用深度回声状态网络与惩罚分位数回归对准周期气候过程作校准预报
大气与海洋物理
2023-08-09 v1 应用统计
摘要
对人类宜居性最相关的地球系统过程之一是由海洋驱动、持续多年的准周期事件，其动力学目前尚未被物理模型完整刻画，因而可预测性差。本工作旨在展示：1）数据驱动的随机机器学习方法提供了一种经济而灵活的手段来预测这些过程；2）相关不确定性可通过快速的基于集成的方法适当校准。尽管本工作中引入并讨论的方法论属于天气尺度事件，但用数据驱动模型增强不完整或高度敏感的物理系统以改善可预测性的原理远为通用，并可扩展至任意时间或空间尺度的环境问题。
引用
@article{arxiv.2308.04391,
title = {Calibrated Forecasts of Quasi-Periodic Climate Processes with Deep Echo State Networks and Penalized Quantile Regression},
author = {Matthew Bonas and Christopher K. Wikle and Stefano Castruccio},
journal= {arXiv preprint arXiv:2308.04391},
year = {2023}
}