[논문 리뷰] Graph Neural Networks for Improved El Niño Forecasting

Salva Rühling Cachay, Emma Erickson외 5명|arXiv (Cornell University)|2020. 12. 02.

Climate variability and models참고 문헌 43인용 수 14

한 줄 요약

이 논문은 비국소적이고 광역 대기 원거리 영향을 학습된 또는 영역 지식 기반 그래프 간선을 통해 모델링함으로써 장기 예측 기간의 엘니뇨-남태평양 순환(ENSO) 예측을 향상시키기 위해 시공간 그래프 신경망(GNN)을 제안한다. 이 GNN은 최신의 CNN 기반 모델보다 뛰어나며, ERSSTv5에서의 수면수온(SST) 이상 데이터를 사용하여 1개월 예측 기간에 상관계수 기여도 0.9867, 3개월 예측 기간에 0.8936을 기록한다.

ABSTRACT

Deep learning-based models have recently outperformed state-of-the-art seasonal forecasting models, such as for predicting El Niño-Southern Oscillation (ENSO). However, current deep learning models are based on convolutional neural networks which are difficult to interpret and can fail to model large-scale atmospheric patterns called teleconnections. Hence, we propose the application of spatiotemporal Graph Neural Networks (GNN) to forecast ENSO at long lead times, finer granularity and improved predictive skill than current state-of-the-art methods. The explicit modeling of information flow via edges may also allow for more interpretable forecasts. Preliminary results are promising and outperform state-of-the art systems for projections 1 and 3 months ahead.

연구 동기 및 목표

• 장기 예측 기간에서 현재의 딥러닝 모델이 국소적 컨볼루션에 의존하고 광역 원거리 영향을 잘 모델링하지 못하는 데서 비롯되는 한계를 해결하기 위해.
• ENSO 동역학에서 내재된 비유클리드 공간적 상관관계를 활용하여 그래프 신경망(GNNs)을 기후 모델링에 적용해 보는 것.
• 그래프 간선을 통한 원거리 지리적 노드 간 정보 흐름을 명시적으로 모델링하여 예측 정확도와 해석 가능성을 향상시키기 위해.
• 기존의 통계적 및 딥러닝 모델보다 더 높은 정확도로 동북방 수면수온(SST) 이상 및 ONI 지수를 예측하기 위해.
• ERSSTv5 및 CMIP5와 같은 관측 및 재분석 기후 데이터셋을 활용하여 다단계 예측 및 전이학습을 가능하게 하기 위해.

제안 방법

• 모델은 기후 격자 셀을 노드로 매핑하고 학습 가능한 또는 영역 지식 기반 간선을 통해 상호의존성을 모델링하는 시공간 GNN 아키텍처를 사용한다.
• 그래프 간선은 알려진 기후 원거리 영향(예: 태평양 분지 상관관계)에 기반해 사전 정의되거나, 장거리 의존성을 포착하기 위해 그래프 구조 학습 방법을 통해 유추된다.
• GNN은 ONI 지역(5°N–5°S, 120°W–170°W)의 시공간 시퀀스인 수면수온 이상(SSTAs)을 3개월 이동 평균 기반으로 처리한다.
• 모델은 ERSSTv5 데이터(1871–1973)에서 훈련되고 1984–2020년에 테스트되며, CMIP5 역사 시뮬레이션을 활용한 전이학습이 가능하다.
• 아키텍처는 다단계 예측을 지원하고 사전 정의된 간선이 필요로 하지 않는 최신의 시공간 GNN 프레임워크를 기반으로 한다.
• 모델 성능은 1개월, 3개월, 6개월 예측 기간에서 예측된 ONI 지수 값과 관측된 값 간의 상관계수 기여도를 사용해 평가된다.

실험 결과

연구 질문

• RQ1 시공간 그래프 신경망이 장기 예측 기간에서 컨volutional 신경망보다 ENSO 예측 성능을 뛰어나게 할 수 있는가?
• RQ2 GNN이 국소적 컨볼루션 연산보다 기후 데이터에서 광역 비국소적 원거리 영향을 더 잘 포착할 수 있는가?
• RQ3 그래프 간선을 통한 노드 간 정보 흐름을 명시적으로 모델링함으로써 예측의 해석 가능성과 정확도가 향상되는가?
• RQ4 GNN은 최신 모델 대비 ONI 지수의 다단계 예측에서 어떻게 성능을 발휘하는가?
• RQ5 CMIP5 데이터에서 미리 훈련된 모델을 활용한 전이학습이 제한된 관측 데이터에서의 성능 향상에 기여하는가?

주요 결과

• 제안된 GNN은 1개월 예측 기간에 상관계수 기여도 0.9867을 기록하여 CNN 기준선(약 0.94)을 크게 뛰어넘는다.
• 3개월 예측 기간에 GNN은 상관계수 기여도 0.8936을 기록하였으며, 이는 CNN 모델의 0.8742보다 높다.
• 단기 및 중기 예측에서 예측 성능이 향상되었지만, 6개월 예측 기간에서는 기여도가 감소하는 경향을 보이며, 이는 데이터 부족 때문일 가능성이 높다.
• 1개월 및 3개월 예측에서 GNN은 최신의 딥러닝 및 동역학적 ENSO 예측 시스템보다 더 높은 예측 정확도를 보였다.
• 초기 결과는 GNN이 광역 기후 의존성을 효과적으로 모델링하고, 명시적인 간선 기반 정보 흐름을 통해 설명 가능한 예측을 지원할 수 있음을 시사한다.
• 이 연구는 GNN을 기후 과학에 응용하기 위한 기반을 마련하였으며, 다른 기후 현상 및 다변수 예측으로의 확장 가능성이 있다.