Distance Learning for Analog Methods

Paul Platzer

doi:10.1175/MWR-D-24-0204.1

Distance Learning for Analog Methods

2025-10-01

0

PRE

AI

DOI：10.1175/MWR-D-24-0204.1

原文链接

原文求助

摘要

En 中文

类比是系统相似状态的一种形式，发生在独立的数值模拟或先前观测中的远期时间点。这一概念起源于大气科学，并进一步被应用于海洋科学中的预报、降尺度、升尺度和极端事件归因。用于寻找和评估类比的距离是类比方法的关键特征。大多数研究基于欧几里得距离或其他预定义的度量标准。在本研究中，我们将最初为分类和回归设计的距离学习算法应用于统计预报目标，并使用连续排序列概率得分作为损失函数。我们的算法能够联合优化类比方法的三个关键超参数：特征空间、距离以及所使用的类比数量。具体而言，该算法能够在降低特征空间维度的同时保持高性能，这是小规模数据集的关键要求。我们分别在理想化的混沌系统和热带气旋数据集上测试了我们的算法。这些实验表明，最优距离取决于预报时效和可用数据的数量，并且我们的算法即使对于小规模数据集也能实现合理的类比集合方法性能。我们的算法运行速度比现有的类似网格搜索的类比距离优化算法更快。这使得能够测试和优化更广泛的距离类别，例如对大量预测变量进行加权。我们的方法不仅限于预报，还可以协助寻找任何类比方法的最优超参数，增强探索可能性并提高整体性能。

Keyword:

Optimization

Machine learning

Ensembles

Statistical forecasting

Downscaling

Hurricanes/typhoons

Distance Learning for Analog Methods

摘要

期刊

机构

引用论文