强化可解释人工智能在气候变化下藻华预测中的应用：多轮类别激活映射方法

本文提出一种多轮类别激活映射（CAM）框架，通过1000次重复模拟提升叶绿素a浓度预测的稳健性与可解释性。研究证实化学需氧量（COD）、硝酸盐氮（NO3-N）和总磷（T-P）是藻华形成的关键驱动因子，水温具有稳定促进作用。该成果为气候变化背景下有害藻华（HABs）的精准防控提供了可解释AI（XAI）新范式。

　　

模型性能指标

本节展示了模型在预测叶绿素a浓度方面的整体表现精度。表3汇总了训练集、验证集和测试集的关键性能指标，包括R²、均方根误差（RMSE）、平均绝对误差（MAE）、对称平均绝对百分比误差（SMAPE）以及RMSE与标准差之比（RMSE/SD）。这些指标全方位揭示了模型的优势与短板，为后续CAM分析结果的解读奠定了基础。

均方根误差和平均绝对误差共同表明，模型在叶绿素a浓度预测方面达到了中等精度水平。

讨论

本研究通过应用重复CAM模拟来预测叶绿素a浓度这一案例，旨在克服传统可解释AI（XAI）技术固有的不稳定性与解释可靠性不足的问题。通过执行1000轮CAM模拟迭代，显著减少了单次CAM分析中观察到的变量重要性波动，从而确保了更高的解释稳定性和可靠性。在此过程中，化学需氧量（COD）、硝酸盐氮（NO₃-N）、总磷（T-P）、水温和叶绿素a自身被一致地识别为最具影响力的预测因子。

结论

本研究证明，深度学习模型与迭代CAM模拟相结合，能够稳定地预测叶绿素a浓度，并生成统计上可靠的变量重要性估计。重复模拟减少了单次运行方法典型的"解释噪音"，增强了基于模型信息进行决策的信心。化学需氧量（COD）、叶绿素a、硝酸盐氮（NO₃-N）和总磷（T-P） consistently emerged as the most influential predictors，这强调了营养盐在藻华动态中的主导作用，而水温则显示出虽中等但稳定的影响，印证了藻华过程对热量的敏感性。这些发现为制定更具针对性的有害藻华（HABs）缓解策略，尤其是在气候变化背景下，提供了关键见解。