[论文解读] Analyzing Koopman approaches to physics-informed machine learning for long-term sea-surface temperature forecasting

Julian Rice, Wenwei Xu+1 more|arXiv (Cornell University)|Sep 15, 2020

Meteorological Phenomena and Simulations参考文献 23被引用 9

一句话总结

本文提出了一种基于Koopman算子理论与卷积自编码器结合的物理信息机器学习方法，用于在墨西哥湾实现长期海表温度（SST）预测。该研究评估了标准Koopman方法与‘一致’Koopman方法，发现一致变体并未优于基线模型，且卷积架构带来的收益有限，表明在复杂地球物理领域中，必须对模型设计中的先验假设进行仔细验证。

ABSTRACT

Accurately predicting sea-surface temperature weeks to months into the future is an important step toward long term weather forecasting. Standard atmosphere-ocean coupled numerical models provide accurate sea-surface forecasts on the scale of a few days to a few weeks, but many important weather systems require greater foresight. In this paper we propose machine-learning approaches sea-surface temperature forecasting that are accurate on the scale of dozens of weeks. Our approach is based in Koopman operator theory, a useful tool for dynamical systems modelling. With this approach, we predict sea surface temperature in the Gulf of Mexico up to 180 days into the future based on a present image of thermal conditions and three years of historical training data. We evaluate the combination of a basic Koopman method with a convolutional autoencoder, and a newly proposed "consistent Koopman" method, in various permutations. We show that the Koopman approach consistently outperforms baselines, and we discuss the utility of our additional assumptions and methods in this sea-surface temperature domain.

研究动机与目标

• 解决标准数值模型在1–2周以外长期海表温度（SST）预测的迫切需求。
• 通过Koopman算子理论整合物理知识，克服纯数据驱动模型的局限性。
• 探究额外假设（特别是Koopman一致性与卷积自编码器归纳偏置）是否能提升长期SST预测性能。
• 评估基于Koopman的方法在具有强非线性动力学的真实复杂地球物理系统中的泛化性与鲁棒性。
• 通过三年测试数据的标准化评估协议，为海洋学中的物理信息机器学习提供基准。

提出的方法

• 应用Koopman算子理论，将非线性SST动力学转化为提升可观测空间中的线性演化，从而通过线性动力学实现长期预测。
• 使用卷积自编码器学习SST图像的低维表示，将空间模式与热力结构编码至潜在空间。
• 实现一种‘一致Koopman’方法，强制Koopman算子满足时间可逆性，确保过去与未来状态转移的对称性。
• 使用单个初始SST图像与三年历史数据端到端训练模型，实现最多180天的预测。
• 通过最小化预测与真实SST值在预测时间窗内的相对预测误差，优化模型。
• 采用严格的12次随机种子交叉验证方案，在三年的样本外数据上验证结果，确保对初始化方差的鲁棒性。

实验结果

研究问题

• RQ1 与标准Koopman方法相比，一致Koopman方法在真实海洋数据中是否能提升长期SST预测精度？
• RQ2 与全连接结构相比，卷积自编码器的归纳偏置在SST预测中能多大程度上提升预测性能？
• RQ3 基于Koopman理论的物理信息机器学习模型在长期预测中，与标准基线相比，在泛化性与鲁棒性方面表现如何？
• RQ4 在复杂非线性地球物理系统中，模型假设（如时间可逆性与平移不变性）对预测性能有何影响？
• RQ5 基于Koopman的模型能否仅使用单个初始SST图像与历史数据，实现可靠的180天SST预测？

主要发现

• 采用卷积自编码器的标准Koopman方法（SimpleKAE）在第180天的平均相对预测误差为0.451，显著优于基线模型。
• 所提出的统一Koopman方法（ConsKAE）在第180天的平均相对预测误差为0.583，表明性能未提升，甚至可能退化。
• 预测误差的极差范围（SimpleKAE为0.863，ConsKAE为1.151）表明模型对随机种子初始化高度敏感，尤其在一致方法中更为明显。
• 研究结果与Azencot等人先前的发现相矛盾，后者报告一致方法使平均误差降低了0.069，凸显了不同数据集与评估协议之间的不一致性。
• 研究发现，通过卷积编码器假设平移不变性并无实证收益，表明此类架构归纳偏置可能在复杂、空间异质的SST动力学中阻碍性能。
• 作者得出结论：并非所有物理信息假设都有益，模型设计必须在目标领域内仔细验证，尤其是在高维、非线性系统（如海洋SST）中。