[论文解读] AI-GOMS: Large AI-Driven Global Ocean Modeling System

Wei Xiong, Yanfei Xiang+5 more|arXiv (Cornell University)|Aug 6, 2023

Oceanographic and Atmospheric Processes被引用 16

一句话总结

AI-GOMS 提出一个大型 AI 驱动的全球海洋建模框架，以基于傅里叶的掩码自编码器为骨干，并配备用于区域下采样、波浪解码和生物化学耦合的轻量级下游模块，使全球海洋在 1/4°、15 深度层下实现 30 天预测，并可迁移到下游任务。

ABSTRACT

Ocean modeling is a powerful tool for simulating the physical, chemical, and biological processes of the ocean, which is the foundation for marine science research and operational oceanography. Modern numerical ocean modeling mainly consists of governing equations and numerical algorithms. Nonlinear instability, computational expense, low reusability efficiency and high coupling costs have gradually become the main bottlenecks for the further development of numerical ocean modeling. Recently, artificial intelligence-based modeling in scientific computing has shown revolutionary potential for digital twins and scientific simulations, but the bottlenecks of numerical ocean modeling have not been further solved. Here, we present AI-GOMS, a large AI-driven global ocean modeling system, for accurate and efficient global ocean daily prediction. AI-GOMS consists of a backbone model with the Fourier-based Masked Autoencoder structure for basic ocean variable prediction and lightweight fine-tuning models incorporating regional downscaling, wave decoding, and biochemistry coupling modules. AI-GOMS has achieved the best performance in 30 days of prediction for the global ocean basic variables with 15 depth layers at 1/4° spatial resolution. Beyond the good performance in statistical metrics, AI-GOMS realizes the simulation of mesoscale eddies in the Kuroshio region at 1/12° spatial resolution and ocean stratification in the tropical Pacific Ocean. AI-GOMS provides a new backbone-downstream paradigm for Earth system modeling, which makes the system transferable, scalable and reusable.

研究动机与目标

• 倡导数据驱动方法以克服传统数值海洋建模中的瓶颈，如非线性不稳定性和高耦合成本。
• 提出一个大型 AI 驱动框架（AI-GOMS），能够学习全球海洋动力学并提供准确的每日预测。
• 展示经过训练的骨干模型在下游海洋相关任务中的可迁移性，且微调成本低。

提出的方法

• 引入一个具有非对称编码器–解码器的骨干模型，使用基于傅里叶的注意力模块和随机补丁掩蔽策略。
• 通过使用补丁嵌入和补丁恢复方案来支持多源数据输入，支持 2D、3D 和稀疏输入，并允许数据同化。
• 在 HYCOM 全球再分析数据上对骨干模型进行训练，以在 1/4° 分辨率下预测五个基本海洋变量，跨越 15 个深度层。
• 开发用于区域下采样、波浪解码和生物化学耦合的轻量级下游模块，能够以低成本进行微调。
• 使用骨干–下游架构，下游模块摄取骨干特征及情景特定输入以进行任务特定的预测。

实验结果

研究问题

• RQ1 一个大型 AI 模型是否能够在 1/4° 分辨率下对全球海洋变量及其垂直结构进行为期 30 天的准确模拟？
• RQ2 一种轻量级的下游微调方法是否能够以低成本实现准确的区域下采样、波高解码和生物化学变量预测？
• RQ3 在保持物理一致性（如涡旋结构和分层）下，骨干模型是否可迁移到下游的海洋相关任务？

主要发现

• 骨干模型以 1/4° 分辨率、跨越 15 个深度层每日预测五个海洋变量，具备强的长期预测能力。
• AI-GOMS 在 30 天预测中对所有变量的纬度加权 ACC 和 RMSE 均优于 FourCastNet。
• 区域下采样模块在黑潮区域以 1/12° 解析中尺度涡旋，对速度和 SSH 的 7 天 ACC > 0.6。
• 波浪解码模块通过轻量级微调实现 30 天有效波高预测。
• 生物化学耦合模块通过将骨干特征与生物化学条件结合，并通过一个轻量级微调模型来预测八个生物化学变量。
• 该设计支持骨干在下游场景中的可迁移性，微调成本低。