[论文解读] 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 6

一句话总结

本文提出一种数据驱动的Koopman算子框架，用于从热带气候数据中提取多尺度时空模式，无需预处理。该方法成功识别出从次季节到日循环时间尺度的传播性对流模态，包括MJO和CCEWs，并揭示其与ENSO的动力学关联，从而通过非参数技术实现更优的可预测性。

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.

研究动机与目标

• 使用数据驱动的动力系统框架分析热带气候系统中的非线性时空变异性。
• 在不进行人为数据滤波或去趋势处理的情况下，提取从日循环到年际时间尺度的相干模式。
• 研究快速传播模态（如MJO、CCEWs）与低频变异性（如ENSO）之间的动力学关系。
• 基于遍历理论和核方法，利用非参数技术评估这些模态的可预测性。
• 提供一种理解气候时空尺度间非线性相互作用的新框架。

提出的方法

• 该方法利用Koopman算子表示遍历动力系统中可观测量的演化，实现对高维时间序列的谱分解。
• 通过基于核的机器学习技术（如结合核方法的扩展动态模态分解，EDMD）计算Koopman特征函数。
• 以热带区域云顶温度的时间序列观测为输入，将其视为由遍历流控制的状态空间上的可观测量样本。
• 该框架不显式建模底层状态空间或动力学，而是依赖于从数据中经验估计Koopman特征函数。
• 应用非参数预测技术，包括信息论度量（如互信息、相对熵），以评估状态转换的可预测性。
• 通过恢复已知的物理模式（如MJO-SST耦合和西向传播的混合罗斯贝重力波）对方法进行验证。

实验结果

研究问题

• RQ1 如何在不进行预处理或时间尺度滤波的情况下，从热带气候数据中提取非线性时空模式？
• RQ2 传播性对流模态（如MJO、CCEWs）在调制低频气候变异性（如ENSO）中起什么作用？
• RQ3 Koopman方法能否以高保真度恢复已知的物理耦合关系（如MJO-SST相互作用）？
• RQ4 MJO状态的可预测性如何随季节变化，ENSO在其中扮演何种角色？
• RQ5 数据驱动的Koopman分析在多大程度上能揭示热带气候系统中跨多个时间尺度的隐藏动力学相互作用？

主要发现

• 该方法在无需预滤波的情况下，成功提取了次季节及更短时间尺度的传播性对流模态，包括与Madden-Julian振荡（MJO）一致的特征。
• Koopman特征函数恢复了著名的MJO-SST耦合关系，其中暖SST异常出现在MJO对流中心之前，与理论预期一致。
• 该方法识别出5天时间尺度的西向传播混合罗斯贝重力波，与理想化大气动力学和先前观测结果一致。
• 它将对流耦合赤道波（CCEWs）识别为独立的快速传播模式，表明它们可能构成MJO结构的基础。
• 发现MJO在11月和12月最具可预测性，其可预测性增强与厄尔尼诺年相关，并在次年1月至2月出现可预测性重现现象。
• 该方法揭示，ENSO相位变化可能与MJO活动触发的海洋波存在动力学关联，支持了MJO驱动ENSO终止的假说。