概率性降雨降尺度：基于删失空间高斯Copula的联合广义神经模型

本工作引入一种生成具有时间与空间依赖性的条件概率降雨预报的新方法。采用两步过程。首先，联合建模边际位置特定分布。其次，学习空间依赖结构以确保这些分布间的空间一致性。为学习降雨值的边际分布，我们引入联合广义神经模型，其以深度神经网络扩展广义线性模型，以对结果空间上的分布进行参数化。为理解数据的空间依赖结构，提出一种删失潜高斯copula模型并通过评分规则训练。利用底层空间结构，我们构建位置间距离矩阵，由依赖于少量参数的高斯过程核转换为协方差矩阵。为估计这些参数，我们提出一种采用评分规则作为分布间散度度量的高斯copula估计通用框架。将我们的两项贡献，即联合广义神经模型与删失潜高斯copula，统一为单一模型，我们的概率方法生成短至长期的预报，适用于训练集之外的位置。我们使用大型英国降雨数据集证明其效力，优于现有方法。