[论文解读] A Bayesian Machine Learning Algorithm for Predicting ENSO Using Short Observational Time Series

Nan Chen, Faheem Gilani+1 more|arXiv (Cornell University)|Apr 3, 2021

Climate variability and models参考文献 55被引用 10

一句话总结

该论文提出了一种贝叶斯机器学习（BML）框架，结合20年的观测时间序列与参数化先验模型的长期模拟，用于训练前馈神经网络以预测Niño 3海表温（SST）指数。该方法显著优于标准机器学习和基于模型的集合预报，实现了长达9.5个月的技巧性预测，克服了春季可预报性障碍，同时降低了预报不确定性，并提升了对模型和输入扰动的鲁棒性。

ABSTRACT

A simple and efficient Bayesian machine learning (BML) training and forecasting algorithm, which exploits only a 20-year short observational time series and an approximate prior model, is developed to predict the Ni\~no 3 sea surface temperature (SST) index. The BML forecast significantly outperforms model-based ensemble predictions and standard machine learning forecasts. Even with a simple feedforward neural network, the BML forecast is skillful for 9.5 months. Remarkably, the BML forecast overcomes the spring predictability barrier to a large extent: the forecast starting from spring remains skillful for nearly 10 months. The BML algorithm can also effectively utilize multiscale features: the BML forecast of SST using SST, thermocline, and wind burst improves on the BML forecast using just SST by at least 2 months. Finally, the BML algorithm also reduces the forecast uncertainty of neural networks and is robust to input perturbations.

研究动机与目标

• 解决在训练用于ENSO预测的机器学习模型时观测数据有限的挑战。
• 开发一种训练算法，有效结合短期观测数据与计算生成的先验模型，以减少模型误差和预报不确定性。
• 提高预测技巧，特别是在传统模型常失效的春季可预报性障碍期间。
• 通过降低对先验模型不准确性及输入扰动的敏感性，增强模型鲁棒性。
• 实现多尺度输入整合（例如，SST、温跃层、风突发），以提升预报性能。

提出的方法

• BML框架使用参数化模型生成长期先验时间序列，用于神经网络训练。
• 20年期间的观测数据作为似然函数，在训练过程中校正先验模型中的系统性偏差。
• 通过数据驱动的验证步骤实施贝叶斯更新，结合先验信息与观测信息。
• 神经网络采用两步训练过程：首先使用先验数据进行训练，随后利用观测似然进行更新以优化预测结果。
• 该方法可适配多种神经网络架构及观测数据有限的地球物理系统。
• 通过整合先验知识与观测约束，该框架降低了预报不确定性，增强了鲁棒性。

实验结果

研究问题

• RQ1 贝叶斯机器学习框架能否仅使用20年观测时间序列有效训练神经网络以实现ENSO预测？
• RQ2 与标准机器学习和基于模型的集合预报相比，BML方法在预测技巧和不确定性方面表现如何？
• RQ3 BML框架在多大程度上能够克服ENSO预报中的春季可预报性障碍？
• RQ4 与仅使用SST输入相比，整合多尺度变量（SST、温跃层深度、风突发）如何提升预报准确性？
• RQ5 BML方法对先验模型误差和输入数据扰动的鲁棒性如何？

主要发现

• BML预报实现了9.5个月的技巧性领先时间，显著优于标准机器学习和基于模型的集合预报。
• 当在春季初始化时，BML预报的技巧性持续近10个月，表明春季可预报性障碍得到显著缓解。
• 与仅使用SST输入相比，整合多尺度输入（SST、温跃层深度、风突发）使预报技巧提升至少2个月。
• BML算法降低了预报不确定性，其不确定性相比标准机器学习预报降低了50%。
• 即使先验模型参数的方差扰动达0.8个标准差，BML方法仍保持鲁棒性，预报技巧可维持至7个月。
• BML框架无需依赖独立数据同化方案生成的后验时间序列，因其贝叶斯更新机制已内在地整合了观测约束。