XAI4Extremes：用可解释AI揭示极端天气前兆信号的技术框架-平芜编程栈

1. 项目概述与核心价值

最近几年，搞机器学习和气象研究的朋友们，估计都绕不开两个词：一个是“极端天气”，另一个是“可解释AI”。前者越来越频繁地敲打着我们的现实生活，后者则像一把钥匙，试图打开深度学习这个“黑箱”的锁。我自己在交叉领域摸爬滚打这些年，深感两者结合的巨大潜力，但也深知其中的沟壑——模型预测得再准，如果说不清“为什么”，在严谨的科学决策面前，总显得底气不足。今天想和大家深入聊的，就是一篇来自ICLR 2025研讨会的工作，它提出了一个名为XAI4Extremes的框架，目标直指用可解释机器学习来揭示气候变化背景下极端天气的前兆信号。

简单来说，这个框架干了一件很酷的事：它不再满足于让一个深度学习模型仅仅去“预测”中南半岛的干季热浪是否会发生，而是更进一步，在模型做出正确预测后，通过一系列事后解释技术，去“审问”模型：“你到底是根据哪些数据、哪些区域、哪些气象变量，判断出热浪要来的？” 得到的答案，被可视化成一张张“相关性地图”，这就是论文里反复强调的“机器视角”。然后，研究者们再把这些地图，与气象学家们基于物理知识和统计方法（比如计算复合异常）得出的“人类专家视角”放在一起对比。这种对比的目的，不是要证明机器比人聪明，或者人比机器靠谱，而是为了开启一场“人机对话”，看看模型是否发现了我们已知的物理机制，更重要的是，它是否捕捉到了一些我们尚未充分认识、但与气候变化紧密关联的新线索。

这项工作最吸引我的地方在于它的务实和前瞻性。务实在于，它没有空谈理论，而是构建了一个从数据准备、模型训练、可解释性分析到结果验证的完整闭环，并且以中南半岛干季热浪这个具体问题作为切入点。前瞻性则在于，它指向了一个更宏大的目标：理解气候变化如何“改写”了极端天气的“剧本”。我们都知道气候在变暖，但具体到某类极端事件，其发生前的“征兆”是否也在悄然改变？这种改变是均匀的，还是有区域和变量上的特异性？XAI4Extremes试图用数据驱动的方法，给这些问题提供量化的、可追溯的证据。对于从事气象预报、气候变化影响评估、甚至灾害风险管理的朋友来说，这种能够提供“决策依据”而不仅仅是“预测结果”的工具，其价值不言而喻。无论你是机器学习工程师想切入气候科学应用，还是气象研究者想引入AI新方法，这个框架都提供了一个极具参考价值的范本。

2. XAI4Extremes框架深度拆解

2.1 核心设计思路：从预测到理解

传统的极端天气预测研究，无论是基于数值模式还是机器学习，终点往往是模型的预测性能指标，如准确率、F1分数等。性能好，皆大欢喜；性能差，则调参优化。但XAI4Extremes的起点，恰恰建立在“模型已经能够以一定准确率进行预测”这个基础上。它的核心思路是进行一次范式转换：从追求“预测得准”，转向探究“为何能预测准”。

这个转向背后有一个关键假设：一个在测试集上表现良好的深度学习模型，其内部学到的表征和决策逻辑，很可能捕捉到了数据中与目标（热浪发生）存在因果或强关联的物理模式。如果我们能将这些模式提取并解读出来，其价值可能远超单一的预测结果。这就像一位经验丰富的老中医，不仅能告诉你“你病了”，还能通过望闻问切，告诉你病因是“肝火旺”还是“脾胃虚”，后者对于治疗和预防显然更具指导意义。

为了实现这一思路，框架被设计成一条清晰的流水线。首先是数据层，需要构建一个适用于监督学习的、标注好的极端天气事件数据集。其次是模型层，选择一个强大的深度学习模型（如Transformer）来完成二元分类任务（热浪/非热浪）。然后是解释层，这也是框架的灵魂所在，应用多种事后可解释性方法（如Integrated Gradients, DeepSHAP）到训练好的模型上，生成针对每个正确预测样本的“相关性地图”。最后是知识发现层，将这些“机器视角”的地图与基于传统气象学方法（如复合异常分析）得到的“人类视角”进行系统对比和解读。

整个框架的巧妙之处在于它的通用性和可扩展性。论文虽然聚焦于中南半岛干季热浪，但方法论本身并不局限于特定的天气类型或地理区域。理论上，只要你能定义出清晰的极端事件（如极端降水、寒潮、风暴），并准备好相应的时空数据，这套流程就可以迁移过去。这为研究全球不同区域的各类极端天气开辟了一条可复现的技术路径。

2.2 关键技术组件解析

要真正复现或深入理解这个框架，我们需要拆解它的几个关键技术组件，每一个环节都有需要注意的细节和选择背后的逻辑。

1. 事件定义与数据集构建这是所有研究的地基，但恰恰是极端天气研究中最棘手的问题之一。论文附录A详细描述了他们的热浪定义方法，这是一种结合了“指数法”和“事件法”的两阶段策略。

第一阶段（格点层面）：他们使用ERA5再分析资料，在每个格点上采用TX90pct指数。具体操作是，对于每一天的每一个格点，计算其基于15天滑动窗口的日最高温度的第90个百分位数作为阈值。当某个格点的日最高温度连续3天或以上超过该阈值，则这些天被定义为该格点的“热浪日”。这里有一个关键预处理：移除了每个格点上的线性趋势。这么做的目的是为了剔除长期气候变暖信号对热浪频率统计的直接影响，使得分析能更聚焦于年际变率和天气尺度过程的影响，从而在长达60多年的研究期内保持热浪事件相对均匀的分布。这是一个非常重要的细节，否则我们可能会发现“热浪越来越多”，但这仅仅是背景变暖的结果，而非前兆信号的变化。
第二阶段（区域层面）：基于格点定义，他们需要确定一次影响整个中南半岛区域的“热浪事件”。他们设定了一个阈值（区域内达到热浪标准的格点数目的第90个百分位数），当区域内有超过该阈值的格点同时满足热浪条件时，就定义为一次区域热浪事件，并以首次超过阈值的日期作为“发生日”。为了确保事件的独立性，他们要求在每个发生日的前7天内，格点数都不能超过该阈值。对于“非热浪”样本，则从同一季节内、格点数低于阈值的日子中随机选取，并确保选取日前后7天内没有其他热浪或非热浪事件日，最终构成了1:5（热浪：非热浪）的数据集。

注意：事件定义没有金标准。不同的指数（如基于绝对温度、相对温度、持续时长）和阈值会直接影响到数据集的构成，从而影响模型学习和后续解释的结果。在实际应用中，需要与领域专家紧密合作，确保定义既符合气象学常识，又能满足机器学习模型对数据质量和平衡性的要求。

2. 模型架构与输入设计论文中主要使用了Transformer作为基准模型，同时也尝试了卷积注意力编码器（Conv+Attn）和修改版的FourCastNet。输入数据的设计是另一个精髓。

时空窗口：他们选取了热浪发生日前7天作为时间窗口。这个选择并非随意，而是基于气象学知识——热浪的形成往往与持续数天的大尺度环流异常有关（如阻塞高压、副热带高压异常西伸北抬等）。7天的窗口足以捕捉这些环流系统的建立和演变过程。
特征变量：输入包含了23个气象变量的空间场（经纬度网格）。这些变量并非随意挑选，而是涵盖了可能影响干季热浪的绝大多数物理过程，例如海平面气压（slp）、2米气温（t2m）、总降水量（tp）、大气可降水量（tcwv）等。这些变量共同描述了从地表到高层的热力、动力和水汽条件。将多变量、多时空步长的数据作为输入，使得模型能够学习到复杂的、非线性的相互作用。

3. 可解释性方法的选择与评估这是将“黑箱”转化为“玻璃箱”的关键一步。论文没有只依赖一种方法，而是同时应用了四种主流的事后解释方法：Integrated Gradients, DeepLIFT, DeepSHAP, 和 GradSHAP。这是一种非常严谨的做法，因为不同的解释方法基于不同的假设（如线性、可加性），其结果可能存在差异。

方法原理简述：
- Integrated Gradients (IG)：核心思想是计算输入特征从基线值（如零向量）到实际值之间路径上的梯度积分。它满足一些良好的公理性质，如实现不变性和敏感性。
- DeepSHAP：基于经典的SHAP（SHapley Additive exPlanations）值，通过结合DeepLIFT和期望梯度等思想，为深度学习模型提供近似SHAP值的解释。SHAP值源于博弈论，能公平地分配每个特征对预测结果的贡献。
评估与选择：更关键的是，论文没有“盲信”任何一种方法的结果，而是引入了可解释性方法的评估框架（引用自Turbé et al., 2023 和 Wei et al., 2024）。通过系统评估，他们发现Integrated Gradients在这项特定任务上表现最稳健、最可靠，因此后续分析均基于IG生成的相关性地图。这一步至关重要，它避免了“垃圾进，垃圾出”的问题——如果解释方法本身不可靠，那么后续的所有“知识发现”都将是空中楼阁。

4. “机器视角”与“人类视角”的对比这是整个框架产出科学洞察的环节。“机器视角”就是上述IG等方法生成的相关性地图，它量化了每个输入变量在每个空间格点、每个提前时间上对模型做出“热浪”预测的贡献度。 “人类视角”则采用气象学中经典的复合异常分析。具体做法是：对所有热浪事件发生日前N天的某个气象变量场进行平均，再减去该变量在气候平均态（如所有非热浪日或长期平均）下的场，得到的就是该变量在热浪发生前的平均异常场。这个异常场反映了人类专家基于统计和物理知识所认识到的、与热浪相关联的典型信号。对比这两者，可能产生三种结果：

高度一致：机器找到的关键区域/变量与复合异常显著区吻合。这增强了我们对模型可靠性的信心，也验证了已知的物理机制。
机器发现，人类未显：机器指出某些区域/变量贡献很大，但复合异常并不明显。这可能是最有趣的情况，提示可能存在未被传统方法充分重视的新前兆信号，需要专家进一步从物理上解读。
人类显着，机器不认：复合异常显示很强的信号，但模型认为其贡献不大。这可能意味着该信号与热浪的因果关系不强（只是相关），或者模型未能有效学习该特征，提示模型或特征工程有改进空间。

3. 以中南半岛热浪为例的实操推演

纸上得来终觉浅，我们不妨把自己代入研究者的角色，看看如何将XAI4Extremes框架应用到一次具体的分析中。这里我结合论文内容和个人经验，梳理出一个可操作的流程。

3.1 数据准备与预处理

假设我们已获得ERA5再分析数据（这是目前最常用的全球气候再分析数据集之一），时间范围从1959年到2022年，空间覆盖全球，时间分辨率逐日。

变量提取：根据研究需求，从庞大的ERA5数据集中提取出那23个关键变量。这可能需要使用像xarray或cfgrib这样的Python库来处理NetCDF或GRIB格式数据。一个实用的技巧是，先定义一个包含所有变量名的列表，然后批量循环读取，并确保所有数据在时空维度上对齐。
区域裁剪与重采样：将数据裁剪到感兴趣的区域，比如论文中的Region 1（70°E-100°E， 10°S-30°N）和Region 2（100°E-150°E， 10°S-30°N）。同时，考虑到计算效率和模型输入尺寸的统一，可能需要对原始数据（如0.25°×0.25°）进行空间重采样（如插值到1°×1°）。这里需要权衡分辨率和计算成本。
热浪事件标签生成：这是最需要谨慎的一步。按照附录A的算法，我们需要编写代码实现两阶段检测。
- 首先，对每个格点逐日计算TX90pct阈值，并标记热浪日。这里要注意处理闰年和日历日滑动窗口的边界。
- 其次，根据区域掩膜（如图3中的中南半岛多边形），逐日统计区域内热浪格点数，应用第90百分位数阈值确定区域热浪事件发生日，并确保事件独立性（间隔大于7天）。
- 最后，生成标签序列：对于每个热浪发生日，其标签为1；同时，按照1:5的比例，从符合条件的非热浪日中随机抽取样本，标签为0。务必保存好每个样本对应的具体日期，以便后续提取对应的气象数据切片。
构建样本数据集：对于标签序列中的每一个日期（无论是1还是0），提取其前7天、共23个变量的全球或区域数据场。这样，每个样本就是一个四维张量[时间步长=7, 变量数=23, 纬度, 经度]。随后，按时间顺序以6:2:2的比例划分训练集、验证集和测试集。重要：由于气象数据具有强时间自相关性，必须严格按时间划分，避免未来信息泄露。不能随机打乱。

3.2 模型训练与可解释性分析

模型搭建与训练：可以使用PyTorch或TensorFlow搭建一个Transformer编码器模型。输入层需要适应上述四维张量，通常的做法是先将空间维度（纬度×经度）展平为一个长向量，或者使用卷积层先进行空间特征提取，再将特征图送入Transformer。损失函数使用二元交叉熵，优化器常用AdamW。训练时密切关注验证集上的性能，防止过拟合。
生成相关性地图：在测试集上，筛选出那些被模型正确分类为热浪（True Positive）的样本。这是关键，我们只相信模型“做对题”时的理由。对于每个TP样本，使用captum库（如果使用PyTorch）或shap库中的Integrated Gradients方法。需要设定一个合理的基线（Baseline），常见选择是零张量，或者所有非热浪样本的平均场。计算每个输入特征（即每个变量在每个格点、每个时间步）的IG贡献值。这个过程计算量较大，可能需要批量进行并利用GPU加速。
聚合与分析：得到的是每个样本的、细粒度的贡献图。为了得到更普适的结论，我们需要进行聚合。论文中的做法是：按不同的历史时期（如1959-1972, 1972-1984等）进行分组，对组内所有TP样本的贡献图进行平均，得到每个时期、每个变量、每个提前日的“平均相关性地图”。这种分时期聚合的方式，正是探究气候变��影响的关键——观察关键前兆信号的贡献度是否随时间（即随着全球变暖）发生系统性变化。

3.3 结果解读与物理洞察

现在，我们手上有了一系列“机器视角”的相关性地图。以论文中最突出的发现为例：200 hPa高度温度（对流层高层温度）在预测中南半岛热浪中的重要性，在最近几十年（如1997-2010， 2010-2022）显著高于早期（如1959-1972）。

对比“人类视角”：我们同时计算同一时期、同一区域、同一变量（200 hPa温度）在热浪发生前7天的复合异常图。我们发现，复合异常也显示出自上世纪中叶以来的增暖趋势。这初步验证了机器发现与人类观测的一致性。
深入物理机制：为什么高层温度变暖会成为更重要的前兆？这需要气象学知识来解释。一种合理的物理机制是：对流层高层（约12公里）的增暖会增加大气的稳定性（因为高层变暖，上下层温度差减小），从而抑制对流活动。对流被抑制意味着云量减少，使得更多的太阳短波辐射能够到达地表，同时地表的长波辐射也更易逃逸到太空（温室效应减弱？这里需要仔细分析净辐射收支）。但更直接的是，抑制对流通常伴随着大尺度的下沉气流（subsidence），下沉气流在绝热压缩过程中会增温，进一步加剧近地面的热浪。因此，高层增暖信号，通过影响对流和垂直运动，可能成为了一个在气候变化背景下被强化的、关键的热浪“放大器”或“触发器”。
发现“认知差异”：论文另一个有趣发现是，对于2米气温（t2m）和日最高气温（txm）这两个与热浪直接相关的变量，复合异常显示它们有非常强的增暖趋势（这很好理解，全球变暖嘛），但它们在模型的相关性地图中的重要性并没有显示出同样明显的上升趋势。这说明了什么？这可能意味着，尽管近地面气温本身在升高，但模型认为，对于预测一次具体的、即将发生的热浪事件而言，高层温度等大尺度环流因子的“变化”或“异常”比近地面气温本身的“绝对值”更具指示意义。近地面气温的升高是背景场，而高层温度的异常可能是触发机制。这个洞察对于改进预报模型的重点关注变量或许有启示。

实操心得：在解读相关性地图时，一定要避免“因果颠倒”的诱惑。模型识别出的高相关性特征，不一定就是热浪的“原因”，也可能是“结果”或是共同受第三个因素影响的“伴随现象”。需要与领域专家反复讨论，结合动力气象学原理，才能做出合理的推断。可解释性输出是提出科学假设的起点，而非验证因果的终点。

4. 框架的延展、挑战与实操建议

XAI4Extremes框架为我们打开了一扇门，但门后的道路依然充满挑战和机遇。这部分结合我自己的思考，谈谈如何扩展这个框架，以及在实际操作中可能遇到的坑。

4.1 向其他极端天气与区域的扩展

该框架的通用性是其最大优势之一。要将其应用于其他极端天气，你需要重新定义三个核心要素：

事件定义：对于极端降水，你可能使用“某区域连续N日降水量超过历史第95百分位数”等指数。对于寒潮，则关注低温阈值和持续时长。定义必须清晰、可操作，并能转化为二分类标签。
预测目标与时间窗口：热浪预测的是“发生日”。对于极端降水，你可能预测“未来24小时累积降水量是否超标”。时间窗口的选择需要根据天气系统的生命史来定，例如，对于台风，可能需要提前更长时间（如3-5天）来捕捉其生成和发展的前兆信号。
输入变量集：不同的极端天气由不同的物理过程主导。研究极端降水，需要重点关注水汽输送（如整层积分水汽通量）、垂直速度、不稳定能量（如对流有效位能CAPE）等变量。研究风暴路径变化，则需要关注急流、涡度等动力场变量。与领域专家共同确定这个变量列表是成功的关键。

4.2 当前面临的挑战与前沿探索

论文在结论部分也坦诚地指出了几个开放性问题，这也是未来研究的方向：

事后解释方法的稳健性：不同的解释方法可能给出不一致甚至矛盾的结果。如何评估和选择最可靠的方法？除了文中提到的评估框架，还可以考虑使用“消融实验”（ablation study）的思路：如果我们将模型认为最重要的特征人为扰动或置零，模型的预测概率是否会发生显著下降？下降幅度与特征重要性排序是否一致？这可以作为验证解释结果合理性的一种补充手段。
面向时空数据的自解释模型：目前依赖的是“事后”解释。一个更前沿的方向是构建本质可解释的模型，例如在模型架构中内置注意力机制，并约束其注意力图与物理知识对齐，或者开发专门用于时空数据的自解释网络。这样，模型的决策过程本身就是透明的。
从相关性到因果性：这是终极难题。相关性地图显示的是统计关联，而非因果。如何结合因果推断的方法（如基于因果图、工具变量等）来增强结论的可靠性？一个可行的思路是，利用数值模式进行“敏感性试验”。例如，在模式中人为强迫施加机器识别出的关键前兆信号（如特定区域的高层增暖），看是否能显著提高热浪的模拟发生概率。
高分辨率与计算成本：使用更高分辨率的再分析数据或模式输出，能捕捉更精细的局地过程，但数据量和计算成本会呈指数增长。需要在精度和可行性之间取得平衡。

4.3 给实践者的建议与避坑指南

如果你打算在自己的研究中尝试类似的框架，以下是一些来自实战的经验和建议：

数据准备阶段：

数据一致性检查：确保所有变量在时空维度上严格对齐。检查是否有缺失值，并采用合理的方法填补（如时空插值）。对于再分析数据，了解其在不同时期、不同区域可能存在的同化系统变更带来的不连续性。
类别不平衡处理：极端事件样本（正类）通常远少于正常事件（负类）。1:5在热浪研究中可能可行，但对于更罕见的事件（如超级台风），比例可能更悬殊。除了文中提到的严格抽样策略，也可以考虑使用过采样（如SMOTE）、欠采样或调整损失函数（如Focal Loss）来缓解不平衡问题。
标准化/归一化：不同气象变量的量级差异巨大（如气压是百帕级别，温度是摄氏度，降水量是毫米）。在输入模型前，必须对每个变量进行标准化（减去均值除以标准差）或归一化（缩放到[0,1]区间）。建议在训练集上计算统计量，然后应用于验证集和测试集。

模型训练阶段：

避免信息泄露：这是时间序列分析中最常见的坑。确保在划分数据集、进行特征工程（如计算滑动平均）时，绝对不能用到未来信息。时间划分是最安全的做法。
谨慎使用数据增强：对于气象时空数据，简单的地理翻转、旋转可能不适用，因为大气运动具有特定的物理约束（如地转平衡）。更安全的增强方式可能是在时间维度上进行小幅度的随机裁剪，或者添加符合物理规律（如满足高斯分布）的微小噪声。
监控过拟合：除了看训练集和验证集的损失曲线，更要关注模型在不同时间周期上的表现是否稳定。一个模型可能在2000-2010年表现很好，但在2010-2020年表现骤降，这可能意味着它只是记住了某些特定年代的气候背景态，而非真正的预报信号。

可解释性分析阶段：

基线选择的影响：Integrated Gradients等方法的结果严重依赖于基线（Baseline）的选择。零基线是常见的，但有时使用所有负类样本的平均场作为基线可能更具气象意义（代表“平静”或“正常”状态）。建议尝试不同的基线，观察关键结论是否稳健。
聚合方式的科学性：对相关性地图进行时空聚合（如区域平均、时间平均）时，要想清楚其物理意义。论文中按历史时期聚合是为了看气候变化信号，你也可以按季节、按不同的天气型（如厄尔尼诺/拉尼娜年）进行聚合，以揭示不同背景条件下的前兆差异。
可视化是关键：一张好的相关性地图或对比图，胜过千言万语。学习使用matplotlib,cartopy等工具制作专业、清晰的气象可视化图表。确保色标（colormap）的选择是科学的（如发散色标用于异常，顺序色标用于强度），并标注清楚单位、区域和统计显著性（如果适用）。

最后，我想强调的是，XAI4Extremes这类工作的最终目的，不是用机器取代人类专家，而是构建一个“人机协同”的增强智能系统。机器擅长从海量数据中挖掘复杂的、非线性的模式，而人类专家擅长提出假设、理解物理机制、判断合理性。当机器的“发现”与人类的“知识”碰撞、印证甚至产生矛盾时，往往就是新知识诞生的起点。这个过程要求研究者既要有扎实的机器学习功底，也要有足够的气象学素养，或者最好是一个紧密合作的交叉学科团队。这条路走起来不容易，但每一步都可能在帮助我们更好地理解这个变幻莫测的气候系统，为应对日益增多的极端天气风险提供更坚实的科学基础。