Page 192 - 《高原气象》2026年第2期

高 原 气 象 45 卷
492

图2 特征筛选前后LightGBM （a、 b）和XGBoost （c、 d）预测当前出现低能见度的特征重要性
Fig. 2 The feature importance of LightGBM algorithm and XGBoost algorithm in predicting the current low visibility
by feature screening ［（a） and （b） are LightGBM algorithms， （c） and （d） are XGBoost algorithms］

925 hPa、 850 hPa 三个高度层的散度特征， 且各高 征对于单个预测的贡献程度。对于每个预测样本，
度层散度特征是 LightGBM 算法预报当前和未来 模型都产生一个预测值， SHAP 值就是该样本中每
1 h 低能见度模型中重要性排名前十的特征之一， 个特征所分配到的数值。SHAP 值不仅能反映出每
表明在建立低能见度预报模型时散度特征是一个 一个样本中特征的影响力， 而且还表现出影响的正
需要考虑的重要特征。 负性（夏侯杰和肖安， 2024）。本文以 LightGBM_
此外， 对比剔除的 8 个特征（hgt_925、 prmsl、 24_1h 模型为例， 基于 SHAP 值解释模型的预测。
spfh_925、 spfh_1000、 tmp_1000、 tmp_2m、 tmp_ 图 4是以散点展示 24个特征大小的 SHAP值分布图
850、 dpt_ob）在特征筛选前的重要性排名都在中位 和各特征 SHAP 值绝对平均值重要性柱状图， 即特

数以后， 也证明以特征的相关性为依据筛选特征， 征值对模型输出的贡献和全局重要性。由各样本
可有效避免特征冗余， 降低机器学习的特征维度。 的 SHAP 值散点图［图 4（a）］可知， rh_ob 特征的
3. 3 基于SHAP值对模型的解释 SHAP 值分布区间最大且表现为不连续的三部分：
传统的 feature importance 只显示哪个特征重 强负贡献区、 无明显贡献区、 强正贡献区， 且所有
要， 但我们并不清楚该特征是怎样影响预测结果 小值样本集中在 SHAP 值负贡献侧-10~-5， 该区间
的， 因此， 本文引入 SHAP 值（SHapley Additive ex‐ 也夹杂部分特征值相对较大的样本； 另有部分大值
Planations）更详细地解释模型的预测， 展示每个特 样本的 SHPA 值在 0 值附近， 表明没有明显贡献；