気候ダウンサイジングを進めるための表形式機械学習と逐次モデルの再検討

最近の気候場の経験的ダウンサイジングにおける進展は、主にコンピュータビジョンアプローチを活用しています。これらの方法は、気候場を画像チャンネルとして扱い、その潜在空間埋め込みからダウンサイジングモデルの特徴を自動的に抽出するために画像処理技術を適用します。これに対して、本研究は、地図内の各グリッドセルが個別にダウンサイジングされ、ダウンサイジングモデルの入力特徴が気候専門家によって手動で選択されるグリッド単位ダウンサイジングの文脈における表形式および逐次モデルの可能性を再検討し、検証することを目的としています。私たちは、長短期記憶（LSTM）、多層パーセプトロン（MLP）、および線形回帰とランダムフォレストを組み合わせたハイブリッドアプローチの三つの異なるモデルを使用した降水量と蒸発散のダウンサイジング結果を示します。私たちの議論には、これらのモデルの極値を捉える能力を強化するための設定と最適化戦略が含まれています。このグリッド単位アプローチの利点が強調されており、空間的特徴を保持する性能と効果だけでなく、その柔軟性、空間的転移性、モデルの微調整の容易さ、及びトレーニング効率にも焦点が当てられています。