Calibrating Bayesian UNet++ for Sub-Seasonal Forecasting

要約

季節予測は、気候変動によって発生する極端な暑さや寒さを検出する上で重要なタスクです。
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、予測の信頼性は信頼できるはずです。
ニューラル ネットワークのキャリブレーションは、予測に対する信頼性を確保する方法を提供します。
ただし、回帰モデルの調整は、特に予報担当者の間であまり研究されていません。
私たちは UNet++ ベースのアーキテクチャを校正し、温度異常において物理ベースのモデルよりも優れたパフォーマンスを発揮することが示されました。
予測誤差と校正誤差の間のわずかなトレードオフにより、より信頼性が高く、より鮮明な予測を得ることが可能であることを示します。
私たちは、気象予報士などの安全性が重要な機械学習アプリケーションでは、キャリブレーションが重要な部分であるべきだと考えています。

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, Google