Using Deep Learning to Identify Initial Error Sensitivity of ENSO Forecasts

Data & model architecture

SST, SSH, TAUX의 월평균 1850~2014 데이터
해상도는 2도, 5도.

U-Net
기본 컨볼루셔널 레이어랑 스킵 연결 사용
최종적으로 1x1 컨볼루션을 통해서 출력 크기 설정

Special

딥러닝을 통한 모델-아날로그 접근 방식의 최적화
SST 예측에서보다 정확하고 초기 조건에 민감한 지역에서 가중치를 동적으로 조정.

위 그림처럼 최적화된 가중치를 사용해서 오류가 적은 모습을 보여줌
오른쪽에 등고선으로 표시된 가중치
초록색 원은 10개의 최적화된 analog

초기 조건에 민감한 지역을 확인할 수 있어서 성능 향상에 도움이 됨.

Results

• 그래서 가중치를 보기 위해서 신경망을 사용했고 analog 상태를 식별함-> 물리적 해석 가능
• 초기 오류에 민감한 지역을 이 가중치를 통해 인사이트를 주고 아날로그 예측을 통해서 (하이브리드임) 추적함.
• 전통적인 모델에 비해 적도 태평양의 해수면 온도 이상을 9-12 개월 선행하여 예측하는데 능력이 조아짐.
• 또한 북반구 겨울과 봄 초기화할 때 개선되엇음.
• 열대 태평양의 해수면 온도가 엘리뇨 예측에서 더 중요한 역할을 하고
• 같은 지역에서의 경도 바람이 라니냐 예측에서 더 중요한 역할을 한다.