用于脆弱社区局地风灾预测的可解释双流学习
机器学习
2025-05-21 v1
摘要
龙卷风和直线风等风灾经常影响美国大平原的脆弱社区，那里有限的基础设施和稀疏的数据覆盖阻碍了有效的应急响应。现有的预报系统主要关注气象要素，往往未能捕捉特定社区的脆弱性，限制了它们在局地风险评估和韧性规划中的效用。为了填补这一空白，我们提出了一个可解释的双流学习框架，该框架将结构化数值天气数据与非结构化文本事件叙述相结合。我们的架构通过后期融合机制结合了随机森林和基于 RoBERTa 的 Transformer，实现了稳健且具有上下文感知能力的风灾预测。该系统专为服务不足的部落社区量身定制，并支持街区级别的风险评估。实验结果表明，相较于传统基线有显著的性能提升。此外，基于梯度的敏感性和消融研究深入揭示了模型的决策过程，增强了透明度和操作信任度。研究结果证明了该系统在支持应急准备和提升社区韧性方面的预测有效性和实用价值。
引用
@article{arxiv.2505.14522,
title = {Interpretable Dual-Stream Learning for Local Wind Hazard Prediction in Vulnerable Communities},
author = {Mahmuda Akhter Nishu and Chenyu Huang and Milad Roohi and Xin Zhong},
journal= {arXiv preprint arXiv:2505.14522},
year = {2025}
}