[論文レビュー] Analog Forecasting with Dynamics-Adapted Kernels

Zhizhen Zhao, Dimitrios Giannakis|arXiv (Cornell University)|Dec 11, 2014

Climate variability and models参考文献 46被引用数 6

ひとこと要約

本稿では、力学的類似性（Takensの遅延座標やベクトル場整合性を含む）に基づいて複数のアナログを力学的重みで重み付けする動的適応型カーネルを用いる非パrametric予測手法、カーネルアナログ予測を提案する。この手法は、単一アナログおよびユークリッド距離に基づく手法に比べて顕著に高い予測精度を示し、太平洋デイリオーラル・オシレーション（PDO）では2.6年、ENSO関連モードでは1.8年まで有用な予測スコープを延長する。

ABSTRACT

Analog forecasting is a nonparametric technique introduced by Lorenz in 1969 which predicts the evolution of states of a dynamical system (or observables defined on the states) by following the evolution of the sample in a historical record of observations which most closely resembles the current initial data. Here, we introduce a suite of forecasting methods which improve traditional analog forecasting by combining ideas from kernel methods developed in harmonic analysis and machine learning and state-space reconstruction for dynamical systems. A key ingredient of our approach is to replace single-analog forecasting with weighted ensembles of analogs constructed using local similarity kernels. The kernels used here employ a number of dynamics-dependent features designed to improve forecast skill, including Takens' delay-coordinate maps (to recover information in the initial data lost through partial observations) and a directional dependence on the dynamical vector field generating the data. Mathematically, our approach is closely related to kernel methods for out-of-sample extension of functions, and we discuss alternative strategies based on the Nyström method and the multiscale Laplacian pyramids technique. We illustrate these techniques in applications to forecasting in a low-order deterministic model for atmospheric dynamics with chaotic metastability, and interannual-scale forecasting in the North Pacific sector of a comprehensive climate model. We find that forecasts based on kernel-weighted ensembles have significantly higher skill than the conventional approach following a single analog.

研究の動機と目的

• 単一アナログとユークリッド距離に依存する伝統的アナログ予測の限界を解決すること。これは、カオス的かつ部分観測可能な系において精度が低い原因となる。
• 遅延座標写像やベクトル場整合性といった力学的特徴をカーネル類似性測定に組み込むことで、低次元および包括的気候モデルにおける予測精度を向上させること。
• 明示的なパrametricモデルや完全な数値シミュレーションに依存しないデータ駆動型の非パラメトリック予測フレームワークを構築すること。
• 特にNyström法やラプラシアンピラミッド技術を用いて、カーネル法による予測の外挿を強化し、一般化性能と不確実性の定量化を向上させること。
• モデル誤差や不完全な観測データの下でも、低周波数気候変動（特に太平洋デイリオーラル・オシレーションやENSO関連モード）の予測に本手法の有効性を実証すること。

提案手法

• 単一アナログ予測を、力学的特徴に基づく類似性を測る動的適応型カーネルを用いた重み付きアンサンブルに置き換える。
• 状態空間の再構築と部分観測からの情報回復のため、Takensの遅延座標写像を統合する。
• 力学的ベクトル場の差分近似を組み込み、類似性に方向的一致性をもたらし、観測モダリティの変化に対してより頑健になるようにする。
• 双確率的（bistochastic）手法によるカーネル正規化を適用し、不完全な初期データからのバイアスのない予測を可能にする。
• 外挿用にNyström法を用いてカーネル固有関数を拡張し、滑らかで予測可能な観測量の予測を可能にする。
• ラプラシアンピラミッドを用いてマルチスケールのカーネルベース予測を実装し、特に滑らかさと良好な予測可能性を示す一般クラスの観測量に対して効果的である。

実験結果

リサーチクエスチョン

• RQ1 カオス的力学系において、カーネル重み付きアナログアンサンブルは、単一アナログ予測に比べて顕著に高い予測スコープを実現できるか？
• RQ2 遅延座標とベクトル場整合性を統合した動的適応型カーネルは、予測精度と頑健性をどの程度向上させるか？
• RQ3 Nyström法とラプラシアンピラミッド法は、未観測の初期状態へのカーネルベース予測の外挿能力において、どのように比較されるか？
• RQ4 実世界の気候応用において見られるモデル誤差や初期データの不完全性の下でも、カーネルアナログ予測は高いスコープを維持できるか？
• RQ5 カーネルベースアナログ予測とパーシステンス予測や自己回帰モデルを比較した場合、低周波数気候モードの最大有用予測期間はどの程度か？

主な発見

• Nyström法の拡張とラプラシアンピラミッドを用いたカーネルアナログ予測により、パターン相関が0.5を超える有用予測期間が、太平洋デイリオーラル・オシレーション（PDO）で2.6年まで延長され、パーシステンス予測の2年という閾値を上回った。
• ENSO関連の第二の低周波数固有関数についても、パターン相関が0.5を超える予測期間が1.8年に達したが、パーシステンス予測ではわずか0.8年であった。
• 本手法は、カオス的準安定性と低周波数変動を示す系において、ユークリッド距離に基づく従来のアナログ予測を顕著に上回った。
• 動的適応型カーネルは、時系列分離と予測可能性を向上させ、滑らかさと長期予測可能性に優れたデータ駆動型観測量の構築を可能にした。
• 双確率的カーネル正規化の使用により、初期データが不完全な場合でもバイアスのない予測が可能であり、観測ノイズや欠損変数に対する頑健性を示した。
• 訓練データにモデル誤差が含まれる実験においても、カーネルアナログ予測は高いスコープを維持した。これは、気候モデリングで一般的に見られる動的モデルの不正確さに対しても耐性があることを示している。