Краткое содержание

arXiv:2511.14218v1 Тип объявления: кросс Аннотация: Прогнозирование погоды сталкивается с фундаментальными трудностями из-за хаотической природы атмосферы, что требует применения вероятностных подходов для количественной оценки неопределенности. В то время как традиционный метод ансамблевого прогнозирования (EPS) решает эту проблему за счет вычислительно интенсивного моделирования, недавние достижения в области байесовского глубокого обучения (BDL) предлагают многообещающую альтернативу, которая часто остается изолированной от традиционных методов. Мы объединяем эти парадигмы через унифицированную гибридную байесовскую глубокую обучающуюся модель ансамбля прогноза погоды, которая явно разделяет предсказательную неопределенность на эпистемическую и алеаторную составляющие, изучаемые посредством вариационного вывода и схемы стохастических возмущений, учитывающей физические процессы и моделирующей зависящую от потока динамику атмосферы соответственно. Кроме того, мы разрабатываем единую теоретическую основу, строго связывающую методы BDL и EPS, предоставляя формальные теоремы, которые разлагают общую предсказательную неопределенность на эпистемические и алеаторные компоненты под гибридной архитектурой BDL.