本文主要是介绍科罗拉多州立大学新突破:利用可解释人工智能评估次季节机会预测的年代际变异性,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!
近日,科罗拉多州立大学联合劳伦斯利弗莫尔国家实验室的研究团队发布了一项开创性的研究《Assessing decadal variability of subseasonal forecasts of opportunity using explainable AI》。这项研究利用先进的可解释人工智能(XAI)技术,对次季节气候预测的年代际变化进行了深入探究。次季节时间尺度的气候预测介于常规天气预报和季节预测之间,时间范围一般为两周至三个月。
[研究背景和方法]:
研究团队利用CESM2-LE模型的1000年气候数据,结合欧洲中期天气预报中心(ECMWF)的ERA5再分析数据集,开展了这项研究。通过分析日降水数据和降水异常值,研究团队使用浅层神经网络(ANNs)来识别和量化次季节降水预测的技巧。这些网络以热带日降水异常的地图为输入,预测美国西海岸特定区域的未来4至5周降水趋势。
图1 人工神经网络输入(每日热带降水异常图)
[关键发现]:
研究表明,神经网络能有效识别和利用热带气候特征来进行次季节预测。这些被称为“机会预测”的准确预测,不仅准确率高于随机水平,而且通过网络的自我信心评估,研究人员能够识别出更可能准确的预测时期。但研究也发现,即使是网络最有信心的预测,其准确率也会随时间波动,这可能与热带地区与中纬度之间的气候联系在不同时间段的强弱变化有关。
通过XAI技术,特别是积分梯度方法,研究进一步揭示了神经网络在做出预测时所依赖的关键气候特征,从而增强了对网络预测机制的理解。此外,研究还探讨了这些预测在年代际时间尺度上的变化,结果强调了考虑时间尺度变化在气候预测和模型构建中的重要性。
图2 积分梯度XAI合成了(a)阿拉斯加,(b)太平洋西北部和(c)加利福尼亚20% 最自信和正确的负面(上)和正面(下)预测的热图。
图3 特定区域使用CESM-2数据的输入降水异常的合成图。
[结论]:
该研究通过结合ANNs和XAI技术,显著提高了次季节气候预测的准确性。研究重点在于分析和预测介于短期天气预报和季节性气候预测之间的时段,积分梯度XAI技术的应用揭示了神经网络依赖的关键气候特征,特别是突出了热带地区对中纬度地区(如阿拉斯加、太平洋西北部和加利福尼亚)次季节气候预测的重要影响。
研究中还发现,次季节气候预测的准确性在不同的年代际时间尺度上存在显著变化。此外,还特别关注了热带气候模式(如El Niño和La Niña)与中纬度降水预测之间的关系。例如,在加利福尼亚,正确的负面预测与La Niña模式相关,而正确的正面预测则与El Niño模式相关。这些发现表明,热带地区与中纬度之间的气候联系在不同时间段的强弱变化,是影响次季节预测技巧高低的关键因素。
[参考来源]:
https://www.youtube.com/watch?v=vJos2LfMBPk
https://iopscience.iop.org/article/10.1088/2752-5295/aced60
这篇关于科罗拉多州立大学新突破:利用可解释人工智能评估次季节机会预测的年代际变异性的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!