論文の概要: Probabilistic bias adjustment of seasonal forecasts using generative machine learning: A case study of Arctic sea ice predictions

• arxiv url: http://arxiv.org/abs/2605.29172v1
• Date: Wed, 27 May 2026 23:14:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-30 02:45:55.554625
• Title: Probabilistic bias adjustment of seasonal forecasts using generative machine learning: A case study of Arctic sea ice predictions
• Title（参考訳）: 生成機械学習を用いた季節予測の確率的バイアス調整:北極海氷予測のケーススタディ
• Authors: Parsa Gooya, Reinel Sospedra-Alfonso,
• Abstract要約: 北極海氷の季節変動予測に偏りの大規模なアンサンブルを生成する枠組みを開発した。 我々は、この枠組みを拡張して、予測における微細なエネルギーの損失と特徴的曖昧さに対処する。 調整した予測は、観測分布とより整合性があり、ベンチマーク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 climate predictions support planning and risk management by offering early information of the most likely-to-occur climate conditions in the coming months, and associated uncertainties. Ensemble forecasts enable this by simulating many plausible outcomes, allowing predictions to be expressed as usable probabilities. Large ensembles and high-resolution forecasts strengthen this guidance by better sampling uncertainty and capturing finer-scale processes but come with significant computational cost. Moreover, forecast ensembles drift and exhibit systematic biases and spatio-temporal errors that grow with lead time, requiring careful post-processing and calibration. A probabilistic post-processing framework based on conditional Variational Autoencoders (cVAEs) was developed at the Canadian Center for Climate Modeling and Analysis to generate large ensembles of bias adjusted seasonal predictions of Arctic sea ice. The generative model was designed to learn the observational distribution conditioned on the biased model prediction. This enables generation of arbitrarily large ensembles of well-calibrated, bias corrected forecasts with improved skill. Here, we extend this framework to address the loss of fine-scale energy and the characteristic blurriness in predictions, a known limitation of standard cVAEs. Specifically, we employ a generator in place of the Gaussian parametrized decoder in the cVAE and use Continuous Ranked Probability Score in the objective function instead of the Mean Square Error. We further use a higher resolution target dataset compared to the raw forecast. We show that the adjusted forecasts are better calibrated, more consistent with the observational distribution, and exhibit smaller errors than benchmark predictions, while also enhancing the resolution of the raw forecasts and improving sharpness and spectral power relative to the standard cVAE.
• Abstract（参考訳）: 季節的な気候予測は計画とリスク管理を支持し、今後数ヶ月で最もありそうな気候の早期情報と関連する不確実性を提供する。 アンサンブル予測は、多くの妥当な結果をシミュレートすることでこれを可能とし、予測を使用可能な確率として表現することができる。 大規模なアンサンブルと高解像度の予測は、サンプリングの不確実性を改善し、より微細なプロセスをキャプチャすることで、このガイダンスを強化するが、計算コストは大幅に上昇する。 さらに、予測アンサンブルはドリフトし、リードタイムとともに成長する系統的なバイアスと時空間誤差を示し、慎重に後処理とキャリブレーションを必要とする。 北極海氷の季節変動予測を行うため,カナダ気候モデル解析センター(Canadian Center for Climate Modeling and Analysis)で条件付き変分オートエンコーダ(cVAEs)に基づく確率的後処理フレームワークを開発した。 生成モデルは,バイアスモデル予測に基づく観測分布の学習を目的としている。 これにより、巧みに校正された偏見補正された予測の任意に大きなアンサンブルを生成することができる。 ここでは、この枠組みを拡張して、標準cVAEの既知の制限である予測における微細エネルギーの損失と特徴的曖昧さに対処する。 具体的には、cVAEのガウスパラメタライズデコーダの代わりにジェネレータを使用し、平均平方誤差の代わりに連続ランク確率スコアを使用する。 さらに、生の予測よりも高解像度のターゲットデータセットを使用する。 調整した予測は、より校正され、観測分布と整合性があり、ベンチマーク予測よりも誤差が小さく、同時に、生の予測の解像度を高め、標準のcVAEに対するシャープネスとスペクトルパワーを向上させる。

関連論文リスト

• Probabilistic bias adjustment of seasonal predictions of Arctic Sea Ice Concentration [0.0]
  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。
  論文  参考訳（メタデータ） (2025-10-10T22:17:29Z)
• 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)
• Hybrid Forecasting of Geopolitical Events [71.73737011120103]
  SAGEは、人間と機械が生成した予測を組み合わせたハイブリッド予測システムである。 このシステムは、確率と評価されたスキルに基づいて、人間と機械の予測の重み付けを集約する。 機械による予測にアクセスできる熟練した予測者は、過去のデータしか見ていない者よりも優れていた。
  論文  参考訳（メタデータ） (2024-12-14T22:09:45Z)
• 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)
• 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。