[论文解读] Building Ocean Climate Emulators

Adam Subel, Laure Zanna|arXiv (Cornell University)|Feb 6, 2024

Ocean Acidification Effects and Responses被引用 4

一句话总结

本文提出了一种基于物理约束的机器学习框架，利用U-Net架构并基于高分辨率耦合气候模型数据进行训练，构建海洋气候模拟器。通过引入大气边界条件和多时间尺度动力学，该方法在四个全球区域实现了超过8年的稳定长期表面海洋场（速度与温度）预测，确立了未来海洋模拟研究的关键设计原则。

ABSTRACT

The current explosion in machine learning for climate has led to skilled, computationally cheap emulators for the atmosphere. However, the research for ocean emulators remains nascent despite the large potential for accelerating coupled climate simulations and improving ocean forecasts on all timescales. There are several fundamental questions to address that can facilitate the creation of ocean emulators. Here we focus on two questions: 1) the role of the atmosphere in improving the extended skill of the emulator and 2) the representation of variables with distinct timescales (e.g., velocity and temperature) in the design of any emulator. In tackling these questions, we show stable prediction of surface fields for over 8 years, training and testing on data from a high-resolution coupled climate model, using results from four regions of the globe. Our work lays out a set of physically motivated guidelines for building ocean climate emulators.

研究动机与目标

• 为应对尽管对高效气候模拟需求不断增长，但海洋气候模拟器发展仍处于初步阶段的现状。
• 探究大气边界条件在提升海洋模拟器长期预测能力方面的作用。
• 考察具有不同时间尺度的变量（如速度与温度）对模拟器设计与性能的影响。
• 基于数据驱动方法，建立用于构建稳健、多尺度海洋模拟器的物理启发式指导原则。

提出的方法

• 采用具有四层下采样/上采样结构的U-Net神经网络，基于20年预工业期GFDL CM2.6耦合模型数据（1/4°分辨率）进行训练。
• 输入包含9个通道：3个用于海洋状态（u, v, T），3个用于大气边界条件（τu, τv, Tatm），以及3个带有4格点晕圈的侧边界条件。
• 通过结合均方误差（MSE）与动能损失的损失函数，采用多步递归预测，其中α与λₙ分别用于加权，以优先考虑后期时间步。
• 推理过程中通过在每个时间步将预测的晕圈区域替换为真实值来强制实施边界条件，以防止发散。
• 训练采用多步损失函数：𝒟ℒ(N) = Σₙ₌₁ᴺ λₙ[(1−α)ℒmse(n) + αℒKE(n)]，其中ℒKE用于惩罚动能误差。
• 在四个区域（墨西哥湾流区、热带区、南太平洋区、非洲开普地区）开展实验，测试不同时间步长（Δt）与滚动预测长度（N）的组合。

Figure 1: Impact of atmospheric boundary information, showing the skill of each emulator in performing long roll-outs (prediction). Left: the time spectra of the mean zonal velocity; Right: mean temperature timeseries. The shading shows the standard deviation across rollouts from 3 networks trained

实验结果

研究问题

• RQ1 在模拟器中引入大气边界条件在多大程度上提升了其长期预测能力？
• RQ2 在稳定长期海洋模拟中，时间分辨率（Δt）与滚动预测长度（N）之间最优平衡为何？
• RQ3 具有不同物理时间尺度的变量（如速度与温度）如何影响模拟器性能与训练稳定性？
• RQ4 动能损失项在提升海洋模拟器预测的物理一致性方面发挥何种作用？
• RQ5 不同网络结构与边界条件处理策略如何影响模拟器在多样化海洋区域中的鲁棒性？

主要发现

• 该模拟器在所有四个测试区域均实现了超过8年的稳定表面海洋场预测，展现出长期动力一致性。
• 引入大气边界条件显著提升了长期预测技能，尤其在墨西哥湾流区与热带区等空气-海洋相互作用强烈的区域效果明显。
• 在10天预测中，温度预测准确率（ACC > 0.947）在热带区表现优异，而南太平洋区的速度预测（u与v的ACC > 0.88）也保持高度准确。
• 引入动能损失项（α = 0.1）显著提升了物理一致性，减少了虚假能量增长，增强了长期稳定性。
• 较大时间步长（Δt = 5）与较短滚动长度（N = 1）会降低性能，而Δt = 1与N = 4在各区域均实现最准确且稳定的预测结果。
• 即使在不同初始条件与网络权重初始化下，模拟器仍保持稳定，5组初始条件与3个训练网络的预测结果标准差极低。

Figure 2: Impact of time step and effective training window on the short-term skill of the network for the African Cape region. ACC for temperature (left) and RMSE for meridional velocity (right). The top panels showcase the benefit of increasing $\Delta t$ , and the bottom panels demonstrate the pe