[论文解读] Modeling Oceanic Variables with Dynamic Graph Neural Networks

Caio F. D. Netto, Marcel R. de Barros+9 more|arXiv (Cornell University)|Jun 25, 2022

Bayesian Modeling and Causal Inference被引用 5

一句话总结

本文提出一种动态图神经网络（DGN），通过整合时间（LSTM/Transformer）与空间（图结构）归纳偏置，预测桑托斯-圣弗朗西斯科-贝蒂奥加河口系统的海流速度与海表高。该模型在海流速度预测上较基于物理的桑托斯业务预报系统（SOFS）提升27%，在海流方向预测上提升14%，展现出优异性能，且对领域知识依赖极低，对缺失数据具有强鲁棒性。

ABSTRACT

Researchers typically resort to numerical methods to understand and predict ocean dynamics, a key task in mastering environmental phenomena. Such methods may not be suitable in scenarios where the topographic map is complex, knowledge about the underlying processes is incomplete, or the application is time critical. On the other hand, if ocean dynamics are observed, they can be exploited by recent machine learning methods. In this paper we describe a data-driven method to predict environmental variables such as current velocity and sea surface height in the region of Santos-Sao Vicente-Bertioga Estuarine System in the southeastern coast of Brazil. Our model exploits both temporal and spatial inductive biases by joining state-of-the-art sequence models (LSTM and Transformers) and relational models (Graph Neural Networks) in an end-to-end framework that learns both the temporal features and the spatial relationship shared among observation sites. We compare our results with the Santos Operational Forecasting System (SOFS). Experiments show that better results are attained by our model, while maintaining flexibility and little domain knowledge dependency.

研究动机与目标

• 解决在观测数据不完整或噪声较大的复杂沿海区域预测海洋变量的挑战。
• 构建一种数据驱动的时空模型，同时利用观测站点间的时间动态与空间关系。
• 克服传统基于物理的海洋模型的局限性，后者计算成本高且需详细的地形与边界数据。
• 证明机器学习模型可在保持灵活性与低领域知识依赖的前提下，超越基于物理的基线模型，实现更高精度。
• 实现在数据稀缺或地形复杂的区域中，实现高精度海洋预报系统的实际部署，服务于港口运营与环境风险管控。

提出的方法

• 构建动态时间图（DTDG），其中节点代表空间观测站点，边编码空间关系，节点特征随时间动态变化。
• 使用序列编码器（LSTM或Transformer）从各站点的多变量时间序列中提取时间表征。
• 应用图神经网络（GNN）在空间连接的节点间传播与聚合时间特征，捕捉长程依赖关系。
• 采用端到端训练方式，使用时空损失函数，针对关键指标（如海流速度、方向与海表高）的Willmott指数（IoA）进行优化。
• 评估不同图拓扑结构（完全断开、同类型连接、完全连接）与序列编码器（LSTM与Transformer）的组合，以确定最优配置。
• 采用7天输入窗口进行预测，模型推理在桑托斯-圣弗朗西斯科-贝蒂奥加河口系统的未见测试数据上执行。

实验结果

研究问题

• RQ1 能否通过结合时间与空间归纳偏置的数据驱动模型，在真实沿海环境中超越基于物理的海洋预报系统？
• RQ2 图拓扑结构的选择（如完全连接 vs. 同类变量连接）如何影响海洋变量的预测性能？
• RQ3 LSTM与Transformer等不同序列编码器在多变量海洋时间序列预测中的精度提升程度如何？
• RQ4 所提模型对真实海洋观测传感器网络中常见的缺失数据与噪声观测具有多大程度的鲁棒性？
• RQ5 基于GNN的架构能否有效学习并利用远距离观测站点间的空间关系，从而提升局部预测精度？

主要发现

• 所提出的DGN模型在海流速度预测上较SOFS物理模型提升27%，在海流方向预测上提升14%。
• 当采用Transformer编码器与完全连接图结构时，海流速度的符合指数（IoA）达0.842，海流方向达0.860。
• 模型在海表高（SSH）预测中保持强劲表现，使用Transformer编码器时IoA达0.939，使用LSTM时达0.940。
• 完全连接图结构在所有指标上均表现最佳，优于完全断开与同类型连接图结构。
• 基于Transformer的编码器在所有预测场景中均持续优于LSTM编码器，尤其在捕捉复杂时间模式方面表现更优。
• 模型对缺失数据表现出强鲁棒性，能有效在空间分离的节点间共享信息，即使在观测不完整的情况下也能实现准确的局部预测。