基于Kolmogorov–Arnold网络量化热带气旋强度预报中的预报因子贡献

《Atmospheric and Oceanic Science Letters》:Quantifying predictor contributions to tropical cyclone intensity forecasting using Kolmogorov–Arnold Networks

【字体: 大 中 小 】 时间:2026年08月07日 来源:Atmospheric and Oceanic Science Letters 3.4

编辑推荐:

  摘要 深度学习模型已显著提升了热带气旋(tropical cyclone, TC)强度预报的准确度,但其“黑箱”特性限制了物理可解释性。为克服这一局限,本研究提出一种基于Kolmogorov–Arnold网络(KANs)的24小时TC强度预报可解释框架,包含三

  
摘要 深度学习模型已显著提升了热带气旋(tropical cyclone, TC)强度预报的准确度,但其“黑箱”特性限制了物理可解释性。为克服这一局限,本研究提出一种基于Kolmogorov–Arnold网络(KANs)的24小时TC强度预报可解释框架,包含三个模块:基于归因分数引导的递归预报因子剪枝模块、神经网络优化与预报模块、以及基于符号回归的预报因子贡献分析模块。结果表明,递归剪枝模块能够识别高影响预报因子,从而提升KAN模型的稳健性与准确度,平均绝对误差(MAE)为7.87 kt。此外,贡献分析模块通过将KAN模型转化为可解释的符号表达式,量化了主导预报因子的贡献。研究发现,在气候学与持续性预报因子中,初始TC强度对24小时TC强度变化表现出最强的负贡献;850-hPa最大对称切向风表现出最大的正动力贡献;最大潜在强度主导热力贡献,表明更有利的未来热力环境促进TC增强。因此,由符号表达式推导出的关系与现有TC增强理论基本一致。这表明,所提出的框架尽管具有数据驱动特性,但能够有效捕捉TC强度演变的复杂物理机制,在数据驱动预报与物理可解释性之间架起桥梁。
**基于KAN的可解释热带气旋强度预报框架:从黑箱预测到物理机制解析**

**一、研究背景与问题**

热带气旋(tropical cyclone, TC)作为最具破坏力的天气系统之一,其强度快速变化涉及复杂多尺度物理过程,内部动力学与外部环境之间的相互作用机制尚未完全阐明,准确预报TC强度仍是重大科学挑战。近年来,深度学习模型凭借处理海量数据和非线性关系的优势,在TC强度预报中展现出巨大潜力。例如,Tian等(2025)提出的基于卷积神经网络(CNN)的TC-Rolling模型建立了TC对流结构与强度的关系;Jiang等(2025)设计的Deep-TCP框架实现了24小时预报MAE达7.54 kt的精度。然而,这些模型的"黑箱"特性使其内部决策过程难以解释,降低了领域专家的信任度,限制了对TC强度演变物理过程的深入理解。

为解决上述问题,可解释机器学习技术被引入天气预报领域,主要分为事后解释方法和内在自解释模型两类。事后解释方法如SHapley Additive exPlanations (SHAP)虽能提供特征重要性度量,但仅能对黑箱模型的决策进行近似推断,无法精确重建其内部逻辑。相比之下,基于Kolmogorov–Arnold表示定理的Kolmogorov–Arnold网络(KANs)作为内在自解释模型的代表,将节点上的固定激活函数替换为边上的可学习单变量函数,以可学习的非线性权重替代线性权重,在提升精度的同时增强了可解释性。然而,现有可解释性研究多局限于特征归因,即量化各预报因子的重要性分数,仍难以阐明关键预报因子如何相互作用并贡献于TC强度变化。为此,本研究提出基于KAN的可解释框架,用于24小时TC强度变化预报并量化主导预报因子贡献。

**二、研究内容与主要技术方法**

研究人员提出一个三模块构成的KAN可解释框架:第一模块为基于归因分数引导的递归预报因子剪枝模块,通过迭代剔除归因分数处于最低十分位的预报因子并依据验证集均方根误差(RMSE)筛选高影响因子子集;第二模块为神经网络优化与预报模块,采用Tree-structured Parzen Estimator贝叶斯优化算法优化网络架构与超参数;第三模块为基于符号回归的预报因子贡献分析模块,将训练后的KAN模型转化为可解释的线性符号表达式。研究数据采用美国国家飓风中心(NHC)的全球统计飓风强度预测方案(SHIPS)再分析资料,涵盖1982–2018年训练集、2019–2020年验证集和2021–2022年独立测试集,共包含129个初始预报因子。

**三、研究结果**

**3.1 模型性能评估**

研究人员采用留一年交叉验证(LOYO)评估KAN模型的年际稳健性。结果显示,基于全预报因子集训练的KAN-129在6年(1988、1990、1993、1994、1995和2007年)因优化不收敛而训练失败,而经递归剪枝后的KAN-87在39年中全部成功收敛,平均RMSE和MAE分别为11.45 kt和8.42 kt,较KAN-129(11.56 kt和8.56 kt)有所改善。独立测试中,KAN-87取得RMSE 10.90 kt和MAE 7.87 kt,较最优官方机构预报(JTWC)和最优单一深度学习模型(MLP-87)分别降低MAE 4.6%和5.7%。值得注意的是,MLP-87较MLP-129的MAE降低7.0%,证明递归剪枝模块识别的高影响预报因子子集具有良好的跨模型迁移性。

**3.2 预报因子贡献分析**

通过解析符号回归模块生成的符号表达式,研究人员量化了主导预报因子的贡献。按Chen等(2011)的分类方法,15个主导预报因子被划分为气候学与持续性、动力和热力三类。在气候学与持续性因子中,初始TC强度(vs0)呈现最大的负贡献系数,表明较高初始强度伴随后续减弱趋势;850-hPa涡旋中心纬度(TLAT_t24)的负系数反映高纬度环境对TC增强的制约;DELV-6呈最大的正系数,体现强度变化趋势的持续性特征;距陆地距离(DTL_t24)的第二大正系数与登陆减弱效应一致。动力因子中,850-hPa最大对称切向风(TWXC_t24)呈现最大正贡献,表明更强的低层旋转流促进TC增强;850–200 hPa垂直风切变(SHGC_t24)的负系数最大,与强切变通过通风效应抑制TC增强的机制吻合。热力因子中,最大潜在强度(VMPI_t24)的正贡献最大,表明更有利的热力环境促进TC增强;距中心800–1000 km平均总可降水量(MTPW_v10)的次大正系数支持水分库假说;26°C等温线深度(CD26_t24)的正贡献凸显海洋次表层热结构的关键作用。

**四、结论与讨论**

本研究提出的KAN可解释框架成功实现了24小时TC强度变化预报与主导预报因子贡献的量化。KAN-87在独立测试中达到MAE 7.87 kt的精度,较KAN-129、最优官方模型(JTWC)和最优单一深度学习模型(MLP-87)分别降低MAE 3.0%、4.6%和5.7%,同时递归剪枝模块有效提升了模型稳健性。符号表达式揭示的初始TC强度负贡献、850-hPa最大对称切向风正动力贡献和最大潜在强度正热力贡献均与现有TC增强理论基本一致,表明该数据驱动框架能够有效捕捉TC强度演变的复杂物理机制。

值得注意的是,本研究的贡献分析不同于传统线性回归分析:线性系数是在KAN模型充分学习数据中的复杂非线性关系后,通过强制激活函数线性拟合获得的全局近似表达,因此具有更强的稳健性和物理可解释性。然而,部分因子的线性贡献可能与常规物理认知不一致,如MTPW_v2的负贡献可能源于线性符号回归在捕捉复杂非线性相互作用(如与垂直风切变的交互效应)方面的固有局限。此外,归因分数与线性贡献系数的排序差异反映出两者本质区别:归因分数反映包含线性和非线性贡献的全局重要性,而线性贡献系数仅捕捉线性成分。未来研究将扩展符号函数库以纳入非线性基函数(如二次项、指数项和交互项),旨在解耦线性和非线性贡献,为TC强度演变的非线性动力学提供更深入的见解。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号