| 基于SHAP值机器学习的江西暖季暴雨预报因子重要性分析 |
| |
| 引用本文： | 夏侯杰,肖 安.基于SHAP值机器学习的江西暖季暴雨预报因子重要性分析[J].气象与减灾研究,2024,47(1):12-23. |
| |
| 作者姓名： | 夏侯杰 肖 安 |
| |
| 作者单位： | 江西省气象台 |
| |
| 基金项目： | 江西省气象局重点研究项目（编号：JX2020Z04）；江西省科技厅重点研发项目（编号：20203BBGL73223）；中国气象局创新发展专项
（编号：CXFZ2021Z012）. |
| |
| 摘 要： | 机器学习模型（Machine Learning，ML）的不可解释性给其在气象业务中的应用带来了挑战。模型解释和可视化是解决这一问题的有效途径。文中将SHAP值应用于天气预报ML模型解释，研究了江西省暖季暴雨模型的预报因子对预报结果的影响。分别选取2016—2020年、2021—2022年4—9月ECWMF（European Centre for Medium-Range Weather Forecasts）高分辨率数值模式物理量及国家站降水观测数据进行XGBoost 建模与模型解释。结果表明，全局重要性排名前4位依次是总降水（重要性42.70%）、850 hPa比湿（重要性11.17%）、925 hPa相对湿度（重要性10.44%）、500 hPa相对湿度（重要性 9.16%）。个例分析表明，命中个例中高重要性物理因子在暴雨区的 SHAP 值较大，漏报（空报）个例在漏报（空报）区域高重要性物理因子的SHAP值偏小（偏大）。SHAP值从全局和局部可定量给出ML模型有物理意义的解释，解释结果与天气学原理和业务经验较一致，有利于ML在气象业务中的深入应用。
|
| 关 键 词： | SHAP值，机器学习，暴雨，因子重要性，可解释性 |
| 收稿时间： | 2023/9/4 0:00:00 |
| 修稿时间： | 2023/11/23 0:00:00 |
Importance analysis on warm season rainstorm forecast factors in Jiangxi Province based on machine learning
model of shapely values |
| |
| Xia Houjie,Xiao An.Importance analysis on warm season rainstorm forecast factors in Jiangxi Province based on machine learning
model of shapely values[J].Meteorology and Disaster Reduction Research,2024,47(1):12-23. |
| |
| Authors: | Xia Houjie Xiao An |
| |
| Institution: | Jiangxi Meteorological Observatory |
| |
| Abstract: | |
| |
| Keywords: | shapely values machine learning rainstorm factor importance interpretability |
|
| 点击此处可从《气象与减灾研究》浏览原始摘要信息 |
| 点击此处可从《气象与减灾研究》下载免费的PDF全文 |
