知识引导的机器学习：示范性地使用可解释提升机识别卫星图像中的超穿顶
计算机视觉与模式识别
2026-03-02 v2 机器学习
摘要
机器学习（ML）算法在越来越多的气象学应用中得到广泛应用。然而，这些算法在其训练数据之外的外推方面存在挑战，即可能采用不恰当的策略导致灾难性失败。由于 ML 算法的不透明性，这些失败难以预测。在高风险应用中，如严重天气预报中，避免此类失败至关重要。一个解决方法是开发更具可解释性的 ML 算法。本文的主要目标是示范性地使用尚未在气象学中得到广泛应用的特定可解释 ML 算法——可解释提升机（EBM）。我们展示了 EBM 在实现人类引导策略方面特别适合于在 ML 算法中实现。作为引导示例，我们展示了如何开发一种 EBM 来检测卫星图像中的超穿顶（OT）。EBM 需要输入特征为标量。我们采用知识引导机器学习中的技术，首先从气象气象图像中提取标量特征。对于识别 OTs 的应用，这包括使用灰度共生矩阵从卫星图像中提取云纹理。训练完成后，对 EBM 进行检查和最小修改，以更贴近领域科学家用于识别 OTs 的策略。我们努力的结果是开发出一种在人机协作中使用人类引导策略的完全可解释 ML 算法。虽然最终模型未达到更复杂方法的准确率，但表现相当良好，我们希望为构建此类及其他气象学应用中的更具可解释性 ML 算法铺平了道路。
引用
@article{arxiv.2507.03183,
title = {Knowledge-Guided Machine Learning: Illustrating the use of Explainable Boosting Machines to Identify Overshooting Tops in Satellite Imagery},
author = {Nathan Mitchell and Lander Ver Hoef and Imme Ebert-Uphoff and Kristina Moen and Kyle Hilburn and Yoonjin Lee and Emily J. King},
journal= {arXiv preprint arXiv:2507.03183},
year = {2026}
}
备注
48 pages, 18 figures