Evidential Deep Learning for Probabilistic Modelling of Extreme Storm Events

要約

不確実性定量化 (UQ) 手法は、天気予報の誤差を減らす上で重要な役割を果たします。
UQ における従来の天気予報のアプローチは、不確実性を推定するために物理ベースのシミュレーションから予測のアンサンブルを生成することに依存しています。
ただし、リアルタイムの異常気象を予測するために多くの予測を生成するには、計算コストがかかります。
EDL (Evidential Deep Learning) は、1 つの予測のみを使用して予測に対する信頼性を提供するように設計された、不確実性を認識したディープ ラーニング アプローチです。
これは、学習を証拠獲得プロセスとして扱い、より多くの証拠が予測の信頼性の増加として解釈されます。
実際の気象データセットを使用して EDL を嵐の予測に適用し、そのパフォーマンスを従来の方法と比較します。
私たちの調査結果は、EDL が計算オーバーヘッドを削減するだけでなく、予測の不確実性を高めることを示しています。
この方法は、将来の気候に関する不確実性を定量化することが重要である気候リスク評価などの研究分野に新たな機会をもたらします。

要約(オリジナル)

Uncertainty quantification (UQ) methods play an important role in reducing errors in weather forecasting. Conventional approaches in UQ for weather forecasting rely on generating an ensemble of forecasts from physics-based simulations to estimate the uncertainty. However, it is computationally expensive to generate many forecasts to predict real-time extreme weather events. Evidential Deep Learning (EDL) is an uncertainty-aware deep learning approach designed to provide confidence about its predictions using only one forecast. It treats learning as an evidence acquisition process where more evidence is interpreted as increased predictive confidence. We apply EDL to storm forecasting using real-world weather datasets and compare its performance with traditional methods. Our findings indicate that EDL not only reduces computational overhead but also enhances predictive uncertainty. This method opens up novel opportunities in research areas such as climate risk assessment, where quantifying the uncertainty about future climate is crucial.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google