[論文レビュー] Extreme heatwave sampling and prediction with analog Markov chain and comparisons with deep learning

George Miloshevich, Cozian, Bastien+1 more|arXiv (Cornell University)|Jul 18, 2023

Meteorological Phenomena and SimulationsEarth and Planetary Sciences被引用数 3

ひとこと要約

本稿では、フランスおよびスカンジナビアにおける極端な熱波のサンプリングと予測を目的として、気温および土壌水分を予測子とするアナログ・マルコフ連鎖に基づく確率的気象生成器（SWG）を提案する。80年分の気候モデルデータで学習させたSWGは、1,000年周期の帰無確率推定において一般化極値分布（GEV）フィッティングを上回り、深層学習（CNN）と同等の確率的予測性能を示す。特にデータが限られる状況でも、計算効率が高く解釈可能な特徴を持つ。

ABSTRACT

This dataset was originally generated by running a Plasim general circulation model for 8000 years. We extract a small subset of this dataset which is only 500 years long with temperature, soil moisture and 500 hPa Geopotential extracted over the northern hemisphere above 30 North. This dataset can be used to reproduce the results in https://arxiv.org/abs/2307.09060 concerning training CNN and SWG with cross-validation length of 500 years.

研究の動機と目的

• ヨーロッパにおける極端な熱波の発生確率を推定するため、計算効率が高く、データ駆動型の確率的気象生成器（SWG）を開発すること。
• 限られた気候モデルデータを用いて、希少で長期にわたる熱波を効果的にサンプリングする課題に対処すること。
• アナログベースのSWGの性能を、深層学習（CNN）および極値理論（EVT）と比較し、確率的熱波予測の性能を評価すること。
• アナログ計算の効率を高めるために次元削減技術（EOF、VAE）を評価し、予測精度を損なわずに性能を向上させること。
• SWGが極端な熱波に伴う実際の合成的テレコネクションパターンを生成できることを実証すること。

提案手法

• SWGは、大気循環場に対してアナログ手法を適用し、追加的に局所的な気温および土壌水分を予測子として用いる。
• 歴史的状態のアナログから、確率的かつ空間時間的連続な天候状態の系列を生成するため、マルコフ連鎖フレームワークを適用する。
• アナログ探索の高速化のため、経験的直交関数（EOF）を用いた次元削減を実施し、VAEおよびPCAと性能を比較評価する。
• 希少事象に特化した適切なスコアルール（正規化対数スコア）を用いて、条件付き熱波発生確率をアウトオブサンプルで予測する。
• SWGは80年分のPlaSim気候モデル出力で学習させ、合成極端現象の現実性を評価するために長期間のコントロールランと照合する。
• 性能は、数百年分のデータで学習した畳み込みニューラルネットワーク（CNN）および帰無確率推定のためのGEVフィッティングと比較評価する。

Figure 1 : The map shows relevant areas. Blue: North Atlantic – Europe (NAE). The dimensions of this region are 22 by 48. Red+Blue: North Hemisphere (above 30 N). The dimensions of this region are 24 by 128. Green: France; Purple: Scandinavia.

実験結果

リサーチクエスチョン

• RQ1 80年分の学習データのみを用いて、アナログ・マルコフ連鎖に基づく確率的気象生成器（SWG）は、フランスおよびスカンジナビアにおける長期にわたる熱波の条件付き発生確率を正確に予測できるか？
• RQ2 学習データが限られる状況において、アナログベースのSWGの確率的熱波予測性能は、深層学習モデル（CNN）と比べてどの程度優れているか？
• RQ3 次元削減（例：EOF）によって、アナログベース予測における計算効率をどの程度向上できるか、予測精度の低下を伴わずに行えるか？
• RQ4 SWGが生成する極端な熱波に伴う合成的テレコネクションパターンは、非常に長い気候モデルコントロールランで観測されたパターンと統計的に区別できないほどに類似しているか？
• RQ5 伝統的な極値理論（GEV）フィッティングよりも、SWGは1,000年周期の極端な熱波の帰無確率をより正確に推定できるか？

主な発見

• 80年分のデータで学習させたSWGは、多日間の熱波の1,000年周期の帰無確率を、GEVフィッティングよりも正確に推定しており、希少事象の推定において優れた性能を示している。
• 数百年分の学習データを用いた場合、CNNは正規化対数スコアでSWGを上回り、豊富なデータがある状況では深層学習の優位性が顕著に現れている。
• EOFを用いた次元削減は、このタスクにおいてVAEを上回る性能を発揮しており、温度極端現象のアナログ予測にはEOがより適していると考えられる。
• フランスおよびスカンジナビアにおける熱波に伴うSWGの合成テレコネクションパターンは、非常に長い気候モデルコントロールランで観測されたパターンと、定性的および統計的に強く類似している。
• 学習データが限られる状況では、SWGは気候モデルの代替として強力なベースラインを提供する。また、より複雑な深層学習アーキテクチャの検証にも用いるべきである。
• 本研究では、再現可能性および他の極端な気象現象や地域への応用を可能にするために、オープンソースのコードとドキュメンテーションを提供している。

Figure 2 : Schematics of different methodologies used for probabilistic forecasting and estimates of extreme statistics. On the left we show the three input fields which are labeled directly on the plot. On the right the target of the inference is displayed (for instance probabilistic prediction as