统计降尺度中机器学习方法的互比：以每日与极端降水为例
机器学习
2017-02-15 v1
摘要
全球气候模式(GCMs)的统计降尺度使研究者能够研究未来数十年的局地气候变化效应。广泛的统计模型已应用于GCMs降尺度，但机器学习的最新进展尚未被探索。本文中，我们比较了四种基本统计方法——偏差校正空间分解(BCSD)、普通最小二乘、弹性网络和支持向量机，与三种更先进的机器学习方法——多任务稀疏结构学习(MSSL)、结合MSSL的BCSD以及卷积神经网络，以降尺度美国东北部的日降水。分析了评估每种方法捕捉每日异常、大尺度气候偏移和极端事件能力的指标。我们发现以BCSD为首的线性方法始终优于非线性方法。将最先进的机器学习方法直接应用于统计降尺度并未比简单、长期存在的方法提供改进。
引用
@article{arxiv.1702.04018,
title = {Intercomparison of Machine Learning Methods for Statistical Downscaling: The Case of Daily and Extreme Precipitation},
author = {Thomas Vandal and Evan Kodra and Auroop R Ganguly},
journal= {arXiv preprint arXiv:1702.04018},
year = {2017}
}
备注
20 pages, 6 figures, 3 tables