基于证据神经网络与可解释人工智能的美国东北部阵风预测不确定性量化研究

本研究针对数值天气预报(WRF)模型对高风速阵风预测存在偏差的问题，创新性地采用证据神经网络(ENN)进行不确定性量化(UQ)，结合可解释人工智能(XAI)技术解析关键气象特征。结果表明ENN较WRF降低47%均方根误差(RMSE)，在266个站点中179个成功构建95%置信区间，为极端天气风险决策提供可靠依据。

　　

阵风作为大气边界层湍流运动的直接体现，其预测精度直接影响电力基础设施维护、交通安全管理等关键领域。传统数值天气预报(Weather Research and Forecasting, WRF)模型虽能模拟大尺度环流，但对小尺度湍流过程的分辨不足常导致高风速阵风的系统性高估。更棘手的是，现有预测缺乏可靠的不确定性量化(Uncertainty Quantification, UQ)框架，使得决策者难以评估预测结果的置信度。美国康涅狄格大学等机构的研究团队在《Environmental Modelling》发表的研究，首次将证据神经网络(Evidential Neural Network, ENN)引入阵风预测领域，通过分解不确定性来源为决策支持提供新范式。

研究团队采用61场温带气旋的观测数据与WRF模拟结果，运用MILES-GUESS框架构建ENN模型。关键技术包括：1) 基于高阶证据分布参数估计的UQ方法；2) 可解释人工智能(XAI)技术解析特征贡献度；3) 采用纽约州气象网(NYSM)等266个站点进行验证。通过对比WRF统一后处理器(UPP)输出，系统评估了模型在点预测和区间预测方面的性能。

数据
选取2017-2021年美国东北部61个伴随冷锋的低压系统，整合WRF输出的地表风速、地形高度等大气变量与NYSM等观测网络的每小时阵风数据。风暴筛选标准确保数据覆盖5-35 m/s的广谱风速范围。

方法论
ENN通过单次前向传播同时输出正态逆伽马分布的四个参数(μ, σ², α, β)，据此分解总不确定性为反映数据内在随机性的偶然性(aleatoric)不确定性和源于模型认知局限的认知性(epistemic)不确定性。相较传统集成方法，该框架无需多次模型运算即可构建预测区间。

结果与讨论
性能评估显示ENN将WRF的RMSE降低47%，但高风速(>25 m/s)低估问题仍然存在。XAI分析表明边界层高度和垂直风切变等特征对不确定性贡献显著，其影响强度与风暴强度呈正相关。特别值得注意的是，ENN在95%置信水平下成功捕获179个站点的观测值，显著优于需要50-100个成员集的传统集成方法。

结论与展望
该研究证实ENN能有效量化阵风预测中的混合不确定性，其单模型确定性计算的特性大幅降低运算成本。认知不确定性的空间分布模式可识别模型知识空白区域，为后续数据采集指明方向。尽管在极端值预测方面仍有改进空间，这种结构化UQ方法为能源、交通等领域的风险预案制定提供了新工具。作者建议未来研究可探索物理约束ENN架构，以更好地耦合大气动力学先验知识。