【博士论文】将核学习器转化为融入气候科学领域知识的模型

文章预览

在气候科学中，面对持续的建模和观测挑战，阻碍了我们对气候系统的理解，统计机器学习近年来成为了一个潜在的盟友。现代机器学习方法承诺利用来自气候模型模拟、卫星影像或现场测量的大量数据，推动我们对气候系统的理解，从而提升我们预见气候变化不利后果的能力。然而，如果没有与气候科学社区需求对接的共同努力，这一承诺可能会因资源浪费和未实现的期望而导致失望。 在本论文中，我们提出了一套设计机器学习模型的指导原则，帮助与气候科学社区的期望对接。这些指导原则包括：为问题有意义地指定模型，优先选择数学透明的模型，强调概率建模，并融入领域知识。接着，我们选择重点关注基于核的学习器，这是一类基于数据点之间相似度度量的机器学习算法，符合这些指导原则，并提供了关于其在回归任务中应用的相关背 ………………………………