可解释机器学习在CMIP6多模式集合中的应用

《Environmental Data Science》:Interpretable machine learning for CMIP6 multi-model ensembles

【字体: 大 中 小 】 时间:2026年07月16日 来源:Environmental Data Science 2.8

编辑推荐:

  多模式集合在气候科学中被广泛使用,然而耦合模式比较计划第六阶段(CMIP6)模式既非独立也非同等可靠。研究人员提出了一个可解释集成学习框架,它在提升预测能力的同时明确各模式的贡献。利用1948–2014年的月尺度CMIP6近地表温度和降水数据与ERA5进行对比

  
多模式集合在气候科学中被广泛使用,然而耦合模式比较计划第六阶段(CMIP6)模式既非独立也非同等可靠。研究人员提出了一个可解释集成学习框架,它在提升预测能力的同时明确各模式的贡献。利用1948–2014年的月尺度CMIP6近地表温度和降水数据与ERA5进行对比,研究人员比较了算术多模式集合平均(AMME)、岭回归、随机森林以及一种自适应插值于两者之间的连续门控混合模型。在保留的测试年份(2006–2014)上,门控模型在温度预测上取得了最佳表现,并在降水分布行为上相比AMME和各单一学习器均有改进。研究人员将这一增益追溯至个别模式和空间:主导聚类和主导模式图显示,门控模型将信任重新分配至区域一致的模式上,而非退化为单一最佳模式;同时,基于熵的诊断量化了信任集中与分散的格局。这些分析为支持预测技能和科学问责的透明集成学习提供了一条实践路径。
**论文解读:面向CMIP6多模式集合的可解释机器学习框架**

**研究背景与问题**

多模式集合是气候科学的核心工具,尤其用于综合不确定性并生成稳健的气候预估。在如CMIP等大型协调实验中,主流做法是采用简单的算术平均组合模式,隐含地将每个模式视为独立且同等可信的气候系统表征。这种“模式民主”方法因其简单、透明且长期被制度接受而广泛使用。然而,大量研究表明这些假设在实践中很少成立:气候模式既非独立也非同等可靠——许多模式共享代码基础和参数化方案,其性能在不同变量、区域和时间尺度上差异显著。因此,等权平均可能导致紧密相关模式家族的过度代表和次优的集合预测。这促使研究人员开展大量基于性能和依赖性的加权方案研究。与此同时,近期研究越来越多地应用机器学习方法进行气候集合后处理,如线性回归、随机森林(RF)和神经网络,这些方法通常比未加权平均报告更高的预测精度,但大多数机器学习研究仅关注总体技能指标,对单个气候模式如何贡献最终预测的洞察有限,缺乏可解释性使得难以评估稳健性、诊断失败模式或将数据驱动的改进与物理理解联系起来。为此,研究人员开展这项研究,旨在提出一个面向应用的可解释集成学习框架,利用CMIP6模拟和ERA5再分析,追踪机器学习方法如何在单个气候模式及其粗聚类之间重新分配信任,理解机器学习何时在气候集合后处理中具有认识论上的实用性,以及哪些模式驱动了这些改进。

**研究内容与结论**

研究人员开发了一个可解释集成学习框架,通过对比算术平均(AMME)、岭回归、随机森林和一种连续门控混合模型,评估了它们对CMIP6近地表温度和降水的预测能力。研究使用25个CMIP6模式的历史期(1948–2014)月数据,并以ERA5为观测参考,采用时间有序划分(训练1948–1998,验证1999–2005,测试2006–2014)。结果表明,所有学习型方法均显著优于AMME,其中门控混合模型在温度上取得最低均方根误差(RMSE)0.196和最高纳什效率系数(NSE)0.980,在降水上不仅降低平均误差还改善了湿日频率和上尾行为。更重要的是,门控模型通过空间可解释的信任重分配实现改进:主导聚类和主导模式图显示,门控模型在区域一致的模式上重新分配信任,而非退化为单一最佳模式;熵诊断显示,门控模型的有效集合大小(Neff)为19.5,介于岭回归(21.1)和随机森林(13.4)之间,表明它保持了广泛的集合多样性,仅在局部区域选择性集中信任。时空分析进一步揭示,门控值在春季(MAM)以岭回归主导(均值0.873),在冬季(DJF)随机森林贡献更大(均值0.592),表明非线性信息在冬季更关键。该研究发表在《Environmental Data Science》。

**主要技术方法**

研究人员采用了以下关键方法:① 基于全球气候平均态(温度与降水)的k-means聚类(k=4),以构建粗粒度的模式分组,用于解释权重分配;② 岭回归(Ridge Regression),通过L2正则化学习全局线性权重;③ 随机森林(RF)回归器,捕捉模式间的非线性交互,并使用平均不纯度减少(MDI)计算变量重要性;④ 连续门控混合模型(Gating Mixture),学习岭回归和随机森林预测的凸组合,门控值gt通过验证期最优闭式解拟合,再通过第二个岭回归从标准化输入预测门控值,实现自适应插值。所有模型使用ERA5再分析数据作为监督学习目标,数据来源为CMIP6全球气候模式输出和欧洲中期天气预报中心(ECMWF)的ERA5再分析产品。

**研究结果**

**4. 全球预测性能**

**4.1 温度**:所有学习型方法均优于AMME。岭回归将RMSE降低一半以上(0.209),RF也有显著提升(0.225),门控模型取得最佳性能(RMSE 0.196,NSE 0.980)。通过10次随机种子稳定性验证,排名(门控 > 岭回归 > RF > AMME)稳定,标准差接近零。

**4.2 降水**:所有学习型方法在RMSE、湿日频率RMSE和上尾RMSE上均优于AMME。岭回归和RF均有改善,门控模型全球最优(RMSE 0.00218,技能提升0.509),但相比温度,降水增益较小且对方法选择更敏感。

**5. 可解释模型权重与门控行为**

**5.1 全球岭回归权重与RF比较**:岭回归赋予前10个模式非均匀权重,最高权重约为均匀权重(1/25=0.040)的1.5倍,集中在聚类1和3。RF重要性(MDI)与岭回归权重部分一致(Pearson r=0.52),其中6个模式(如GISS-E2-1-H、AWI-CM-1-1-MR)在RF中重要性显著高于岭回归权重,表明这些模式携带岭回归无法捕捉的非线性信息。

**5.2 门控空间结构与模式主导**:通过主导聚类和主导模式图,门控模型在空间上展现清晰的区域结构:热带地区由聚类0(MIROC系列)主导,大陆内部和南大洋由聚类3(CMCC-GISS-H组)主导,高纬度由聚类1(大组)主导。门控的技能提升(相对于AMME)在热带最强(+0.418),在北极次之(+0.298),在NH中纬度较弱(+0.148)。空间分析显示,55%的像素由岭回归主导(g?>0.5),45%由RF主导(g?<0.5),RF主导集中在热带海洋和南大洋,这些区域也是技能改善最显著的区域。

**5.3 信任离散度与有效集合大小**:门控模型的信任熵空间分布显示,大部分区域熵较高,平均有效集合大小Neff=19.5,表明门控保持了广泛的集合多样性,仅在局部(如热带海洋和南大洋)出现低熵区域,对应强技能提升。相比之下,岭回归Neff=21.1,RF Neff=13.4。

**5.4 门控的时间与季节行为**:全球门控值gt在测试期92%的月份大于0.5(岭回归主导),均值0.685。季节变化显著:MAM(春季)最高(0.873),几乎完全由岭回归主导;DJF(冬季)最低(0.592),RF贡献最大;JJA和SON居中(0.638和0.639)。这表明全球平均关系在春季更线性,冬季非线性信息更有用。

**讨论与结论**

讨论部分指出,门控模型通过结构化信任重分配而非全局选择单一模式实现改进,既保留了线性正则化的稳健性,又利用了非线性特征选择。岭回归维持高熵(广泛分布信任),RF更集中,门控介于两者之间。时空分析表明,门控在局部(如热带海洋)集中信任以获取技能提升,但在全球范围内保持集合多样性(Neff≈19.5)。研究结论强调:该框架在模式民主与激进模式选择之间提供了实用中间地带——集成学习可在保持透明性和可审计性的同时提升技能。未来工作应扩展至更丰富的模式描述符(如区域统计、多年代际趋势)、不确定性感知目标、稀疏加权方案(如LASSO)、温度和降水的联合多变量学习,以及评估门控权重的季节和区域模式是否可归因于特定物理机制。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

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