[论文解读] Understanding cirrus clouds using explainable machine learning

Kai Jeggle, David Neubauer+2 more|arXiv (Cornell University)|Jan 1, 2023

Atmospheric aerosols and clouds被引用 5

一句话总结

本研究采用可解释机器学习方法——具体为结合SHAP可解释性的XGBoost与LSTM模型——基于卫星和再分析数据预测卷云冰水含量（IWC）及冰晶数浓度（Ni）。研究发现，气象与气溶胶条件可解释49%的方差（R² = 0.49），其中大气历史的最后15小时最具预测性，且量化表明当尘埃浓度超过2 × 10⁻⁴ mg m⁻³时会抑制Ni，揭示了卷云微物理过程的关键物理驱动机制。

ABSTRACT

Cirrus clouds are key modulators of Earth's climate. Their dependencies on meteorological and aerosol conditions are among the largest uncertainties in global climate models. This work uses three years of satellite and reanalysis data to study the link between cirrus drivers and cloud properties. We use a gradient-boosted machine learning model and a Long Short-Term Memory (LSTM) network with an attention layer to predict the ice water content and ice crystal number concentration. The models show that meteorological and aerosol conditions can predict cirrus properties with $R^2 = 0.49$. Feature attributions are calculated with SHapley Additive exPlanations (SHAP) to quantify the link between meteorological and aerosol conditions and cirrus properties. For instance, the minimum concentration of supermicron-sized dust particles required to cause a decrease in ice crystal number concentration predictions is $2 imes 10^{-4}$ mg m extsuperscript{-3}. The last 15 hours before the observation predict all cirrus properties.

研究动机与目标

• 量化气象与气溶胶条件对卷云微物理特性（IWC与Ni）的影响。
• 通过机器学习与可解释人工智能（XAI）识别关键卷云驱动因素，提升气候模型精度。
• 评估大气历史的时间影响，特别是上升气流与气溶胶随时间暴露对卷云形成的作用。
• 利用SHAP值解释模型预测结果，提取驱动因素与卷云特性之间具有物理意义的关系。

提出的方法

• 基于瞬时卫星与再分析数据，训练梯度提升XGBoost回归模型以预测IWC与Ni。
• 构建带有注意力机制的LSTM网络，以建模48小时拉格朗日轨迹中的时间依赖性。
• 使用LAGRANTO计算来自DARDAR-Nice卷云观测的48小时后向轨迹，沿每条路径追踪气象与气溶胶变量。
• 整合时间、空间及分类特征，包括季节、区域、地表高程以及陆地/水体掩膜。
• 应用Shapley加法解释（SHAP）计算特征归因，量化各输入对模型预测的贡献。
• 通过稳定性度量（RIS、ROS）与逐步移除特征并替换均值的方法，评估模型鲁棒性与忠实度。

实验结果

研究问题

• RQ1 哪些气象与气溶胶变量对卷云冰水含量（IWC）与冰晶数浓度（Ni）影响最强？
• RQ2 利用机器学习方法，气象与气溶胶条件能解释IWC与Ni多大程度的变异性？
• RQ3 大气历史的时间影响——特别是最近15小时——对卷云特性有何作用？
• RQ4 特定气溶胶浓度（如超微米尘埃）如何影响Ni预测？是否存在可触发显著变化的临界阈值？
• RQ5 SHAP解释在多大程度上揭示了驱动因素与卷云微物理之间具有物理解释性的关系？

主要发现

• 机器学习模型在预测IWC与Ni时均达到R² = 0.49，表明气象与气溶胶输入具有中等但有意义的预测能力。
• 在卷云观测前的最后15小时大气历史被证明能有效预测所有卷云特性，凸显云形成过程中显著的时间记忆效应。
• 当超微米尘埃颗粒浓度达到2 × 10⁻⁴ mg m⁻³的最低阈值时，预测的冰晶数浓度（Ni）才会出现可测量的下降。
• SHAP分析显示，上升气流速度与温度是影响IWC与Ni的最重要预测因子，与已知物理机制一致。
• 特征归因方法表现出高度稳定与忠实，RIS与ROS评分表明在输入扰动下解释结果依然稳健。
• 引入拉格朗日后向轨迹显著提升了模型性能，有效捕捉了云形成上游环境条件的动态演变。