量化冰融化与淡水分布之间的因果关系至关重要，因为这些复杂的相互作用表现为海平面高度（SSH）的区域波动。利用SSH作为海冰动态的代理，有助于更好地理解推动极地气候变化和全球海平面上升的反馈机制。然而，传统的深度学习模型在时空环境下由于未观测的混杂因素和缺乏物理约束，往往难以可靠地估计处理效应。为了解决这些挑战，我们提出了知识引导因果模型变分自编码器（KGCM-VAE），以量化海冰厚度与SSH之间的因果机制。该框架集成了一种速度调制方案，其中平滑的速度信号通过由SSH变化控制的sigmoid函数动态放大，以生成物理基础的因果处理。此外，该模型结合了最大均值差异（MMD）来平衡潜在空间中处理组和控制组的协变量分布，并配备因果邻接约束解码器，以确保与既定物理结构的对齐。对合成数据集和真实北极数据集的实验结果表明，与最先进的基准相比，KGCM-VAE在PEHE方面取得了更好的效果。消融研究进一步确认了该方法的有效性，显示MMD与因果邻接约束的联合应用使估计误差降低了1.88\%。
Sampath等（Sun，）研究了这个问题。