技术摘要：ClimateSOM
问题陈述
集成数据集在气候科学中对于捕捉未来条件下（例如，不同的温室气体排放量）的投影变率变得日益重要。然而，由于这些数据集的规模和复杂性，分析这些数据仍然具有挑战性。现有的视觉分析方法通常依赖于汇总统计数据（如空间均值）或基于拓扑的方法，这些方法可能会忽略关键的空间和时间结构，或者无法捕捉集成成员的分布特性。此外，当前的工具在处理高度复杂、混沌的模型行为时，往往难以同时提供可解释性和鲁棒性，使得有效地比较或聚类多个模型运行变得困难。
作者确定了气候科学家在处理集成数据时的三个基本任务：
- 探索（Exploration）： 理解单组模型运行的一般行为。
- 比较（Comparison）： 分析两组模型运行之间的差异。
- 聚类（Clustering）： 根据其行为识别模型运行或全球气候模型（GCM）的有意义的分组。
方法论：ClimateSOM 工作流
ClimateSOM 是一个视觉分析工作流，它将时空气候集成模型运行抽象为用户可控二维空间上的分布。该工作流由一个预处理步骤和三个主要交互步骤组成：
1. SOM 训练 (S0)
系统在展平的集成数据集（跨所有空间实现）上训练自组织映射（SOM）。SOM 将高维气候数据（时空时间序列）投影到二维网格上，同时保留局部拓扑关系。
- 抽象： ClimateSOM 并非将一个模型运行视为一个序列，而是将其视为一个分布。对于模型运行中的每个时间步，系统会识别 SOM 中的最佳匹配单元（BMU）。这些 BMU 位置的集合构成了一个代表该模型运行的二维分布。
- 设计选择： 在这种抽象过程中，有意丢弃了时间顺序，以强调广泛的空间模式并降低复杂度，这符合研究 GCM 输出以获取一般性差异的常用方式。
2. 锚定 (S1)
虽然 SOM 网格在局部是平滑的，但它们可能会受到全局失真的影响。为了增强可解释性，用户可以将特定的 SOM 节点“锚定”到固定位置。
- 技术： 系统使用最小失真嵌入（MDE）将 SOM 节点投影到二维布局中。用户可以将节点拖动到期望的位置（例如，将“湿”节点放在左侧，“干”节点放在右侧）。MDE 算法会调整其余节点，以在尊重这些固定锚点的情况下最小化失真，从而创建一个调整后的 SOM 节点空间。
3. 注释 (S2)
用户在调整后的 SOM 节点空间内定义感兴趣的区域，并为其分配文本标签，从而创建一个已注释的 SOM 节点空间。这一步骤通过大语言模型（LLM）进行增强，以辅助 sensemaking（意义构建），支持两个方向：
- 正向方向（查询到区域）： 用户输入自然语言查询（例如，“显示我在南加州降水量高于平均水平的节点”）。LLM 解析查询，将区域名称解析为特定的县界，并生成 PostGIS 查询，以过滤并突出显示相应的 SOM 节点。
- 反向方向（区域到摘要）： 用户在 SOM 空间中选择一个区域。系统采样该区域内的节点，聚合各县的统计数据，并使用 LLM 生成一段约 50 字的文本摘要，描述该区域的降水模式。
4. 分析 (S3)
注释空间作为三个核心分析任务的基础：
- 探索： 单个模型运行被可视化为已注释 SOM 节点空间上的核密度估计（KDE）。这种“指纹”突出了模型运行的实现最为集中的热点区域。
- 比较：
- 并排比较： 直接视觉比较两个运行的 KDE 分布。
- 向量场： 对于有序比较（例如，历史与未来），系统通过计算两个运行的自助样本（bootstrap samples）之间的最优传输，生成一个向量场。这实现了从一种分布到另一种分布的空间转换的可视化。
- 聚类：
- 模型运行：* 使用推土机距离（EMD）来量化分布之间的相似性进行聚类，随后使用 UMAP 和 HDBSCAN。
- 基于强迫力的 GCM：* 对代表不同 GCM 从历史到未来场景转换的向量场进行聚类，以识别具有相似强迫响应的模型。
核心贡献
- 新颖的工作流： 一种视觉分析工作流，将时空集成成员抽象为在由 SOM 构架的可控二维空间上的分布，超越了均值场聚合。
- LLM 集成： 集成了 LLM 以促进双向交互（通过自然语言查询定位区域以及自动生成区域摘要）以及在 SOM 定义的潜在空间内进行操作。
- ClimateSOM 界面： 一个完整的可视化界面，支持端到端的探索、比较（通过并排和向量场）以及集成模型运行的聚类。
结果与评估
作者使用 LOCA 下尺度化的 CMIP6 降水投影数据集对加利福尼亚州和美国西北部地区在三种社会经济路径（SSP）下的情况进行了评估。
- 案例研究：
- 加利福尼亚州： 一位专家发现，预测 1 月份较湿润的模型运行与 11 月份较干燥的趋势相关联，这一趋势在最初并不明显。系统还揭示了在 SSP370 情景下，MIROC6 GCM 表现出与其他 GCM 不同的降水模式。
- 美国西北部： 一位专家观察到，向高排放未来（SSP585）的转变导致 4 月（东北部较湿）与 11 月（西北部较湿）之间出现了截然不同的空间模式。系统还有助于识别具有异常强迫行为的离群 GCM。
- 专家评审： 六位领域专家（包括案例研究参与者）对系统进行了评审。他们报告称，该工作流可以揭示新的、具有气候学意义的见解，而这些见解在其他情况下可能需要大量的体力劳动（例如，生成并筛选数百张静态图表）。专家们特别看重分布视图、向量场比较以及追踪聚类结果随月份演变的能力。
- LLM 评估： 一项针对 8 名参与者的小规模评估测试了 LLM 将区域名称映射到县以及总结区域的能力。参与者发现生成的列表和摘要普遍合理（平均 Likert 分数分别为 2.11 和 2.5，其中数值越低表示一致性越高），尽管在处理模糊的区域定义和不连续的县列表方面仍存在挑战。
意义与主张
论文声称 ClimateSOM 通过提供集成支持探索、比较和聚类的功能，填补了现有气候集成视觉分析的空白。通过将模型运行抽象为可解释二维空间上的分布，该系统允许研究人员检测那些使用传统统计摘要或孤立子任务难以发现的模式和关系。
作者强调，该系统结合了可控降维与 LLM 辅助 sensemaking 的能力，使用户能够快速识别“热点”和有意义的趋势。领域专家的反馈表明，该系统能够产生具有气候学意义的见解，特别是在理解集成投影的变率和演变方面。然而，作者保持了谦逊，承认了其局限性，例如缺乏原生统计显著性指标、对于新用户的视觉复杂度以及当前抽象对时间顺序的忽视。