論文の概要: Probabilistic bias adjustment of seasonal predictions of Arctic Sea Ice Concentration

• arxiv url: http://arxiv.org/abs/2510.09891v1
• Date: Fri, 10 Oct 2025 22:17:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-14 18:06:29.673388
• Title: Probabilistic bias adjustment of seasonal predictions of Arctic Sea Ice Concentration
• Title（参考訳）: 北極海氷濃度の季節予測の確率的バイアス調整
• Authors: Parsa Gooya, Reinel Sospedra-Alfonso,
• Abstract要約: 季節予測システムは、しばしばバイアスを示し、複雑な時間誤差を予測する。 本稿では,条件付き変分オートエンコーダモデルに基づく確率的誤り訂正フレームワークを提案する。 調整された予測は観測分布に適しており、気候学的平均調整された予測よりも誤差が小さいことを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Seasonal forecast of Arctic sea ice concentration is key to mitigate the negative impact and assess potential opportunities posed by the rapid decline of sea ice coverage. Seasonal prediction systems based on climate models often show systematic biases and complex spatio-temporal errors that grow with the forecasts. Consequently, operational predictions are routinely bias corrected and calibrated using retrospective forecasts. For predictions of Arctic sea ice concentration, error corrections are mainly based on one-to-one post-processing methods including climatological mean or linear regression correction and, more recently, machine learning. Such deterministic adjustments are confined at best to the limited number of costly-to-run ensemble members of the raw forecast. However, decision-making requires proper quantification of uncertainty and likelihood of events, particularly of extremes. We introduce a probabilistic error correction framework based on a conditional Variational Autoencoder model to map the conditional distribution of observations given the biased model prediction. This method naturally allows for generating large ensembles of adjusted forecasts. We evaluate our model using deterministic and probabilistic metrics and show that the adjusted forecasts are better calibrated, closer to the observational distribution, and have smaller errors than climatological mean adjusted forecasts.
• Abstract（参考訳）: 北極海氷濃度の季節予測は、海氷の急激な減少による負の影響を緩和し、潜在的機会を評価する鍵となる。 気候モデルに基づく季節予測システムは、しばしば、予測とともに増加する体系的なバイアスと複雑な時空間誤差を示す。 その結果、運用予測は定期的にバイアス修正され、振り返り予測を使用して校正される。 北極海氷濃度の予測には、気候学的平均または線形回帰補正を含む1対1の事後処理法と、最近では機械学習が主である。 このような決定論的調整は、生の予測の高価なアンサンブルメンバーの限られた数に限定されている。 しかし、意思決定には不確実性の適切な定量化と、特に極端な事象の可能性が必要である。 本稿では, バイアスモデル予測による観測の条件分布をマッピングするために, 条件付き変分オートエンコーダモデルに基づく確率的誤差補正フレームワークを提案する。 この方法は自然に調整された予測の大きなアンサンブルを生成することができる。 決定論的および確率論的指標を用いて本モデルを評価し, 予測値の調整精度が向上し, 観測分布に近づき, 気象学的平均調整予測よりも誤差が小さいことを示す。

関連論文リスト

• Enforcing tail calibration when training probabilistic forecast models [0.0]
  本研究では,確率予測モデルの学習に使用する損失関数を用いて,極端な事象に対する予測の信頼性を向上させる方法について検討する。 我々は,最先端モデルが極端風速のキャリブレーション予測を発行しないことを示すとともに,モデルトレーニング中の損失関数への適切な適応により,極端事象のキャリブレーションを改善することができることを示した。
  論文  参考訳（メタデータ） (2025-06-16T16:51:06Z)
• Enhancing multivariate post-processed visibility predictions utilizing CAMS forecasts [0.0]
  天気予報には視界のアンサンブル予測が組み込まれている。 予測の信頼性と精度を高めるために、後処理が推奨される。 本研究は, 後処理後の予測が, 生・気候予測よりもかなり優れていることを確認した。
  論文  参考訳（メタデータ） (2024-06-20T09:57:49Z)
• ExtremeCast: Boosting Extreme Value Prediction for Global Weather Forecast [57.6987191099507]
  非対称な最適化を行い、極端な天気予報を得るために極端な値を強調する新しい損失関数であるExlossを導入する。 また,複数のランダムサンプルを用いて予測結果の不確かさをキャプチャするExBoosterについても紹介する。 提案手法は,上位中距離予測モデルに匹敵する全体的な予測精度を維持しつつ,極端気象予測における最先端性能を達成することができる。
  論文  参考訳（メタデータ） (2024-02-02T10:34:13Z)
• Statistical post-processing of visibility ensemble forecasts [0.0]
  局所的,半局所的,局所的に訓練された比例確率対数回帰(POLR)と多層パーセプトロン(MLP)ニューラルネットワーク分類器の予測性能について検討した。 気候学的な予測は生のアンサンブルを広いマージンで上回るが、後処理により予測スキルが大幅に向上することを示した。
  論文  参考訳（メタデータ） (2023-05-24T16:41:36Z)
• Uncertainty estimation of pedestrian future trajectory using Bayesian approximation [137.00426219455116]
  動的トラフィックシナリオでは、決定論的予測に基づく計画は信頼できない。 著者らは、決定論的アプローチが捉えられない近似を用いて予測中の不確実性を定量化する。 将来の状態の不確実性に対する降雨重量と長期予測の影響について検討した。
  論文  参考訳（メタデータ） (2022-05-04T04:23:38Z)
• Surrogate Ensemble Forecasting for Dynamic Climate Impact Models [0.0]
  本研究は, マラリア感染係数R0を予測するリバプールマラリアモデル(LMM)について考察した。 入力および出力データは、ランダムフォレスト量子回帰(RFQR)モデルとベイズ長短期記憶(BLSTM)ニューラルネットワークの形式で代理モデルをトレーニングするために使用される。
  論文  参考訳（メタデータ） (2022-04-12T13:30:01Z)
• Learning Interpretable Deep State Space Model for Probabilistic Time Series Forecasting [98.57851612518758]
  確率的時系列予測は、その歴史に基づいて将来の分布を推定する。 本稿では,非線形エミッションモデルと遷移モデルとをネットワークによってパラメータ化した,確率的時系列予測のための深部状態空間モデルを提案する。 実験では,我々のモデルが正確かつ鋭い確率予測を生成することを示す。
  論文  参考訳（メタデータ） (2021-01-31T06:49:33Z)
• Improving seasonal forecast using probabilistic deep learning [1.1988695717766686]
  我々は,季節予測能力と予測診断力を高めるための確率論的ディープニューラルネットワークモデルを開発した。 気候シミュレーションで符号化された複雑な物理的関係を活用することで、我々のモデルは好ましい決定論的および確率論的スキルを示す。 季節変動の支配的なモードであるエルニーニョ/南部の振動が、世界の季節予測可能性をどのように調節するかについて、より決定的な答えを与える。
  論文  参考訳（メタデータ） (2020-10-27T21:02:26Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。