BAMS｜神经网络气象应用的评估、挖掘和解释

深度学习为气象领域的远程遥感应用带来了新的机遇。常规的应用包括：图像分类(image classification)，比如确定是否图像中包含热带气旋；图像翻译(image-to-image translation)，比如根据只有被动遥感的卫星模拟雷达图像。然而当前关于神经网络的气象图像应用仍存在很多问题，比如评估、挖掘和解释的最佳实践。本文强调了当前气象领域的神经网络开发尚未得到过多关注的一些策略和最佳实践考量，比如感受野(receptive fields)的概念、未充分利用的气象性能评估、神经网络解释方法，比如合成试验(synthetic experiments)和layer-wise relevance propagation。我们将神经网络解释过程视作一个整体，其是构建在试验设计和提出假设和测试的基础上的迭代气象驱动发现过程(iterative meteorologist-driven discovery process)。最后，尽管目前气象领域中的神经网络解释工作主要集中在图像分类任务上，我们也将其扩展到包括图像翻译的任务。

神经网络已经成为气象领域非常有用的工具。然而，仍然有很多问题没有得到回答，比如：

•评估和挖掘(evaluation and tuning)：哪种性能评估方法对于气象领域中神经网络的评估和挖掘是最有效的？•可解释性(interpretability)：如果神经网络表现很好，那么是如何得到具有气象意义的结果呢？我们能够发现其所使用的策略吗？

开发更好理解的神经网络模型可以从以下方面改善神经网络在气象方面的应用：

•识别和消除潜在失败的模式，从而更好的改善模型的性能；•改善模型的可信性；•增进科学认识，从而获取能够更简单和显而易见的方法，处理气象相关的任务；•学习新的物理知识。

本文主要的通过以下方面拓展已有工作：

•认识到气象应用中的NN解释过程是一个使用许多不同工具的迭代发现过程，并强调气象学家在这一过程中每一步的重要性；•列举神经网络评估和解释可用工具；•进一步讨论目前在可解释领域很少关注的图像翻译网络（比如编码-解码网络或U-Net）；•强调两个在气象领域很少关注的神经网络概念：感受野(receptive fields)和层间相关传播(layer-wise relevance propagation)。

在这个研究过程中，我们学到的一个关键经验是，获得对神经网络的洞察力包括一个由传统的实验设计、假设生成和测试方法驱动的、气象学家驱动的迭代发现过程，NN可视化工具只是提供了额外的工具来协助这个过程。

文章主要包括5个部分：

•应用于图像的神经网络的神经网络基础；•介绍了感受野的概念；•强调了神经网络评估和挖掘的策略；•通过目标试验介绍了神经网络可解释方法；•讨论了神经网络可视化方法。

本文着重介绍了气象应用神经网络的开发和解释的许多策略和实际考虑因素，包括有效感受野的概念，性能评估的讨论，以及一长串潜在的NN解释方法，其中合成实验和LRP热图成为特别有用的工具。

贯穿始终的是，神经网络的解释需要由气象专家通过为神经网络所研究的特定问题或假设来推动。气象学家在为神经网络的开发和解释的所有方面制定创造性的、以气象学为动力的标准方面可以发挥关键作用，这种努力将大大有助于创建可信赖的神经网络，供气象学业务使用。