[论文解读] Analysis, Characterization, Prediction and Attribution of Extreme Atmospheric Events with Machine Learning: a Review

Sancho Salcedo‐Sanz, Jorge Pérez‐Aracil+10 more|arXiv (Cornell University)|Jun 3, 2022

Meteorological Phenomena and Simulations被引用 6

一句话总结

本文综述了机器学习（ML）在分析、预测和归因极端大气事件（如热浪、洪水、干旱和严重天气）中的应用。文章整合了最先进的机器学习技术——包括集成方法、深度学习和可解释AI——展示了其在提升预测准确性和归因能力方面的有效性，同时指出了在复合与并发极端事件中面临的数据稀缺性、不确定性量化和模型可解释性等挑战。

ABSTRACT

Atmospheric Extreme Events (EEs) cause severe damages to human societies and ecosystems. The frequency and intensity of EEs and other associated events are increasing in the current climate change and global warming risk. The accurate prediction, characterization, and attribution of atmospheric EEs is therefore a key research field, in which many groups are currently working by applying different methodologies and computational tools. Machine Learning (ML) methods have arisen in the last years as powerful techniques to tackle many of the problems related to atmospheric EEs. This paper reviews the ML algorithms applied to the analysis, characterization, prediction, and attribution of the most important atmospheric EEs. A summary of the most used ML techniques in this area, and a comprehensive critical review of literature related to ML in EEs, are provided. A number of examples is discussed and perspectives and outlooks on the field are drawn.

研究动机与目标

• 提供对应用于极端大气事件（EEs）分析、表征、预测和归因的机器学习技术的全面综述。
• 识别关键的机器学习算法及其在主要极端事件（包括热浪、洪水、干旱、强风暴和低能见度事件）中的性能表现。
• 解决机器学习在极端事件研究中面临的关键挑战，如数据稀疏性、模型不确定性以及可解释性不足的问题。
• 强调在机器学习模型中整合物理约束的必要性，以提升气候应用中的可靠性与可信度。
• 识别新兴研究前沿，包括复合与并发极端事件，以及因果推断和可解释AI在归因中的作用。

提出的方法

• 对200余篇关于机器学习在大气极端事件中应用的同行评审研究进行系统性综述，按事件类型和机器学习技术分类。
• 对核心机器学习方法的理论概述：集成方法（装袋、提升）、支持向量机、多层感知机、深度学习以及特征选择技术。
• 应用极限学习机和深度学习模型（如CNNs、RNNs）基于再分析数据预测区域温度和降水极端值。
• 利用空间分布的再分析数据提升区域气候预测中模型的泛化能力并减少过拟合。
• 引入不确定性量化技术（如置信预测、证据深度学习和变分推断）以评估模型置信度。
• 整合物理约束与可解释性方法（如LIME、SHAP）以增强模型在归因任务中的透明度与可信度。

实验结果

研究问题

• RQ1 哪些机器学习技术在预测和归因热浪和洪水等极端大气事件方面最为有效？
• RQ2 再分析数据中的空间多样性如何提升基于机器学习的温度和降水预测精度？
• RQ3 在复合与并发极端事件中应用机器学习面临的关键挑战是什么？数据稀疏性问题如何缓解？
• RQ4 不确定性量化与可解释性技术如何提升气候科学中机器学习模型的可靠性与可解释性？
• RQ5 机器学习在多大程度上可提升极端事件对人为气候变化的归因能力？因果推断在此过程中扮演何种角色？

主要发现

• 集成方法、深度学习和极限学习机在预测区域温度和降水极端值方面显著优于传统统计模型。
• 整合空间分布的再分析数据将法国8月平均气温预测的准确性提升，减少了局部过拟合并增强了泛化能力。
• 不确定性量化技术（如置信预测和证据深度学习）在高影响极端事件场景中对于评估模型置信度至关重要。
• 可解释性方法（如LIME和SHAP）可提升模型透明度，但其与不确定性估计的整合仍不充分。
• 基于机器学习的极端事件归因尚处于初级阶段，但因果推断与模型无关方法的最新进展在连接事件与气候变化方面展现出潜力。
• 复合与并发极端事件仍是重大挑战，受限于训练数据不足，需发展新型数据生成策略与混合建模方法。