관측소 데이터만으로 결합 확률적 기상 예측 학습

복합적인 기상 위험을 평가하려면 변수들 간의 의존성을 나타내는 예측이 필요합니다. CLARA (Calibrated Advection-Routing Attention)는 수치 기상 예측이나 재분석 없이 관측소 데이터만으로 다섯 가지 지표 변수의 결합 가우시안 예측 분포를 학습하며, 약 28,000개의 파라미터 모델로 CPU 트레이닝과 예측을 지원합니다. 96개 관측소를 대상으로 한 6개의 다년도 폴드에서, 이 모델의 선행-평균 에너지 점수는 일치하는 시간적 입력을 가진 학습된 비교 모델(유사한 파라미터 수 대비 4.7%)보다 4.9% 낮았으며, 통계적 기준선들보다 11-65% 낮은 성능을 보였습니다. 주변 분산을 고정하고 학습된 상관관계를 제거하면 관측소당 결합 음의 로그 우도(joint negative log-likelihood)가 1.0-2.8 nats만큼 악화됩니다. 주어진 가정 하에서 일관성이 증명된 공분산 스케일 추정기(covariance-scale estimator)는 단기 예측의 보정을 개선하지만 장기 예측에서는 과도하게 보정합니다. 합성 개입(Synthetic interventions)을 통해 볼 때, 어텐션 편향 계수만으로는 예측 영향을 측정할 수 없습니다. 6개 대륙의 10개 지역에서 재학습된 CLARA는 모든 60개의 다년도 지역-선행 비교에서 지속성(persistence)보다 우수한 성능을 보였으며, 60개 중 57개에서 유사한 크기의 학습 모델보다 뛰어났습니다.