A Temporal Stochastic Bias Correction using a Machine Learning Attention model

要約

気候モデルは現実世界の観測に関して偏っています。
通常、影響研究で使用する前に調整する必要があります。
このような調整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、BC 手法は現在、時間的バイアスを調整するのに苦労しています。
なぜなら、それらは連続する時点間の依存性をほとんど無視しているからです。
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を正確に補正できなくなります。
このため、そのような気候統計に対する信頼できる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、BC の背後にある哲学を再考することで可能になります。
確率的出力を伴う時間インデックス付き回帰タスクとして BC を紹介します。
BC を再考することで、最先端の機械学習 (ML) 注意モデルを適応させ、それによって時間的非同期性を含むさまざまな種類のバイアスを学習できるようになります。
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使用して、現在の気候モデルの出力や代替の BC 手法よりも正確な結果を示します。

要約(オリジナル)

Climate models are biased with respect to real-world observations. They usually need to be adjusted before being used in impact studies. The suite of statistical methods that enable such adjustments is called bias correction (BC). However, BC methods currently struggle to adjust temporal biases. Because they mostly 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. This makes it more difficult to produce reliable impact studies on such climate statistics. This paper offers a novel BC methodology to correct temporal biases. This is made possible by rethinking the philosophy behind BC. We will introduce BC as a time-indexed regression task with stochastic outputs. Rethinking BC enables us to adapt state-of-the-art machine learning (ML) attention models and thereby learn different types of biases, including temporal asynchronicities. With a case study of heatwave duration statistics in Abuja, Nigeria, and Tokyo, Japan, we show more accurate results than current climate model outputs and alternative BC methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google