Valid Error Bars for Neural Weather Models using Conformal Prediction

要約

ニューラル気象モデルは、物理ベースのモデルに代わる安価で正確な代替手段として計り知れない可能性を示しています。
ただし、天気予報を実行するためにトレーニングされたほとんどのモデルは、予測に関連する不確実性を定量化していません。
これにより、モデルの信頼性と予測の有用性が制限されます。
この研究では、この不確実性を推定するための後処理方法として、等角予測フレームワークを構築し、形式化します。
この方法はモデルに依存せず、すべての変数、リードタイム、空間的位置に対して校正された誤差限界を与えます。
モデルを変更する必要はなく、計算コストは​​モデルのトレーニングに比べて無視できます。
北欧地域の限られた地域のニューラル気象モデルに対する等角予測フレームワークの有用性を実証します。
決定論的モデルと確率論的モデルのフレームワークの利点をさらに調査します。

要約(オリジナル)

Neural weather models have shown immense potential as inexpensive and accurate alternatives to physics-based models. However, most models trained to perform weather forecasting do not quantify the uncertainty associated with their forecasts. This limits the trust in the model and the usefulness of the forecasts. In this work we construct and formalise a conformal prediction framework as a post-processing method for estimating this uncertainty. The method is model-agnostic and gives calibrated error bounds for all variables, lead times and spatial locations. No modifications are required to the model and the computational cost is negligible compared to model training. We demonstrate the usefulness of the conformal prediction framework on a limited area neural weather model for the Nordic region. We further explore the advantages of the framework for deterministic and probabilistic models.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google