基于可解释AI的极端暴雨环流异常型识别及季节内预测系统设计.docxVIP

PAGE2

基于可解释AI的极端暴雨环流异常型识别及季节内预测系统设计

摘要

近年来，受全球气候变化影响，我国极端暴雨事件频发，其突发性强、致灾性重，对城市运行和人民生命财产安全构成严重威胁。传统的数值天气预报模式对极端暴雨的延伸期至季节内尺度（10-30天）预测能力有限，且预报结果物理机制不清晰，难以支撑精细化防灾决策。本设计旨在构建一个集极端暴雨关键环流模态识别与季节内预测于一体的智能系统。

本设计首先利用可解释聚类算法，从历史再分析数据中自动提取与我国极端暴雨事件密切关联的大尺度环流异常模态，揭示其物理意义。在此基础上，融合季节内尺度（如MJO、BSISO等）强信号，构建一个信号驱动的极端暴雨概率预测模型。最后，设计并实现一个集数据处理、模型训练、预测输出与可视化于一体的软件系统。

论文遵循“需求分析→总体设计→详细设计→实现→测试”的工程递进思路展开。第一章阐述研究背景与意义；第二章介绍可解释AI与气候预测相关技术；第三章进行系统需求分析；第四章规划系统总体架构与模块；第五章详细设计核心算法与流程；第六章展示系统实现与关键技术难点；第七章通过测试验证系统功能与性能；第八章总结成果并展望未来。

本设计的核心创新点在于将可解释机器学习方法引入极端天气气候诊断，实现环流异常型的客观、物理可解释提取，并创新性地将季节内尺度信号作为预测因子，构建机理清晰的极端暴雨概率预测框架，