寻找最佳拟合：将回归模型应用于 ClimateBench v1.0
机器学习
2023-08-24 v1 人工智能
摘要
使用作为模拟器的数据驱动机器学习模型进行气候预测，是使政策制定者能够做出明智决策的主要研究领域之一。使用机器学习模拟器作为计算密集型的 GCM 模拟器的替代方案，可减少时间和碳足迹。在此方向上，ClimateBench [1] 是最近策划的用于评估面向气候数据的机器学习模拟器性能的基准数据集。近期研究表明，尽管被视为基础方法，回归模型在气候模拟方面具有若干优势。特别是，通过利用核技巧，回归模型能够捕捉复杂关系并提升其预测能力。本研究聚焦于使用上述数据集评估非线性回归模型。具体而言，我们比较了三种非线性回归模型的模拟能力。其中，高斯过程回归器(Gaussian Process Regressor)在标准气候场模拟评价指标上展现出最佳性能。然而，高斯过程回归(Gaussian Process Regression)在空间和时间复杂度方面存在计算资源消耗大的问题。作为替代，支持向量(Support Vector)和核岭(Kernel Ridge)模型也给出了有竞争力的结果，但存在一些需要权衡的因素。此外，我们正在积极研究复合核以及变分推断等技术，以进一步提升回归模型性能并有效建模复杂非线性模式，包括降水等现象。
引用
@article{arxiv.2308.11854,
title = {Finding the Perfect Fit: Applying Regression Models to ClimateBench v1.0},
author = {Anmol Chaure and Ashok Kumar Behera and Sudip Bhattacharya},
journal= {arXiv preprint arXiv:2308.11854},
year = {2023}
}