用于众包气象数据离群校正插值的深度混合密度网络

随着传感器及相关 IT 基础设施成本下降——如物联网所例示——越来越多的观测数据可供环境科学家使用。然而，随着可用观测站点数量增加，数据质量问题的出现机会也增多，特别是鉴于许多此类传感器并无官方维护团队。为实现众包“物联网”型观测对环境建模的价值，我们需要能在数据建模过程中自动检测离群值的方法，使其不污染感兴趣现象的真实分布。为此，我们在此提出一种具自动离群检测的时空环境变量建模贝叶斯深度学习方法。我们的方法实现了一个 Gaussian-uniform 混合密度网络，其双重目的——建模感兴趣现象，以及学习分类并忽略离群值——通过我们神经网络中专门设计的分支同时达成。作为示例应用，我们使用英国气象局天气观测网站数据，该档案来自不列颠群岛约 1900 个私人运行的非官方气象站。利用地表气温数据，我们展示了我们的深度混合模型方法如何实现无伪观测污染的高技巧时空温度分布建模。我们希望本方法的采用将有助于释放把更广泛观测源（包括众包）纳入未来环境模型的潜力。