一个用于利用短期观测时间序列预测ENSO的贝叶斯机器学习算法
摘要：基于贝叶斯机器学习的简单高效的训练和预测算法，利用了仅有20年的短期观测时间序列和一个近似的先验模型，开发出了预测尼尼奥3海表面温度指数的方法。该算法的预测效果明显优于基于模型的集合预测和标准机器学习预测。即使使用简单的前馈神经网络，贝叶斯机器学习的预测效果也能持续9.5个月。值得注意的是，贝叶斯机器学习的预测在很大程度上克服了春季可预测性障碍：从春季开始的预测在接近10个月的时间内保持有效。贝叶斯机器学习算法还可以有效利用多尺度特征：使用了海表面温度、热跃层和风爆的贝叶斯机器学习预测相比仅使用海表面温度的预测至少提前了2个月。最后，贝叶斯机器学习算法还减少了神经网络的预测不确定性，并对输入扰动具有鲁棒性。
作者：Nan Chen, Faheem Gilani, John Harlim
论文ID：2104.01435
分类：Atmospheric and Oceanic Physics
分类简称：physics.ao-ph
提交时间：2021-10-04