3000-fache Steigerung Der Rechenleistung! Das Laoshan-Labor Und Andere Schlugen Ein Groß Angelegtes Intelligentes Vorhersagemodell Für Die Meeresumwelt Vor, „Wenhai“, Das Bessere Ergebnisse Liefert Als Numerische Ozeanvorhersagen

Im Ozean sind Wirbel unterschiedlicher zeitlicher und räumlicher Größenordnung aktiv. In,Mesoskalige Wirbel mit räumlichen Skalen von 10 bis 100 km sind die Hauptträger der kinetischen Energie der Ozeane.Es dominiert kurzfristige Änderungen der Meeresströmungsgeschwindigkeit, der Temperatur und des Salzgehalts und hat einen wichtigen Einfluss auf atmosphärische Prozesse. Daher ist die genaue Vorhersage mesoskaliger Wirbel nicht nur für die Aktivitäten und das Management der Ozeane von entscheidender Bedeutung, sondern trägt auch dazu bei, die Genauigkeit von Wettervorhersagen zu verbessern.

In der Vergangenheit haben Ozeanographen zukünftige Veränderungen der Ozeane hauptsächlich durch die numerische Lösung großer Mengen physikalischer Gleichungen vorhergesagt. Beim numerischen Lösungsprozess steigt mit zunehmender Gitterauflösung der Rechenaufwand rapide an.Dies führt dazu, dass für die Vorhersage mesoskaliger Ozeanwirbel enorme Rechenressourcen erforderlich sind.Künstliche Intelligenz (KI) hat in den letzten Jahren neue Methoden und leistungsstarke Werkzeuge in die wissenschaftliche Forschung gebracht und wichtige Fortschritte bei der Wettervorhersage erzielt. Jedoch,Die bestehenden großen KI-Modelle weisen noch immer Probleme auf, beispielsweise eine unzureichende Darstellung der Wechselwirkungen zwischen Meer und Luft und unscharfe Prognoseergebnisse.Dies stellt eine Herausforderung für die Erstellung präziser Meeresumweltprognosen dar.

Als Reaktion darauf integrierte das Forschungsteam unter der Leitung von Akademiemitglied Wu Lixin vom Laoshan-Labor in Zusammenarbeit mit der Ocean University of China, der University of Science and Technology of China und der Qingdao Guoshi Technology Group Co., Ltd. die physikalische Ozeanographie umfassend mit künstlicher Intelligenz und nutzte die Theorie der Ozeandynamik, um die Architektur neuronaler Netzwerke zu entwerfen.Wir haben „Ask the Sea“ entwickelt – ein globales, intelligentes Vorhersagemodell für die Meeresumwelt mit hoher Auflösung (1/12°).

Die entsprechenden Forschungsergebnisse wurden online in Nature Communications unter dem Titel „Forecasting the Eddying Ocean with a Deep Neural Network“ veröffentlicht.

Forschungshighlights:

* Das Modell „Ask the Sea“ nutzt die Theorie der Ozeandynamik, um die Architektur des neuronalen Netzwerks zu entwickeln

* Die Prognoseleistung des großen Modells „Wenhai“ ist besser als das numerische Vorhersagesystem des Mercator International Center for Oceanography in Frankreich

* Das große Modell „Wenhai“ hat die Rechenleistung im Vergleich zum numerischen Prognosemodell um das 3.000-fache verbessert

Papieradresse:
https://www.nature.com/articles/s41467-025-57389-2

Das Open-Source-Projekt „awesome-ai4s“ vereint mehr als 200 AI4S-Papierinterpretationen und stellt umfangreiche Datensätze und Tools bereit:
https://github.com/hyperai/awesome-ai4s

Datensatz: Ozeanbeobachtungsdaten als Grundwahrheit verwenden

Die in dieser Studie verwendeten Daten umfassen hauptsächlich Ozean- und Atmosphären-Reanalysedaten für Trainingsmodelle sowie Beobachtungsdaten zur Bewertung der Prognosefähigkeiten des Modells. Die Reanalysedaten umfassen die globalen 1/12°-Ozean-Reanalysedaten von GLORYS vom Internationalen Zentrum für Ozeanographie Mercator in Frankreich und die globalen 1/4°-Atmosphären-Reanalysedaten von ERA5 vom Europäischen Zentrum für mittelfristige Wettervorhersage.

Anders als die bestehenden KI-Wettermodelle, die grundsätzlich Reanalysedaten als Ausgangsbasis für die Prognose verwenden,Diese Studie verwendet zur Steuerung des großen Modells ausschließlich das Anfangsfeld und das Zwangsfeld, die mit dem numerischen Ozeanvorhersagesystem übereinstimmen, und verwendet die Ozeanbeobachtungsdaten als wahren Wert.Bewerten Sie objektiv die tatsächlichen Prognosefähigkeiten des Ozeanmodells und des numerischen Ozeanvorhersagesystems.

Das anfängliche Ozeanfeld stammt aus dem GLO12v4-Vorhersagesystem des Mercator International Centre for Oceanography in Frankreich, und das atmosphärische Vorhersagefeld stammt aus dem IFS HRES-Vorhersagesystem des Europäischen Zentrums für mittelfristige Wettervorhersage. Zu den Beobachtungsdaten gehören das von Argo gemessene Temperatur-Salzgehalt-Profil, die durch Satellitenfernerkundung gemessene Meeresoberflächenhöhe sowie die von Treibbojen gemessene Meeresoberflächentemperatur und Oberflächenströmungsgeschwindigkeit in Küstennähe.

Modellrahmen: Die Theorie der Ozeandynamik bestimmt den Entwurf der Architektur neuronaler Netze

Die bestehenden großen KI-Modelle weisen Probleme auf, wie etwa eine unzureichende Darstellung der Wechselwirkungen zwischen Meer und Luft und unscharfe Prognoseergebnisse, was die Realisierung verfeinerter Prognosen der Meeresumwelt erschwert. Durch die tiefe Integration physikalischer Ozeanographie und künstlicher Intelligenz wird der Entwurf der neuronalen Netzwerkarchitektur durch die Theorie der Ozeandynamik bestimmt, wodurch die Mängel bestehender großer KI-Modelle effektiv überwunden werden.

Das „Wenhai“-Modell bettet die Bulk-Formel explizit in das neuronale Netzwerk ein.Es charakterisiert genau den Impuls-, Wärme- und Materialaustausch zwischen Meer und Luft. verwendet die See- und Landverteilungsmaske, um dem Modell die Fähigkeit zu geben, das Gelände und die Küstengrenzen wahrzunehmen; verwendet den sich ändernden Trend des Ozeanzustands als Prognoseziel, sodass das Modell schnell veränderlichen Prozessen im kleinen und mittleren Maßstab mehr Aufmerksamkeit schenkt; reduziert den Informationsverlust beim Downsampling-Prozess durch Optimierung der Hyperparameter des neuronalen Netzwerks und verbessert die Wiedergabetreue kleiner und mittelgroßer Prozesse im Ozean; verwendet Feinabstimmungstechnologie, um den kumulativen Fehler im iterativen Prognoseprozess zu verbessern.

Experimentelle Schlussfolgerung: Die Prognosefähigkeit des großen Modells "Wenhai" ist besser als die des numerischen Ozeanvorhersagesystems

Kleinräumige Prozesse im Ozean sind höchst nichtlinear und wenig vorhersagbar. Darüber hinaus liegen nur wenige Ozeanbeobachtungen vor und das vom Assimilationssystem gelieferte Anfangsfeld weicht vom tatsächlichen Ozeanzustand ab. daher,Es ist schwierig zu verlangen, dass die vorhergesagten klein- und mittelräumigen Prozesse hinsichtlich Ort und Intensität vollständig mit den tatsächlichen Beobachtungen übereinstimmen.Insbesondere aufgrund des Problems der „doppelten Strafe“ sind herkömmliche Punkt-zu-Punkt-Fehlerindikatoren wie der mittlere quadratische Fehler (RMSE) nicht für die Bewertung der Leistung hochauflösender Prognosesysteme geeignet. Denn solche Indikatoren lassen die Leistung hochauflösender Vorhersagesysteme schlechter „aussehen“ als die niedrig auflösender Systeme, auch wenn erstere den tatsächlichen Zustand des Ozeans besser widerspiegeln können.

Um das große Modell „Wenhai“ fair mit dem numerischen Vorhersagesystem GLO12v4 vergleichen zu können, wurde in dieser Studie das Schema der „Nachbarschaftsbewertung“ für hochauflösende Vorhersagesysteme übernommen.Die Prognosewerte innerhalb eines bestimmten Bereichs um den beobachteten Wert werden als Ensembleprognose des beobachteten Standorts übernommen und ihre kontinuierlichen Rangwahrscheinlichkeitswerte (CRPS) ausgewertet. Die Ergebnisse von April bis November 2024 zeigen, dass die Prognoseleistung des großen Modells „Wenhai“ für Temperatur, Salzgehalt, Strömungsgeschwindigkeit und Meeresspiegelhöhe in den nächsten 10 Tagen besser ist als die des numerischen Vorhersagesystems GLO12v4. gleichzeitig,Das große Modell „Wenhai“ hat seine Rechenleistung im Vergleich zum numerischen Prognosemodell um das 3.000-fache verbessert.Dies spart erheblich Rechenzeit und Energieverbrauch.

Der kontinuierliche Rangwahrscheinlichkeitswert (CRPS, je niedriger, desto besser) der Prognoseergebnisse des großen Modells „Ask the Sea“ (blaue Linie) und des numerischen Vorhersagesystems GLO12v4 des Mercator International Center for Oceanography in Frankreich (rote Linie) von April bis November 2024.

a) Temperaturverlauf

b) Salzgehaltsprofil

(c) Meeresoberflächentemperatur

(d) Meeresspiegelanomalie

(e) 15 m Zonengeschwindigkeit und

(f) 15 m Meridionalgeschwindigkeit. Das Temperatur-Salzgehalt-Profil zeigt das vertikal gemittelte CRPS. Die Schattierung gibt das Konfidenzintervall von 50% an, das mit der Bootstrap-Methode ermittelt wurde.