Deconfounding Multi-Cause Latent Confounders: A Factor-Model Approach to Climate Model Bias Correction

要約

グローバルな気候モデル（GCM）は、地球システムをシミュレートすることにより、将来の気候変動を予測するために重要です。
ただし、GCM出力は、モデルの不確実性、パラメーター化の単純化、複雑な気候現象の不十分な表現により、系統的バイアスを示します。
歴史的観察データと統計的手法に依存する従来のバイアス補正方法は、しばしば観察されていない交絡因子を無視し、偏った結果をもたらします。
このペーパーでは、GCMと観測データの両方を利用して、多症例の潜在的な交絡因子をキャプチャする因子モデルを学習するための新しいバイアス補正アプローチを提案します。
因果関係に基づく時系列のデコンファウンドの最近の進歩に触発されたこの方法は、最初に歴史的データから潜在的な交絡因子を学習するための因子モデルを構築し、その後、高度な時系列予測モデルを使用してバイアス補正プロセスを強化するためにそれらを適用します。
実験結果は、降水量の精度の大幅な改善を示しています。
観察されていない交絡因子に対処することにより、私たちのアプローチは、気候モデルバイアス補正のための堅牢で理論的に根拠のあるソリューションを提供します。

要約(オリジナル)

Global Climate Models (GCMs) are crucial for predicting future climate changes by simulating the Earth systems. However, the GCM Outputs exhibit systematic biases due to model uncertainties, parameterization simplifications, and inadequate representation of complex climate phenomena. Traditional bias correction methods, which rely on historical observation data and statistical techniques, often neglect unobserved confounders, leading to biased results. This paper proposes a novel bias correction approach to utilize both GCM and observational data to learn a factor model that captures multi-cause latent confounders. Inspired by recent advances in causality based time series deconfounding, our method first constructs a factor model to learn latent confounders from historical data and then applies them to enhance the bias correction process using advanced time series forecasting models. The experimental results demonstrate significant improvements in the accuracy of precipitation outputs. By addressing unobserved confounders, our approach offers a robust and theoretically grounded solution for climate model bias correction.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google