Uncertainty Aware Tropical Cyclone Wind Speed Estimation from Satellite Data

深度神经网络（DNNs）已成功应用于地球观测（EO）数据，并开辟了新的研究方向。尽管这些技术在理论和实践方面取得了进展，但DNNs仍被认为是黑盒工具，并且默认情况下设计为给出点预测。然而，大多数EO应用程序需要可靠的不确定性估计，以支持从业者进行关键决策。本文提供了一个现有的不确定性量化方法的理论和定量比较，用于DNNs应用于热带气旋卫星图像的风速估计任务。我们提供了来自最先进的DNNs不确定性量化（UQ）方法的预测不确定性估计的详细评估。我们发现，预测不确定性可以用于进一步提高准确性，并分析不同方法在风暴类别间的预测不确定性。

本论文旨在提供一种理论和量化比较现有不确定性量化方法的方法，以解决地球观测数据中深度神经网络的不确定性问题。

本文提供了一种针对深度神经网络的不确定性量化方法，并在风速估计的卫星图像上进行了详细的评估和比较。

本文的亮点包括提供了一种针对深度神经网络的不确定性量化方法，以及对不同方法的预测不确定性进行了分析和比较。实验使用了风速估计的卫星图像，并开源了代码。

最近的相关研究包括：'A Survey on Deep Learning in Medical Image Analysis'，'Uncertainty in Deep Learning'，'Deep Learning for Remote Sensing Data: A Technical Tutorial on the State of the Art'等。