评估土壤湿度预测中时间序列深度学习模型的偶然不确定性与认知不确定性
机器学习
2020-11-30 v1 人工智能
机器学习
摘要
土壤湿度是决定洪水、植被健康、农业生产力以及地表对大气反馈等的重要变量。准确模拟土壤湿度对天气和气候模型均具有重要意义。近期可用的卫星观测为我们提供了独特的机会，可以构建数据驱动模型来预测土壤湿度，而非使用地表模型，但此前尚无不确定性估计。我们针对此问题，在长短期记忆模型中测试了带有偶然项的蒙特卡洛丢弃法（Monte Carlo dropout, MCD），并探究了这些不确定性项是否如所论证的那样表现。我们表明，在代表性训练数据集上调整一个超参数后，该方法成功捕捉了预测误差。我们证实，MCD不确定性估计如先前所论证的那样，确实能检测出差异性。
引用
@article{arxiv.1906.04595,
title = {Evaluating aleatoric and epistemic uncertainties of time series deep learning models for soil moisture predictions},
author = {Kuai Fang and Chaopeng Shen and Daniel Kifer},
journal= {arXiv preprint arXiv:1906.04595},
year = {2020}
}