[论文解读] Sea Level Anomaly Prediction using Recurrent Neural Networks

Anne Braakmann-Folgmann, Ribana Roscher+3 more|arXiv (Cornell University)|Oct 19, 2017

Oceanographic and Atmospheric Processes参考文献 10被引用 39

一句话总结

本论文提出一种混合CNN-LSTM深度学习模型，利用网格化高度计数据预测太平洋海洋的海平面异常（SLA）。通过结合卷积层捕捉空间模式与循环层建模时间动态，该方法在多年预测中实现显著更低的均方根误差（RMSE，0.051 m），优于回归模型（0.154 m），展现出更高的精度与稳定性。

ABSTRACT

Sea level change, one of the most dire impacts of anthropogenic global warming, will affect a large amount of the world's population. However, sea level change is not uniform in time and space, and the skill of conventional prediction methods is limited due to the ocean's internal variabi-lity on timescales from weeks to decades. Here we study the potential of neural network methods which have been used successfully in other applications, but rarely been applied for this task. We develop a combination of a convolutional neural network (CNN) and a recurrent neural network (RNN) to ana-lyse both the spatial and the temporal evolution of sea level and to suggest an independent, accurate method to predict interannual sea level anomalies (SLA). We test our method for the northern and equatorial Pacific Ocean, using gridded altimeter-derived SLA data. We show that the used network designs outperform a simple regression and that adding a CNN improves the skill significantly. The predictions are stable over several years.

研究动机与目标

• 应对由于海洋内部变异性及气候变化影响导致的空间与时间上变化的海平面异常（SLA）预测挑战。
• 克服传统物理海洋模型存在的物理过程不完整、分辨率低及初始条件不确定等局限。
• 开发一种深度学习方法，同时利用海面高度网格中的空间相关性与时间序列中的时间依赖性。
• 在23年高度计数据集上，评估混合神经网络架构与传统回归方法的预测性能。
• 证明使用端到端深度学习实现长期SLA预测的可行性，具有全球应用潜力。

提出的方法

• 采用混合架构，结合二维卷积神经网络（CNN）与ConvLSTM层，以在保留空间结构的同时建模时间演变。
• 以欧洲空间局（ESA）CCI Level 4产品提供的网格化SLA数据（1/4°分辨率，1993–2015年）作为输入，时间步长为每月，空间覆盖范围为110°–250°E与15°S–60°N。
• 训练三种网络变体：标准LSTM（向量输入）、CNN+ConvLSTM（网格输入并学习空间特征）以及基于序列的模型（预测9个月序列）。
• 对输入数据应用批量归一化，并使用Adam优化器配合衰减学习率，在150个周期内最小化均方误差（MSE）损失。
• 在Sequence LSTM-P模型中实施序列到序列的预测策略，将预测输出反馈作为输入，实现多步预测。
• 将数据划分为训练集（16年）、验证集（4年）与测试集（3年），以确保模型泛化能力并避免过拟合。

实验结果

研究问题

• RQ1 混合CNN-LSTM架构是否能在预测年际海平面异常方面优于传统回归模型？
• RQ2 通过ConvLSTM保留空间网格结构，相较于将输入展平为向量，能否显著提升预测精度？
• RQ3 当预测时域从1个月延长至9个月时，模型的预测能力如何变化？
• RQ4 在递归预测循环中，当模型自身输出被用作输入时，其在多年预测中是否能保持预测精度？
• RQ5 预测误差在太平洋海洋中的哪些区域集中？这些误差与哪些物理特征相关？

主要发现

• CNN+ConvLSTM模型在测试集上达到最低的RMSE（0.051 m），显著优于回归基线（0.154 m）及其他神经网络变体。
• 在LSTM架构中引入CNN可提升预测精度，通过捕捉如环流与涡旋等空间模式，尤其当与ConvLSTM结合以保持空间结构时效果更佳。
• Sequence LSTM-P模型通过递归反馈机制，实现了多年稳定预测，仅出现轻微性能下降（测试集RMSE为0.081 m）。
• 空间误差图显示，最高预测误差集中于黑潮流系附近，该区域强烈的涡旋活动与高变异性对模型泛化能力构成挑战。
• 所有神经网络架构在训练、验证与测试阶段均一致优于回归模型，表明深度学习能有效捕捉复杂非线性SLA动态。
• 该模型在长期预测中表现出强鲁棒性，即使在Sequence LSTM-P设置下进行20次递归预测，预测结果仍与实测值保持高度接近。