[論文レビュー] Analysis, Characterization, Prediction and Attribution of Extreme Atmospheric Events with Machine Learning: a Review

Sancho Salcedo‐Sanz, Jorge Pérez‐Aracil+10 more|arXiv (Cornell University)|Jun 3, 2022

Meteorological Phenomena and Simulations被引用数 6

ひとこと要約

本論文は、干ばつ、洪水、猛烈な天候など、極端な大気現象の分析・予測・帰属分析に応用される機械学習（ML）の応用をレビューする。アンサンブル手法、ディープラーニング、説明可能なAIを含む最先端のML技術を統合し、予測精度と帰属分析の向上を実証する一方で、複合的・同時的極端現象におけるデータ不足、不確実性の定量化、モデルの解釈可能性の課題を強調する。

ABSTRACT

Atmospheric Extreme Events (EEs) cause severe damages to human societies and ecosystems. The frequency and intensity of EEs and other associated events are increasing in the current climate change and global warming risk. The accurate prediction, characterization, and attribution of atmospheric EEs is therefore a key research field, in which many groups are currently working by applying different methodologies and computational tools. Machine Learning (ML) methods have arisen in the last years as powerful techniques to tackle many of the problems related to atmospheric EEs. This paper reviews the ML algorithms applied to the analysis, characterization, prediction, and attribution of the most important atmospheric EEs. A summary of the most used ML techniques in this area, and a comprehensive critical review of literature related to ML in EEs, are provided. A number of examples is discussed and perspectives and outlooks on the field are drawn.

研究の動機と目的

• 極端な大気現象（EEs）の分析・特徴化・予測・帰属分析に応用された機械学習技術について包括的なレビューを行うこと。
• 熱波、洪水、干ばつ、激しい嵐、視界不良現象を含む主なEEsにおいて、主要なMLアルゴリズムとその性能を特定すること。
• データの乏しさ、モデルの不確実性、ML駆動の極端現象研究における解釈可能性の欠如といった重要な課題に対処すること。
• 気候応用分野における信頼性と信頼性を高めるために、物理的制約をMLモデルに統合する必要性を強調すること。
• 複合的・同時的極端現象を含む、新たな研究のフロンティアを特定し、帰属分析における因果推論と説明可能なAIの役割を明らかにすること。

提案手法

• 大気現象におけるML応用に関する200件以上の査読付き論文を系統的レビューし、現象タイプとML技術ごとに分類する。
• 主要なML手法の理論的概要：アンサンブル手法（バギング、ブースティング）、サポートベクターマシン、マルチレイヤーパーセプトロン、ディープラーニング、特徴選択技術。
• 再解析データを用いて、極地域の気温および降水量の極端値を予測するための極端学習マシンおよびディープラーニングモデル（例：CNN、RNN）の適用。
• 空間的に分散された再解析データの使用により、地域気候予測におけるモデルの一般化能力を向上させ、過学習を低減する。
• 適合度の評価に不可欠な不確実性の定量化技術（例：適合性予測、証拠的ディープラーニング、変分推論）を統合する。
• 物理的制約と説明可能性手法（例：LIME、SHAP）を統合し、帰属タスクにおけるモデルの透明性と信頼性を向上させる。

実験結果

リサーチクエスチョン

• RQ1 熱波や洪水のような極端な大気現象の予測・帰属分析に最も効果的な機械学習技術は何か？
• RQ2 再解析データの空間的多様性は、MLを用いた気温および降水量予測の精度をどのように向上させるか？
• RQ3 複合的・同時的極端現象へのMLの適用における主な課題は何か。また、データの乏しさはどのように緩和できるか？
• RQ4 不確実性の定量化と説明可能性技術は、気候科学におけるMLモデルの信頼性と解釈可能性をどのように向上させるか？
• RQ5 MLは、人為的気候変動に起因する極端現象の帰属分析をどの程度向上させられるのか。因果推論はそのプロセスで果たす役割は何か？

主な発見

• アンサンブル手法、ディープラーニング、極端学習マシンは、地域気温および降水量の極端値予測において、従来の統計モデルを著しく上回る性能を示す。
• 空間的に分散された再解析データの統合により、フランスにおける8月平均気温の予測精度が向上し、局所的な過学習が低減され、一般化能力が向上した。
• 適合性予測や証拠的ディープラーニングなどの不確実性定量化技術は、特に高インパクトの極端現象シナリオにおいてモデルの信頼性を評価するために不可欠である。
• LIME や SHAP などの説明可能性手法はモデルの透明性を向上させるが、不確実性推定との統合はまだ十分に発展していない。
• MLを用いた極端現象の帰属分析はまだ初期段階にあり、最近の因果推論とモデルに依存しない手法の進展は、現象と気候変動との関連付けに有望な兆しを示している。
• 複合的・同時的極端現象は、訓練データの制限のため依然として大きな課題であり、新たなデータ生成戦略とハイブリッドモデリングアプローチの開発が求められる。