[논문 리뷰] Data-driven ensemble prediction of the global ocean

Qiusheng Huang, Xiaohui Zhong외 4명|arXiv (Cornell University)|2026. 03. 20.

Oceanographic and Atmospheric Processes인용 수 0

한 줄 요약

FuXi-ONS는 지구 해양용으로 최초의 기계학습 앙상블 예보 시스템으로, 1° 격자에서 다수 변수에 대해 5일에서 365일의 확률적 예보를 생성하며, 안정성과 효율성을 위한 학습된 물리적으로 구조화된 섭동 메커니즘과 대기 조건화를 갖춘다.

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.

연구 동기 및 목표

• 지구 해양에 대한 결정론적 해양 예보에서 확률적 앙상블 예측으로 기계학습을 확장한다.
• 부분계절에서 연간 예측 동안 변수와 해양 깊이에 걸쳐 보정되고 물리적으로 의미 있는 예보 분산을 입증한다.
• 전통적인 수치 앙상블 시스템에 비해 상당한 계산 효율성을 달성하여 실용적인 확률 예보와 위험 평가를 가능하게 한다.
• 장거리 예보의 안정화를 위해 대기 조건화를 도입하여 대규모 예측력을 보존한다.

제안 방법

• 세 부분 아키텍처: 구조화된 노이즈 생성 모듈, 대기 조건화 모듈, 그리고 해양 예보 모듈.
• 구조화된 섭동은 상태 의존 진폭과 SPDE 기반 매타 등분 샘플러를 통해 생성되어 공간상 일관되고 흐름 의존적인 노이즈를 만들어낸다.
• 대기 조건화는 초기 대기 상태를 잠재 특징으로 인코딩하여 오랜 예측 기간 동안 예측의 안정성을 높인다.
• 예보는 5일 간격으로 365일까지 자귀적으로 생성되며, 매 단계에서 구조화된 섭동을 재샘플링하여 앙상블 구성원을 형성한다.
• 학습은 GLORYS12 재분석을 입력과 목표로 사용하고, ERA5 대기 조건화와 1° × 1° 글로벌 격자를 사용한다.
• 평가는 FuXi-ONS를 결정론적 및 노이즈 섞인 기준값과 기존 계절 참고치(NMME, IRI-D, IRI-ALL 등)와 비교한다.

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

실험 결과

연구 질문

• RQ1 데이터 기반 접근 방식이 부분계절에서 연간 해양 horizon에 대해 보정된 확률적 앙상블 예보를 생성할 수 있는가?
• RQ2 학습된 앙상블은 변수와 깊이에 걸친 스킬, 분산, 물리적 현실성 면에서 결정론적 예보 및 외부로 도입된 섭동과 어떻게 비교되는가?
• RQ3 데이터 기반 앙상블이 전통적인 수치 앙상블과 경쟁적이고 운영형 사용을 위한 계산 효율성을 달성하는가?
• RQ4 전 세계 해양 상황에서 예측 개선의 수직(깊이 의존) 구조와 불확실성 표현은 어떤가?

주요 결과

• FuXi-ONS는 학습 기반 기준값들 중에서 해수염도, 온도, 동방 흐름 및 남북 흐름, 그리고 해수면 높이에 대해 최고의 전반적 확률적 성능(CRPS, SSR)과 가장 강한 결정론적 성능을 제공합니다.
• FuXi-ONS는 결정론적 백본(FuXi-Aim) 및 Perlin-perturbed 앙상블(FuXi-Aim-Perlin)을 능가하며, 장기 예측에서 가장 큰 이득과 일관된 수직 구조의 개선을 보인다.
• 앙상블 분산은 Perlin 기준치보다 보정되고 흐름 의존적이며, 특히 중층/하층 해양에서 현재 필드에 큰 이점이 있다.
• 기존 계절 참고치와 비교할 때, FuXi-ONS는 Niño3.4 및 SST 필드에서 경쟁력 있거나 우수한 성능을 보이며 SST 예보 및 ENSO 진화에서 RMSE, CRPS, ACC, SSR이 더 우수하다.
• FuXi-ONS는 이러한 확률 예보를 기존의 앙상블 시스템보다 수배 빠르게 제공하여, 운영형 AI 기반 해양 앙상블 예측으로의 실용적 경로를 보여준다.

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