[论文解读] Using Explainability to Inform Statistical Downscaling Based on Deep Learning Beyond Standard Validation Approaches

José González-Abad, Jorge Baño‐Medina+1 more|arXiv (Cornell University)|Feb 3, 2023

Climate variability and models被引用 8

一句话总结

论文比较基于深度学习的区域温度下缩放模型用于 CORDEX North America，并展示可解释 AI 如何提升评估，超越标准验证，帮助诊断与在气候变化背景下的设计。

ABSTRACT

Deep learning (DL) has emerged as a promising tool to downscale climate projections at regional-to-local scales from large-scale atmospheric fields following the perfect-prognosis (PP) approach. Given their complexity, it is crucial to properly evaluate these methods, especially when applied to changing climatic conditions where the ability to extrapolate/generalise is key. In this work, we intercompare several DL models extracted from the literature for the same challenging use-case (downscaling temperature in the CORDEX North America domain) and expand standard evaluation methods building on eXplainable artifical intelligence (XAI) techniques. We show how these techniques can be used to unravel the internal behaviour of these models, providing new evaluation dimensions and aiding in their diagnostic and design. These results show the usefulness of incorporating XAI techniques into statistical downscaling evaluation frameworks, especially when working with large regions and/or under climate change conditions.

研究动机与目标

• 在气候变化背景下为基于 DL 的下缩放提供鲁棒评估的必要性提供动机。
• 对来自文献的多个 DL 模型在 CORDEX North America 温度下缩放中的互比较。
• 展示 XAI 技术如何揭示内部模型行为并增加新的评估维度。
• 证明将 XAI 纳入统计下缩放评估框架的诊断和设计收益。

提出的方法

• 从文献中选择并对 CORDEX North America 区域的温度下缩放进行若干 DL 模型的互比较。
• 应用 XAI 技术分析内部模型行为和解释。
• 通过将可解释性诊断纳入扩展标准评估框架。
• 在 PP 方法中评估气候变化情景下的模型表现和泛化能力。

实验结果

研究问题

• RQ1 可解释 AI 技术在揭示基于 DL 的下缩放模型的内部行为方面的应用价值是什么？
• RQ2 XAI 能否提供新的评估维度，以改进区域下缩放的诊断和设计？
• RQ3 可解释性驱动的评估在将 DL 下缩放应用于大区域或在气候变化条件下时，能否带来收益？

主要发现

• 将 XAI 技术纳入统计下缩放评估框架是有用的。
• XAI 为评估 DL 下缩放模型提供了新的评估维度。
• 基于可解释性的诊断有助于模型诊断和设计。
• 该方法对于大区域和气候变化条件下特别有价值。