深度集成改进气候变化条件下统计降尺度模型的不确定性量化
机器学习
2023-05-03 v1 大气与海洋物理
摘要
近来，深度学习已成为统计降尺度（从粗低分辨率变量生成高分辨率气候场的方法集合）的一种有前景的工具。然而，其泛化到气候变化条件的能力仍存疑，主要归因于平稳性假设。我们提出深度集成作为一种简单方法，以改进统计降尺度模型的不确定性量化。通过更好地捕捉不确定性，统计降尺度模型能够实现更优的极端天气事件规划，而极端天气事件是多种负面社会与经济影响的来源。由于不存在观测的未来数据，我们依赖伪现实实验来评估深度集成用于量化气候变化预估不确定性的适用性。深度集成能够实现更好的风险评估，这是行业应用为应对气候变化所迫切需求的。
引用
@article{arxiv.2305.00975,
title = {Deep Ensembles to Improve Uncertainty Quantification of Statistical Downscaling Models under Climate Change Conditions},
author = {Jose González-Abad and Jorge Baño-Medina},
journal= {arXiv preprint arXiv:2305.00975},
year = {2023}
}
备注
Accepted at the ICLR 2023 Tackling Climate Change with Machine Learning Workshop