.png){kind=icon}
返回
Whose weather is it? A fairness framework for data-driven weather forecasting
.png){kind=icon}
PRE
AI
DOI：10.1088/1748-9326/ae21f5.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
随着数据驱动天气预报模型日益应用于实际操作，关于公平性和预测改进的平等获取问题正变得日益紧迫。本文介绍了一个用于评估全球数据驱动预测中基于结果的公平性的概念框架，借鉴了算法公平性文献中的原则。具体而言，我们关注两个标准：统计均等性（即受保护群体间改进的可比性）和条件独立性（即改进不依赖于受保护变量）。以ECMWF的AIFS模型作为案例研究，并以IFS HRES为基准，我们评估了预测改进是否在不同收入群体和人口密度间公平分配。我们发现，尽管AIFS在预测技巧方面提供了显著的总体改进，但这些收益分配不均：平均而言，较富裕和人口更稠密的地区更有可能经历预测改进，违反了群体公平性和条件独立性标准。最后，我们讨论了公平感知损失函数如何融入数据驱动天气预报系统，并主张在模型开发和评估中更广泛地整合公平性考量。
Keyword:
fairness
weather forecasting
data-driven forecasting
forecasting
algorithmic fairness
deep learning weather
machine learning weather
期刊
IF:
5.6
论文数:
9.5K
被引数:
5.0W
机构
引用论文
.png){kind=icon}
Validating Deep Learning Weather Forecast Models on Recent High-Impact Extreme Events验证深度学习天气预测模型在近期高影响极端事件上的表现
OAAI
OAAI分享收藏FuXi: a cascade machine learning forecasting system for 15-day global weather forecastFuXi: 用于15天全球天气预报的级联机器学习预报系统OAAI
OAAI分享收藏分享收藏
查看更多内容