[论文解读] 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 0

一句话总结

FuXi-ONS 是全球海洋的首个机器学习集成预测系统，能够在 1° 网格上对多种变量给出从 5 天到 365 天的概率性预测，具有学习得到的、物理结构化的扰动机制和用于稳定性与效率的气象条件化。

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.

研究动机与目标

• 将机器学习从确定性海洋预测扩展到全球海洋的概率性集合预测。
• 展示对不同变量与深度在亚季节到年尺度预测中的经校准且物理意义明确的波动分布。
• 相对于传统数值集合系统实现显著的计算效率提升，使概率预测与风险评估变得实用。
• 将大气条件化引入，以在保持大尺度可预测性的同时稳定远程预报。

提出的方法

• 三段式架构：一个结构化噪声生成模块、一个大气条件化模块和一个海洋预报模块。
• 通过状态相关振幅和基于 SPDE 的 Matérn 谱采样器生成结构化扰动，以产生时空上相干、与流场相关的噪声。
• 大气条件化将初始大气状态编码为潜在特征，以在较长时程内稳定预报。
• 以 5 天为间隔进行自回归式预测，直到 365 天，集合成员通过在每一步重新采样结构化扰动来形成。
• 训练以 GLORYS12 重分析为输入和目标，结合 ERA5 大气条件化，并使用 1° × 1° 全球网格。
• 评估将 FuXi-ONS 与确定性基线和带扰动的噪声基线以及已确立的季节性基准（如 NMME、IRI-D、IRI-ALL）进行比较。

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

实验结果

研究问题

• RQ1 数据驱动的方法是否能够在 subseasonal 至 annual 的时间尺度为全球海洋生成一个经校准的概率性集合预测？
• RQ2 在变量与深度上，学习型集合与确定性预测和外部强加扰动相比，在技能、波动和物理现实性方面有何差异？
• RQ3 数据驱动的集合是否在与传统数值集合并行运行的场景中具有竞争力并且计算高效？
• RQ4 在全球海洋环境中，预测改进和不确定性表示的垂直（深度相关）结构是什么？

主要发现

• FuXi-ONS 在 salinity、temperature、zon等向和 meridional currents、sea-surface height 的所有学习基线中，提供了最佳的总体概率性能（CRPS、SSR）和最强的确定性性能。
• FuXi-ONS 超越了确定性骨干 FuXi-Aim 和 Perlin扰动集合 FuXi-Aim-Perlin，在长期预报中的增益最大，并呈现一致的垂直改进结构。
• 与 Perlin 基线相比，集合的波动更具经校准性且对流场相关性更强，特别是在中深海层的优势明显。
• 与已确立的季节性基准相比，FuXi-ONS 在 Niño3.4 和 SST 场上的表现具有竞争性或优越性，包括 SST 预测和 ENSO 演化的 RMSE、CRPS、ACC 与 SSR 的改进。
• FuXi-ONS 以远快于传统集合系统的速度提供这些概率性预测，展示了将 AI 驱动的海洋集合预测推向实用化的切实路径。

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