极端事件下可解释的地表预测
原文中文，约300字，阅读约需1分钟。发表于：。本研究针对气候变化导致的极端事件，利用高维地球观测数据的复杂性提出了有效的预测方法。通过训练基于卷积长短期记忆网络的模型，并在DeepExtremeCubes数据集上进行实验，结果表明该模型在预测未来反射率及植被影响方面表现出色，R$^2$评分达0.9055。此外，研究揭示了极端事件期间与常态条件下不同的主导预测因子，为评估极端事件的演变提供了新视角。
基于图神经网络的混合模型通过将全球气候和野火数据表示为图形，解决了传统模型中海洋数据缺失和远程相关性的问题。在新数据集上表现优异，并通过社区检测和集成梯度分析揭示了野火的相关性和特征重要性。研究推动了野火预测方法的发展，强调了模型透明度的重要性，为野火管理提供了有价值的见解。
