[논문 리뷰] On the archetypal `flavours', indices and teleconnections of ENSO revealed by global sea surface temperatures

Didier P. Monselesan, James S. Risbey외 12명|arXiv (Cornell University)|2024. 06. 12.

Global Energy Security and PolicyEnergy인용 수 3

한 줄 요약

이 논문은 전 지구 해수면 온도(SST) 및 해면 높이 변화량(SLA) 데이터로부터 전통적인 EP/CP 분류를 초월하는 다수의 상이한 ENSO 유형(맛)을 식별하기 위해 원형 분석(archetypal analysis, AA)을 도입한다. 이 방법은 특히 SST만으로는 명확하지 않은 경우에도 ENSO 단계 탐지 및 원격 연결 지도 작성에 개선을 이끌어내며, 미세한 이벤트 동역학과 비정상성까지 포착할 수 있어, 초기기에서 정상기까지의 예측 시스템을 향상시킨다.

ABSTRACT

El Niño-Southern Oscillation global (ENSO) imprint on sea surface temperature comes in many guises. To identify its tropical fingerprints and impacts on the rest of the climate system, we propose a global approach based on archetypal analysis (AA), a pattern recognition method based on the identification of extreme configurations in the dataset under investigation. Relying on detrended sea surface temperature monthly anomalies over the 1982 to 2022 period, the technique recovers central and eastern Pacific ENSO types identified by more traditional methods and allows one to hierarchically add extra flavours and nuances to both persistent and transient phases of the phenomenon. Archetypal patterns found compare favorably to phase identification from K-means, fuzzy C-means and recently published network-based machine-learning algorithms. The AA implementation is modified for the identification of ENSO phases in sub-seasonal-to-seasonal prediction systems and complements current alert systems in characterising the diversity of ENSO and its teleconnections. Tropical and extra-tropical teleconnection composites from various oceanic and atmospheric fields derived from the analysis are shown to be robust and physically relevant. Extending AA to sub-surface ocean fields improves the discrimination between phases when the characterisation of ENSO based on sea surface temperature is uncertain. We show that AA on detrended sea-level monthly anomalies provides a clearer expression of ENSO types.

연구 동기 및 목표

• 단일 지표에 의존하여 전체 ENSO 이벤트의 다양성을 포착하지 못하는 전통적인 ENSO 분류 체계의 한계를 해결하기 위해.
• 1982–2022 기간 동안 열대 SST 이상에 대한 다수의 상이한 ENSO 원형(맛)을 식별할 수 있는 데이터 기반, 비지도 학습 방법을 개발하기 위해.
• SST 기반 분류가 구분하지 못할 경우의 모호성을 해결하기 위해 해면 높이 변화량(SLA)을 통합하여 ENSO 단계 탐지 및 원격 연결 분석을 향상시키기 위해.
• ENSO 발생, 지속, 감쇠 단계의 특성화에 대한 원형 분석의 강건성과 확장 가능성을 평가하고, 다른 기후 모드로의 응용을 확장하기 위해.

제안 방법

• 1982–2022 기간 동안의 월간 해수면 온도(SST) 이상에서 선형 추세를 제거한 후 원형 분석(archetypal analysis, AA)을 적용하여 ENSO의 극단적이고 대표적인 패턴(원형)을 식별한다.
• SST 패턴이 모호하거나 겹치는 경우의 ENSO 단계 간 구분을 향상시키기 위해, 선형 추세를 제거한 해면 높이 변화량(dSLA)까지 포함하여 AA를 확장한다.
• AA에서 유도된 소속 확률 행렬을 확률적 지표로 활용하여, 대기 및 해양 필드에서 원격 연결의 조건부 기대값 분석을 가능하게 한다.
• AA로 식별된 원형이 K-means, 퍼지 C-means, 네트워크 기반 기계 학습 알고리즘 등 기존 방법과 비교하여 일관성과 성능을 평가한다.
• 원형 소속 기반 조건부 기대값을 이용하여 원격 연결 복합도를 생성하고, 열대 및 초열대 지역의 대기 및 해양 영향을 지ap도로 매핑한다.
• 다양한 시간대 및 지리적 영역에서 방법의 강건성을 평가하고, 후속 통계 및 기계 학습 모델에 대한 차원 축소 도구로서의 유용성을 평가한다.

Figure 1: First four (rows) empirical orthogonal function (EOF, left column) and principal component (PC, right column) modes of global a) non-detrended and b) detrended SSTAs over the 1982 to 2022 period. The MEI index (black line) is overlaid on the PCs. For each mode, the percentage of variance e

실험 결과

연구 질문

• RQ1 원형 분석은 전 지구적 SST 이상에서 기존에 알려진 ENSO 유형(예: 동태평양(EP) 및 중부태평양(CP))을 얼마나 잘 복원할 수 있는가?
• RQ2 SST 기반 분류가 불확실하거나 모호한 경우, 해면 높이 변화량(SLA)을 통합함으로써 ENSO 단계의 구분은 어떻게 향상되는가?
• RQ3 원형 분석은 ENSO 주기의 발생기, 주요 단계, 감쇠기 동안의 미세한 ENSO 단계를 탐지하고 특성화할 수 있는가?
• RQ4 AA에서 유도된 원격 연결 패턴은 전통적인 복합도 분석과 비교할 때 물리적 관련성과 강건성 측면에서 어떻게 다른가?
• RQ5 AA의 확률적 성격은 1982–2022 기간 동안 ENSO 이벤트 순서의 비정상성 탐지에 어느 정도 기여하는가?

주요 결과

• 원형 분석은 K-means, 퍼지 C-means, 네트워크 기반 기계 학습 방법과 비교해도 유사한 성능으로 기존의 EP 및 CP 이벤트와 같은 ENSO 유형을 성공적으로 복원한다.
• 선형 추세를 제거한 해면 높이 변화량(dSLA)을 통합함으로써 ENSO 유형의 명확성과 분류 능력이 크게 향상되며, 특히 SST 패턴이 뚜렷하지 않거나 겹칠 경우 두드러진다.
• 이 방법은 1982–2022 기간 동안 선형 추세를 제거한 후에도 두 개의 ENSO 이벤트 시퀀스가 완전히 동일하지 않음을 드러내어 ENSO 행동의 비정상성 동역학을 시사한다.
• AA에서 유도된 원격 연결 복합도는 물리적으로 타당하고 강건하며, 명확한 대기 및 해양 반응을 보이며 각기 다른 ENSO 원형과 연관되어 있다.
• AA의 소속 확률 행렬은 조건부 기대값 분석을 위한 확률적 프레임워크를 제공하여 평균 및 분산에서의 원격 연결에 대한 더 정교한 이해를 가능하게 한다.
• 표면만을 고려하는 지표가 유형을 구분하지 못할 경우, 표층 이하 해양 필드(예: dSLA)에 대해 AA를 적용하면 ENSO 단계 특성화가 향상되어 표면 단일 지표가 실패할 경우의 실용적 대안이 된다.

Figure 2: AA results for cardinality 4 based only on dSSTAs first 2 PCs multiplied by their respective eigenvalues, $\textbf{X}_{2\times t}=[\lambda_{1}PC_{1},\lambda_{2}PC_{2}]$ . The 2D convex hull is the black polygon. Points in the pointset are represented by coloured dots if they lay within the