利用新颖性检测改进机器学习校正气候模式的预测
大气与海洋物理
2022-11-28 v1
摘要
尽管以往工作表明机器学习（ML）可提升粗网格气候模式的预测精度，但这些 ML 增强方法比其所依赖的传统基于物理的模式更易受不规则输入影响。由于 ML 预测的校正反馈回气候模式的基础物理中，ML 校正模式会规律性地产生样本外数据，从而导致模式不稳定与频繁崩溃。本工作表明，添加半监督新颖性检测以识别样本外数据并相应禁用 ML 校正，可稳定模拟并大幅改善预测质量。我们设计了一个带有一类支持向量机（OCSVM）新颖性检测器的增强气候模式，在长达一年的模拟中提供了优于基线（无 ML）或标准 ML 校正运行的气温与降水预报。通过提升粗网格气候模式的精度，本工作有助于使精准气候模式惠及缺乏海量计算资源的研究者。
引用
@article{arxiv.2211.13354,
title = {Improving the predictions of ML-corrected climate models with novelty detection},
author = {Clayton Sanford and Anna Kwa and Oliver Watt-Meyer and Spencer Clark and Noah Brenowitz and Jeremy McGibbon and Christopher Bretherton},
journal= {arXiv preprint arXiv:2211.13354},
year = {2022}
}
备注
Appearing at Tackling Climate Change with Machine Learning Workshop at NeurIPS 2022