[論文レビュー] A Computational Framework for Modelling and Analyzing Ice Storms

Ranjini Swaminathan, Mohan Sridharan+1 more|arXiv (Cornell University)|May 13, 2018

Meteorological Phenomena and Simulations参考文献 17被引用数 9

ひとこと要約

本論文は、再分析データおよび歴史的嵐データを用いて、ドメイン知識を統合することで検出精度と予測精度を向上させる機械学習駆動の計算フレームワークを提示する。偏り補正を施したGCMデータを用いることで、将来の気候予測を信頼できるものとし、嵐検出、クラスタリング、知識拡張型モデリングの面で主な貢献を果たす。

ABSTRACT

Ice storms are extreme weather events that can have devastating implications for the sustainability of natural ecosystems as well as man made infrastructure. Ice storms are caused by a complex mix of atmospheric conditions and are among the least understood of severe weather events. Our ability to model ice storms and characterize storm features will go a long way towards both enabling support systems that offset storm impacts and increasing our understanding of ice storms. In this paper, we present a holistic computational framework to answer key questions of interest about ice storms. We model ice storms as a function of relevant surface and atmospheric variables. We learn these models by adapting and applying supervised and unsupervised machine learning algorithms on data with missing or incorrect labels. We also include a knowledge representation module that reasons with domain knowledge to revise the output of the learned models. Our models are trained using reanalysis data and historical records of storm events. We evaluate these models on reanalyis data as well as Global Climate Model (GCM) data for historical and future climate change scenarios. Furthermore, we discuss the use of appropriate bias correction approaches to run such modeling frameworks with GCM data.

研究の動機と目的

• 正確で包括的な氷嵐データの不足と、気候変動下におけるその将来行動のモデル化の難しさに対処する。
• 歴史的データおよび気候モデルデータを用いて、氷嵐の出現頻度、強度、将来の変化を検出・特徴づけ、予測する包括的なフレームワークを開発する。
• ドメイン知識を知識表現として統合することで、機械学習の出力を精緻化し、嵐検出における誤検出を低減する。
• グローバル気候モデル（GCM）データに対して偏り補正技術を適用することで、気候レジリエンス計画に活用可能な信頼性の高い将来予測を可能にする。
• 北東アメリカを越えて、他の極端な気象現象および地理的領域への応用を可能にするフレームワークの汎用性を確立する。

提案手法

• 再分析データ（地表面および大気変数）と歴史的嵐記録を用いて、教師ありおよび教師なしの機械学習モデルを訓練し、氷嵐イベントを検出する。
• 階層的凝集型クラスタリングを適用し、GCMでシミュレートされた嵐の特徴と歴史的嵐の特徴を照合することで、強度の特徴づけを行う。
• ドメインルール（低気圧システムの存在など）を適用する知識表現モジュールを実装し、モデル出力を精緻化し、誤検出の原因を説明する。
• 再分析データに基づくモデルとGCMシミュレーションの整合性を確保するため、偏り補正技術を用いて両者を一致させる。
• グリッド化された再分析データとGCM出力を活用し、歴史的および将来の気候シナリオにおいてモデルを訓練および評価する。
• ドメイン知識を繰り返し統合することで、モデルの頑健性と解釈可能性を向上させ、とりわけ境界事例や曖昧な嵐イベントに対して有効にする。

実験結果

リサーチクエスチョン

• RQ1 不完全でノイズの多い歴史的嵐記録および大気再分析データを用いて、機械学習モデルがどのように氷嵐を検出できるか。
• RQ2 クラスタリングアルゴリズムが、歴史的嵐とシミュレートされた嵐の間で特徴を照合することで、氷嵐の強度をどの程度客観的に特徴づけられるか。
• RQ3 低気圧システムの存在といったドメイン知識を、嵐検出モデルの信頼性を向上させるために体系的に統合する方法は何か。
• RQ4 再分析データで訓練されたモデルを、粗い解像度のGCM予測に適応させるために、どの偏り補正戦略が有効か。
• RQ5 提案されたフレームワークは、北東アメリカを越えて他の極端な気象現象および地理的領域へ一般化可能か。

主な発見

• 嵐検出モデルは大気変数を用いて氷嵐日を効果的に同定したが、明示的にモデル化されていない低気圧システムの存在が誤検出の原因となった。
• 低気圧システムと嵐の関連性といったドメイン知識ルールが、誤検出の説明と低減に寄与し、モデルの解釈可能性と正確性を向上させた。
• 階層的クラスタリングは、シミュレートされたGCM嵐を歴史的嵐の特徴に類似度に基づいて効果的にグループ化し、客観的な強度特徴づけを可能にした。
• GCMデータに偏り補正を適用した後、本フレームワークは将来の気候シナリオにおける氷嵐行動の予測可能性を示した。
• 知識表現モジュールは、後処理の精緻化ツールとして効果的であり、モデルの信頼性を高めるとともに、専門家の知見の統合を可能にした。
• 本フレームワークは、明示的にモデル化されていなくても、低気圧システムのような重要な嵐の特徴を捉えており、複雑な大気データからの特徴学習の頑健性を示している。