基于ConvLSTM的四大印度城市短时降雨深度学习预测：ConvLSTM方法与可解释人工智能
机器学习
2025-11-17 v1
摘要
降雨预测的深度学习模型常以黑盒形式存在，限制了其在实际气象预测中的应用。为在保持准确性的同时提升透明度，我们开发了一个面向四大印度城市——班加罗尔、孟买、德里和加尔各塔（分别位于不同的气候区）的短时降雨预测的可解释深度学习框架。我们实现了一个混合Time-Distributed CNN-ConvLSTM(卷积神经网络-长短期记忆)架构，基于多年来的ERA5再分析数据进行训练。该架构针对每个城市优化的卷积滤波器数量不同：班加罗尔(32)，孟买和德里(64)，加尔各塔(128)。模型分别获得了0.21 mm/天(班加罗尔)、0.52 mm/天(孟买)、0.48 mm/天(德里)和1.80 mm/天(加尔各塔)的均方根误差(RMSE)。通过基于置换重要性、梯度加权类激活映射(Grad-CAM)、时序遮挡和反事实扰动的可解释性分析，我们识别出模型行为的不同模式。该模型依赖于城市特定变量，预测时程范围从班加罗尔的1天到加尔各塔的5天。该研究表明，可解释人工智能(xAI)能够提供准确的预测，并透明地揭示不同城市环境中降雨模式。
引用
@article{arxiv.2511.11152,
title = {Deep Learning for Short-Term Precipitation Prediction in Four Major Indian Cities: A ConvLSTM Approach with Explainable AI},
author = {Tanmay Ghosh and Shaurabh Anand and Rakesh Gomaji Nannewar and Nithin Nagaraj},
journal= {arXiv preprint arXiv:2511.11152},
year = {2025}
}