气象预报解释性人工智能(XAI)可视化平台设计.docxVIP

PAGE2

气象预报解释性人工智能(XAI)可视化平台设计

摘要

随着深度学习技术在气象预报领域的广泛应用，预报准确率显著提升，但模型的“黑箱”特性严重制约了预报结果在关键决策场景中的可信度。气象预报员难以理解模型为何做出特定降水或强对流预测，导致人工智能辅助预报难以在业务中深度落地。本课题设计并实现了一个气象预报解释性人工智能（XAI）可视化平台，旨在揭示深度学习气象模型在推理时关注的云图特征与决策依据，将不可见的模型内部逻辑转化为直观的视觉解释。

平台采用B/S架构，支持多源气象数据的接入与预处理，集成了梯度加权类激活映射（Grad-CAM）、积分梯度（IntegratedGradients）及局部可解释模型无关解释（LIME）三种主流XAI方法，并设计了多视角对比、时间序列追溯与特征重要性排序等可视化工具。论文遵循“需求分析→总体设计→详细设计→实现→测试”的工程递进逻辑，依次阐述了研究背景与相关技术、功能性与非功能性需求、系统架构与模块划分、核心算法与界面详细设计，以及关键功能的实现与测试验证。

核心创新点在于：构建了面向气象预报场景的XAI方法适配框架，将三类解释方法统一输出为可叠加的云图热力层；设计了时间轴耦合的解释回溯机制，支持追踪模型在不同预报时次关注区域的变化；提出了一种解释结果可信度评分规则，辅助预报员判断解释的可靠性。本平台能够有效降低预报员对深度学习