[論文レビュー] Forecasting Significant Wave Heights in Oceanic Waters.

Pujan Pokhrel, Elias Ioup+3 more|arXiv (Cornell University)|May 18, 2021

Ocean Waves and Remote Sensing参考文献 13被引用数 1

ひとこと要約

本論文では、CDIPブイデータを用いて海洋における波の高さを予測するためのExtra Trees (ET)機械学習モデルを提案する。スペクトル特徴量、hvブロック交差検証、厳密な品質管理を組み込むことで、モデルは14日先予測において高い精度を達成し、スキャターインデックスが0.110、RMSEが0.122に達する。これは、従来の最先端手法を上回り、通常の120時間の限界を超えて予測を延長する。

ABSTRACT

This paper proposes a machine learning method based on the Extra Trees (ET) algorithm for forecasting Significant Wave Heights in oceanic waters. To derive multiple features from the CDIP buoys, which make point measurements, we first nowcast various parameters and then forecast them at 30-min intervals. The proposed algorithm has Scatter Index (SI), Bias, Correlation Coefficient, Root Mean Squared Error (RMSE) of 0.130, -0.002, 0.97, and 0.14, respectively, for one day ahead prediction and 0.110, -0.001, 0.98, and 0.122, respectively, for 14-day ahead prediction on the testing dataset. While other state-of-the-art methods can only forecast up to 120 hours ahead, we extend it further to 14 days. This 14-day limit is not the forecasting limit, but it arises due to our experiment's setup. Our proposed setup includes spectral features, hv-block cross-validation, and stringent QC criteria. The proposed algorithm performs significantly better than the state-of-the-art methods commonly used for significant wave height forecasting for one-day ahead prediction. Moreover, the improved performance of the proposed machine learning method compared to the numerical methods, shows that this performance can be extended to even longer time periods allowing for early prediction of significant wave heights in oceanic waters.

研究の動機と目的

• 従来のモデルが通常有する120時間の予測限界を超えて、波の高さ予測を延長すること。
• CDIPブイからのポイント測定値を用いた機械学習により、海洋波の高さをより高精度に予測すること。
• スペクトル特徴量、交差検証、品質管理を統合した耐障害性の高い予測フレームワークの構築。
• 長期的波の高さ予測において、機械学習が数値手法を上回ることの優位性を示すこと。
• 延長された信頼性の高い波の予測を通じて、海洋災害の早期警戒システムを可能にすること。

提案手法

• モデルは、CDIPブイデータの派生特徴量を回帰に用いる、木ベースのアンサンブル手法であるExtra Trees (ET)アルゴリズムを採用する。
• 特徴量は、まず波の高さを30分ごとに予測する前に、さまざまな海洋パラメータをノーウォッチングすることで導出される。
• 波の測定値からスペクトル特徴量を抽出することで、モデルの一般化能力を向上させるための入力表現を豊かにする。
• 時系列予測におけるデータ漏洩を防ぎ、時間的耐性を確保するため、hvブロック交差検証が適用される。
• モデルの学習および評価の前に、ノイズが多いか信頼性の低いデータポイントをフィルタリングするため、厳密な品質管理（QC）基準が適用される。
• モデルは1日および14日先の予測期間を想定したデータセットで学習・評価され、標準指標を用いて性能が評価される。

実験結果

リサーチクエスチョン

• RQ1 機械学習モデルは、標準的な120時間の予測期間を超えて波の高さを予測できるか？
• RQ2 Extra Treesモデルの性能は、長期的波の高さ予測において、最先端手法と比べてどうか？
• RQ3 スペクトル特徴量ときびしいQCは、予測精度をどの程度向上させるか？
• RQ4 ノーウォッチドパラメータの組み込みは、モデルの予測能力を向上させるか？
• RQ5 機械学習モデルは、長期的海洋波の高さ予測において、従来の数値手法を上回ることができるか？

主な発見

• 1日先予測では、スキャターインデックス（SI）が0.130、RMSEが0.14と高く、高い精度を示している。
• 14日先予測では、SIが0.110、RMSEが0.122に達し、強力な長期的性能を示している。
• 14日予測では相関係数が0.98に達し、予測値と観測値の間の強い線形関係を示している。
• 14日予測におけるバイアスは-0.001とほとんどゼロに近く、系統的な過大または過小予測がほとんどない。
• 本手法は、1日先予測の精度において、既存の最先端手法を顕著に上回っている。
• 結果から、機械学習モデルは14日を超えるさらに長い予測期間へも信頼性を持って拡張可能であると示唆される。