Deep Uncertainty Quantification: A Machine Learning Approach for Weather Forecasting论文解读

摘要

       天气预报通常使用Numerical weather prediction（NWP，数值计算）方法来进行预测，然而这种方法会因为初始状态的设置不当而导致结果不理想。本文设计了一个数据驱动的方法，在有效的信息融合机制的辅助下，从融合了NWP的历史数据中进行学习。将天气预报问题视为端到端的深度学习问题，并通过提出新的负对数似然误差（NLE）损失来解决这个问题。该方法的显著优势是它可以同时实现单值预测和不确定性量化，称之为深度不确定性量化（DUQ）。

贡献

       第一，本文提出了一种深度学习和信息融合机制，能够有效应用于气象数据预测。该方法是首次将气象历史观测数据与 NWP 结合用于处理气象数据预测问题。

       第二，本文使用 NLE（Negative log-likelihood）损失函数，与 MSE、MAE 等损失函数相比，使用 NLE 能够提升点估计的一般化程度。此外，本文使用深不确定性量化机制（deep uncertainty quantification，DUQ）而不是传统的贝叶斯深度学习（Bayesian deep le    arning，BDL），目的是更好的与当前主流的深度学习框架融合使用，例如 Tensorflow 和 PyTorch。此外，本文还引入反向传播机制（BP）用于优化。

       第三，除了简单的点估计，DUQ 同时能够实现连续区间预测。因此，本文的方法除了可以用于气象数据预测外，也可用于