[論文レビュー] Data-driven ensemble prediction of the global ocean

Qiusheng Huang, Xiaohui Zhong+4 more|arXiv (Cornell University)|Mar 20, 2026

Oceanographic and Atmospheric Processes被引用数 0

ひとこと要約

FuXi-ONSは世界の海洋を対象とする初の機械学習アンサンブル予報システムであり、1°グリッド上の複数の変数について5日から365日の確率予報を提供する。学習された物理的に構造化された摂動メカニズムと安定性と効率性のための大気条件付けを備える。

ABSTRACT

Data-driven models have advanced deterministic ocean forecasting, but extending machine learning to probabilistic global ocean prediction remains an open challenge. Here we introduce FuXi-ONS, the first machine-learning ensemble forecasting system for the global ocean, providing 5-day forecasts on a global 1° grid up to 365 days for sea-surface temperature, sea-surface height, subsurface temperature, salinity and ocean currents. Rather than relying on repeated integration of computationally expensive numerical models, FuXi-ONS learns physically structured perturbations and incorporates an atmospheric encoding module to stabilize long-range forecasts. Evaluated against GLORYS12 reanalysis, FuXi-ONS improves both ensemble-mean skill and probabilistic forecast quality relative to deterministic and noise-perturbed baselines, and shows competitive performance against established seasonal forecast references for SST and Niño3.4 variability, while running orders of magnitude faster than conventional ensemble systems. These results provide a strong example of machine learning advancing a core problem in ocean science, and establish a practical path toward efficient probabilistic ocean forecasting and climate risk assessment.

研究の動機と目的

• 機械学習を決定論的海洋予報から全球海洋の確率的アンサンブル予報へ拡張する。
• サブ季節から年次リードタイムに対して、変数と深さを跨ぐ較正された物理的に意味のある予報スプレッドを実証する。
• 従来の数値アンサンブル系に比べて substantialな計算効率を達成し、実用的な確率予報とリスク評価を可能にする。
• 長距離予報を安定化させつつ大規模スケールの予測可能性を保持するために大気条件付けを組み込む。

提案手法

• 三部構成のアーキテクチャ：構造化ノイズ生成モジュール、大気条件付けモジュール、海洋予報モジュール。
• 構造化摂動は状態依存振幅とSPDEベースのMatérnスペクトルサンプラーを介して生成され、空間的に一貫性があり流れ依存のノイズを作り出す。
• 大気条件付けは初期大気状態を潜在特徴量にエンコードして長期リードタイムでの予報を安定化する。
• 予報は5日間隔で逐次自回帰的に365日まで生成され、各ステップで構造化摂動を再サンプリングしてアンサンブルメンバーを形成する。
• 訓練にはGLORYS12再分析を入力とターゲットの両方として使用し、ERA5大気条件付け、1°×1°の全球グリッドを採用する。
• 評価はFuXi-ONSを決定論的およびノイズ摂動ベースラインと、既存の季節参照（例：NMME、IRI-D、IRI-ALL）と比較する。

Figure 1: Depth-averaged forecast skill Comparison of FuXi-ONS with baselines over all lead times. Forecast performance over the 2021–2023 test period for salinity (S), temperature (ST), zonal current (SU), meridional current (SV), and sea surface height (SSH) as a function of lead time up to 360 da

実験結果

リサーチクエスチョン

• RQ1 データ駆動アプローチが subseasonal から annual の地平線で、全球海洋の較正済み確率的アンサンブル予報を生成できるか。
• RQ2 学習されたアンサンブルは決定論的予報や外部から課された摂動と比べて、技能、スプレッド、深さごとの物理的現実性の点でどうなるか。
• RQ3 データ駆動アンサンブルは従来の数値アンサンブルと競合的で運用類似の利用に計算効率が高いか。
• RQ4 全球海洋設定における予報改善と不確実性表現の垂直（深さ依存）構造はどうなるか。

主な発見

• FuXi-ONSは最も良い全体的な確率的性能（CRPS、SSR）と最も強力な決定論的性能を、塩分、温度、東西・南北流、海面高度を跨いで学習ベースラインの中で示した。
• FuXi-ONSは決定論的バックボーン（FuXi-Aim）とPerlin摂動アンサンブル（FuXi-Aim-Perlin）を上回り、長距離予報で最大の改善と一貫した垂直方向の改善構造を示した。
• アンサンブルスプレッドはPerlinベースラインよりも較正され、流れ依存性が高く、中層〜深海層で特に現在場において有利である。
• 従来の季節参照と比較して、FuXi-ONSは Niño3.4 および SST 場に対して競合的または優れた性能を示し、SST予報とENSO進展における RMSE、CRPS、ACC、SSR が改善。
• FuXi-ONSは従来のアンサンブルシステムよりも数量オーダー以上の速度でこれらの確率的予報を提供し、運用AI駆動海洋アンサンブル予報への実用的な道を示す。

Figure 2: Depth-dependent normalized improvement of FuXi-ONS as a function of forecast lead time. Columns correspond to salinity (S), temperature (ST), zonal current (SU), and meridional current (SV). Rows show the relative changes in CRPS, SSR, RMSE, and ACC, respectively, across forecast lead time