Loading...
机构名称:
¥ 1.0

全球气候模型(GCM)对于通过模拟地球系统来预测气候变化至关重要。,GCM输出由于模型未确定性,参数化简化和复杂气候现象的表示不足而表现出系统的偏见。依靠历史观察数据和统计技术的传统偏见校正方法通常忽略了未观察到的混杂因素,从而导致偏见。本文提出了一种新型的偏见校正方法,以利用GCM和Observational数据来学习一种因素模型,以捕获多引起潜在混杂因素。受到基于因果关系时间序列的最新进展的启发,我们的方法首先构建了一个因素模型,从历史数据中学习潜在混杂因素,然后应用它们以使用高级时间序列预测模型来增强偏见校正过程。实验结果证明了降水输出准确性的显着证明。通过吸收未观察到的混杂因素,我们的方法为气候模型偏见校正提供了底饰和理论上的解决方案。

arxiv:2408.12063v1 [stat.ml] 2024年8月22日

arxiv:2408.12063v1 [stat.ml] 2024年8月22日PDF文件第1页

arxiv:2408.12063v1 [stat.ml] 2024年8月22日PDF文件第2页

arxiv:2408.12063v1 [stat.ml] 2024年8月22日PDF文件第3页

arxiv:2408.12063v1 [stat.ml] 2024年8月22日PDF文件第4页

arxiv:2408.12063v1 [stat.ml] 2024年8月22日PDF文件第5页

相关文件推荐

2024 年
¥1.0