利用 Madden-Julian 振荡检验地球科学中可解释神经网络的可靠性
大气与海洋物理
2020-05-28 v2
摘要
我们通过将两种神经网络解释技术——反向优化与逐层相关性传播——应用于一个被广泛研究的地球物理现象 Madden-Julian 振荡，来检验它们在地球科学应用中的可靠性。Madden-Julian 振荡是热带大气中的一种多尺度型态，过去数十年已被广泛研究，这使其成为确保可解释性方法能够恢复关于其空间结构的现有认知的理想测试用例。神经网络确实能够复现现有认知，并能提供关于 Madden-Julian 振荡季节性及其与大气状态变量关系的新见解。神经网络识别 Madden-Julian 振荡位相的准确度是线性回归的两倍，这意味着神经网络所用的非线性对 Madden-Julian 振荡的结构至关重要。对神经网络的解释表明，它准确捕捉了 Madden-Julian 振荡的空间结构，提示 Madden-Julian 振荡的非线性通过各事件的独特性显现，并提供了与其同大气状态变量关系的具有物理意义的见解。我们还利用这些解释识别 Madden-Julian 振荡的季节性，发现 conventionally 定义的延伸季节应向后推迟一个月。更一般地，本研究表明神经网络可在地球科学应用中被可靠地解释，并可能
引用
@article{arxiv.1902.04621,
title = {Testing the Reliability of Interpretable Neural Networks in Geoscience Using the Madden-Julian Oscillation},
author = {Benjamin A. Toms and Karthik Kashinath and Prabhat and Da Yang},
journal= {arXiv preprint arXiv:1902.04621},
year = {2020}
}
备注
This manuscript has been submitted for peer review