[論文レビュー] On the predictability of Rainfall in Kerala- An application of ABF Neural Network

Ninan Sajeeth Philip, K Babu Joseph|ArXiv.org|Feb 18, 2001

Complex Systems and Time Series Analysis被引用数 4

ひとこと要約

本研究では、インド南部のケララ州トライブンダルムで得られた87年分の降雨データに、適応的基底関数ニューラルネットワーク（ABFNN）を適用し、長期予測可能性を評価した。非線形的変動やカオス的要因が存在する中でも、ABFNNは低誤差（RMS ~0.09）で降雨の傾向を的確にモデル化し、スペクトル解析において残留パワーが最小限に抑えられていることから、歴史的行動からの著しい逸脱がない安定した長期的パターンが存在することが示された。

ABSTRACT

Rainfall in Kerala State, the southern part of Indian Peninsula in particular is caused by the two monsoons and the two cyclones every year. In general, climate and rainfall are highly nonlinear phenomena in nature giving rise to what is known as the `butterfly effect'. We however attempt to train an ABF neural network on the time series rainfall data and show for the first time that in spite of the fluctuations resulting from the nonlinearity in the system, the trends in the rainfall pattern in this corner of the globe have remained unaffected over the past 87 years from 1893 to 1980. We also successfully filter out the chaotic part of the system and illustrate that its effects are marginal over long term predictions.

研究の動機と目的

• インド南部に位置するモンスーンおよびサイクロンの影響を受ける地域としてのケララにおける降雨の長期的予測可能性を評価すること。
• 非線形的およびカオス的要因が、時間経過とともに歴史的降雨パターンに著しい乱れを引き起こすかどうかを特定すること。
• 伝統的なフーリエ解析と比較して、複雑で非定常な降雨時系列をモデル化する際に、適応的基底関数ニューラルネットワーク（ABFNN）の有効性を評価すること。
• 予測値と実際の降雨の間の残留パワー周波数スペクトルをスペクトル解析することで、モデル誤差を定量化すること。

提案手法

• トライブンダルム、ケララの1893年～1933年までの40年分の月次降雨データを用いて、適応的基底関数ニューラルネットワーク（ABFNN）を学習させた。
• ネットワークは、降雨の非線形的ダイナミクスに適合するように基底関数を動的に調整する学習アルゴリズムを採用しており、標準的なバックプロパゲーションと比較して性能が向上した。
• 学習が終了した後、残りの47年間（1934年～1980年）の降雨を独立したテストデータセットとして予測した。
• モデルの性能は、平均二乗誤差（RMSE）および予測値と実際の時系列のスペクトル解析を用いて評価された。
• 実際の時系列および予測時系列のフーリエパワー スペクトル（FPS）を比較し、残留FPS（差分）を分析することで、系統的なモデル誤差または新たな傾向の有無を特定した。
• 周波数帯域ごとの残留パワー分布を用いて、逸脱の有意性を評価し、低パワーはカオス的または構造的摂動が最小限であることを示した。

実験結果

リサーチクエスチョン

• RQ1 カオス的要因や非線形性が存在する中でも、ABFNNはケララの長期的降雨傾向を的確にモデル化・予測できるか？
• RQ2 ENSO や太陽活動などの環境的摂動が、歴史的データと比較して予測された降雨に著しい逸脱を引き起こす程度はどの程度か？
• RQ3 予測値と実際の降雨のフーリエパワー スペクトルの残留パワーは、系統的なモデル失敗を示唆するか、それとも新たな気候的傾向を示唆するか？
• RQ4 ABFNNの予測性能は、非定常な降雨ダイナミクスを捉える点で、伝統的なフーリエ解析と比較してどの程度優れているか？
• RQ5 観測された降雨予測の逸脱は、主にモデルの限界に起因するのか、それとも外部のカオス的駆動要因に起因するのか？

主な発見

• ABFNNは、独立したテストデータセット（1934年～1980年）において、平均二乗誤差（RMSE）が約0.09にとどまり、高い予測精度を示した。
• 予測値と実際の降雨の間の残留フーリエパワー スペクトル（FPS）は、すべての周波数帯域で極めて低いパワーを示しており、系統的な誤差や大きな構造的逸脱がほとんどないことを示した。
• 残留パワーは主に、白色ノイズに類似した低振幅のランダムなフラクチュエーションとしてスペクトル全体に分散しており、カオス的摂動が長期的影響を及ぼす可能性は極めて小さいことを示唆している。
• ネットワークはカオス的成分を効果的にフィルタリングしており、遅延モンスーンやENSO関連の異常と知られている出来事に対応するわずかなスパイクが差分図にのみ観察された。
• テスト期間における残留FPSのパワーは、学習期間よりも低く、モデルが歴史的パターンに過剰に適合せず、良好に一般化していることを示している。
• ABFNNは、定常性を仮定するフーリエ解析とは異なり、非定常なダイナミクスを捉えることができたため、標準的なフーリエ解析を上回る性能を発揮した。