×
特雷弗·哈里斯;李波;瑞安·斯里弗

基于神经网络高斯过程的多模型集成分析。 （英语） Zbl 07789435号

附录申请。斯达。 17，第4号，3403-3425（2023）.
摘要：多模型集成分析将多个气候模型的信息集成到一个统一的投影中。然而，现有的基于模型平均的集成方法可能会稀释精细尺度的空间信息，并导致重缩放低分辨率气候模型的偏差。我们提出了一种统计方法，称为NN-GPR，使用高斯过程回归（GPR）和基于协方差函数的无限宽深度神经网络。NN-GPR不需要对气候模型之间的关系进行假设，也不需要对公共网格进行插值，并且作为其预测算法的一部分，可以自动缩小尺度。模型实验表明，NN-GPR通过在多个尺度上保存地理空间信号并捕捉年际变化，可以非常熟练地进行地表温度和降水预测。我们的预测特别表明，在高变率地区，精确度和不确定性量化技术得到了提高，这使得我们能够在没有区域气候模型（RCM）的情况下，以0.44^circ/50km的空间分辨率廉价评估尾部行为。对再分析数据和SSP2-4.5强迫气候模型的评估表明，NN-GPR产生了与模型集合相似的整体气候，同时更好地捕捉了精细尺度的空间模式。最后，我们将NN-GPR的区域预测与两个随机对照模型进行了比较，并表明仅使用全局模型数据作为输入，NN-GPR可以与随机对照模型的性能相媲美。

MSC公司：

62件 统计学的应用

关键词：

气候模型集成;深度学习;高斯过程回归;多模信号群

软件：

亚当
PDF格式BibTeX公司 XML格式引用
\textit{T.Harris}等人，Ann.Appl。Stat.17，No.4，3403--3425（2023；Zbl 07789435）
全文： 内政部 arXiv公司

参考文献：

[1] ABRAMOWITZ，G.、HERGER，N.、GUTMANN，E.、HAMMERLING，D.、KNUTTI，R.、LEDUC，M.、LORENZ，R.，PINCUS，R.和SCHMIDT，G.A.（2019年）。ESD综述：多模式气候集合中的模式依赖性：加权、子选择和样本外测试。地球系统。动态。10 91-105.
[2] ALEMOHAMMAD，S.、WANG，Z.、BALESTRIERO，R.和BARANIUK，R.（2020年）。递归神经切线核。预印本。可在arXiv:2006.10246获得。
[3] ARORA，S.、DU，S.S.、LI，Z.、SALAKHUTDINOV，R.、WANG，R.和YU，D.（2019年）。在小数据任务中利用无限宽深网的威力。预印。arXiv:1910.01663提供。
[4] BATTAGLIA，P.W.、HAMRICK，J.B.、BAPST，V.、SANCHEZ-GONZALEZ，A.、ZAMBALDI，V.，MALINOWSKI，M.、TACCHETTI，A.、RAPOSO，D.、SANTORO，A.等人（2018年）。关系归纳偏见、深度学习和图形网络。预印。arXiv:1806.01261提供。
[5] BHAT，K.S.、HARAN，M.、TERANDO，A.和KELLER，K.（2011年）。使用贝叶斯模型平均和时空相关性进行气候预测。《农业杂志》。生物与环境。统计数据16 606-628。数字对象标识符：10.1007/s13253-011-0069-3谷歌学者：查找链接数学科学网：MR2862301·Zbl 1306.62244号 ·doi:10.1007/s13253-011-0069-3
[6] BORNN，L.、SHADDICK，G.和ZIDEK，J.V.（2012年）。通过维度扩展对非平稳过程进行建模。J.Amer。统计师。协会107 281-289。数字对象标识符：10.1080/01621459.2011.646919谷歌学者：查找链接数学科学网：MR2949359·Zbl 1261.62085号 ·doi:10.1080/01621459.2011.646919
[7] BOWMAN，K.W.，CRESSIE，N.，QU，X.和HALL，A.（2018年）。紧急约束的层次统计框架：雪地反馈的应用。地球物理学。Res.Lett公司。45 13-050.
[8] BRACEGIRDLE，T.J.和STEPHENSON，D.B.（2012年）。通过气候模型预测的整体回归对区域极地变暖进行更高精度的估计。攀登。动态。39 2805-2821.
[9] CHANDLER，R.E.（2013）。发挥优势，忽视劣势：结合多个气候模拟器的信息。菲洛斯。事务处理。R.Soc.伦敦。序列号。数学。物理学。工程科学。371 20120388, 19. 数字对象标识符：10.1098/rsta.2012.0388谷歌学者：查找链接数学科学网：MR3046246·Zbl 1353.86016号 ·doi:10.1098/rsta.2012.0388
[10] EYRING，V.、BONY，S.、MEEHL，G.A.、SENIOR，C.A.、STEVENS，B.、STOUFFER，R.J.和TAYLOR，K.E.（2016）。耦合模型比对项目第6阶段（CMIP6）实验设计和组织概述。地质科学。模型开发9 1937-1958。
[11] FLATO，G.、MAROTZKE，J.、ABIODUN，B.、BRACONNOT，P.、CHOU，S.C.、COLLINS，W.、COX，P.，DRIOUECH，F.、EMORI，S.等人（2014年）。气候模型评估。《2013年气候变化：物理科学基础》。第一工作组对政府间气候变化专门委员会第五次评估报告的贡献741-866。剑桥大学出版社，剑桥。
[12] FRICKO，O.，HAVLIK，P.，ROGELJ，J.，KLIMONT，Z.，GUSTI，M.，JOHNSON，N.，KOLP，P.、STRUBEGGER，M.、VALIN，H.等人（2017年）。共享社会经济路径的标记量化2：21世纪的中期情景。手套。环境。更改42 251-267。
[13] GARRIGA-ALONSO，A.、RASMUSSEN，C.E.和AITCHISON，L.（2018）。深卷积网络是浅高斯过程。预印。可从arXiv:1808.05587获取。
[14] GHAFARIANZADEH，M.和MONTELEONI，C.（2013）。通过矩阵补全进行气候预测。在AAAI公司（最新发展）。
[15] GIORGI，F.和MEARNS，L.O.（2002）。通过“可靠性集合平均”（REA）方法从AOGCM模拟中计算区域气候变化的平均值、不确定性范围和可靠性。J.气候15 1141-1158。
[16] GIORGI，F.和MEARNS，L.O.（2003）。基于可靠性集合平均（REA）方法的区域气候变化概率。地球物理学。Res.Lett公司。30
[17] GIORGI，F.、RAFFAELE，F.和COPPOLA，E.（2019年）。气候预测中降水特征对全球变暖的响应。地球系统。动态。10 73-89.
[18] GLECKLER，P.J.、TAYLOR，K.E.和DOUTRIAUX，C.（2008）。气候模型的性能指标。《地球物理学杂志》。物件。，大气。113
[19] Gneiting，T.、Balabdaoui，F.和Raftery，A.E.（2007年）。概率预测、校准和清晰度。J.R.统计社会服务。B.统计方法。69 243-268. 数字对象标识符：10.1111/j.1467-9868.2007.00587.x谷歌学者：查找链接zbMATH:1120.62074数学科学网：MR2325275·Zbl 1120.62074号 ·文件编号：10.1111/j.1467-9868.2007.00587.x
[20] Gneiting，T.和Raftery，A.E.（2007年）。严格正确的评分规则、预测和评估。J.Amer。统计师。协会102 359-378。数字对象标识符：10.1198/01621450000001437谷歌学者：查找链接数学科学网：MR2345548·Zbl 1284.62093号 ·doi:10.1198/0162145000001437
[21] Goodfellow，I.、Bengio，Y.和Courville，A.（2016）。深度学习。自适应计算和机器学习。麻省理工学院出版社，马萨诸塞州剑桥。数学科学网：MR3617773·Zbl 1373.68009号
[22] GREENE，A.M.、GODDARD，L.和LALL，U.（2006年）。概率多模式区域温度变化预测。J.气候19 4326-4343。
[23] 哈里斯·T、李·B和SRIVER·R（2023）。补充“神经网络高斯过程多模型集成分析”https://doi.org/10.1214/23-AOAS1768SUPA网站, https://doi.org/10.1214/23-AOAS1768SUPPB
[24] HAUGEN，M.A.、STEIN，M.L.、MOYER，E.J.和SRIVER，R.L.（2018年）。使用分位数回归估计大规模气候模拟集合中温度分布的变化。J.气候31 8573-8588。数字对象标识符：10.1175/JCLI-D-17-0782.1谷歌学者：查找链接·doi:10.1175/JCLI-D-17-0782.1
[25] Hersbach，H.、Bell，B.、Berrisford，P.、Hirahara，S.、Horányi，A.、Muñoz-Saberter，J.、Nicolas，J.，Peubey，C.、Radu，R.等人（2020年）。ERA5全球再分析。Q.J.R.Meteorol公司。Soc.146 1999-2049年。数字对象标识符：10.1002/qj.3803谷歌学者：查找链接·doi:10.1002/qj.3803
[26] KALNAY，E.、KANAMITSU，M.、KISTLER，R.、COLLINS，W.、DEAVEN，D.、GANDIN，L.、IREDELL，M.，SAHA，S.、WHITE，G.等人（1996年）。NCEP/NCAR 40年再分析项目。牛市。Am.Meteorol公司。Soc.77 437-472。
[27] Katzfuss，M.（2017年）。海量空间数据集的多分辨率近似。J.Amer。统计师。协会112 201-214。数字对象标识符：10.1080/01621459.2015.1123632谷歌学者：查找链接数学科学网：MR3646566·doi:10.1080/01621459.2015.1123632
[28] Kingma，D.P.和Ba，J.（2014）。亚当：一种随机优化方法。预印本。可在arXiv:1412.6980上获得。
[29] KNUTTI，R.、FURER，R.，TEBALDI，C.、CERMAK，J.和MEEHL，G.A.（2010年）。将多种气候模型的预测结合起来的挑战。《气候杂志》23 2739-2758。
[30] KNUTTI，R.、SEDLá采EK，J.、SANDERSON，B.M.、LORENZ，R.，FISCHER，E.M.和EYRING，V.（2017年）。考虑性能和相互依赖性的气候模型预测权重方案。地球物理学。Res.Lett公司。44 1909-1918.
[31] KRISTIADI，A.、HEIN，M.和HENNIG，P.（2020年）。成为贝叶斯主义者，即使只是一点点，也能修复relu网络中的过度自信。在机器学习国际会议5436-5446上。PMLR公司。
[32] LAMBERT，S.J.和BOER，G.J.（2001）。CMIP1耦合气候模型的评估和相互比较。攀登。动态。17 83-106.
[33] LEE，J.、BAHRI，Y.、NOVAK，R.、SCHOENHOLZ，S.S.、PENNINGTON，J.和SOHL-DICKSTEIN，J.（2017）。作为高斯过程的深层神经网络。预印。可从arXiv:1711.00165获取。
[34] LENSSEN，N.J.、GODDARD，L.和MASON，S.（2020年）。ENSO遥相关图的季节预报技巧。天气预报。35 2387-2406.
[35] MACKAY，D.C.J.（1992年）。用于反向传播网络的实用贝叶斯框架。神经计算。4 448-472.
[36] MEARNS，L.、MCGINNIS，S.、KORYTINA，D.、ARRITT，R.、BINER，S.，BUKOVSKY，M.、CHANG，H.、CHRISTENSEN，O.、HERZMANN，D.等人（2017年）。NA-CORDEX数据集，版本1.0。NCAR气候数据网关。Boulder（CO）：北美CORDEX项目10。D6SJ1JCH。
[37] NEAL，R.M.（2012）。神经网络贝叶斯学习118。柏林施普林格。
[38] NORTH，G.R.、BELL，T.L.、CAHALAN，R.F.和MOENG，F.J.（1982）。经验正交函数估计中的抽样误差。每月天气回顾110 699-706。
[39] O'NEILL，B.C.，TEBALDI，C.，VUUREN，D.P.V.，EYRING，V.，FRIEDLINGSTEIN，P.，HURTT，G.，KNUTTI，R.，KRIEGLER，E.，LAMARQUE，J.-F.等人（2016）。CMIP6的场景模型相互比较项目（ScenarioMIP）。地球科学模型开发9 3461-3482。
[40] POLSON，N.G.和SOKOLOV，V.（2017年）。深度学习：贝叶斯观点。贝叶斯分析。12 1275-1304. 数字对象标识符：10.1214/17-BA1082谷歌学者：查找链接MathSciNet:MR33724986·Zbl 1386.68139号 ·doi:10.1214/17-BA1082
[41] R a i s a NEN，J.、RUOKOLAINEN，L.和YLH a ISI，J.（2010年）。对模型结果进行加权，以改进对气候变化的最佳估计。气候动力学35 407-422。
[42] RAMACHANDRAN，P.、ZOPH，B.和LE，Q.V.（2017年）。搜索激活功能。预印本。可在arXiv:1710.05941获得。
[43] Rasmussen，C.E.和Williams，C.K.I.（2006）。机器学习的高斯过程。自适应计算和机器学习。麻省理工学院出版社，马萨诸塞州剑桥。数学科学网：MR2514435·Zbl 1177.68165号
[44] ROUGIER，J.、GOLDSTEIN，M.和HOUSE，L.（2013）。多模系综的二阶互换性分析。J.Amer。统计师。协会108 852-863。数字对象标识符：10.1080/01621459.2013.802963谷歌学者：查找链接数学科学网：MR3174668·Zbl 06224971号 ·doi:10.1080/01621459.2013.802963
[45] SANSOM，P.G.、STEPHENSON，D.B.和BRACEGIRDLE，T.J.（2021）。利用多个气候模型的观测和模拟对未来气候进行限制性预测。J.Amer。统计师。协会116 546-557。数字对象标识符：10.1080/01621459.2020.1851696谷歌学者：查找链接数学科学网：MR4270002·Zbl 1464.86002号 ·doi:10.1080/01621459.2020.1851696
[46] SHAND，L.和LI，B.（2017）。建模空间和时间的非平稳性。生物计量学73 759-768. 数字对象标识符：10.1111/biom.12656谷歌学者：查找链接MathSciNet:MR3713110·Zbl 1522.62226号 ·doi:10.1111/biom.12656
[47] Shimodaira，H.（2000）。通过加权对数似然函数改进协变量移位下的预测推断。J.统计。计划。推论90 227-244。数字对象标识符：10.1016/S0378-3758（00）00115-4谷歌学者：查找链接数学科学网：MR1795598·Zbl 0958.62011号 ·doi:10.1016/S0378-3758（00）00115-4
[48] SMITH，R.L.、TEBALDI，C.、NYCHKA，D.和MEARNS，L.O.（2009年）。气候模型集合中不确定性的贝叶斯建模。J.Amer。统计师。协会104 97-116。数字对象标识符：10.1198/jasa.2009.0007谷歌学者：查找链接数学科学网：MR2663036·兹比尔1388.62010 ·doi:10.1198/jasa.2009.0007
[49] TEBALDI，C.和KNUTTI，R.（2007年）。多模型集合在概率气候预测中的应用。菲洛斯。事务处理。R.Soc.伦敦。序列号。数学。物理学。工程科学。365 2053-2075. 数字对象标识符：10.1098/rsta.2007.2076谷歌学者：查找链接数学科学网：MR2317897·doi:10.1098/rsta.2007.2006
[50] TEBALDI，C.、MEARNS，L.O.、NYCHKA，D.和SMITH，R.L.（2004）。降水变化的区域概率：多模式模拟的贝叶斯分析。地球物理研究快报31。
[51] TRENBERTH，K.E.（2011）。降雨量随气候变化而变化。气候研究47 123-138。
[52] van der Vaart，A.和van Zanten，H.（2011）。非参数高斯过程方法的信息率。J.马赫。学习。第12号决议2095-2119。zbMATH:1280.68228数学科学网：MR2819028·Zbl 1280.68228号
[53] WANG，Z.和BOVIK，A.C.（2002）。通用图像质量指数。IEEE信号处理信件9 81-84。
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。