[論文レビュー] Machine learning prediction of the MJO extends beyond one month

Tamaki Suematsu, Kengo Nakai+5 more|arXiv (Cornell University)|Dec 29, 2022

Climate variability and models被引用数 4

ひとこと要約

本研究では、リザボアールコンピューティングを用いた機械学習モデルを開発し、伝統的な1か月予測限界を超えてマーデン＝ジュリアン振動（MJO）を予測する。リアルタイムマルチバリアテットMJO（RMM）インデックスに、新規の信号再発フィルタと最適化された時間遅延座標を適用することで、モデルはMJOの位相を最大2か月先まで予測可能となり、この混沌とした熱帯現象における過去のスキル限界を著しく上回る。

ABSTRACT

The prediction of the Madden-Julian Oscillation (MJO), a massive tropical weather event with vast global socio-economic impacts, has been infamously difficult with physics-based weather prediction models. Here we construct a machine learning model using reservoir computing technique that forecasts the real-time multivariate MJO index (RMM), a macroscopic variable that represents the state of the MJO. The training data was refined by developing a novel filter that extracts the recurrency of MJO signals from the raw atmospheric data and selecting a suitable time-delay coordinate of the RMM. The model demonstrated the skill to forecast the state of MJO events for a month from the pre-developmental stages. Best-performing cases predicted the RMM sequence over two months, which exceeds the expected inherent predictability limit of the MJO.

研究の動機と目的

• マーデン＝ジュリアン振動（MJO）の固有の予測限界を克服すること。通常、正確な予測は約1か月に制限される。
• 生の気象データからのMJO信号の再発とダイナミクスを捉える機械学習アプローチを開発すること。
• 再発MJOパターンを分離する新規のフィルタを用いて訓練データを精錬することで、予測スキルを向上させること。
• 時間遅延座標埋め込みを用いて、リアルタイムマルチバリアテットMJO（RMM）インデックスの予測期間を1か月を超えて延長すること。
• 機械学習が物理ベースのモデルの予測限界を超えてMJOの位相遷移を予測できることを示すこと。

提案手法

• モデルは、時系列データからの時間的ダイナミクスを学習するため、再帰的ニューラルネットワークの一種であるリザボアールコンピューティングを採用する。
• 生の気象データに新規の信号再発フィルタを適用し、再発するMJO信号を抽出・分離する。
• RMMインデックスの時間遅延座標は、システムの位相進化を捉えるために最適な埋め込み次元に基づいて選択される。
• 訓練データは、フィルタ処理された気象信号とRMMインデックスを組み合わせて構築され、MJO状態を表現する。
• リザボアールネットワークは、過去の系列に基づいて将来のRMM値を予測するように訓練され、検証はサンプル外データを用いて実施される。
• モデルの性能は、観測されたRMM系列との相関係数および平均二乗誤差指標を用いて評価される。

実験結果

リサーチクエスチョン

• RQ1 機械学習モデルは、従来の1か月予測限界を超えてMJOを予測可能か？
• RQ2 信号再発フィルタの導入が、生の気象データからのMJO予測精度にどのように寄与するか？
• RQ3 時間遅延座標埋め込みは、機械学習モデルにおけるMJOダイナミクスの表現をどの程度向上させるか？
• RQ4 リザボアールコンピューティングは、MJO位相遷移の予測において、従来の物理ベースのモデルを上回るか？
• RQ5 この機械学習フレームワークを用いて、MJOイベントの最大予測期間はどの程度達成可能か？

主な発見

• モデルは、発達前の段階から最大1か月先のRMMインデックスを成功裏に予測し、通常の1か月限界を超えるスキルを示した。
• 最も優れたケースでは、モデルは2か月以上先のRMM系列を予測可能であり、MJOの固有の予測限界を上回った。
• 信号再発フィルタの使用により、ノイズから一貫性のあるMJO信号を分離することで、訓練データの質が著しく向上した。
• MJOの位相進化を捉える能力が向上した、最適な時間遅延座標が同定された。
• リザボアールコンピューティングモデルは、観測されたRMM系列と高い相関を示し、特に位相遷移と振幅の進化を捉える能力に優れた。
• 結果から、機械学習が気象データに隠された時間的パターンを活用することで、従来のモデルでは不可能なMJOの予測期間延長が可能であることが示された。