A Temporal Bias Correction using a Machine Learning Attention model

要約

気候モデルは現実世界の観測に基づいて偏っており、通常は影響を研究する前に校正する必要があります。
このようなキャリブレーションを可能にする一連の統計手法は、バイアス補正 (BC) と呼ばれます。
ただし、現在の BC 手法は、連続する時点間の依存性を無視しているため、時間的バイアスを調整するのが困難です。
その結果、熱波の継続時間や頻度など、長期にわたる時間特性を伴う気候統計は正確に補正できず、そのような気候統計に対する信頼性の高い影響研究を作成することがさらに困難になります。
この論文では、時間的バイアスを修正するための新しい BC 方法論を提供します。
これは、i) BC をアルゴリズム手順ではなく確率モデルとして再考し、ii) 最先端の機械学習 (ML) 確率的注意モデルを BC タスクに適合させることで可能になります。
ナイジェリアのアブジャと日本の東京における熱波継続時間統計のケーススタディを用いて、現在の気候モデルの出力や代替の BC 手法と比較して顕著な結果を示します。

要約(オリジナル)

Climate models are biased with respect to real world observations and usually need to be calibrated prior to impact studies. The suite of statistical methods that enable such calibrations is called bias correction (BC). However, current BC methods struggle to adjust for temporal biases, because they disregard the dependence between consecutive time-points. As a result, climate statistics with long-range temporal properties, such as heatwave duration and frequency, cannot be corrected accurately, making it more difficult to produce reliable impact studies on such climate statistics. In this paper, we offer a novel BC methodology to correct for temporal biases. This is made possible by i) re-thinking BC as a probability model rather than an algorithmic procedure, and ii) adapting state-of-the-art machine-learning (ML) probabilistic attention models to fit the BC task. With a case study of heatwave duration statistics in Abuja, Nigeria, and Tokyo, Japan, we show striking results compared to current climate model outputs and alternative BC methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google