이번 주 팀미팅 논문리뷰 할 논문 들고오기...
bias correction 어떻게 하면 좋은지 에 대한 연구인데
3가지 방법을 제안함.
1. Dynamical++
테스트 날짜의 평균 예보값에다가
(실제 관측치-평균 예보값)의 mean을 더해주는 방법
=> 평균적으로 예보를 높게 예측하는지 낮게 예측하는지 계산해서(일반적인 오류 패턴) 모델 예측값에다가 똑같이 반영해주는 방법
2. Climatology++
여기서 span s: 테스트 날짜를 중심으로 고려할 날짜의 범위
그래서 각 관측값 Yt랑 예측값 Y사이의 손실 함수를 최소화 하는 y값을 찾는건데
날짜를 지정해주는거라서
=> 특정 시기에 일반적으로 어떤 날씨가 발생하는지 파악하여 보정하는 방법
근데 이건 어떤 경험적 분포이다 보니 앙상블을 만들어서 확률론적 예보에 쓰임
3. Persistence++
요약하자면 각 그리드 포인트에 대해서 최적의 계수를 출력하는건데,
이 계수는 실제 관측치와 변수 조합 사이의 평균제곱오차를 최소화하는 계수임
즉 각 변수가 어떻게 가중치를 두어 결합할지 우리가 결정할 수 있음
=> 바로 이전 날씨가 앞으로 날씨에 어떤 영향을 미칠지 분석할 수 잇음
이정도고
이 논문에서 이런 세가지 방법들 말고 전체적인 workflow도 소개한다.
그니까 도대체 이걸 어떻게 써야 하는지...에 대한 얘기임
기술 얘기인 줄 알았는데 아니었음...
내가 이해한 바로는....
우선 ABC 적용을 한 값이랑 안한 값
그니까 ABC-ECMWF vs Debiased ECMWF 중에 누가 좋은지 계속 비교하는데
Cohort shapley를 이용해서 각 변수의 중요도를 계산하고
이런 중요한 변수들이 ABC-ECMWF vs Debiased ECMWF에 어떻게 영향을 미치는 지 확인
그리고나서 최적의 변수 조합 개수를 찾는데,
최적 조합 변수 개수가 k*개보다 많으면 ABC-ECMWF 쓰고 아니면(적은 개수의 변수가 고영향 구간에 있다면) debiased ECMWF 쓰기.
계산 용량 줄이기 위해서 다 ABC 쓰는 건 아니다~
Performance
결과는 이걸 적용했더니 기존 모델보다 좋아졌다.
