ICLRMar, 2024
校准贝叶斯 UNet++ 用于亚季节预测
Calibrating Bayesian UNet++ for Sub-Seasonal Forecasting
Busra Asan, Abdullah Akgul, Alper Unal, Melih Kandemir, Gozde Unal
TL;DR季节性预测是探测气候变化引起的极端炎热与寒冷的关键任务。我们应该对预测结果有可靠的信心，因为每年温度增加一点点都对世界产生巨大影响。神经网络的校准提供了确保预测可信度的方法，然而，在预测中校准回归模型是一个鲜为人知的课题。我们通过校准基于 UNet++ 架构的模型，证明相对于基于物理的模型在温度异常方面表现更优。我们发现，在预测误差和校准误差之间做一定权衡，可以得到更可靠、更精确的预测。我们相信，在天气预报等安全关键的机器学习应用中，校准应该是一个重要部分。