Calibration and uncertainty quantification for deep learning-based drought detection

doi:10.1016/j.jag.2025.104563

Calibration and uncertainty quantification for deep learning-based drought detection

2025-06-01

0

OA

AI

M

Mengxue Zhang *

M

Miguel‐Ángel Fernández‐Torres

DOI：10.1016/j.jag.2025.104563

原文链接

原文求助

摘要

En 中文

干旱是受高度复杂的陆气反馈机制和气候变率影响的水文气象极端事件。深度学习模型最近在检测极端气候事件方面取得成功，并有望进一步揭示和理解干旱。可靠性及可信性方面的两大挑战限制了其应用：校准误差和固有不确定性。然而，由于深度学习模型参数过多且难以解释，这些挑战很少被深入研究。为解决此不足，我们引入了针对基于深度学习的干旱检测的模型校准方法和基于熵的不确定性量化方法。校准算法可通过减少分布偏移和缓解过度自信预测来处理校准误差。而不确定性框架则将总不确定性分解并量化为多个组成部分：数据不确定性、过程变异性、参数变异性和潜在变异性。因此，我们的方法能够识别不确定预测并支持稳健评估，从而提升决策过程的可信度。通过广泛欧洲干旱事件的性能实证证据证明了我们方法的有效性。校准方法实现了最低的期望校准误差（0.31%），且基于集成预测以及拒绝最不确定的20%负样本的预测，不确定性决策的精度从72.27%提升至74.06%和76.59%。总之，我们的方法显著增强了干旱检测的可靠性和分类精度，构成了迈向更可信和可操作气候决策的关键一步。

Keyword:

Extreme climate events

Drought detection

Deep learning

Model calibration

Uncertainty quantification

Calibration and uncertainty quantification for deep learning-based drought detection

摘要

期刊

机构