世界即图：用图神经网络改进厄尔尼诺预报
机器学习
2021-05-21 v2 神经与进化计算
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预报上超越了最先进的模型，例如预测厄尔尼诺-南方涛动（ENSO）。然而，当前的深度学习模型基于卷积神经网络，难以解释且可能未能建模大尺度大气模式。相比之下，图神经网络（GNNs）能够建模大尺度空间依赖关系，并且由于显式建模了通过边连接的信息流而更具可解释性。我们提出图神经网络在季节预报中的首次应用。我们设计了一个新颖的图连接学习模块，使我们的GNN模型能联合学习大尺度空间相互作用与实际ENSO预报任务。我们的模型\graphino在提前至多六个月的预报上优于最先进的基于深度学习的模型。此外，我们展示我们的模型更具可解释性，因为它学习到与ENSO异常型相关的合理连接结构。
引用
@article{arxiv.2104.05089,
title = {The World as a Graph: Improving El Ni\~no Forecasts with Graph Neural Networks},
author = {Salva Rühling Cachay and Emma Erickson and Arthur Fender C. Bucker and Ernest Pokropek and Willa Potosnak and Suyash Bire and Salomey Osei and Björn Lütjens},
journal= {arXiv preprint arXiv:2104.05089},
year = {2021}
}