Calibrating Bayesian UNet++ for Sub-Seasonal Forecasting

要約

気候変動によって起こる猛暑や風邪を察知する上で、季節予測は極めて重要な作業である。1年の気温のわずかな上昇が世界に大きな影響を与えるため、予測に対する信頼性は信頼できるものでなければならない。ニューラルネットワークの校正は、予測に対する信頼性を確保する方法を提供する。しかし、回帰モデルの校正は、特に予報士においてはあまり研究されていないトピックである。われわれはUNet++ベースのアーキテクチャを校正し、気温異常において物理ベースのモデルを凌駕することを示した。予測誤差と校正誤差のわずかなトレードオフにより、より信頼性が高く、よりシャープな予測を得ることが可能であることを示す。我々は、キャリブレーションは、気象予報士のようなセーフティクリティカルな機械学習アプリケーションの重要な部分であるべきだと考えている。

要約(オリジナル)

Seasonal forecasting is a crucial task when it comes to detecting the extreme heat and colds that occur due to climate change. Confidence in the predictions should be reliable since a small increase in the temperatures in a year has a big impact on the world. Calibration of the neural networks provides a way to ensure our confidence in the predictions. However, calibrating regression models is an under-researched topic, especially in forecasters. We calibrate a UNet++ based architecture, which was shown to outperform physics-based models in temperature anomalies. We show that with a slight trade-off between prediction error and calibration error, it is possible to get more reliable and sharper forecasts. We believe that calibration should be an important part of safety-critical machine learning applications such as weather forecasters.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL