SpatioTemporal Causal Network Diagnostics for Geographic Tipping Point Early Warning
作者: Zhaoyuan Yu, Zhangyong Liang
分类: cs.LG
发布日期: 2026-06-16
💡 一句话要点
提出时空因果网络诊断以解决地理临界点预警问题
🎯 匹配领域: 支柱八：物理动画 (Physics-based Animation)
关键词: 地理临界点 时空因果网络 早期预警 生态系统 气候变化 动态模式分解 信息流拓扑
📋 核心要点
- 核心问题：现有方法如Moran's I在处理地理临界点时面临空间稀释和相关噪声等挑战，难以提供有效的早期预警。
- 方法要点：提出的ST-CND框架通过时间演变的因果网络，利用传递熵和动态模式分解等技术，改善了空间节点的预测能力。
- 实验或效果：在AMOC任务中，ST-CND的AUROC达到0.783，关键子网络的IoU为0.378，显著优于现有基线方法。
📝 摘要（中文）
地理临界点在生态系统、气候子系统或冰盖中带来了严重的早期预警挑战。传统的空间指标如Moran's I总结了全球空间结构，但在空间稀释、欧几里得假设和相关噪声等方面存在困难。本文提出了时空因果网络诊断（ST-CND）框架，通过将地理场表示为时间演变的有向因果网络，解决了这三个问题。ST-CND在合成分岔和两个观测海表温度基准（印度-太平洋SST和北大西洋AMOC）上进行了验证，提供了局部和可解释的预警。该框架为地球系统科学中的空间早期预警提供了可解释且可扩展的管道。
🔬 方法详解
问题定义：本文旨在解决地理临界点的早期预警问题。现有方法如Moran's I存在空间稀释、欧几里得假设和相关噪声等不足，导致预警效果不佳。
核心思路：ST-CND框架通过将地理场表示为时间演变的有向因果网络，利用数据驱动的信息流拓扑替代固定的欧几里得邻域，从而提高预测的准确性和可靠性。
技术框架：该框架的核心流程包括三个主要模块：首先，通过传递熵推断哪些空间节点有助于预测其他节点；其次，利用动态模式分解估计每个候选子网络的局部恢复率；最后，结合内部波动、内部同步和外部耦合信号，识别最脆弱的子网络。
关键创新：ST-CND的主要创新在于通过因果网络的动态表示，克服了传统方法的局限性，特别是在处理空间相关噪声时的有效性显著提升。
关键设计：在实现过程中，采用了动态模式分解技术来评估恢复率，并设计了结合多种信号的综合评估机制，以减少误报率。
🖼️ 关键图片
📊 实验亮点
在AMOC任务中，ST-CND框架的AUROC达到了0.783，关键子网络的IoU为0.378，显著优于传统的递归网络和lambda-AR1基线方法，展示了其在局部预警中的有效性和可靠性。
🎯 应用场景
该研究的潜在应用领域包括生态监测、气候变化预警和环境管理等。通过提供更准确的早期预警，ST-CND框架能够帮助决策者及时采取措施，减轻地理临界点带来的风险，具有重要的实际价值和未来影响。
📄 摘要（原文）
Geographic tipping points in ecosystems, climate subsystems, or ice sheets pose severe challenges for localized early warning. Classical spatial indicators such as Moran's I summarize global spatial structure, but they struggle with three issues: spatial dilution, Euclidean assumptions, and correlated noise. This paper introduces SpatioTemporal Causal Network Diagnostics (ST-CND), a framework that addresses these three issues by representing the geographic field as a time-evolving directed causal network. The core workflow is as follows: (1) infer which spatial nodes help predict other nodes via transfer entropy, replacing fixed Euclidean neighborhoods with data-driven information-flow topology; (2) estimate local recovery rates within each candidate subnetwork via dynamic mode decomposition; and (3) identify the most vulnerable subnetwork by combining three signals, namely high internal fluctuation, high internal synchronization, and low external coupling, thereby suppressing false alarms from spatially correlated noise. Validated on synthetic bifurcations and two observational sea-surface temperature benchmarks, namely Indo-Pacific SST and North Atlantic AMOC, ST-CND delivers localized and interpretable warnings. On the AMOC task, it achieves an AUROC of 0.783 and a critical-subnetwork IoU of 0.378, outperforming recurrence-network and lambda-AR1 baselines. The framework provides an interpretable and scalable pipeline for spatial early warning in Earth system science.