Weather and Climate Models Uncertainty Quantification: Epistemic and Aleatoric
大气与海洋物理
2025-12-01 v1
摘要
在气象和气候建模中，代表和量化参数化中的不确定性是核心挑战，常常针对不同时间尺度发展不同的方法。本文引入了一个统一框架，用于分析气象和气候尺度下参数化的不确定性。以Lorenz 1996系统作为简化混沌动力学的测试平台，我们使用贝叶斯神经网络(BNN)对次网格尺度参数化的不确定性进行量化。这使我们能够分离由训练数据内部变异引起的aleatoric不确定性，以及由训练期间参数约束不足引起的epistemic不确定性。在运行时，我们以气象模型中随机方法和气候模型中扰动参数方法的方式对不确定性进行采样。在天气尺度上，aleatoric不确定性占主导，凸显了随机参数化的价值。在更长的气候尺度和在变化的强迫条件下，必须考虑这两种不确定性才能实现良好校准的集合；epistemic不确定性拓宽了探索气候状态的范围，aleatoric不确定性促进了状态之间的转换。用短期模拟约束参数不确定性可减少epistemic不确定性并改善在扰动强迫下的长期模型行为。该框架将机器学习概念与地球系统建模中的传统不确定性量化方法联系起来，为天气和气候预测中的无缝不确定性处理提供了路径。
引用
@article{arxiv.2511.23448,
title = {Epistemic and Aleatoric Uncertainty Quantification in Weather and Climate Models},
author = {Laura A. Mansfield and Hannah M. Christensen},
journal= {arXiv preprint arXiv:2511.23448},
year = {2025}
}