[논문 리뷰] Machine learning prediction of the MJO extends beyond one month

Tamaki Suematsu, Kengo Nakai외 5명|arXiv (Cornell University)|2022. 12. 29.

Climate variability and models인용 수 4

한 줄 요약

이 연구는 고전적인 한 달 예측 한계를 초월해 멘던-줄리안 진동(MJO)을 예측하기 위해 저류 계산(reservoir computing)을 사용하는 기계학습 모델을 개발한다. 실시간 다변량 MJO(RMM) 지표에 새로운 신호 재현 필터와 최적화된 시간 지연 좌표를 적용함으로써, 모델은 MJO 위상 예측을 최대 두 달 전까지 가능하게 하여, 이 혼돈스러운 열대 기상 현상에 대해 이전에 기록된 성능 한계를 크게 초월한다.

ABSTRACT

The prediction of the Madden-Julian Oscillation (MJO), a massive tropical weather event with vast global socio-economic impacts, has been infamously difficult with physics-based weather prediction models. Here we construct a machine learning model using reservoir computing technique that forecasts the real-time multivariate MJO index (RMM), a macroscopic variable that represents the state of the MJO. The training data was refined by developing a novel filter that extracts the recurrency of MJO signals from the raw atmospheric data and selecting a suitable time-delay coordinate of the RMM. The model demonstrated the skill to forecast the state of MJO events for a month from the pre-developmental stages. Best-performing cases predicted the RMM sequence over two months, which exceeds the expected inherent predictability limit of the MJO.

연구 동기 및 목표

• 멘던-줄리안 진동(MJO)의 본질적 예측 가능 한계를 극복하기 위해, 일반적으로 약 한 달 정도의 정확한 예측 범위로 제한되는 MJO의 예측 가능성을 높이기 위해.
• 원시 대기 데이터에서 MJO 신호의 재현성과 역학을 포착하는 기계학습 접근법을 개발하기 위해.
• 재현 가능한 MJO 패턴을 고립시키는 새로운 필터를 통해 훈련 데이터를 정제함으로써 예측 정확도를 향상시키기 위해.
• 시간 지연 좌표 임bedding을 활용해 실시간 다변량 MJO(RMM) 지표의 예측 범위를 한 달을 초월하도록 연장하기 위해.
• 기계학습이 물리 기반 모델의 예측 가능 한계를 초월해 MJO 위상 전이를 예측할 수 있음을 입증하기 위해.

제안 방법

• 모델은 시간 시리즈 데이터에서 시간적 역학을 학습하기 위해 순환 신경망의 일종인 저류 계산을 사용한다.
• 원시 대기 데이터에 새로운 신호 재현 필터를 적용하여 반복적인 MJO 신호를 추출하고 고립시킨다.
• 시스템의 위상 진화를 포착하기 위해 최적의 임베딩 차원 기반으로 RMM 지표의 시간 지연 좌표를 선택한다.
• 필터링된 대기 신호와 RMM 지표를 조합하여 MJO 상태를 나타내는 훈련 데이터를 구성한다.
• 과거 시퀀스를 기반으로 미래의 RMM 값을 예측하도록 저류 네트워크를 훈련시키며, 검증은 샘플 외 데이터를 사용한다.
• 관측된 RMM 시퀀스와의 상관계수 및 평균 제곱근 오차 지표를 사용하여 모델 성능을 평가한다.

실험 결과

연구 질문

• RQ1 기계학습 모델은 전통적인 한 달 예측 한계를 초월해 MJO를 예측할 수 있는가?
• RQ2 신호 재현 필터의 통합이 원시 대기 데이터로부터 MJO 예측 정확도를 향상시키는 데 어떤 영향을 미치는가?
• RQ3 시간 지연 좌표 임베딩이 기계학습 모델에서 MJO 역학의 표현을 얼마나 향상시키는가?
• RQ4 저류 계산이 MJO 위상 전이 예측에서 전통적인 물리 기반 모델을 능가할 수 있는가?
• RQ5 이 기계학습 프레임워크를 통해 MJO 이벤트의 최대 예측 범위는 어느 정도인가?

주요 결과

• 모델은 발달 초기 단계에서부터 최대 한 달간 RMM 지표를 성공적으로 예측하여, 일반적으로 알려진 한 달 예측 한계를 초월하는 성능을 보였다.
• 가장 우수한 사례에서는 모델이 한 달을 넘는 두 달 이상의 RMM 시퀀스를 예측하여, MJO의 본질적 예측 가능성을 초월하는 결과를 도출했다.
• 신호 재현 필터의 사용은 잡음에서 일관된 MJO 신호를 고립시킴으로써 훈련 데이터의 품질을 크게 향상시켰다.
• MJO 위상 진화를 포착하는 데 능력을 향상시킨 최적의 시간 지연 좌표가 특정화되었다.
• 저류 계산 모델은 관측된 RMM 시퀀스와 높은 상관관계를 보였으며, 특히 위상 전이와 진폭 진화를 잘 포착했다.
• 결과적으로 기계학습은 대기 데이터의 숨겨진 시간 패턴을 활용하여 기존 모델이 달성할 수 없는 수준의 MJO 예측 가능성을 연장할 수 있음을 시사한다.