[論文レビュー] Graph Neural Networks for Improved El Niño Forecasting

Salva Rühling Cachay, Emma Erickson+5 more|arXiv (Cornell University)|Dec 2, 2020

Climate variability and models参考文献 43被引用数 14

ひとこと要約

本稿では、学習可能またはドメイン由来のグラフエッジを通じて、非局所的で大規模な気象トランスミッションをモデル化することにより、長期予測におけるエルニーニョ・サンルーリング・オシレーション（ENSO）予測を改善するための時空間的グラフニューラルネットワーク（GNN）を提案する。このGNNは、最先端のCNNベースのモデルを上回り、ERSSTv5のSST異常データを用いて、1か月先の予測で相関スキル0.9867、3か月先の予測で0.8936を達成した。

ABSTRACT

Deep learning-based models have recently outperformed state-of-the-art seasonal forecasting models, such as for predicting El Niño-Southern Oscillation (ENSO). However, current deep learning models are based on convolutional neural networks which are difficult to interpret and can fail to model large-scale atmospheric patterns called teleconnections. Hence, we propose the application of spatiotemporal Graph Neural Networks (GNN) to forecast ENSO at long lead times, finer granularity and improved predictive skill than current state-of-the-art methods. The explicit modeling of information flow via edges may also allow for more interpretable forecasts. Preliminary results are promising and outperform state-of-the art systems for projections 1 and 3 months ahead.

研究の動機と目的

• 長期間のENSO予測において、現在のディープラーニングモデルの限界、特に局所的畳み込みに依存していることや、大規模なトランスミッションをうまくモデル化できないことに対処すること。
• ENSOダイナミクスに内在する非ユークリッド的空間的依存関係を活用して、気候モデリングにおけるグラフニューラルネットワーク（GNN）の利用を検討すること。
• グラフエッジを通じた遠隔地理的ノード間の情報伝達を明示的にモデル化することで、予測精度と解釈可能性を向上させること。
• 既存の統計的およびディープラーニングモデルを上回る精度で、ゾーナル海面水温（SST）異常およびONIインデックスを予測すること。
• ERSSTv5やCMIP5などの観測および再解析気候データセットを用いて、観測データが限られる状況でも、マルチステップ予測とトランスファーラーニングを可能にすること。

提案手法

• モデルは、気候グリッドセルをノードとし、学習可能なまたはドメイン由来のエッジを通じて相関関係をモデル化する時空間的GNNアーキテクチャを採用する。
• グラフエッジは、既知の気候トランスミッション（例：太平洋域の相関）に基づいて事前に定義されるか、グラフ構造学習手法を用いて長距離依存関係を捉えるために推定される。
• GNNは、3か月間の移動平均をとったONI領域（5°N–5°S、120°W–170°W）における海面水温異常（SSTA）の時空間的系列を処理する。
• モデルはERSSTv5データ（1871–1973）で学習し、1984–2020でテストする。CMIP5歴史的シミュレーションを用いたトランスファーラーニングの可能性も検討している。
• アーキテクチャは、マルチステップ予測をサポートし、事前定義されたエッジを必要としない最先端の時空間的GNNフレームワークに基づいている。
• モデルの性能は、1か月、3か月、6か月先の予測における予測されたONIインデックス値と観測値との間の相関スキルを用いて評価される。

実験結果

リサーチクエスチョン

• RQ1 時空間的グラフニューラルネットワークは、長期予測において畳み込みニューラルネットワークを上回ることができるか？
• RQ2 GNNは、局所的畳み込み演算よりも、気候データにおける大規模で非局所的なトランスミッションをよりよく捉えることができるか？
• RQ3 グラフエッジを通じたノード間の情報伝達を明示的にモデル化することで、予測の解釈可能性と正確性が向上するか？
• RQ4 GNNは、最先端のモデルと比較して、ONIインデックスのマルチステップ予測においてどの程度の性能を示すか？
• RQ5 CMIP5データ上で事前学習したモデルを用いたトランスファーラーニングにより、限られた観測データでも性能が向上するか？

主な発見

• 提案されたGNNは、1か月先の予測で相関スキル0.9867を達成し、CNNベースライン（約0.94）を著しく上回った。
• 3か月先の予測では、GNNは相関スキル0.8936を達成したのに対し、CNNモデルは0.8742であった。
• 短期および中期間の予測において、GNNは改善された予測性能を示したが、6か月先ではスキルが低下しており、これはデータ不足によるものと推定される。
• 1か月および3か月の予測において、GNNは最先端のディープラーニングおよび動的ENSO予測システムを上回る高い予測精度を示した。
• 予備的な結果から、GNNは大規模な気候的依存関係を効果的にモデル化でき、明示的なエッジベースの情報伝達により解釈可能な予測を可能にする可能性を示した。
• 本研究は、GNNを気候科学に応用する基盤を確立し、他の気候現象やマルチ変数予測への応用拡張の可能性を示した。