[論文レビュー] Predicting Climate Variability over the Indian Region Using Data Mining Strategies

M. Naresh Kumar|arXiv (Cornell University)|Sep 23, 2015

Climate variability and models参考文献 5被引用数 3

ひとこと要約

本稿では、期待最大化（EM）クラスタリングとサポートベクターマシン（SVM）回帰を組み合わせたデータマイニングフレームワークを提案し、インドにおける気候変動の予測を試みている。k-means法や線形回帰と比較して優れた性能を示し、モンターヌ地域では1.19、ヒューマド・サブトロピカル地域では0.89のRMSEを達成した。また、伝統的なコッペン分類では捉えきれないヒマラヤ山脈の斜面地域に新たな気候地域を同定した。

ABSTRACT

In this paper an approach based on expectation maximization (EM) clustering to find the climate regions and a support vector machine to build a predictive model for each of these regions is proposed. To minimize the biases in the estimations a ten cross fold validation is adopted both for obtaining clusters and building the predictive models. The EM clustering could identify all the zones as per the Koppen classification over Indian region. The proposed strategy when employed for predicting temperature has resulted in an RMSE of $1.19$ in the Montane climate region and $0.89$ in the Humid Sub Tropical region as compared to $2.9$ and $0.95$ respectively predicted using k-means and linear regression method.

研究の動機と目的

• データマイニングを用いて、インドにおける気候変動の予測を改善するための、強固な地域的モデリング手法を開発すること。
• 初期クラスターバイアスを回避するため、長期的なグリッド気象データを用いてEMクラスタリングにより気候地域を同定すること。
• 予測精度の観点から、提案されたEM-SVMフレームワークを従来のk-means法および線形回帰と比較すること。
• 10分割交差検証を用いてモデルを検証し、異なる気候地域におけるRMSEを指標として性能を評価すること。
• 気候変動の影響を調査するため、標準的なコッペン分類と一致しない新たな気候地域の同定を試みること。

提案手法

• 1948年から2012年までの長期的（1948–2012）な2.5°×2.5°グリッド気象データにEMクラスタリングを適用し、均質な気候地域を同定する。
• 混合ガウス分布を用いてクラスターセンタをモデル化し、平均、共分散、事前確率を繰り返し最適化する。
• RMSEの推定を安定化させ、過学習を低減するため、クラスタリングおよびモデリングの両段階で10分割交差検証を実施する。
• 各気候地域に対して、過去の気象変数を予測変数として用い、個別のSVM回帰モデルを構築する。
• j−p年のデータを学習に用い、次のp年間の予測値を実際の観測値と照合して検証する。
• 各グリッド点における予測温度値と観測温度値のRMSEを計算し、モデルの性能を評価する。

実験結果

リサーチクエスチョン

• RQ1 EMクラスタリングは、コッペン分類と一致するか、あるいはそれを上回るインドの気候地域を効果的に同定できるか？
• RQ2 EM-SVMフレームワークは、k-means法や線形回帰と比較して、地域的気温変動の予測精度にどの程度優れているか？
• RQ3 高次元気象データセットにおけるEMクラスタリングの性能に、次元数と数値精度がどのように影響するか？
• RQ4 提案手法は、気候変動に起因する新たな気候地域（例：ヒマラヤ山脈の斜面地域）を検出できるか？
• RQ5 10分割交差検証は、気候予測モデルのRMSE推定におけるバイアスをどの程度低減できるか？

主な発見

• EMクラスタリングにより、7つの気候地域が同定され、そのうちウッタラーカンド、シッキム、アーラナチャル・プラデーシュを含む新たな地域がモンターヌ地域とは異なる特徴を持つことが判明した。
• 提案されたEM-SVMモデルは、モンターヌ地域でRMSEが1.19に達し、k-means法や線形回帰の2.9RMSEを著しく下回った。
• ヒューマド・サブトロピカル地域では、EM-SVMモデルがRMSE 0.89を達成し、k-means法や線形回帰の0.95RMSEを上回った。
• モンターヌおよびヒューマド・サブトロピカル地域において、EM-SVMフレームワークは優れた性能を示したが、データ次元数の増加に伴い性能の低下が観察された。
• 2012年の予測温度の空間マップと絶対誤差マップから、安定した気候地域では誤差が集中しにくく、モデルの精度が確認された。
• 気候変動が地域気候パターンを変化させている可能性が、ヒマラヤ地域に新たな気候クラスタが出現したことに裏付けられている。