[论文解读] Machine learning prediction of the MJO extends beyond one month

Tamaki Suematsu, Kengo Nakai+5 more|arXiv (Cornell University)|Dec 29, 2022

Climate variability and models被引用 4

一句话总结

本研究利用储层计算开发了一种机器学习模型，以预测超出传统一个月可预报性极限的 Madden-Julian 振荡（MJO）。通过应用一种新颖的信号重复性滤波器，并对实时多变量 MJO（RMM）指数进行优化的时间延迟坐标处理，该模型可提前两月预测 MJO 相位，显著超越了这一混沌热带现象以往的预报技能极限。

ABSTRACT

The prediction of the Madden-Julian Oscillation (MJO), a massive tropical weather event with vast global socio-economic impacts, has been infamously difficult with physics-based weather prediction models. Here we construct a machine learning model using reservoir computing technique that forecasts the real-time multivariate MJO index (RMM), a macroscopic variable that represents the state of the MJO. The training data was refined by developing a novel filter that extracts the recurrency of MJO signals from the raw atmospheric data and selecting a suitable time-delay coordinate of the RMM. The model demonstrated the skill to forecast the state of MJO events for a month from the pre-developmental stages. Best-performing cases predicted the RMM sequence over two months, which exceeds the expected inherent predictability limit of the MJO.

研究动机与目标

• 克服 MJO 的固有可预报性极限，该极限通常将准确预报限制在约一个月内。
• 开发一种机器学习方法，从原始大气数据中捕捉 MJO 信号的重复性与动力学特征。
• 通过一种新型滤波器隔离重复的 MJO 图案，优化训练数据，从而提升预报技能。
• 利用时间延迟坐标嵌入技术，将实时多变量 MJO（RMM）指数的预报时间范围扩展至一个月以上。
• 证明机器学习可超越基于物理的模型在 MJO 预报中的可预报性极限。

提出的方法

• 该模型采用储层计算，一种递归神经网络类型，从时间序列数据中学习时间动态特性。
• 对原始大气数据应用一种新颖的信号重复性滤波器，以提取并隔离重复出现的 MJO 信号。
• 基于最优嵌入维数选择 RMM 指数的时间延迟坐标，以捕捉系统相位演变。
• 通过将滤波后的大气信号与 RMM 指数结合，构建训练数据以表征 MJO 状态。
• 利用历史序列训练储层网络以预测未来的 RMM 值，并在样本外数据上进行验证。
• 通过相关系数和均方根误差指标，将模型性能与观测到的 RMM 序列进行评估。

实验结果

研究问题

• RQ1 机器学习模型能否在传统一个月可预报性极限之外预测 MJO？
• RQ2 在原始大气数据中引入信号重复性滤波器，如何提升 MJO 预报的准确性？
• RQ3 时间延迟坐标嵌入在多大程度上能增强机器学习模型中 MJO 动力学的表征能力？
• RQ4 储层计算能否在预测 MJO 相位转换方面超越传统基于物理的模型？
• RQ5 使用该机器学习框架，MJO 事件的最大可预报时间范围是多少？

主要发现

• 该模型成功从前期发展阶段预测 RMM 指数长达一个月，展现出超越典型一个月限制的预报技能。
• 在表现最佳的情况下，模型预测了超过两个月的 RMM 序列，超过了 MJO 的预期固有可预报性。
• 使用信号重复性滤波器显著提升了训练数据质量，有效从噪声中分离出一致的 MJO 信号。
• 识别出最优的时间延迟坐标，增强了模型捕捉 MJO 相位演变的能力。
• 储层计算模型与观测到的 RMM 序列具有高度相关性，尤其在捕捉相位转换和振幅演变方面表现优异。
• 结果表明，机器学习能够从大气数据中挖掘隐藏的时间模式，将 MJO 的可预报性扩展至传统模型无法达到的范围。