用于改进厄尔尼诺预报的图神经网络
机器学习
2021-02-15 v3 大气与海洋物理
机器学习
摘要
基于深度学习的模型近来在季节性预报方面超越了最先进的模型，例如用于预测厄尔尼诺-南方涛动（ENSO）。然而，当前的深度学习模型基于卷积神经网络，难以解释且可能无法建模称为遥相关的大尺度大气模式。因此，我们提出应用时空图神经网络（GNN）以在长提前期、更细粒度以及比当前最先进方法更优的预报技巧来预测ENSO。通过边对信息流的显式建模也可能带来更具可解释性的预报。初步结果令人鼓舞，并在提前1个月和3个月的预报中优于最先进的系统。
引用
@article{arxiv.2012.01598,
title = {Graph Neural Networks for Improved El Ni\~no Forecasting},
author = {Salva Rühling Cachay and Emma Erickson and Arthur Fender C. Bucker and Ernest Pokropek and Willa Potosnak and Salomey Osei and Björn Lütjens},
journal= {arXiv preprint arXiv:2012.01598},
year = {2021}
}
备注
Presented at the NeurIPS 2020 Workshop on Tackling Climate Change with Machine Learning