[论文解读] 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 6

一句话总结

本文提出核相似预测（kernel analog forecasting），一种非参数预测方法，通过使用动力学自适应核函数，基于动力学相似性对多个相似样本进行加权，从而改进传统相似预测方法。该方法引入了Takens延迟坐标和矢量场对齐等动力学特征，显著提升了混沌和部分观测系统中的预测性能，将太平洋十年振荡（Pacific Decadal Oscillation）的有用预测时长延长至2.6年，将与厄尔尼诺-南方涛动（ENSO）相关的模态预测时长延长至1.8年。

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.

研究动机与目标

• 解决传统相似预测方法的局限性，该方法依赖单一相似样本与欧几里得距离，导致在混沌系统与部分观测系统中预测技能低下。
• 通过将延迟坐标映射与矢量场对齐等动力学特征整合进核相似度度量，提升低阶与综合气候模型中的预测准确性。
• 开发一种数据驱动的非参数预测框架，避免对显式参数模型或完整数值模拟的依赖。
• 利用核方法（特别是Nyström方法与拉普拉斯金字塔技术）实现对可观测量的稳健样本外扩展，提升泛化能力与不确定性量化性能。
• 在模型误差与数据不完整条件下，证明该方法在预测低频气候变异性（包括太平洋十年振荡与ENSO相关模态）方面的有效性。

提出的方法

• 以基于动力学特征测量初始状态之间相似性的动力学自适应核函数加权的相似样本集成，替代单一相似样本预测。
• 引入Takens延迟坐标映射以重构状态空间，并从部分观测中恢复丢失信息。
• 整合有限差分近似计算的动力学矢量场，以在相似性度量中保持方向一致性，提升对观测模式变化的鲁棒性。
• 通过双随机核归一化方法实现对不完整初始数据的无偏预测。
• 利用Nyström方法实现核特征函数的样本外扩展，支持对平滑、可预测可观测量的预测。
• 采用拉普拉斯金字塔实现多尺度核基预测，尤其适用于具有良好可预测性的可观测量类别。

实验结果

研究问题

• RQ1 在混沌动力系统中，核加权相似样本集成是否能显著提升预测技能，相比单一相似样本预测？
• RQ2 融入延迟坐标与矢量场对齐的动力学自适应核函数，在多大程度上提升了预测准确度与鲁棒性？
• RQ3 Nyström方法与拉普拉斯金字塔方法在将基于核的预测扩展至未见初始条件方面，能力如何比较？
• RQ4 在现实世界气候应用中，核相似预测能否在模型误差与初始数据不完整条件下维持高预测技能？
• RQ5 在使用基于核的相似预测方法时，与持续性或自回归模型相比，低频气候模态的最大有用预测时长是多少？

主要发现

• 结合Nyström扩展与拉普拉斯金字塔的核相似预测方法，将太平洋十年振荡的有用预测时长（模式相关性 > 0.5）延长至2.6年，优于持续性预测的2年阈值。
• 对于与ENSO相关的第二个低频本征函数，预测技能在1.8年内保持模式相关性高于0.5，而持续性预测仅能维持0.8年。
• 该方法显著优于使用欧几里得距离的传统相似预测方法，尤其在具有混沌亚稳态与低频变异性系统中表现更优。
• 动力学自适应核函数增强了时间尺度分离与可预测性，使能够构建具有良好平滑性与长期可预测性的数据驱动可观测量。
• 双随机核归一化方法的使用，使即使在初始数据不完整时也能实现无偏预测，表明对观测噪声与缺失变量具有强鲁棒性。
• 在训练数据中引入模型误差的实验中，核相似预测仍保持高技能，表明其对气候建模中常见的动力学模型不准确具有强韧性。