[论文解读] OceanNet: A principled neural operator-based digital twin for regional oceans

Ashesh Chattopadhyay, Michael Gray+3 more|arXiv (Cornell University)|Oct 1, 2023

Oceanographic and Atmospheric Processes被引用 4

一句话总结

OceanNet 是一种基于物理信息神经算子的区域海洋环流数字孪生模型，采用傅里叶神经算子结合预测-评估-校正积分格式，并引入谱正则化以抑制谱偏差和自回归误差累积。该模型仅使用历史海面高度数据进行训练，在墨西哥湾流弯曲和环流eddies的季节性预报中表现优异，优于最先进的动力海洋模型（ROMS），同时将计算成本降低了50万倍。

ABSTRACT

While data-driven approaches demonstrate great potential in atmospheric modeling and weather forecasting, ocean modeling poses distinct challenges due to complex bathymetry, land, vertical structure, and flow non-linearity. This study introduces OceanNet, a principled neural operator-based digital twin for ocean circulation. OceanNet uses a Fourier neural operator and predictor-evaluate-corrector integration scheme to mitigate autoregressive error growth and enhance stability over extended time scales. A spectral regularizer counteracts spectral bias at smaller scales. OceanNet is applied to the northwest Atlantic Ocean western boundary current (the Gulf Stream), focusing on the task of seasonal prediction for Loop Current eddies and the Gulf Stream meander. Trained using historical sea surface height (SSH) data, OceanNet demonstrates competitive forecast skill by outperforming SSH predictions by an uncoupled, state-of-the-art dynamical ocean model forecast, reducing computation by 500,000 times. These accomplishments demonstrate the potential of physics-inspired deep neural operators as cost-effective alternatives to high-resolution numerical ocean models.

研究动机与目标

• 开发一种稳定、数据驱动的区域海洋环流数字孪生模型，以克服传统数值模型在计算成本和长期预报稳定性方面的局限性。
• 解决深度神经网络中的谱偏差问题，以准确表征湍流流场中微小尺度的海洋动力学。
• 通过整合物理启发的深度学习与数值积分格式，实现长期、高分辨率的海洋预报。
• 仅使用海面高度数据，证明对关键海洋特征（如墨西哥湾流弯曲和环流eddies）具备具有竞争力的预报能力。
• 为业务海洋学和气候应用建立一种可扩展、计算高效的高分辨率数值海洋模型替代方案。

提出的方法

• OceanNet 采用傅里叶神经算子（FNO）学习海洋状态输入与未来状态之间的非线性映射，实现对空间算子的高效、参数高效的建模。
• 采用预测-评估-校正（PEC）积分格式，以减轻长期预报过程中的自回归误差增长，提升数值稳定性。
• 在预测的海面高度（SSH）场的傅里叶谱上应用谱正则化，通过惩罚高频分量的偏差来抑制谱偏差。
• 损失函数结合了海洋网格点上的均方误差（MSE）与在 t+5Δt 和 t+10Δt 时刻的两步谱正则化损失，以延长模型的稳定预报时域。
• 谱正则化针对波数高于截断值 kT=100 的纬向平均经向傅里叶谱，确保训练过程中小尺度动力过程得以保留。
• 总损失为两个时间步损失的加权和，使模型能够在避免指数级内存增长的前提下学习准确的长程动力学。

Figure 1: The domain for the reanalysis data covering the northwestern Atlantic (a). The two subdomains used to develop OceanNet, specifically (b) the GS separation from the central US east coast to 60 ∘ W and (c) tthe LC eddy-shedding region in the eastern GoM, extending from 92 ∘ W into the Atlant

实验结果

研究问题

• RQ1 数据驱动的神经算子模型能否在长期预报中实现稳定且准确的区域海洋环流预测，特别是在墨西哥湾流弯曲和环流eddies等复杂特征方面？
• RQ2 在海洋建模中，如何有效缓解深度神经网络中的谱偏差，以保留小尺度湍流动力学？
• RQ3 具有预测-评估-校正方案的物理信息神经算子在季节性预报任务中，能否显著优于高分辨率动力海洋模型（如ROMS）？
• RQ4 结合谱正则化的两步损失函数是否能超越标准MSE训练，提升海洋预报的稳定性和准确性？
• RQ5 全数据驱动的海洋模型能否在计算成本较传统数值模型低几个数量级的前提下，实现具有竞争力的性能？

主要发现

• OceanNet 在预测西北大西洋海面高度（SSH）场方面优于最先进的区域海洋模型系统（ROMS），尤其在墨西哥湾流弯曲和环流eddies的季节性预报中表现更优。
• 与ROMS相比，该模型将计算成本降低了50万倍，展现出显著的效率优势，同时保持或超越了预报精度。
• 采用预测-评估-校正（PEC）积分格式显著减少了自回归误差增长，提升了长期预报的稳定性。
• 谱正则化通过保留SSH场傅里叶谱中的高频分量，有效抑制了谱偏差，改善了小尺度特征的表征能力。
• 在 t+5Δt 和 t+10Δt 时刻的两步损失函数显著延长了模型的稳定预报时域，实现了可靠长期预报，且无指数级内存增长。
• OceanNet 是首个在高分辨率SSH场预测中表现达到或优于高分辨率数值模型的全数据驱动海洋模型。

Figure 3: OceanNet performance metrics in the GoM: RMSE (a-c), CC (d-f), and MHD (g-i). In the left column, probability density functions (PDFs) are presented for 1,000 random pairs sourced from the training data spanning 1993-2018 (means shown by black horizontal lines). The performance statistics,