In dieser Arbeit wird ein Verfahren zur Verbesserung der Schärfe und Zuverlässigkeit von Wettervorhersagen durch Kalibrierung der Vorhersagen unter Verwendung eines CDF-basierten Kalibrierungsansatzes vorgestellt. Dazu wurden die letzten Schichten von UNet++ in Bayessche Schichten umgewandelt, um die Unsicherheit zu quantifizieren. Als Eingabe wurden periodisch gestapelte mehrdimensionale Zeitreihendaten verwendet. Da das Netzwerk als Ausgabe eine CDF produziert, wurde ein isotoner Regressor trainiert, um die Konfidenzintervalle zu kalibrieren. Die kalibrierten und unkalibrierten Ergebnisse von drei Methoden zur Quantifizierung der Unsicherheit wurden verglichen. Darüber hinaus zeigen die Autoren, dass die Kalibrierung von Dropout und Deep Ensemble die Genauigkeit des Netzwerks zusammen mit der Verbesserung der Quantifizierung der Unsicherheit erhöhen kann.
Diese Arbeit betont die Bedeutung der Kalibrierung neuronaler Netzwerke und zeigt mögliche Verbesserungen für die Zuverlässigkeit von Vorhersagen auf. Verschiedene Bereiche der Klimawissenschaften können von der Kalibrierung profitieren, da Unsicherheiten aus der unvollständigen Modellierung der Erde und der inhärenten Komplexität der Klimasysteme entstehen. Obwohl der Fokus auf Temperaturvorhersagen lag, kann dieser Ansatz auf die Vorhersage anderer wichtiger Klimavariablen wie Niederschlag, Druck und Windkomponenten erweitert werden.
To Another Language
from source content
arxiv.org
Djupare frågor