基于神经网络模型可解释性的降水预报
樊仲欣1
王妍1
王若曈2
1.南京信息工程大学大气科学与环境气象国家级实验教学示范中心,江苏 南京 2100442.国家气象中心,北京 100081
摘要：为提高局地精细化预报的准确性和可靠性,提出了一种基于核函数KernelExplainer和可解释性"夏普值"(SHAP值)聚类分析的神经网络降水预报技术.该方法首先通过正态化分布变换解决神经网络的输出抖动问题,然后使用KernelExplainer估计由卷积(CNN)层、长短期记忆(LSTM)网络、全连接层构建的深度学习神经网络模型,并获取气象要素参数m和时间步长参数tl对于预测结果的贡献值SHAP,最后通过聚类分析SHAP值,在每次滚动预报中动态调整模型的m和tl参数,从而提高了无降水和强降水事件的预报效果.使用该方法基于2018年1月—2023年12月的观测和数值预报模式数据建立了南京信息工程大学大气观测基地的降水预报模型.实验证明,该方法相对于固定参数的深度学习神经网络模型、多层卷积长短期记忆网络(多层ConvLSTM)、模拟集合卷积神经网络(AnEn-CNN)和数值预报模式,降水平均绝对误差减少8%、7%、11%和19%.
关键词：卷积长短期记忆ReLU激活函数KernelExplainerSHAP降水预报
分类号：P457.6(天气预报)
资助基金：国家自然科学基金(42075115)江苏省自然科学基金(BK20221344)
论文发表日期：2024-12-28
在线出版日期：2025-08-15（本平台首次上网日期，不代表文献的发表时间）
页数：15( 1030-1044 )
英文信息