本研究评估了五种最近提出的贝叶斯深度学习方法相对于确定性残差神经网络（ResNet）基线在0-1小时对流初生（CI）临近预报中使用GOES-16卫星红外观测的概率和不确定性预测。不确定性通过概率预测的校准程度以及不确定性如何区分误差大和误差小的预测来评估。大多数贝叶斯深度学习方法产生的概率预测优于确定性ResNet，其中一种方法，初始权重集合+蒙特卡洛（MC）dropout，即在推理过程中激活dropout并使用不同初始权重开始训练的确定性ResNets集合，产生了最有技巧和校准最好的预测。初始权重集合+MC dropout通过生成多个解决方案更全面地采样假设空间而受益。贝叶斯ResNet集合是唯一一个在较长预见期表现比确定性ResNet差的方法，可能是由于优化更多参数的挑战。为了解决这个问题，采用了贝叶斯-MOPED（使用深度神经网络的基于经验贝叶斯的模型先验）ResNet集合，它通过将假设搜索限制在确定性ResNet假设附近来增强预测技巧。所有贝叶斯方法都展示了良好的校准不确定性和有效区分误差大和误差小的案例。在案例研究中，初始权重集合+MC dropout在晴空区域选定的CI事件上展示了比贝叶斯-MOPED集合和确定性ResNet更好的预测技巧。然而，与确定性ResNet和贝叶斯-MOPED集合相比，初始权重集合+MC dropout在没有CI发生的晴空和砧状云区域表现出较差的泛化能力。