基于特征-时序解释的农业多灾害早期预警系统

气候极端事件正不断增加对农业的风险，加剧了对可靠多灾害早期预警系统（EWS）的需求。由于气候变化，这些系统需要具备从最近气候行为中持续学习的智能能力。然而，传统的单灾害预测方法难以捕捉并发气候事件之间的复杂相互作用。为此，本文结合顺序深度学习模型和先进的可解释人工智能（XAI）技术，引入了面向农业的多灾害预测框架。在实验中，我们利用2010至2023年美国四个主要农业地区的气象数据，验证了该框架在多种严重事件类型（极端寒冷、洪水、霜冻、冰雹、热浪和强降雨）上的预测准确性，每一地区都有针对性的模型。该框架独特地将注意力机制与TimeSHAP（面向时序数据的递归XAI解释器）相结合，提供了全面的时序解释，揭示不仅哪些气候特征具有影响力，更准确地指示其影响发生的时间。我们的结果显示出强大的预测准确性，特别是采用BiLSTM架构，并凸显了该系统在信息化、主动风险管理策略方面的能力。这一研究显著推进了多灾害EWS的可解释性和适用性，促进了跨学科信任和有效的气候风险管理决策过程。