基于分位数回归、变分自编码器和扩散模型的不确定性定量：亚季节风速预测的空间分析
机器学习
2025-10-21 v1 人工智能
摘要
本研究旨在提高从大尺度气象预报器（如 500 hPa 地形势高度 Z500）对地表风速进行亚季节预测时，空间不确定性表征的准确性。亚季节预测通常依赖于大尺度气象预报器，这些预报器的可预测性通常高于地表变量，可用于下采样以获得更局域化的信息。Tian 等人 (2024) 的工作表明，基于模型残差的随机扰动可改善统计下采样框架中ensemble 分散的表示，但该方法未能充分表示空间相关性和物理一致性。因此，需要更为复杂的方法来捕捉大尺度预报器与局部尺度预测量之间的复杂关系，同时保持物理一致性。概率深度学习模型为捕捉复杂空间依赖关系提供了有前景的解决方案。本研究评估了三种具有不同不确定性定量机制的概率方法：直接建模分布分位数的分位数回归神经网络、利用潜在空间抽样的变分自编码器以及采用迭代去噪的扩散模型。这些模型在 ERA5 再分析数据上进行训练，并应用于 ECMWF 亚季节 hindcast 对概率性风速ensemble进行回归。我们的结果表明，概率下采样方法比简单随机方法提供了更真实的空间不确定性表示，每种概率模型在ensemble 分散、确定性技能和物理一致性方面各自提供不同的优势。这些发现确立了概率下采样作为 operational 亚季节风力预测中提高可靠性、用于可再生能源规划和风险评估的有效增强方法。
引用
@article{arxiv.2510.16958,
title = {Quantile Regression, Variational Autoencoders, and Diffusion Models for Uncertainty Quantification: A Spatial Analysis of Sub-seasonal Wind Speed Prediction},
author = {Ganglin Tian and Anastase Alexandre Charantonis and Camille Le Coz and Alexis Tantet and Riwal Plougonven},
journal= {arXiv preprint arXiv:2510.16958},
year = {2025}
}
备注
This Work has been submitted to Monthly Weather Review. Copyright in this Work may be transferred without further notice