Marine Vorhersagesysteme spielen eine unverzichtbare Rolle in Bereichen wie der Sicherheit der Schifffahrt, dem Management von Aquakulturen, der Risikoprävention und -bekämpfung in Küstengebieten sowie der Überwachung mariner Ökosysteme. In der Vergangenheit basierten diese Systeme hauptsächlich auf numerischen Modellen, die auf physikalischen Gleichungen beruhen.Am Beispiel des Mediterranean Forecasting System (MedFS) innerhalb des Copernicus Marine Environmental Monitoring Service (CMEMS) lässt sich zeigen, dass dieses System ein bidirektional gekoppeltes Wellen-Strömungs-Modell verwendet, um operationelle Ozeanvorhersagen für bis zu 10 Tage mit einer horizontalen Auflösung von etwa 4 Kilometern (1/24°) zu liefern.Es hat sich zu einem anerkannten Wettervorhersage-Referenzstandard im Mittelmeerraum entwickelt.

Hohe Genauigkeit geht jedoch oft mit enormen Rechenkosten einher. MedFS benötigt 89 CPU-Kerne und etwa 70 Minuten für eine 10-Tage-Vorhersage, die ein vollständiges Seegangsfeld mit 141 Tiefenschichten ausgibt. Diese hohe Rechenlast schränkt den Einsatz in Anwendungen mit hohen Anforderungen an die Aktualität, wie z. B. schnelle Szenariosimulationen oder Ensemblevorhersagen, ein und erschwert die adäquate Reaktion auf Notfallsituationen im realen Einsatz.

In den letzten Jahren wurden bedeutende Fortschritte bei der maschinellen Lernmethode zur Wettervorhersage erzielt. Durch den Einsatz fortschrittlicher Architekturen wie Transformer, neuronaler Operatoren und Graph-Neuronalnetze haben maschinelle Lernverfahren weltweit eine mit traditionellen numerischen Vorhersagemethoden vergleichbare oder sogar überlegene Leistung erreicht. Die Übertragung dieser Erfolge auf hochauflösende regionale Ozeanvorhersageszenarien steht jedoch vor zahlreichen Herausforderungen:Unregelmäßige Land-Meer-Verteilung, komplexe seitliche Randbedingungen und die Notwendigkeit einer detaillierten Charakterisierung vertikaler Schichtungsvariablen erschweren die direkte Anpassung bestehender globaler ozeanischer KI-Modelle an regionale Aufgaben.

Um diese technologische Lücke zu schließen, wurde ein gemeinsames Forschungsteam der Universität Helsinki in Finnland, des Mediterranean Climate Change Research Center und der Universität Salento in Italien gegründet...Es wurde ein Graph-Neuronales-Netzwerk-Modell namens SeaCast entwickelt, das speziell für die regionale Ozeanvorhersage konzipiert wurde.Das Modell hat in seiner technischen Architektur mehrere wichtige Durchbrüche erzielt: Durch die Optimierung des Aufbaus, des Trainings und der Auswertung des Graphen kann es sich präzise an die unregelmäßige geometrische Struktur des Ozeangitters anpassen; durch die Einbeziehung wichtiger atmosphärischer Antriebsfelddaten in der Nähe der Meeresoberfläche kann es die physikalische Korrelation der Vorhersage verbessern; durch die Kopplung lateraler Randantriebe kann es den Zu- und Abflussprozess von Meerwasser genau charakterisieren und die Übereinstimmung mit dem globalen Ozeanzirkulationssystem gewährleisten, wodurch eine hochpräzise Vorhersage der Ozeanbedingungen erreicht wird.

Forschungshighlights:

* Diese Studie stellt SeaCast vor, ein hochauflösendes, regionales Ozeanvorhersagemodell mit maschinellem Lernen, das auf Graph-Neuronalen Netzen basiert.

Dieses Modell lernt direkt aus historischen Reanalyse- und Analysedaten, um wichtige Elemente des Mittelmeers vorherzusagen. Es übertrifft das operationelle MedFS-Modell in allen vertikalen Ebenen und allen simulierten Elementen.

* Nach dem Modelltraining kann eine 15-Tage-Vorhersage über 18 vertikale Ebenen auf einem 1/24°-Gitter in nur 20 Sekunden auf einer einzelnen GPU erstellt werden, was weitaus schneller ist als das physikalische Basismodell, das auf einem CPU-Cluster läuft.

Papieradresse:

https://www.nature.com/articles/s41598-025-31177-w

Weitere Artikel ansehen:https://hyper.ai/papers

Datensätze: Ozeanzustand, atmosphärische Antriebe, seitliche Randbedingungen und Satellitenvalidierungsdaten

Der in dieser Studie erstellte Datensatz umfasst vier Hauptkategorien: Ozeanzustand, atmosphärische Antriebe, seitliche Randantriebe und Satellitenbeobachtungen.Bietet Systemunterstützung für das Training, die Validierung und das Testen des SeaCast-Modells.

Die Daten zum Zustand des Ozeans stammen hauptsächlich aus dem System zur physikalischen Analyse und Vorhersage des Mittelmeerraums.Das System basiert auf einer bidirektionalen Kopplung des Ozeanmodells NEMO v4.2 und des Wellenmodells WAVEWATCH III v6.07. Zur Verbesserung der Simulationsgenauigkeit nutzt das System das dreidimensionale Variationsassimilationsverfahren OceanVar, das Feldbeobachtungen und Satellitenfernerkundungsdaten effektiv fusioniert. Das Forschungsteam wählte für die Modellierung 18 Tiefen in Intervallen von jeweils maximal 200 Metern aus. Die Geländedaten wurden mittels bilinearer Interpolation aus der globalen GEBCO-Geländedatenbank gewonnen.

Das Modell wurde zunächst mit täglichen Mittelwerten der Mittelmeer-Reanalyse über 35 Jahre (1987–2021) trainiert und anschließend mit operationellen Analysedaten aus den Jahren 2022–2023 feinabgestimmt. Diese Feinabstimmung sollte es dem Modell ermöglichen, aktuelle Meeresbedingungen zu erlernen, sich an die Anforderungen operationeller Szenarien mit dem Analysefeld als Ausgangsbedingung anzupassen und Aktualisierungen des operationellen MedFS-Systems zu berücksichtigen. Die Modellvalidierung erfolgte anhand von Analysedaten von Januar bis Juni 2024 (177 Stichproben), während die Testdaten aus täglichen Initialisierungsvorhersagen von Anfang Juli bis Ende Dezember 2024 bestanden. Jede Initialisierung generierte eine 15-Tage-Vorhersage, und die Bewertung der Vorhersagegüte wurde bis zum 14. Januar 2025 fortgesetzt, um den gesamten Vorhersagezeitraum von SeaCast abzudecken.

Das Forschungsteam bezog die Lufttemperatur in 2 Metern Höhe, den Luftdruck auf Meereshöhe und die aus der Windkomponente berechnete Windschubspannungskomponente in 10 Metern Höhe in die atmosphärische Anregung mit ein.Die atmosphärischen Daten der Trainingsphase wurden aus 6-Stunden-ERA5-Reanalysedaten abgeleitet und zu Tagesmittelwerten aggregiert. In der Testphase wurden aggregierte 6-Stunden-Tagesvorhersagen des ECMWF Ensemble Control Forecast (ENS) und des Artificial Intelligence Forecast System (AIFS) verwendet, um die Auswirkungen verschiedener atmosphärischer Antriebe zu vergleichen. Das Modell nutzte ein gleitendes Fenster mit drei aufeinanderfolgenden Zeitschritten als Eingangsgröße für die atmosphärischen Antriebe, um kurzfristige Trends zu erfassen.

Des Weiteren definierte das Forschungsteam die Straße von Gibraltar (westlich von 5,2°W) und die Dardanellen (39,9°N bis 40,4°N, 25,9°O bis 26,4°O) als offene seitliche Grenzen des Modells und nutzte MedFS- oder globale Ozeanvorhersagedaten zur dynamischen Randsteuerung. Da die Ozeanvorhersageprodukte von Copernicus typischerweise eine Vorlaufzeit von 10 Tagen aufweisen, diese Studie jedoch einen 15-Tage-Vorhersagestandard verwendet,Das Forschungsteam verwendete eine innovative Extrapolationsmethode, um den zuletzt vorhergesagten Zustand der Grenzregion fünfmal kontinuierlich zu extrapolieren.Die Alterungszeit des seitlichen Randkraftfeldes wird geschickt verlängert, wodurch die Randkonsistenz während des gesamten Alterungsprozesses gewährleistet wird.

Satellitendaten werden hauptsächlich zur Validierung von Modellvorhersagen und zur Fehlerbewertung verwendet und umfassen zwei Arten von Daten: Anomalien der Meeresoberflächentemperatur und des Meeresspiegels.Die Meeresoberflächentemperatur wurde mithilfe des Copernicus-L3S-Multisensor-Fusionsprodukts (Tagesskala, 1/16°-Auflösung) gemessen, wobei ausschließlich Nachtmessungen berücksichtigt wurden, um den Einfluss der tageszeitlichen Erwärmung zu eliminieren. Zur Validierung wurden die Modellvorhersagen auf das L3S-Gitter resampelt, um einen Vergleich zu ermöglichen. Meeresspiegelanomalien wurden mit dem Copernicus-Level-3-Produkt in nahezu Echtzeit gemessen, das 5-Hz-Messungen mehrerer Altimetersatelliten integriert und zur Rauschreduzierung gefiltert wurde. Die vom Modell ausgegebene Meeresspiegelhöhe wurde in Anomalien umgerechnet und anschließend mittels bilinearer Interpolation zur Validierung auf Satellitenorbitkoordinaten abgebildet.

SeaCast: Ein hochauflösendes regionales Ozeanvorhersagemodell auf Basis von Graph-Neuronalen Netzen

SeaCast ist ein datengetriebenes Ozeanvorhersagemodell, das speziell für die Mittelmeerregion entwickelt wurde und in der Lage ist, Ozeanvorhersagen für bis zu 15 Tage auf 18 vertikalen Ebenen in einem horizontalen Raster von 1/24° (ca. 4 km) zu liefern.Seine räumliche Auflösung ist mit der des operationellen MedFS-Systems konsistent, und es kann Variablen vorhersagen, die vertikal geschichtete zonale Strömungen, meridionale Strömungen, Salzgehalt, Temperatur und Meeresspiegelhöhe abdecken, insgesamt 73 Vorhersagefelder.

Der größte Vorteil dieses Modells ist seine Recheneffizienz.Auf einer einzelnen GPU erstellt SeaCast eine vollständige 15-Tage-Vorhersage in nur 20 Sekunden;Im Gegensatz dazu benötigt MedFS 89 CPU-Kerne, um 141 vertikale Ergebnisebenen mit einem Zeitschritt von 120 Sekunden auszugeben, und die Erstellung einer 10-Tage-Vorhersage dauert etwa 70 Minuten. Obwohl die beiden Verfahren grundlegend unterschiedlich funktionieren, ist der Effizienzvorteil datengetriebener Methoden bei hochauflösenden Vorhersagen der oberen Ozeanschicht offensichtlich.

SeaCast verwendet eine Architektur aus Kodierung, Verarbeitung und Dekodierung, die auf einem hierarchischen Graphgitter basiert, das an die Gegebenheiten des Mittelmeers angepasst ist. Wie in der Abbildung unten dargestellt, werden der Ozeanzustand und das atmosphärische Antriebsfeld zunächst in eine grob aufgelöste, multiskalige Gitterdarstellung kodiert. Anschließend verarbeiten Graph-Neuronale-Netzwerk-Schichten diese latenten Merkmale hierarchisch, wodurch das Modell die kurz- und langfristigen Wechselwirkungen des Ozeans effektiv erfassen kann. Die verarbeitete Ausgabe wird dann wieder in das ursprüngliche hochauflösende Gitter dekodiert.

Anders als bei der direkten Vorhersage des Zustands im nächsten Moment,Das Modell konzentriert sich darauf, die sich ändernden Trends des Ozeanzustands im Tagesverlauf zu erfassen. Es überlagert die vorhergesagten Änderungen mit dem aktuellen Zustand und integriert anschließend dynamische Randbedingungen, um eine vollständige Vorhersage für den nächsten Zeitschritt zu erstellen.Dieser Zustand dient als neue Eingangsgröße für das Modell und ermöglicht Prognosen zu verschiedenen Zeitpunkten mittels einer autoregressiven Schleife. Im Vergleich zu Multiskalenmodellen wie GraphCast, die Knoten nur in einer einzigen Gitterebene verbinden, unterteilt der in dieser Studie verwendete hierarchische Ansatz das Prognosegebiet in mehrere unabhängige Gitterebenen. Dies führt zu einer gleichmäßigeren Verbindung zwischen Gitter und Graph und reduziert effektiv Simulationsverzerrungen, die durch Unterschiede in der Größe von Knotenumgebungen verursacht werden.

Das atmosphärische Antriebsfeld berücksichtigt die Reaktion des Ozeans auf atmosphärische Bedingungen vollständig, einschließlich der Windschubspannung in 10 m Höhe, der Lufttemperatur in 2 m Höhe, des mittleren Meeresspiegeldrucks sowie der Sinus- und Kosinuswerte der jährlich akkumulierten Tage als saisonale Indikatoren. Während der Trainingsphase werden die vorhergesagten Bedingungen für die Randgebiete von Gibraltar und der Dardanellenstraße mit den tatsächlichen Werten überlagert, während in der Evaluierungsphase diese durch MedFS-Vorhersagedaten ersetzt werden, um offene Randbedingungen zu berücksichtigen und einen realistischeren dynamischen Prozess des Meerwasserzu- und -abflusses zu gewährleisten.

Das SeaCast-Modell wurde zunächst mit 35 Jahren täglicher Reanalysedaten in 200 Durchläufen vortrainiert und anschließend mit 2 Jahren Analysedaten in 30 Durchläufen feinabgestimmt. Das Vortraining erfolgte datenparallel über 20,5 Stunden (1312 GPU-Stunden) auf 64 AMD MI250x GPUs, die Feinabstimmung über 3,5 Stunden (28 GPU-Stunden) auf 8 GPUs.

Die Prognosefähigkeiten von SeaCast sind dem MedFS-Modell überlegen.

Um die Vorhersageleistung des SeaCast-Modells zu bewerten, führten wir mehrdimensionale Experimente durch. Anhand von MedFS als Vergleichsmodell konzipierten wir kontrollierte Experimente, um dessen Vorhersagefähigkeiten in Schlüsselbereichen wie der Identifizierung extremer Hitzeereignisse, dem Einfluss atmosphärischer Einflüsse und der Trainingsdauer zu evaluieren.

In einem Vergleichsexperiment zwischen SeaCast und MedFS hatte MedFS eine Vorhersagevorlaufzeit von 10 Tagen.SeaCast erreichte 15-Tage-Ozeanvorhersagen durch die Integration von ECMWF-Atmosphärenprodukten, die auf 15 Tage erweitert wurden, und die Extrapolation lateraler Grenzen.Im Experiment wurden sechs Faktoren ausgewählt: zonale Strömungen, meridionale Strömungen, Salzgehalt, Temperatur, Meeresoberflächentemperatur und Meeresspiegelanomalie. Es wurde eine stratifizierte Validierung mit einer Persistenzbasislinie als unterer Grenze durchgeführt. Die Ergebnisse sind in der folgenden Abbildung dargestellt.SeaCast ist MedFS insgesamt überlegen, und die Lücke vergrößert sich mit zunehmender Vorhersagevorlaufzeit.Die vertikale Schichtung zeigt, dass die Vorteile von Temperatur und Strömung in der Nähe der Meeresoberfläche am deutlichsten ausgeprägt sind, während der optimale Effekt des Salzgehalts in tieferen Gewässern zu beobachten ist; nur in einer Tiefe von 192 Metern schnitt SeaCast nicht signifikant besser ab als MedFS, was möglicherweise damit zusammenhängt, dass tiefer liegende Prozesse nicht berücksichtigt wurden.

Um extreme Ereignisse zu identifizieren, orientierten sich die Forscher an der Definition von Hitzewellen im Ozean und berechneten anhand von Satellitendaten das 90. Perzentil der Meeresoberflächentemperatur, um einen Schwellenwert für extreme Temperaturereignisse festzulegen. Die Ergebnisse sind in der folgenden Abbildung dargestellt.Sowohl SeaCast als auch MedFS übertrafen den Persistenz-Benchmark hinsichtlich der Erkennungsfähigkeiten deutlich, wobei SeaCast etwas besser abschnitt.Die 15-tägige Vorlaufzeit der Vorhersage bietet mehr Zeit für eine frühzeitige Warnung.

Die Forscher entwickelten verschiedene Varianten des Experiments, um den Einfluss der Trainingsdauer und der Feinabstimmung zu untersuchen. Die Ergebnisse sind in der Abbildung unten dargestellt. Für zonale und meridionale Strömungen, Temperatur und Meeresoberflächentemperatur schnitt das mit nur 10 Jahren Reanalysedaten trainierte Modell vergleichbar mit MedFS ab. Für Anomalien des Salzgehalts und des Meeresspiegels waren jedoch 35 Jahre Daten sowie eine Feinabstimmung erforderlich, um MedFS zu übertreffen. Die Feinabstimmung führte bei Meeresspiegelanomalien nur zu einer begrenzten Verbesserung, möglicherweise aufgrund der geringen Datenmenge im Validierungsmodell. Feinabgestimmte Versionen anderer Elemente waren jedoch den nicht feinabgestimmten Versionen überlegen. Diese Erkenntnis ist relevant für Regionen mit begrenzten historischen Daten.Mit nur 10 Jahren erneuter Analyse und zu geringeren Kosten können maschinelle Lernvorhersagemodelle trainiert werden, deren Leistungsfähigkeit mit der numerischer Modelle vergleichbar ist.

KI-gestützte Ozeanvorhersage: Erforschung und Anwendung durch globale Wissenschaft und Industrie

Weltweit arbeiten Wissenschaft und Industrie in beispielloser Intensität und Breite zusammen, um die Integration und Innovation von künstlicher Intelligenz und maritimer Wettervorhersagetechnologie voranzutreiben. Zahlreiche repräsentative Forschungsergebnisse und operative Systeme prägen die Technologielandschaft dieses Bereichs grundlegend.

Darunter hat das Europäische Zentrum für mittelfristige Wettervorhersage (ECMWF) als maßgebliche Stelle für die globale mittelfristige Wettervorhersage sein traditionelles numerisches Vorhersagesystem IFS kontinuierlich optimiert...In den letzten Jahren wurde das KI-gestützte Prognosesystem AIFS eingeführt und befindet sich nun in der operativen Phase.Es ist erwähnenswert, dass das ECMWF diesen datengetriebenen Rahmen auf Erdsystemmodelle ausweitet und sich dabei auf die maschinelle Lernmodellierung von Komponenten wie Ozean, Meereis und Meereswellen konzentriert.

Die Earth-2-Initiative von NVIDIA verdeutlicht derweil die strategischen Schritte des Technologiegiganten auf dem Gebiet der Klima- und Ozeansimulation. Earth-2 ist kein einzelnes Modell, sondern eine umfassende Technologieplattform, die globale Wettervorhersage, Klimasimulation, generative KI-basierte Herunterskalierung und Datenassimilation umfasst.Eine seiner Kernkomponenten, FourCastNet, hat als frühes globales Prognosemodell auf Basis von Transformer Prognosefähigkeiten erreicht, die mit traditionellen numerischen Modellen vergleichbar sind.

Darüber hinaus stellt NeuralGCM von Google Research ein positives Beispiel für hybride Modellierungsansätze dar. Dieses Modell kombiniert einen differenzierbaren atmosphärischen Dynamikkern mit einem Subgrid-Parametrisierungsschema, das maschinelles Lernen ersetzt und so jahrzehntelange stabile Klimasimulationen ermöglicht.

Dies zeigt, dass künstliche Intelligenz zunehmend in die Kernaspekte der Ozeanvorhersage integriert wird und ihre Rolle als Hilfsmittel hinter sich lässt. Ob als Ergänzung physikalischer Modelle, als vollständige Alternative oder in hybrider Form integriert – der Wert datengetriebener Ansätze hat die theoretische Überprüfung hinter sich gelassen und steht kurz vor der operativen Erprobung und industriellen Anwendung. Mit der kontinuierlichen Akkumulation multimodaler Beobachtungsdaten und der weiteren Integration generativer KI in physikalische Mechanismen wird die Ozeanvorhersagetechnologie zukünftig voraussichtlich ein neues Gleichgewicht zwischen Genauigkeit, Aktualität und Interpretierbarkeit erreichen und so eine solidere technologische Grundlage für wissenschaftliche Forschung und industrielle Anwendungen schaffen.

Referenzlinks:
1.https://mp.weixin.qq.com/s/dlEDxumoeTCkfkgY2s7V2g
2.https://mp.weixin.qq.com/s/dqhe6tWYrYvh06HTepsFpw