Advancing Marine Heatwave Forecasts: An Integrated Deep Learning Approach
作者: Ding Ning, Varvara Vetrova, Yun Sing Koh, Karin R. Bryan
分类: physics.ao-ph, cs.LG
发布日期: 2024-11-19
备注: The paper contains 7 pages for the main text, 9 pages including References, and 17 pages including the Appendix. 3 figures
💡 一句话要点
提出结合图表示、不平衡回归和时间扩散的深度学习方法，用于全球海洋热浪预测。
🎯 匹配领域: 支柱八：物理动画 (Physics-based Animation)
关键词: 海洋热浪预测 深度学习 图神经网络 不平衡回归 时间扩散模型 气候预测 时空数据挖掘
📋 核心要点
- 海洋热浪对海洋生态系统和产业构成重大挑战，现有方法难以准确预测其时空演变。
- 论文提出一种集成深度学习方法，结合图表示、不平衡回归和时间扩散，提升预测精度。
- 实验表明，该方法在多个关键区域优于传统数值模型，并能有效进行长达六个月的预测。
📝 摘要（中文）
本研究提出了一种集成的深度学习方法，用于在全球范围内预测短期到长期的海洋热浪（MHWs）。该方法结合了图表示，用于建模气候数据中的空间属性；不平衡回归，用于处理倾斜的数据分布；以及时间扩散，用于提高各种预测提前期的准确性。据我们所知，这是第一个综合三种时空异常方法来预测MHWs的研究。此外，我们还引入了一种构建图的方法，避免了孤立节点，并提供了一个新的公开可用的海面温度异常图数据集。我们研究了MHWs损失函数和评估指标选择中的权衡。我们通过关注历史热点来分析全球MHW可预测性的空间模式，并且我们的方法在南太平洋中部、非洲附近赤道大西洋、南大西洋和高纬度印度洋等区域表现出比传统数值模型更好的性能。我们强调了时间扩散在长期预测中替代传统滑动窗口方法的潜力，实现了提前六个月的改进预测。这些见解不仅为机器学习在MHW预测中的应用建立了基准，而且增强了对一般气候预测方法的理解。
🔬 方法详解
问题定义：海洋热浪（MHWs）是极端气候现象，对海洋生态系统和相关产业造成严重威胁。现有的数值模型在预测MHWs时，尤其是在长期预测中，精度有限，难以捕捉其复杂的时空动态变化。此外，MHWs数据通常呈现不平衡分布，传统的预测方法难以有效处理这种数据偏差。
核心思路：本研究的核心思路是将气候数据建模为图结构，利用图神经网络捕捉空间依赖关系；采用不平衡回归方法处理数据分布偏差；并引入时间扩散模型，增强长期预测的准确性。通过整合这三种技术，可以更全面地理解和预测MHWs的时空演变。
技术框架：该方法包含以下主要模块：1) 图构建模块，用于将海面温度异常数据转换为图结构，避免孤立节点；2) 图神经网络模块，用于学习气候数据的空间表示；3) 不平衡回归模块，用于处理MHWs数据的不平衡分布；4) 时间扩散模块，用于增强长期预测的准确性。整体流程是：首先构建海面温度异常图，然后利用图神经网络学习空间特征，接着使用不平衡回归模型进行初步预测，最后通过时间扩散模型优化长期预测结果。
关键创新：该研究的关键创新在于整合了图表示、不平衡回归和时间扩散三种技术，并将其应用于MHWs预测。这是首次将这三种时空异常方法结合起来预测MHWs。此外，该研究还提出了一种新的图构建方法，避免了孤立节点，并提供了一个新的公开可用的海面温度异常图数据集。
关键设计：在图构建方面，设计了一种避免孤立节点的策略，确保图的连通性。在不平衡回归方面，探索了不同的损失函数，以平衡MHWs数据的不平衡分布。在时间扩散方面，采用了扩散模型来平滑预测结果，并增强长期预测的稳定性。具体的网络结构和参数设置根据实验结果进行调整和优化。
🖼️ 关键图片
📊 实验亮点
实验结果表明，该方法在南太平洋中部、非洲附近赤道大西洋、南大西洋和高纬度印度洋等区域的MHWs预测中，性能优于传统数值模型。时间扩散模型能够有效提升长期预测的准确性，实现提前六个月的改进预测。此外，该研究还提供了一个新的公开可用的海面温度异常图数据集，为相关研究提供了宝贵的数据资源。
🎯 应用场景
该研究成果可应用于海洋生态系统保护、渔业资源管理、航运安全保障等领域。通过准确预测海洋热浪，可以提前采取应对措施，减轻其对海洋环境和经济活动的影响。未来，该方法可进一步推广到其他气候要素的预测，为气候变化研究和适应提供更可靠的工具。
📄 摘要（原文）
Marine heatwaves (MHWs), an extreme climate phenomenon, pose significant challenges to marine ecosystems and industries, with their frequency and intensity increasing due to climate change. This study introduces an integrated deep learning approach to forecast short-to-long-term MHWs on a global scale. The approach combines graph representation for modeling spatial properties in climate data, imbalanced regression to handle skewed data distributions, and temporal diffusion to enhance forecast accuracy across various lead times. To the best of our knowledge, this is the first study that synthesizes three spatiotemporal anomaly methodologies to predict MHWs. Additionally, we introduce a method for constructing graphs that avoids isolated nodes and provide a new publicly available sea surface temperature anomaly graph dataset. We examine the trade-offs in the selection of loss functions and evaluation metrics for MHWs. We analyze spatial patterns in global MHW predictability by focusing on historical hotspots, and our approach demonstrates better performance compared to traditional numerical models in regions such as the middle south Pacific, equatorial Atlantic near Africa, south Atlantic, and high-latitude Indian Ocean. We highlight the potential of temporal diffusion to replace the conventional sliding window approach for long-term forecasts, achieving improved prediction up to six months in advance. These insights not only establish benchmarks for machine learning applications in MHW forecasting but also enhance understanding of general climate forecasting methodologies.