[论文解读] Graph Neural Networks for Improved El Niño Forecasting

Salva Rühling Cachay, Emma Erickson+5 more|arXiv (Cornell University)|Dec 2, 2020

Climate variability and models参考文献 43被引用 14

一句话总结

本文提出一种时空图神经网络（GNN），通过学习或基于领域知识的图边来建模非局部、大尺度的大气遥相关，以提升长期提前期的厄尔尼诺-南方涛动（ENSO）预测性能。该GNN在使用ERSSTv5的海表温异常数据时，相较于最先进的基于CNN的模型，1个月提前期的预测相关技巧达到0.9867，3个月提前期达到0.8936。

ABSTRACT

Deep learning-based models have recently outperformed state-of-the-art seasonal forecasting models, such as for predicting El Niño-Southern Oscillation (ENSO). However, current deep learning models are based on convolutional neural networks which are difficult to interpret and can fail to model large-scale atmospheric patterns called teleconnections. Hence, we propose the application of spatiotemporal Graph Neural Networks (GNN) to forecast ENSO at long lead times, finer granularity and improved predictive skill than current state-of-the-art methods. The explicit modeling of information flow via edges may also allow for more interpretable forecasts. Preliminary results are promising and outperform state-of-the art systems for projections 1 and 3 months ahead.

研究动机与目标

• 为解决当前深度学习模型在长期提前期ENSO预测中的局限性，特别是其对局部卷积的依赖以及对大尺度遥相关建模能力不足的问题。
• 探索图神经网络（GNN）在气候建模中的应用，利用ENSO动力学中固有的非欧几里得空间依赖关系。
• 通过图边显式建模远距离地理节点间的信息流，以提升预测性能和可解释性。
• 以比现有统计和深度学习模型更高的精度预测纬向海表温度（SST）异常和ONI指数。
• 利用观测和再分析气候数据集（如ERSSTv5和CMIP5）实现多步预测和迁移学习。

提出的方法

• 该模型采用时空图神经网络架构，将气候网格单元映射为节点，并通过可学习或基于领域知识的边来建模节点间依赖关系。
• 图边可基于已知的气候遥相关（如太平洋盆地相关性）预先定义，或通过图结构学习方法推断，以捕捉长程依赖关系。
• GNN处理ONI区域（5°N–5°S，120°W–170°W）内海表温异常（SSTAs）的时空序列，时间尺度为3个月滑动平均。
• 模型在ERSSTv5数据（1871–1973）上进行训练，并在1984–2020年期间进行测试，具备利用CMIP5历史模拟数据进行迁移学习的潜力。
• 该架构基于最先进的时空GNN框架，支持多步预测且无需预定义边。
• 通过1个月、3个月和6个月提前期下预测值与观测值之间ONI指数的相关技巧评估模型性能。

实验结果

研究问题

• RQ1 时空图神经网络能否在长期提前期ENSO预测中超越卷积神经网络？
• RQ2 GNN能否比局部卷积操作更好地捕捉气候数据中的大尺度非局部遥相关？
• RQ3 通过图边显式建模节点间信息流是否能提升预测可解释性和准确性？
• RQ4 与最先进模型相比，GNN在ONI指数多步预测中的表现如何？
• RQ5 从CMIP5数据预训练模型进行迁移学习能否提升在有限观测数据上的性能？

主要发现

• 所提出的GNN在1个月提前期下达到0.9867的相关技巧，显著优于CNN基线模型（≈0.94）。
• 在3个月提前期下，GNN的相关技巧达到0.8936，而CNN模型为0.8742。
• GNN在短期和中期预测中表现出更优的预测性能，但在6个月提前期时技巧下降，可能由于数据稀缺。
• 在1个月和3个月预测中，该模型的预测精度高于最先进的深度学习和动力ENSO预测系统。
• 初步结果表明，GNN能有效建模大尺度气候依赖关系，并通过基于边的显式信息流支持可解释性预测。
• 本研究为在气候科学中应用GNN奠定了基础，具有扩展至其他气候现象和多变量预测的潜力。