Mar, 2024

大气状态估计中可解释的图神经网络对观测影响分析

PDF
TL;DR本研究通过使用图神经网络（GNNs）和可解释性方法，研究了观测对天气预报系统中的大气状态估计的影响。我们将观测和数值天气预报（NWP）点整合到一个气象图中，提取以 NWP 点为中心的 k 跳子图。采用自监督的 GNNs 来聚合这些 k 跳半径内的数据，估计大气状态。通过基于梯度的可解释性方法，评估了来自 11 个卫星和陆地观测数据，结果突出了可视化观测类型重要性的有效性，增强了对天气预报中观测数据的理解和优化。
atmospheric state estimationgraph neural networksexplainability methodsmeteorological graphobservation types
发现论文，激发创造
  • 云天九：利用可解释图神经网络分析气象观测对天气预报的影响

    使用可解释的图神经网络（XGNNs）的基于 XGNN 的大气状态估计模型，结合数值天气预报模型，提供了一个名为 “CloudNine” 的新型系统，用于分析个体观测数据对特定预测的影响，并在特定空间区域和时间段可视化观测数据对预测的影响。

    Feb, 2024

  • 图神经网络中的可解释性：一个实验调研

    本文概述了当前流行的图神经网络（GNN）解释方法，包括新的评估指标和真实世界数据集的实验比较，并提出了未来的解释发展方向。

    Mar, 2022

  • 自解释图神经网络用于链路预测

    本文提出一种自我可解释的 GNN 框架，可以同时给出精确的预测和解释，通过找到一个节点的各种 $k$ 个重要邻居，为该节点到其他节点的链接学习对特定的表示，从而得出解释。

    May, 2023

  • HiSTGNN：用于天气预报的分层时空图神经网络

    本文提出了一种层次化的时空图神经网络模型 (HiSTGNN)，用于模拟多个站点中气象变量之间的跨区域时空相关性，在三个真实气象数据集上表现出明显优异性能，特别是与最先进的天气预报方法相比，其误差降低了 4.2% 到 11.6%。

    Jan, 2022

  • 应用图神经网络预测全球天气

    使用图神经网络的数据驱动方法预测全球天气，通过学习当前 3D 大气状态的六小时步长以及多步连接，可以产生数天后的精准预报，测试表现优于以前的数据驱动方法，并且与 GFS 和 ECMWF 的物理模型的全分辨率相当可比。

    Feb, 2022

  • 可解释性全球野火预测模型基于图神经网络

    利用基于图神经网络（GNN）的混合模型，我们通过将全球气候和野火数据表示为图形，解决了传统模型中存在的空洞海洋数据位置和远程相关性的挑战，并且在未见过的 JULES-INFERNO 模拟数据集上展示出卓越的预测准确性。此外，通过社区检测和集成梯度分析，我们揭示了潜在的野火相关性聚类和特征重要性，强调了模型的可解释性。我们的研究不仅推动了野火预测方法领域的发展，还强调了模型透明度的重要性，并为野火管理的利益相关者提供了有价值的见解。

    Feb, 2024

  • 图神经网络的生成式解释：方法与评估

    结合图生成的角度，本文综述了用于图神经网络的解释方法，并就生成解释方法提出了统一的优化目标，包括归因和信息约束两个子目标。通过揭示现有方法的共享特性和差异，为未来的方法改进奠定了基础。实证结果对不同的解释方法在解释性能、效率和泛化能力方面的优势和局限性进行了验证。

    Nov, 2023

  • 自说明图神经网络探索

    本文研究自解释图神经网络的新问题，提出了新的框架以实现可解释的节点分类，通过可解释的相似性模块以找到每个未标记节点的 $K$ 近邻标记节点，并在真实世界和合成数据集上进行了广泛的实验验证。

    Aug, 2021

  • 通过相关路径解释图神经网络的高阶行为

    本研究展示了一种新颖的解释方法 GNN-LRP，通过高阶扩展和嵌套属性方案来提取与预测相关的输入图形的漫游集合，可为图神经网络和情感分析等提供实用洞见。

    Jun, 2020

  • WeatherGNN：利用复杂关系进行数值天气预报偏差修正

    提出了一种利用图神经网络的 NWP 偏差校正方法 WeatherGNN，在两个真实数据集上展示了与其他方法相比的显著优势，平均 RMSE 提高了 40.50%。

    Oct, 2023