[论文解读] Digital Twin Earth -- Coasts: Developing a fast and physics-informed surrogate model for coastal floods via neural operators

Peishi Jiang, Nis Meinert+9 more|arXiv (Cornell University)|Oct 14, 2021

Meteorological Phenomena and SimulationsEarth and Planetary Sciences参考文献 17被引用 20

一句话总结

该论文提出了首个基于物理信息傅里叶神经算子（FNO）的海岸数字孪生模型，用于替代NEMO模拟，实现了高达45倍的加速，同时在西北欧区域准确预测海面高度。该方法利用频域中的学习型PDE算子，实现了快速、可扩展且物理一致的海岸洪水建模，适用于气候韧性应用。

ABSTRACT

Developing fast and accurate surrogates for physics-based coastal and ocean models is an urgent need due to the coastal flood risk under accelerating sea level rise, and the computational expense of deterministic numerical models. For this purpose, we develop the first digital twin of Earth coastlines with new physics-informed machine learning techniques extending the state-of-art Neural Operator. As a proof-of-concept study, we built Fourier Neural Operator (FNO) surrogates on the simulations of an industry-standard flood and ocean model (NEMO). The resulting FNO surrogate accurately predicts the sea surface height in most regions while achieving upwards of 45x acceleration of NEMO. We delivered an open-source extit{CoastalTwin} platform in an end-to-end and modular way, to enable easy extensions to other simulations and ML-based surrogate methods. Our results and deliverable provide a promising approach to massively accelerate coastal dynamics simulators, which can enable scientists to efficiently execute many simulations for decision-making, uncertainty quantification, and other research activities.

研究动机与目标

• 为解决像NEMO这样的基于物理的海岸洪水模型存在的计算瓶颈问题，其单次运行需超过一小时，阻碍了不确定性量化和实时预报。
• 利用最先进的机器学习技术，开发一种快速、准确且具有物理信息的海岸动力学代理模型。
• 将傅里叶神经算子（FNO）扩展至多变量海岸海洋动力学，包括将风应力和大气压力作为输入。
• 提供一个开源、模块化的平台（CoastalTwin），以支持可重现性及向其他模型和区域的可扩展性。
• 评估掩膜陆地边界对FNO性能的影响，并评估其在不同时间预测范围内的泛化能力。

提出的方法

• 在2020年西北欧区域的高分辨率NEMO模拟数据（7公里网格）上训练傅里叶神经算子（FNO），使用大气强迫场（MSLP、U10、V10）和水深作为输入。
• 对水深应用归一化和对数缩放，以增强对浅水地形特征的敏感性，同时保留大尺度结构。
• 使用12个月的数据集，其中11个月用于训练，2020年4月用于测试，FNO学习从大气强迫场到海面高度（SSH）的算子映射。
• 通过傅里叶层实现频域学习，以支持网格不变、高效且可泛化的PDE建模，适用于海岸系统。
• 使用MSE和1-SSIM指标将FNO性能与U-Net基线进行比较，并通过空间和频域（FFT）分析评估预测保真度。
• 开发并开源了CoastalTwin平台，以支持向其他模型、区域和代理学习方法的模块化扩展。

实验结果

研究问题

• RQ1 像FNO这样的物理信息神经算子能否有效扩展至涉及多个大气强迫场和水深的多变量海岸海洋动力学？
• RQ2 在复杂海岸几何结构中，FNO在预测海面高度方面与标准U-Net基线相比表现如何？
• RQ3 掩膜陆地边界对FNO预测海岸动力学能力的影响如何，特别是在地形约束强烈的区域？
• RQ4 FNO在不同时间预测范围（包括当前时刻和短期未来预报）上的泛化能力如何？
• RQ5 FNO能否在保持真实海岸模拟高精度的前提下，实现相对于NEMO等全物理模型的显著加速？

主要发现

• FNO代理模型相比NEMO实现了45倍加速，单月测试模拟仅耗时约2分钟，而NEMO在单个CPU核心上需约1.5小时。
• FNO在MSE（0.001–0.002）和1-SSIM（0.228–0.255）指标上均优于U-Net基线，表明其在捕捉SSH动态方面具有更高精度。
• FNO在空间相关性上优于U-Net，尤其在开阔海域区域；然而在英国海岸等陆地封闭区域性能有所下降。
• 频域分析显示，FNO在主要动态范围（FFT图中红色中心框）内更好地保留了谱能量，而两种模型在高频海岸特征上均表现欠佳。
• 引入历史动态（如过去SSH或风场）并未显著提升FNO性能，表明当前时刻的强迫场已足够实现高精度短期预测。
• 开源的CoastalTwin平台支持可重现性，并可扩展至其他模型和区域，为未来快速、物理信息驱动的海岸模拟研究提供支持。