人工智能（AI）在未来航空系统中具有巨大潜力，但将其引入安全关键应用必须满足航空业严格的安全标准。欧盟航空安全局（EASA）要求在开发和验证阶段展示运营设计域（ODD）及其数据分布的代表性和完整性。然而，针对如何定义目标分布并在 ODD 中评估代表性的系统化工程流程仍未成熟。本文提出一种针对航空安全保证的 AI/ML ODD 代表性评估方法。首先通过系统化识别合适的目标分布，构建从 ODD 定义、参数分布建模到覆盖率定量评估与解释的完整流程，满足 EASA 的学习保证目标。作为定量指标，本文评估了 $\\chi^2$ 拟合优度检验，发现其在大规模数据集上不适用，转而采用 Kullback‑Leibler 散度 $D_{\\text{KL}}$ 和 Cramér 的 $V$ 进行代表性评估。方法在基于 AI 的机载防撞系统上进行演示，使用先前水平防撞系统（HCAS）和垂直防撞系统（VCAS）仿真的实验数据。结果表明，统计分布比较方法能够支持安全关键 AI 应用的代表性评估，并推动符合 EASA 新指南的系统化 Safety‑by‑Design AI 工程过程。
博主点评：该工作为 AI 在航空防撞中的安全验证提供了可操作的量化手段，尤其是用 KL 散度替代传统卡方检验，展示了统计方法在大数据环境下的实用性。