[論文レビュー] A Bayesian Machine Learning Algorithm for Predicting ENSO Using Short Observational Time Series

Nan Chen, Faheem Gilani+1 more|arXiv (Cornell University)|Apr 3, 2021

Climate variability and models参考文献 55被引用数 10

ひとこと要約

本論文は、20年分の観測時系列とパラメトリックな事前モデルからの長期間シミュレーションを組み合わせることで、フィードフォワードニューラルネットワークをトレーニングし、ニño3 SSTインデックスを予測するベイジアン機械学習（BML）フレームワークを提案する。この手法は、標準的な機械学習およびモデルベースのアンサンブル予測を著しく上回り、予測の有効期間を9.5か月まで延長し、スプリング予測障壁を克服するとともに、予測の不確実性を低減し、モデルおよび入力の摂動に対してより頑健である。

ABSTRACT

A simple and efficient Bayesian machine learning (BML) training and forecasting algorithm, which exploits only a 20-year short observational time series and an approximate prior model, is developed to predict the Ni\~no 3 sea surface temperature (SST) index. The BML forecast significantly outperforms model-based ensemble predictions and standard machine learning forecasts. Even with a simple feedforward neural network, the BML forecast is skillful for 9.5 months. Remarkably, the BML forecast overcomes the spring predictability barrier to a large extent: the forecast starting from spring remains skillful for nearly 10 months. The BML algorithm can also effectively utilize multiscale features: the BML forecast of SST using SST, thermocline, and wind burst improves on the BML forecast using just SST by at least 2 months. Finally, the BML algorithm also reduces the forecast uncertainty of neural networks and is robust to input perturbations.

研究の動機と目的

• ENSO予測のための機械学習モデルをトレーニングする際の観測データの制限に取り組むこと。
• 計算で生成された事前モデルと短い観測データを効果的に組み合わせるトレーニングアルゴリズムを開発し、モデル誤差と予測不確実性を低減すること。
• 特に従来のモデルがしばしば失敗するスプリング予測障壁期における予測精度を向上させること。
• 事前モデルの不正確さや入力摂動に対する感受性を低減することで、予測の頑健性を高めること。
• SST、 thermocline、風バーストなどのマルチスケール入力を統合することで、予測性能を向上させること。

提案手法

• BMLフレームワークは、ニューラルネットワークのトレーニングに用いる長期間の事前時系列をパラメトリックモデルで生成する。
• 20年分の観測データが尤度として機能し、トレーニング中に事前モデルの系統的誤差を是正する。
• データ駆動型の検証ステップを通じてベイジアン更新が適用され、事前情報と観測情報を統合する。
• ニューラルネットワークは2段階のプロセスでトレーニングされる：まず事前データで、次に観測尤度を用いて予測を精緻化する。
• この手法は、観測データが限られるさまざまなニューラルネットワークアーキテクチャおよび地球物理系に適応可能である。
• 事前知識と観測制約を統合することで、予測不確実性を低減し、頑健性を向上させる。

実験結果

リサーチクエスチョン

• RQ1 20年分の観測時系列のみを用いて、ベイジアン機械学習フレームワークがENSO予測のためのニューラルネットワークを効果的にトレーニングできるか？
• RQ2 BML手法は、標準的な機械学習およびモデルベースのアンサンブル予測と比較して、予測精度と不確実性の点でどのように異なるか？
• RQ3 BMLフレームワークは、ENSO予測におけるスプリング予測障壁をどの程度克服できるか？
• RQ4 SST、熱クライム深度、風バーストなどのマルチスケール変数を統合することで、SSTのみの入力と比較して予測精度がどの程度向上するか？
• RQ5 BML手法は、事前モデルの誤差や入力データの摂動に対してどの程度頑健か？

主な発見

• BML予測は9.5か月の有効なリードタイムを達成し、標準的な機械学習およびモデルベースのアンサンブル予測を著しく上回る。
• 春に初期化された場合でも、予測がほぼ10か月間有効であるため、スプリング予測障壁が顕著に緩和されたことが示された。
• SST、熱クライム深度、風バーストなどのマルチスケール入力を組み込むことで、SSTのみの入力と比較して予測精度が少なくとも2か月向上した。
• BMLアルゴリズムは予測不確実性を低減し、標準的な機械学習予測と比較して不確実性を50％削減した。
• 事前モデルのパラメータに標準偏差の0.8まで摂動を加えても、BML手法は依然として7か月間の有効な予測を維持し、頑健性を示した。
• BMLフレームワークは、別個のデータ同化スキームからの事後時系列を必要とせず、ベイジアン更新機構によって観測制約を内蔵的に統合する。