[論文レビュー] Sea surface temperature prediction and reconstruction using patch-level neural network representations

Said Ouala, Cédric Herzet+1 more|arXiv (Cornell University)|May 31, 2018

Meteorological Phenomena and Simulations参考文献 17被引用数 15

ひとこと要約

本論文は、ランゲ＝クッタに類似した統合スキームを活用して、衛星データを用いて海面水温（SST）の異常値を予測・再構成するパッチレベルの双線形残差ニューラルネットワークを提案する。予測および補間において、特に南アフリカ沖の高動的領域で、アナログ手法よりも最大50%優れた性能を発揮する。

ABSTRACT

The forecasting and reconstruction of ocean and atmosphere dynamics from satellite observation time series are key challenges. While model-driven representations remain the classic approaches, data-driven representations become more and more appealing to benefit from available large-scale observation and simulation datasets. In this work we investigate the relevance of recently introduced bilinear residual neural network representations, which mimic numerical integration schemes such as Runge-Kutta, for the forecasting and assimilation of geophysical fields from satellite-derived remote sensing data. As a case-study, we consider satellite-derived Sea Surface Temperature time series off South Africa, which involves intense and complex upper ocean dynamics. Our numerical experiments demonstrate that the proposed patch-level neural-network-based representations outperform other data-driven models, including analog schemes, both in terms of forecasting and missing data interpolation performance with a relative gain up to 50\\% for highly dynamic areas.

研究の動機と目的

• 希釈した衛星観測からの海洋物理場の予測および再構成の課題に対処すること。
• SSTの複雑な空間時間的ダイナミクスを捉えることが難しいモデル駆動型手法の限界を克服すること。
• 数値統合スキームを通じて力学的システムを明示的にモデル化するデータ駆動型ニューラルネットワークアーキテクチャの開発。
• 南アフリカ沖のような上層海洋のダイナミクスが顕著な地域における、予測および欠損データ補間性能の向上。
• 予測およびデータ同化タスクの両方において、従来のアナログベース手法に比べて優れた性能を示す、提案されたニューラルネットワーク表現の有効性を実証すること。

提案手法

• SST異常場を重複するP×Pの空間的パッチ（P=20）に分解して、ダイナミクスの局所化を図る。
• 各パッチに対して経験的直交関数（EOF）分解を適用し、95%の分散を捉えるN_E=50のモードを用いて空間的変動を表現する。
• EOF係数Z(𝑃𝑠,𝑡)の時間的変化を、ルンゲ＝クッタ4次法に類似した統合スキームを模倣する双線形残差ニューラルネットワークでモデル化する。
• 力学的システムの内在的非線形性を組み込むために、全結合層と要素ごとの積を用いた双線形ネットワークとして、力学的演算子F(Z,θ)を定式化する。
• 2つの構成を訓練する：Bi-NN(1)-RK4（同一ブロックを繰り返し適用）とBi-NN(4)-SL（4ブロックを同時に学習）により、ルンゲ＝クッタ統合プロセスを模倣する。
• 欠損データが生じる曇りによる衛星観測からのSST再構成を実現するため、確率的データ同化フレームワークにモデルを統合する。

実験結果

リサーチクエスチョン

• RQ1 双線形残差ネットワークに基づくパッチレベルのニューラルネットワーク表現は、アナログ手法に比べてSST異常値の予測性能を向上させることができるか？
• RQ2 ニューラルネットワークアーキテクチャ内にルンゲ＝クッタに類似した数値スキームを統合することで、動的海洋領域における予測精度にどのような影響を与えるか？
• RQ3 欠損観測を持つSST場の再構成において、提案手法がアナログ予測技術をどの程度上回るか？
• RQ4 全ルンゲ＝クッタに類似した統合スキーム（Bi-NN(4)-SL）をトレーニングすることは、1次近似（Bi-NN(1)-RK4）よりも優れた性能をもたらすか？
• RQ5 南アフリカの海岸付近のように、複雑な海洋ダイナミクスが支配的な地域において、提案手法はSST異常値を効果的に再構成できるか？

主な発見

• 提案された双線形残差ニューラルネットワークモデルは、最も動的であるとされる地域（パッチ4）において、アナログ手法に比べて最大50%の相対的性能向上を達成した。
• 4日間の予測において、Bi-NN(4)-SLは全パッチにわたり、最も性能の高かったアナログモデル（LAF）と比較して平均で27.6%のRMSE低減を達成した。
• 曇りによる衛星データを用いた同化実験において、Bi-NN(4)-SLはパッチ3において、グローバルアナログモデル（AnDA-G）と比較してRMSEを42.5%相対的に低減した。
• Bi-NN(4)-SLはテストケースの75%においてBi-NN(1)-RK4を上回った。これは、全ルンゲ＝クッタ統合スキームを同時に学習することの利点を示している。
• 本モデルは、南アフリカ沖のアグリュラス海流地域のように、上層海洋のダイナミクスが顕著な地域におけるSST異常値の再構成において、頑健な性能を示した。
• ニューラルネットワーク表現により、訓練済みモデルを力学的演算子として明示的に解釈可能にし、物理的解釈可能性を向上させた。