[論文レビュー] Data-Driven Koopman Analysis of Tropical Climate Space-Time Variability

Joanna Sławińska, Enikő Székely+1 more|arXiv (Cornell University)|Nov 5, 2017

Model Reduction and Neural Networks参考文献 24被引用数 6

ひとこと要約

本稿は、前処理を伴わずに熱帯気候データからのマルチスケール時空間パターンを抽出するデータ駆動型Koopman作用素フレームワークを提案する。成功裏に、イントラシーズンから1日周期のスケールで進行する対流モード（MJOやCCEWsを含む）を同定し、それらがENSOとどのように動的に関連しているかを明らかにした。これにより、エルゴディック理論とカーネル法に裏付けられた非パrametric手法を用いて、予測可能性の向上が可能になった。

ABSTRACT

We study nonlinear dynamics of the Earth's tropical climate system. For that, we apply a recently developed technique for feature extraction and mode decomposition of spatiotemporal data generated by ergodic dynamical systems. The method relies on constructing low-dimensional representations (temporal patterns) of signals using eigenfunctions of Koopman operators governing the evolution of observables in ergodic dynamical systems. We apply this technique to a variety of tropical climate datasets and extract a multiscale hierarchy of spatiotemporal patterns on diurnal to interannual timescales. In particular, we detect without prefiltering the input data modes operating on intraseasonal and shorter timescales that correspond to propagation of organized convection. We discuss the salient properties of these propagating features and in particular we focus on how the activity of certain types of these traveling patterns is related to lower-frequency dynamics. As an extension of this work, we discuss their potential predictability based on a range of nonparametric techniques and potential advances related to understanding the deterministic and stochastic aspects of the variability of these modes.

研究の動機と目的

• データ駆動型力学系フレームワークを用いて、熱帯気候システムにおける非線形時空間変動を分析すること。
• 恣意的なデータフィルタリングやトレンド除去を伴わずに、1日から年間スケールまでの一貫性のあるパターンを抽出すること。
• 高速に進行するモード（例：MJO、CCEWs）と低周波変動（例：ENSO）との間の動的関係を調査すること。
• エルゴディック理論とカーネル法に根ざした非パrametric手法を用いて、これらのモードの予測可能性を評価すること。
• 気候の時空間スケールを横断する非線形相互作用を理解するための新しいフレームワークを提供すること。

提案手法

• 本手法は、エルゴディック力学系における観測量の進化を表現するためのKoopman作用素を用い、高次元時系列のスペクトル分解を可能にする。
• Koopman固有関数は、カーネル法を用いた機械学習技術（例：カーネルを用いた拡張動的モード分解（EDMD））により計算される。
• 時間順序で整列された熱帯帯域における雲頂温度の観測値を入力とし、エルゴディックな流れに従う状態空間上の観測量のサンプルとみなす。
• 本フレームワークは、潜在的な状態空間や力学を明示的にモデル化せず、データからの経験的推定に基づいてKoopman固有関数を求める。
• 情報理論的指標（例：相互情報量、相対エントロピー）を含む非パrametricな予測手法を用いて、状態遷移の予測可能性を評価する。
• 既知の物理的パターン（例：MJO-SST結合、西向きに進行する混合ローレンツ＝グラビティ波）を回復することで、手法の妥当性を検証した。

実験結果

リサーチクエスチョン

• RQ1 前処理や時間スケールフィルタリングを伴わずに、熱帯気候データに内在する非線形時空間パターンをどのように抽出できるか？
• RQ2 進行する対流モード（例：MJO、CCEWs）は、ENSOのような低周波変動をどのように調節しているか？
• RQ3 Koopmanベースの手法は、MJO-SST相互作用のような既知の物理的結合を高い忠実度で回復できるか？
• RQ4 MJOの状態遷移の予測可能性は季節によってどのように変化し、ENSOはその予測可能性にどのような役割を果たしているか？
• RQ5 データ駆動型Koopman解析は、熱帯気候システムにおける複数の時間スケールにまたがる隠れた動的相互作用をどの程度明らかにできるか？

主な発見

• 本手法は、事前のフィルタリングを伴わず、イントラシーズンおよびそれ以下の時間スケールで進行する対流モード（MJOに類似した特徴を有するものも含む）を成功裏に抽出した。
• Koopman固有関数は、理論的に予想されるように、MJOの対流中心の前触れとして温暖なSST異常を示す、よく知られたMJO-SST結合を回復した。
• 5日周期の西向きに進行する混合ローレンツ＝グラビティ波が、本手法で同定された。これは、理想化された大気力学および先行研究の観測結果と整合的である。
• CCEWsは、明確で高速に進行するパターンとして捉えられ、MJOの構造を規定している可能性を示唆した。
• MJOは11月と12月に最も予測可能であり、エルニーニョ年と関連して予測可能性が向上し、1月～2月にかけても再発現する傾向が観察された。
• 本手法により、MJO活動によって引き起こされる海洋波がENSOの位相変化と動的に関連している可能性が明らかになった。これは、MJOによって引き起こされるENSOの終焉に関する仮説を支持するものである。