利用回声状态网络特征重要性刻画气候路径
机器学习
2023-10-13 v1 机器学习
应用统计
摘要
美国 2022 年国防战略将气候变化列为对国家安全的严重威胁。平流层气溶胶注入等气候干预方法已被提议作为减缓策略，但此类行动对复杂气候系统的下游效应尚不清楚。开发用于量化气候事件（即气候路径）相关源变量与影响变量之间关系的算法技术，将有助于为政策决策提供信息。数据驱动的深度学习模型已成为建模高度非线性关系的强大工具，并可能提供刻画气候变量关系的途径。在本文中，我们探索使用回声状态网络（ESN）来刻画气候路径。ESN 是一种为时序数据设计的计算高效神经网络变体，近期工作提出 ESN 可作为预测时空气候数据的有用工具。与其他神经网络一样，ESN 是不可解释的黑盒模型，这给理解变量关系带来了障碍。我们通过针对时空数据开发 ESN 的特征重要性方法来解决此问题，以量化模型所捕获的变量关系。我们进行了一项模拟研究来评估并比较这些特征重要性技术，并在再分析气候数据上展示了该方法。在气候应用中，我们选取了包含 1991 年皮纳图博火山喷发的时间段。该事件是一次显著的平流层气溶胶注入，我们将其用作人工平流层气溶胶注入的代理。利用所提方法，我们得以刻画与该事件相关的路径变量之间的关系。
引用
@article{arxiv.2310.08495,
title = {Characterizing climate pathways using feature importance on echo state networks},
author = {Katherine Goode and Daniel Ries and Kellie McClernon},
journal= {arXiv preprint arXiv:2310.08495},
year = {2023}
}