基于前馈神经网络的撒哈拉气候概率分类与不确定性量化
机器学习
2026-05-07 v1 应用统计
统计计算
摘要
气候分类在农业规划、水文研究和气候科学中发挥着关键作用。用于划分全球气候区的最常用系统之一是科氏-特雷拉 (Köppen-Trewartha, KT) 分类系统。然而，KT分类系统本质上是确定性的，为空间位置提供离散标签，而不考虑分类的不确定性。本文提供了气候区概率建模的框架。我们实现了一个基于前馈人工神经网络 (ANN) 的分类器，允许对气候区域进行高效、不确定性感知的分类，从而比传统的确定性方法提供更细致的过渡气候区理解。我们将该方法应用于1960-1989年间的撒哈拉地区，使用来自前11年数据对模型进行训练，数据来自超过40万个时空位置。我们评估了模型的短期和长期分类能力，以评估其随时间的稳定性和准确性。我们还将本模型的概率分类与传统的KT分类进行比较。此外，我们使用波动分析方法揭示撒哈拉地区气候区的时序演化，并识别出正在发生气候类别概率显著波动的区域，为更广泛的气候退化趋势提供了见解。
引用
@article{arxiv.2605.04286,
title = {Probabilistic Classification and Uncertainty Quantification of Sahara Desert Climate Using Feedforward Neural Networks},
author = {Stephen Tivenan and Indranil Sahoo and Yanjun Qian},
journal= {arXiv preprint arXiv:2605.04286},
year = {2026}
}