从黑箱到洞察：面向极端事件备灾的可解释人工智能
机器学习
2025-11-18 v1 人工智能
摘要
随着气候变化加速了野火等极端事件的发生频率和严重程度，对准确、可解释且可操作的预测需求变得日益迫切。虽然人工智能（AI）模型在预测此类事件方面已显示出潜力，但由于其黑箱特性，限制了信任度、可解释性和操作就绪性，导致其在现实世界决策中的应用仍然有限。本文探讨了可解释人工智能（XAI）在弥合极端事件预测中预测准确性与可操作洞察之间差距的作用。以野火预测为案例研究，我们评估了各种AI模型，并采用SHapley Additive exPlanations（SHAP）来揭示模型行为中的关键特征、决策路径和潜在偏差。我们的分析展示了XAI如何不仅阐明模型推理，还能支持领域专家和响应团队的关键决策。此外，我们提供了辅助可视化，通过将特征重要性以及季节性和地理空间特征中的时间模式情境化，增强了XAI输出的可解释性。这种方法提升了AI解释对从业者和政策制定者的可用性。我们的发现强调了AI系统不仅需要准确，还需要可解释、可访问和可信赖，这对于在灾害备灾、风险缓解和气候韧性规划中的有效使用至关重要。
引用
@article{arxiv.2511.13712,
title = {From Black Box to Insight: Explainable AI for Extreme Event Preparedness},
author = {Kiana Vu and İsmet Selçuk Özer and Phung Lai and Zheng Wu and Thilanka Munasinghe and Jennifer Wei},
journal= {arXiv preprint arXiv:2511.13712},
year = {2025}
}