近日，广州海洋实验室唐丹玲团队在风泵生态效应方面研究取得新进展，研究结合可解释性AI识别了热带气旋诱发冷尾流的季节性驱动因子，相关成果以“Drivers of Tropical Cyclone‐Induced Ocean Cooling in Different Seasons Over the Northwest Pacific From Explainable Machine Learning”为题发表在著名期刊AGU 旗下的Journal of Geophysical Research - Machine Learning and Computation。

论文通讯作者为广州海洋实验室唐丹玲教授，第一作者为崔红星博士。合作单位包括香港科技大学、沙特阿拉伯阿卜杜拉国王科技大学、美国国家海洋和大气管理局/大西洋海洋学与气象实验室、自然资源部第二海洋研究所、复旦大学和浙江大学等。

研究提出了一套可解释的机器学习框架，将极端梯度提升（XGBoost）与 SHapley Additive exPlanations（SHAP）相结合，用于解释西北太平洋热带气旋（TC）诱发的海表温度（SST）冷尾流的季节性与区域性差异。该框架采用 TC 特征（如强度、移动速度、半径）以及热带气旋经过前的上层海洋状态（如混合层深度、上层海洋分层结构）作为预测因子，能够有效重构不同季节与区域的冷尾流空间结构。该方法能够识别边缘海与开阔海域的冷尾流的主导因子，并结合季节与区域变化来系统量化各预测因子的相对贡献。研究结果表明，冷尾流的驱动因素随季节而变化：在开阔海域，TC 特征可解释冷尾流方差的 43%–56%，在边缘海中为 47%–52%；而TC前的海洋状态变量分别贡献 23%–41% 与 31%–35%。研究结果揭示了TC强度与混合层深度的季节性变化是导致边缘海与开阔海冷尾流季节性差异的最重要因素。

广州海洋实验室唐丹玲U团队长期研究海洋风泵的生态环境效应。该研究成果提出的一套可解释的机器学习框架，为解释西北太平洋热带气旋（TC）的海洋风泵效应诱发的海表温度（SST）冷尾流的季节性与区域性差异提供了新的视角。

该研究由广东省特支计划U团队项目（2019BT02H594）、广州海洋实验室人才科研启动项目（GML2021GD0810）和2022年度南沙区重点领域科技项目（2022ZD003）等资助。

点击此处可获得完整版论文