[论文解读] Kernel Learning for Explainable Climate Science

Vidhi Lalchand, Kenza Tazi+3 more|arXiv (Cornell University)|Sep 11, 2022

Hydrology and Watershed Management Studies被引用 9

一句话总结

本文提出一种具有结构化Gibbs核的非平稳高斯过程，用于建模上印度河盆地的时空降水，通过潜在高斯过程实现输入相关的长度尺度。与平稳基线相比，该方法在测试RMSE上降低了14.8%（0.9426 vs. 1.1086），实现了可解释的、具备不确定性感知能力的气候预测，并改善了空间异质性建模。

ABSTRACT

The Upper Indus Basin, Himalayas provides water for 270 million people and countless ecosystems. However, precipitation, a key component to hydrological modelling, is poorly understood in this area. A key challenge surrounding this uncertainty comes from the complex spatial-temporal distribution of precipitation across the basin. In this work we propose Gaussian processes with structured non-stationary kernels to model precipitation patterns in the UIB. Previous attempts to quantify or model precipitation in the Hindu Kush Karakoram Himalayan region have often been qualitative or include crude assumptions and simplifications which cannot be resolved at lower resolutions. This body of research also provides little to no error propagation. We account for the spatial variation in precipitation with a non-stationary Gibbs kernel parameterised with an input dependent lengthscale. This allows the posterior function samples to adapt to the varying precipitation patterns inherent in the distinct underlying topography of the Indus region. The input dependent lengthscale is governed by a latent Gaussian process with a stationary squared-exponential kernel to allow the function level hyperparameters to vary smoothly. In ablation experiments we motivate each component of the proposed kernel by demonstrating its ability to model the spatial covariance, temporal structure and joint spatio-temporal reconstruction. We benchmark our model with a stationary Gaussian process and a Deep Gaussian processes.

研究动机与目标

• 为解决上印度河盆地（UIB）这一对2.7亿人和水电资源至关重要的区域中降水建模的关键不确定性问题，该区域现有模型存在分辨率低且缺乏误差传播的缺陷。
• 开发一种概率性、可解释的模型，以捕捉由地形异质性和气候变异性驱动的复杂时空降水模式。
• 通过引入适应局部空间结构的输入依赖长度尺度的非平稳核，超越平稳和深度高斯过程基线。
• 实现严谨的不确定性量化，并通过超参数分析为降水变异性驱动因素提供洞见。

提出的方法

• 该模型采用具有随空间变化的纬度和经度长度尺度的非平稳Gibbs核，通过潜在高斯过程参数化，以确保超参数在空间上的平滑变化。
• 空间核与周期性时间核及平稳的平方指数分量结合，形成复合时空核，以同时捕捉时间周期性和空间异质性。
• 输入依赖的长度尺度由具有平方指数核的独立潜在GP控制，使模型能够自适应地学习地形复杂区域中的局部相关结构。
• 通过完整GP回归执行贝叶斯推断，超参数通过边际似然最大化进行估计，从而确保严谨的不确定性量化。
• 该模型与具有SE-ARD核的平稳GP及深度高斯过程进行基准对比，性能通过1个月预测RMSE进行评估。
• 消融研究通过隔离各组件的贡献，验证了非平稳性、时间结构和联合时空建模的必要性。

实验结果

研究问题

• RQ1 与平稳或深度学习基线相比，非平稳核在地形复杂的区域（如上印度河盆地）中如何改善降水建模？
• RQ2 在时空降水建模中，引入输入依赖长度尺度在多大程度上提升了预测性能和空间保真度？
• RQ3 通过潜在过程实现的结构化核学习能否为降水变异性空间驱动因素提供可解释的洞见？
• RQ4 该模型的不确定性量化与区域气候模型相比如何，特别是在高影响水文预报中？
• RQ5 当与全球气候模型输出结合时，非平稳核在未来的气候预测中可能发挥何种作用？

主要发现

• 非平稳核模型在三次运行中实现了0.9426的测试RMSE，相比平稳GP基线（1.1086）降低了14.8%。
• 消融研究证实，非平稳核显著提升了空间协方差建模和联合时空重构性能，优于平稳GP和深度GP基线。
• 长度尺度的潜在高斯过程成功捕捉了降水模式的平滑空间变化，反映了潜在的地形复杂性。
• 贝叶斯框架提供了校准良好的不确定性估计，为区域气候模型中常用的基于集合的不确定性代理提供了更可靠的替代方案。
• Gibbs核的超参数分析揭示了降水空间驱动因素的潜在线索，如高程和坡度，这些因素有望通过增加预测特征进一步探索。
• 该模型展现出强大的泛化能力和可解释性，具备通过量化不确定性与特征影响分析指导气候适应策略的潜力。