[논문 리뷰] On the predictability of Rainfall in Kerala- An application of ABF Neural Network

Ninan Sajeeth Philip, K Babu Joseph|ArXiv.org|2001. 02. 18.

Complex Systems and Time Series Analysis인용 수 4

한 줄 요약

이 연구는 인도 남부에 위치한 우기 및 허리케인 영향을 받는 케랄라 주 트리바누드럼에서 87년간의 강수량 데이터에 적응 기저 함수 신경망(ABFNN)을 적용하여 장기 예측 가능성 평가를 수행한다. 비선형 변동성과 난류 영향에도 불구하고 ABFNN은 낮은 오차(RMS ~0.09)로 강수량 추세를 성공적으로 모델링하였으며, 스펙트럼 분석에서 잔차의 에너지가 극히 미미하여 역사적 행동 양식과의 편차가 거의 없는 안정적인 장기 패턴을 나타낸다.

ABSTRACT

Rainfall in Kerala State, the southern part of Indian Peninsula in particular is caused by the two monsoons and the two cyclones every year. In general, climate and rainfall are highly nonlinear phenomena in nature giving rise to what is known as the `butterfly effect'. We however attempt to train an ABF neural network on the time series rainfall data and show for the first time that in spite of the fluctuations resulting from the nonlinearity in the system, the trends in the rainfall pattern in this corner of the globe have remained unaffected over the past 87 years from 1893 to 1980. We also successfully filter out the chaotic part of the system and illustrate that its effects are marginal over long term predictions.

연구 동기 및 목표

• 인도 남부에 위치한 우기 및 허리케인 영향을 받는 지역인 케랄라의 강수량 장기 예측 가능성 평가.
• 비선형성 및 난류 영향이 장기간에 걸쳐 역사적 강수량 패턴을 상당히 방해하는지 여부 규명.
• 伝통적인 푸리에 분석과 비교하여, 복잡한 비정상 강수량 시계열을 모델링하는 데 있어 적응 기저 함수 신경망(ABFNN)의 효과성 평가.
• 예측된 강수량과 실제 강수량 간 잔차 스펙트럼의 파wer 스펙트럼 분석을 통해 모델 오차 정량화.

제안 방법

• 트리바누드럼 케랄라의 월간 강수량 데이터 40년(1893–1933)을 기반으로 적응 기저 함수 신경망(ABFNN)을 훈련.
• 신경망은 강수량의 비선형 역학적 특성에 맞게 기저 함수를 적응적으로 조정하는 학습 알고리즘을 사용하여 표준 역전파 알고리즘보다 성능 향상.
• 훈련 후, 나머지 47년(1934–1980)의 강수량을 독립적인 테스트 세트로 예측.
• 예측 성능 평가에 루트 평균 제곱 오차(RMSE) 및 예측된 시계열과 실제 시계열 간 스펙트럼 분석을 사용.
• 실제 및 예측된 시퀀스의 푸리에 파워 스펙트럼(FPS)을 비교하고, 잔차 FPS(차이)를 분석하여 체계적 모델 오류 또는 새로운 추세 탐지.
• 주파수 대역에 걸친 잔차 파wer 분포를 활용하여 편차의 의미를 평가하며, 낮은 파워는 난류 또는 구조적 외란의 영향이 미미함을 나타냄.

실험 결과

연구 질문

• RQ1 강수량 내재적 비선형성과 난류 영향에도 불구하고 ABFNN이 케랄라의 장기 강수량 패턴을 효과적으로 모델링하고 예측할 수 있는가?
• RQ2 ENSO나 태양 활동과 같은 환경 외란이 예측된 강수량이 역사적 데이터와 비교해 상당한 편차를 유도하는가?
• RQ3 예측된 강수량과 실제 강수량 간 푸리에 파워 스펙트럼의 잔차 파워가 체계적 모델 실패 또는 새로운 기후 추세를 나타내는가?
• RQ4 ABFNN의 예측 성능이 비정상 강수량 역학을 포착하는 데 있어 전통적 푸리에 분석보다 어떻게 우월한가?
• RQ5 관측된 강수량 예측 편차의 주요 원인이 모델 한계인지 외부 난류 강제력인지 여부?

주요 결과

• ABFNN은 독립 테스트 데이터셋(1934–1980)에서 루트 평균 제곱 오차(RMSE) 약 0.09를 기록하여 높은 예측 정확도를 보였다.
• 예측된 강수량과 실제 강수량 간 잔차 푸리에 파워 스펙트럼(FPS)은 모든 주파수 대역에서 극히 미약한 에너지를 보이며, 체계적 오류 또는 주요 구조적 편차가 거의 없음을 나타냈다.
• 잔차 파워는 주로 저세기, 무작위 변동성으로 분포하여 백색 잡음과 유사했으며, 이는 난류 외란이 장기적으로 미치는 영향이 미미함을 시사했다.
• 신경망은 난류 성분을 효과적으로 걸러내었으며, 지연된 우기나 ENSO 관련 이상 현상과 관련된 알려진 사건에 대응하는 낮은 스팁만 잔차도면에서 관찰되었다.
• 테스트 기간의 잔차 FPS는 훈련 기간보다 낮은 파워를 보였으며, 이는 모델이 역사적 패턴에 과적합되지 않고 잘 일반화되었음을 나타냈다.
• ABFNN은 푸리에 분석이 정상성 가정을 하여 강수량 시스템의 진정한 시간에 따라 변화하는 행동을 표현하지 못하는 데 비해, 비정상 동역학을 더 잘 포착하여 표준 푸리에 분석을 능가하는 성능을 보였다.