《Sustainability》:Explainable Deep Learning for Multi-Step Meteorological Forecasting in Saudi Arabia: A Foundation for Air Quality Prediction
编辑推荐:
准确且可解释的气象变量预报对于环境监测和开发可靠的决策支持系统至关重要。本研究提出一个可解释的多步深度学习框架,用于预测沙特阿拉伯中部的日平均气温。数据集包含2020年至2024年的每日观测值,包括气温、大气压、相对湿度和降雨量。利用30天回顾窗口的历史测量值
准确且可解释的气象变量预报对于环境监测和开发可靠的决策支持系统至关重要。本研究提出一个可解释的多步深度学习框架,用于预测沙特阿拉伯中部的日平均气温。数据集包含2020年至2024年的每日观测值,包括气温、大气压、相对湿度和降雨量。利用30天回顾窗口的历史测量值,生成7天和30天时间范围的直接预报。评估了四种预报方法:季节性自回归积分滑动平均(SARIMA)、长短期记忆网络(LSTM)、一维卷积神经网络(CNN1D)和Transformer。使用平均绝对误差(MAE)、均方根误差(RMSE)和平均绝对百分比误差(MAPE)以及泰勒图、残差分布和观测值与预测值对比分析来评估预报性能。LSTM模型取得了最高的预测精度,在7天时间范围获得MAE和RMSE分别为2.139°C和2.953°C,30天时间范围分别为2.345°C和3.134°C。为了研究模型行为,应用了七种互补的可解释人工智能方法,包括积分梯度(Integrated Gradients)、Grad-CAM、SHAP、LIME、置换重要性、遮挡敏感性和显著性图。这些方法被选择用于提供全局特征级、局部预测级和时间解释。结果表明,近期气温观测值主导短期预报,而大气压和相对湿度在较长预报时间范围展现更大的相对影响。降雨量由于在研究区域内分布稀疏而贡献较少。总体而言,所提出的框架结合了多时间范围预报与全面可解释性,为气象预测提供了一种透明的方法,并为未来集成了气象和污染物观测的环境预报系统提供了方法论基础。
论文解读文章
**研究背景与问题**
空气污染是21世纪最重大的环境和公共卫生难题之一,全球每年约700万人因空气污染过早死亡。沙特阿拉伯因快速城市化、工业扩张和车辆排放增加,空气质量问题日益严峻。传统空气质量模型(如ARIMA、线性回归)难以捕捉天气、污染源和污染物传输之间的复杂非线性关系,且黑箱人工智能(AI)模型缺乏可解释性,限制了决策者对其结果的信任。气象变量(如气温、气压、湿度、降雨)直接影响污染物扩散、大气稳定性和化学反应,因此准确且可解释的气象预报是可靠空气质量预测的前提。然而,现有研究多侧重预测精度而忽视时间维度和特征层面的可解释性,且缺乏统一框架同时比较统计、循环、卷积和注意力模型在不同预报时间范围的表现。本研究旨在填补这一空白,提出一个可解释的多步气象预报框架,为未来集成气象和污染物观测的空气质量预测系统奠定基础。论文发表在《Sustainability》。
**研究内容与结论**
研究人员基于沙特阿拉伯国家气象中心(NCM)提供的2020-2024年每日气象观测数据(包括气温、大气压、相对湿度和降雨量),选取Qassim和Riyadh地区(代表沙特中部城市和环境区域)的站点数据。采用30天回顾窗口构建序列,分别预测7天和30天后的日平均气温。评估了四种模型:季节性自回归积分滑动平均(SARIMA)、长短期记忆网络(LSTM)、一维卷积神经网络(CNN1D)和Transformer。通过平均绝对误差(MAE)、均方根误差(RMSE)、平均绝对百分比误差(MAPE)和对称平均绝对百分比误差(sMAPE)以及泰勒图、残差分布、观测-预测散点图等指标进行性能对比。LSTM在7天和30天预报中均取得最低误差(7天MAE=2.139°C,RMSE=2.953°C;30天MAE=2.345°C,RMSE=3.134°C),表明其循环记忆机制对短期气象时序依赖建模最为有效。SARIMA误差最大,显示线性统计模型处理非线性气象动力学的局限性。尽管CNN1D数值精度不是最优,但其卷积特征图支持Grad-CAM时间解释,被选为主要可解释模型。研究应用了七种可解释人工智能(XAI)方法:积分梯度(Integrated Gradients)、Grad-CAM、SHAP、LIME、置换重要性、遮挡敏感性和显著性图,从全局特征、局部预测和时间解释三个层面分析模型行为。结果表明:近期气温观测值主导短期(7天)预报;大气压和相对湿度在更长(30天)时间范围影响力增强;降雨量因分布稀疏贡献最弱。该框架将多时间范围预报与全面可解释性结合,为未来集成气象和污染物观测的空气质量预测系统提供了透明的方法基础。
**主要关键的技术方法**
数据集来自沙特阿拉伯国家气象中心(NCM),覆盖Qassim和Riyadh地区2020-2024年每日观测,包括气温、大气压、相对湿度和降雨量。数据按时间顺序划分70%训练(2020-2022)、15%验证(2023)、15%测试(2024)。采用z-score标准化和30天滑动窗口构建输入序列。使用四种模型:SARIMA(统计基线)、LSTM(两层循环网络,64和32隐藏单元)、CNN1D(两层因果卷积,64个3×1滤波器,全局平均池化)、Transformer(单编码器,4注意力头,128维键维度)。训练使用AdamW优化器,学习率0.001,早停法(patience=10),批量大小32,最多100轮。评估指标包括MAE、RMSE、MAPE、sMAPE、泰勒图、violin图和散点图。XAI方法包括积分梯度、Grad-CAM、SHAP、LIME、置换重要性、遮挡敏感性和显著性图,应用于CNN1D模型。
**研究结果**
**5.1 探索性数据分析**:通过时间序列图、直方图和长期趋势图,发现气温呈现明显季节波动,相对湿度和气压变化较平滑,降雨稀疏且偏斜,支持需要能捕捉季节性、非线性和多尺度时序行为的预测模型。
**5.2 7天预报性能**:LSTM在MAE、RMSE、MAPE和sMAPE上均最优,Transformer次之,CNN1D中等,SARIMA最差,表明LSTM对短期时序依赖建模最强。
**5.3 30天预报性能**:所有模型误差较7天增加,LSTM仍最低,Transformer和CNN1D误差上升更明显,SARIMA仍最弱,验证非线性深度学习模型更适合复杂气象模式。
**5.4 多时间范围分析**:从7天到30天,所有模型性能下降,但LSTM跨度最稳定,SARIMA误差最大,说明循环记忆机制对日常气象时序依赖建模特别有效。
**5.5 预报可视化**:CNN1D的7天和30天预测曲线显示一般吻合度,30天偏差更大,反映中期预报难度增加。
**5.6 高级评估指标**:泰勒图显示深度学习模型比SARIMA更接近观测参考点,同时验证了标准差和相关性。
**5.7 误差分布与实际-预测分布分析**:violin图显示LSTM残差分布最集中且接近零,SARIMA最分散;实际-预测分布对比表明深度学习模型更好地再现了目标变量的统计结构。
**5.8 观测-预测散点图**:深度学习模型点更接近理想对角线,SARIMA点更压缩且响应不足。
**5.9 可解释AI结果**:积分梯度显示7天预报中历史气温贡献最大,气压和湿度次之,降雨最弱;Grad-CAM显示模型并非均匀依赖所有回顾日,而是聚焦特定时间区域;结合的可视化揭示气温和气压重要性随预报时间范围变化;置换重要性证实7天气温、气压最重要,30天气压成为主导,湿度次之;遮挡敏感性热图显示7天对气温和气压敏感,30天转向气压和湿度;显著性图支持梯度基于的敏感性与上述一致;SHAP和LIME分别提供全局和局部解释,SHAP确认气压、气温和湿度贡献大,降雨弱,LIME展示个别样本中不同特征-时间条件的正负贡献。
**讨论与结论**
讨论部分指出:LSTM是数值最优预报模型,而CNN1D因可解释性被选为主模型;XAI结果一致表明气温、气压和湿度是主要影响变量,降雨贡献弱;短期预报依赖近期气温和气压模式,中期预报更依赖气压和湿度;该框架可作为未来整合污染物观测(如PM
2.5、PM
10、NO
2、O
3、CO和AQI)的可解释空气质量预测系统的基础。研究局限包括:仅基于四个气象变量,未包含风速、风向、太阳辐射等;未直接建模污染物;地理范围限于沙特中部;使用日数据可能掩盖小时级变化;未集成卫星遥感数据。未来工作将整合污染物浓度、风变量、卫星观测和多地点数据,构建统一的可解释空气质量预测系统。
**研究结论部分翻译**:本研究提出了一个使用统计建模、深度学习和可解释人工智能(XAI)技术的可解释多步气象预报框架。对气温、气压、湿度和降雨的每日观测数据进行了预处理,并使用30天回顾窗口将其转换为监督时序序列。评估了四种预报模型——SARIMA、LSTM、CNN1D和Transformer——用于7天和30天后的气温预测。实验结果表明,LSTM在两个时间范围均取得了最佳数值预报性能,而SARIMA的预测误差最高。CNN1D被选为主要可解释模型,因为其卷积架构支持使用Grad-CAM进行时间解释。预报准确性与可解释性之间的这种区分对于透明的环境建模很重要。应用了多种XAI方法,包括积分梯度、Grad-CAM、SHAP、LIME、置换重要性、遮挡敏感性和显著性图。结果表明,气温、大气压和相对湿度是最具影响力的预测因子,而降雨量贡献最弱。分析还显示,特征重要性随预报时间范围变化,短期预测更依赖近期气温和气压模式,中期预测更依赖气压和湿度。总体而言,所提出的框架展示了如何将深度学习和可解释AI结合起来,生成准确且可解释的气象预报。未来工作将通过整合污染物浓度、风变量、卫星观测和多地点数据集,为沙特阿拉伯开发一个更完整的空气质量预测系统。