基于卫星数据的机器学习空间降水预测的不确定性估计
机器学习
2024-08-23 v3 机器学习
大气与海洋物理
应用统计
统计方法学
摘要
将卫星与雨量计数据通过机器学习融合可生成高分辨率降水数据集，但往往缺失不确定性估计。我们通过基准测试六种算法来解决如何最优提供此类估计的缺口，这些算法即便对于量化空间预测中预测不确定性的更一般任务也大多是新颖的。基于美国本土（CONUS）超过 15 年的月度数据，我们比较了分位数回归（QR）、分位数回归森林（QRF）、广义随机森林（GRF）、梯度提升机（GBM）、轻量梯度提升机（LightGBM）以及分位数回归神经网络（QRNN）。它们以九个分位数水平（0.025、0.050、0.100、0.250、0.500、0.750、0.900、0.950、0.975）给出预测降水分位数的能力，近似完整概率分布，采用分位数评分函数与分位数评分准则评估。某站点的预测变量来自两种卫星降水反演产品即 PERSIANN（基于人工神经网络遥感信息降水估计）和 IMERG（集成多卫星反演）的邻近值，以及站点高程。因变量为月度平均雨量计降水。相对于 QR，LightGBM 在分位数评分准则上性能提升 11.10%，也超越 QRF（7.96%）、GRF（7.44%）、GBM（4.64%）和 QRNN（1.73%）。值得注意的是，LightGBM 优于所有随机森林变体——当前机器学习空间预测的标准。综上，我们提出一套用于估计空间数据预测不确定性的机器学习算法，并以基于评分函数与评分准则的形式化评估框架为支撑。
引用
@article{arxiv.2311.07511,
title = {Uncertainty estimation of machine learning spatial precipitation predictions from satellite data},
author = {Georgia Papacharalampous and Hristos Tyralis and Nikolaos Doulamis and Anastasios Doulamis},
journal= {arXiv preprint arXiv:2311.07511},
year = {2024}
}