首页 时政热点 科技头条 智能AI 安全攻防 数码硬件 开发者生态 归档 标签 关于
智能AI morning

使用表格扩散模型学习表面海洋 $\Delta p$CO$_2$ 的校准和可采样预测分布

2026-11-18 1 阅读 约1分钟阅读 Gabriele Accarino, Mohammad M. Amirian, Thea H. Heimdal, Amanda R. Fay, Galen A. McKinley, Viviana Acquaviva
分享:
字号:
arXiv:2611.21769v1 公告类型:新 摘要:海洋吸收了近 30% 的人为 CO$_2$ 排放量,但量化这一汇需要根据空间和时间稀疏的观测来估算海洋表面 CO$_2$。该领域现有的大多数机器学习估计都是确定性的,每个网格点给出一个值,不确定性通过残差、集合或规定分布进行事后近似。相反,我们学习每个观测值的条件预测分布:使用 Treeffuser(一种具有梯度增强树评分函数的条件扩散模型),我们从 13 个环境、空间和时间预测变量中估计 $\Delta p$CO$_2$(海空气 $p$CO$_2$ 差异)的完整预测分布。在保持 SOCAT 测试集上,Treeffuser 在评估的不确定性量化方法中获得最低的连续排名概率分数 (8.229 $\mu$atm),覆盖范围最接近名义 68% / 95% 水平 (0.686 / 0.930),同时保留与确定性 XGBoost 基线相当的点预测技能(RMSE 18.4 vs. 17.7 $\mu$atm; $R^2$ 0.77 与 0.79)。这些结果表明,条件扩散可以提供经过良好校准的观察级不确定性,同时在很大程度上保留点预测技能。因为Treeffuser是生成性的,所以它的样本可以支持$\Delta p$CO$_2$的概率分析;将其扩展到空间相干场重建将需要对网格单元之间的依赖性进行建模并对空间保留的数据进行评估。
这篇文章对您有帮助吗?

订阅66必读

每日精选科技资讯,直达你的邮箱