Conceptos Básicos
条件付き生成対立ネットワーク(CGAN)と畳み込みニューラルネットワーク(CNN)を組み合わせた新しいアンサンブル後処理手法が、激しい天候の確率予測に有効であることを示す。
Resumen
この研究では、条件付き生成対立ネットワーク(CGAN)と畳み込みニューラルネットワーク(CNN)を組み合わせた新しいアンサンブル後処理手法が、高解像度数値気象モデルの出力から激しい天候の確率予測に成功裏に適用されています。研究は、異なるMLアルゴリズムを比較して、10〜20%の改善が見られたことを示しています。また、CGAN出力は不確実性推定において過信傾向があるものの、意味のあるアンサンブル拡散を生じさせます。さらに、CGAN出力は変数間相関や重要な予測子の貢献を保持することが示されました。これにより、将来的な気象関連研究への新しいアプローチが提供されます。
Estadísticas
この手法は他のニューラルネットワーク参照方法と比較して最大20%のBrierスキルスコア(BSS)向上を実現した。
HRRR予報データセットでテストされた際、この手法は他のMLアルゴリズムよりも20%以上BSSが向上した。
CGAN出力は数値的なアンサンブルと同様に振る舞い、重要な予測子の寄与や変数間相関を保持することが示された。
Citas
"The method produced skillful predictions with up to 20% Brier Skill Score (BSS) increases compared to other neural-network-based reference methods."
"Results show that the CGAN outputs behave similarly to a numerical ensemble; they preserved the inter-variable correlations and the contribution of influential predictors as in the original HRRR forecasts."