[論文レビュー] Sub-Seasonal Climate Forecasting via Machine Learning: Challenges, Analysis, and Advances

Sijie He, Xinyan Li+3 more|arXiv (Cornell University)|Jun 14, 2020

Climate variability and models参考文献 54被引用数 9

ひとこと要約

本研究では、米国本土における2〜8週間の予報期間のための機械学習（ML）手法を評価し、土壌水分やエルニーニョインデックスなどの陸上・海洋変数から得られる洗練された特徴量の設計が、XGBoost やハイブリッドLSTM-FNNエンコーダーなどのモデルが気候論的ベースラインを上回ることを示している。高次元で空間的に相関のあるデータと限られたサンプル数という課題にもかかわらず、特徴量設計とアーキテクチャ選定を慎重に行うことで、MLモデルは優れた予測性能を達成する。

ABSTRACT

Sub-seasonal climate forecasting (SSF) focuses on predicting key climate variables such as temperature and precipitation in the 2-week to 2-month time scales. Skillful SSF would have immense societal value, in areas such as agricultural productivity, water resource management, transportation and aviation systems, and emergency planning for extreme weather events. However, SSF is considered more challenging than either weather prediction or even seasonal prediction. In this paper, we carefully study a variety of machine learning (ML) approaches for SSF over the US mainland. While atmosphere-land-ocean couplings and the limited amount of good quality data makes it hard to apply black-box ML naively, we show that with carefully constructed feature representations, even linear regression models, e.g., Lasso, can be made to perform well. Among a broad suite of 10 ML approaches considered, gradient boosting performs the best, and deep learning (DL) methods show some promise with careful architecture choices. Overall, suitable ML methods are able to outperform the climatological baseline, i.e., predictions based on the 30-year average at a given location and time. Further, based on studying feature importance, ocean (especially indices based on climatic oscillations such as El Nino) and land (soil moisture) covariates are found to be predictive, whereas atmospheric covariates are not considered helpful.

研究の動機と目的

• 米国本土における2〜8週間のサブシーズン予報（2–8 weeks）のための多様な機械学習モデルの有効性を評価すること。
• 高次元で空間的に相関のあるデータと限られた有効なサンプルサイズという、サブシーズン予報へのML適用における主な課題を特定すること。
• 特徴量設計、モデルアーキテクチャ、共変量選択が予測性能に与える影響を、それがどのように生じるかを調査すること。
• 古典的MLモデル（例：Lasso、XGBoost）、ディープラーニング（例：FNN、CNN、LSTM-Decoder）、および非教師あり手法（例：PCA）を気候論的ベースラインと比較して、予測精度を評価すること。
• サブシーズン温度予報において最も予測に寄与する気候共変量（大気、陸上、海洋）を特定すること。

提案手法

• 本研究では、1979–2018年の米国本土の歴史的気象データを用い、2〜8週間の予報期間における日次温度予報に焦点を当てる。
• 線形モデル（Lasso）、木構造ベースのモデル（XGBoost）、順方向および畳み込みニューラルネットワーク（FNN、CNN）、および時系列モデル（FNNを用いたLSTM-Decoder）を含む10種類のMLモデルを評価する。
• 特徴量設計には、大気、陸上、海洋変数からの共変量の構築を含み、空間次元の低減と空間的共分散構造の捉え込みのためにPCAを適用する。
• エンコーダーデコーダー構造では、LSTMエンコーダーが時系列共変量を処理し、FNNデコーダーがすべてのエンコーダー出力を入力として受け取り、時間的情報の保持を向上させる。
• 予測性能は時系列コサイン類似度を用いて評価され、気候論的ベースラインおよび減衰した持続性ベースラインと比較される。
• 特徴量の重要度分析により、どの気候変数（例：土壌水分、エルニーニョインデックス）が予測に最も寄与しているかを特定する。

実験結果

リサーチクエスチョン

• RQ1 機械学習モデルは、米国全域のサブシーズン温度予報において、気候論的ベースラインを上回ることができるか？
• RQ2 線形モデル、勾配ブースティング、ディープラーニングといった異なるMLアーキテクチャは、高次元で空間的に相関のある気象データと限られたサンプル数を扱う際に、どのように性能を発揮するか？
• RQ3 サブシーズン温度予報において、どの気候共変量（大気、陸上、海洋）が最も予測に寄与するか？
• RQ4 PCAやドメイン固有の共変量構築といった特徴量設計は、モデル性能をどの程度向上させるか？
• RQ5 特に時系列モデルにおいて、アーキテクチャ設計はサブシーズン予報の予測精度にどのように影響するか？

主な発見

• XGBoostは、全モデルの中で予測性能が最も高く、気候論的ベースラインおよび減衰した持続性ベースラインを一貫して上回った。
• 土壌水分やエルニーニョインデックスといった共変量を洗練して設計した場合、Lassoのような単純な線形モデルでも強力な性能を示した。
• 勾配ブースティングモデル（XGBoost）は、土壌水分やエルニーニョインデックスからの予測信号を効果的に活用することで、優れた性能を発揮した。
• ディープラーニングモデル、特にハイブリッドLSTM-Decoder（FNN）アーキテクチャは、構造的最適化により顕著な性能向上を示したが、全体では最良のパフォーマンスを示したわけではない。
• 生データに直接適用された畳み込みニューラルネットワーク（CNN）および全結合ネットワーク（FNN）は、強い空間的相関と特徴抽出の不十分さのため、予測精度が限定的であった。
• 特徴量の重要度分析から、陸上および海洋共変量（例：土壌水分、エルニーニョインデックス）が一貫して選択された一方、大気共変量（例：500mbジオポテンシャル高さ）はほとんど使用されず、サブシーズンスケールでの大気予測可能性の低さが示された。