所受影响的性质紧密相关。实践中，所选取的事件经常同时表现出这三方面的特性。
分析的变量通常是可直接观测或根据观测结果计算/模拟的物理量。地理因素、社会状况经常会影响灾害造成的实际损失，因此生命、财产损失虽然与研究目的通常更相关，但很难纳入这个框架作为指标。
热浪事件的空间范围定义通常采用观测站数据，因为温度对健康的影响是局地的。Quilcaille et al. 的研究直接使用了EM-DAT的空间范围数据作为事件的空间定义。
时间尺度的选择同样要考虑天气事件影响人与社会的方式，比如印度的热浪事件主要影响体现在午后几个小时，而欧洲的热浪影响体现为持续数天的高温对室内温度和老人的威胁。Nature这项研究中，还是使用了日平均温度，因为研究者关注的主要还是对人的影响而不是气象上的极值。
三、观测概率与趋势（Observed probability and trend）
接下来，就要用统计方法确定第二步中所选择的事件指标，是否有自然变率之外的变化趋势。要注意的是，由于观察记录有限，没有明显的趋势不一定说明气候变化对所考察的极端事件没有影响。另一方面，气候作用之外的其他原因也可能造成极端天气现象的某些趋势。
在数据的选取上，需要考虑到底使用单站数据还是用插值或模型方法得到的区域数据。单站数据往往持续性和一致性更好，但用来估计区域分布时，有可能因为插值而产生笔记上并不存在的极值。实践中，现有的数据集是否足够可靠和一致，需要研究者从事件、指标的性质和数据的实际情况出发做专业的判断。
EEA框架下选取的统计方法通常有这样几个假设：事件服从某种理论分布；分布近年来的变化源自气候变化的影响；温度极值的分布会因此在图上平移，但概率曲线的形状不变；年份之间相互独立。
趋势的计算中，通常用全球平均地表温度（GMST）来代表气候变化的程度。大气中的二氧化碳含量和这个指标的变化趋势高度一致，但作为线性指标，它的变化率非常依赖于计算起始点（年份）的选取，不如GMST来得稳健。
Quilcaille et al. 同样用GMST来计算趋势。通过两种基于观测的估计方法（ERA5和BEST），与GEV分布模型拟合，研究者可以计算出当前升温情况下和没有人为气候变化情景下的热浪强度和频度指标。
四、模型评估（Model evaluation）
这一步中，研究者要选择一种气候模型，看它们能否正确地模拟气候因素对极端天气事件的影响，方法是比较从模型计算出的和实际观测到的这类事件的统计特性是否一致。由于大多数气候模型并不是为模拟极端天气事件而设计的，从数量较多的模型中选取才更有可能找到合适的模型。另外，如果几种机制和假设不同的模型给出相似的模拟结果，这样的结果可以有更高的置信度。
模型的时空尺度是否适于表示要研究的极端事件也是需要考虑的因素。通常，如果要研究的极端事件对应的参数的置信区间与通过观测数据拟合的模型参数的置信区间有重叠，就可以认为模型是可用的。趋势参数则可用来检验模型设计中的系统偏差是否会导致模拟结果偏离实际情况，虽然它并不能反映被自然变率掩盖的所有系统偏差。
此外还要考虑模型模拟出的极端天气事件“发生”的原因是否和现实世界中的一致。
对每次热浪事件，Quilcaille et al. 计算了在其发生范围内每个网格点在1950~2020年期间，气候模型和基于观测的模型（ERA5）模拟结果的关联度，选取了关联度最高的10种模型。
五、多方法多模型归因（Multi-method multi-model attribution）
在这一步，Quilcaille et al. 采用了固定强迫实验的方法。两组实验，分别模拟包括所有气候强迫因素的当前情景，和一个没有人类活动干扰的前工业化世界延续至今的情形。对于把海洋表面温度（SST）作为参数的大气模型，研究人员通常会使用当前情景实验的结果来相应地调整反事实情景中的海温和海冰状况，以确保对比的合理性。
两组实验完成后，研究人员可以分别计算两个情景下特定极端天气事件发生的概率，两个概率在“当前情景”和“前工业化情景”下的比值被称为概率比（probability ratio）。概率比直观量化了人类活动使这类事件的可能性增加了多少倍。
六、危害综合（Hazard synthesis）与分解
危害综合的第一步是建立一个比较基准，通常是1900年的环境条件下极端事件的强度或频度。在这个基础上，各个模型得到的人类活动引起的极端天气事件强度或频度变化及其置信区间可以用图形化的方式展示和比较。如果不同结果之间的差异主要源于各自的自然变率，并且置信区间相互重叠，就可以通过加权平均的方法将它们综合起来，得到更精确的最终结论。但更多地，不同模型间的差异不能被自然变率的差异解释，综合得到的结论置信区间就要扩大，来反映实际的不确定性。
假设GMST可以被拆分成不同的贡献项，由GMST以线性方式驱动的统计模型计算得到的概率，同样可以被近似看作各贡献项作用的总和。直接计算每个主要排放者的贡献在计算上很困难，但可以通过从所有排放者中减去一名、计算GMST前后差异，或者计算加上一名排放者的GMST模拟差异的方式，近似求出每个主要排放者的贡献。这两种方法分别称为ABO和AON法。这样研究人员就能计算出主要排放者各自的贡献率。
七、脆弱性与暴露度分析 （Vulnerability and exposure analysis）
结合危害水平、脆弱性和暴露度，研究人员可以估计由于人为气候变化，通过天气事件造成的风险上升水平。脆弱性和暴露度估算起来也很困难，因而风险的上升只能定性而难以定量。
八、沟通（Communication）
通过论文、报道、社交媒体等方式，借助图像和文字手段，告知公众极端天气的发生是否与人为气候变化有关。
参考资料
Philip, S., Kew, S., van Oldenborgh, G.J., Otto, F., Vautard, R., van der Wiel, K., King, A., Lott, F., Arrighi, J., Singh, R. and van Aalst, M. (2020) ‘A protocol for probabilistic extreme event attribution analyses’, Advances in Statistical Climatology, Meteorology and Oceanography, 6, pp. 177-203. Available at:
Quilcaille, Y., Gudmundsson, L., Schumacher, D.L., Gasser, T., Heede, R., Heri, C., Lejeune, Q., Nath, S., Naveau, P., Thiery, W., Schleussner, C.-F. and Seneviratne, S.I. (2025) ‘Systematic attribution of heatwaves to the emissions of carbon majors’, Nature, 645, pp. 392-398. Available at: