Функции потерь и ограничения улучшают прогнозирование высоты морской поверхности

Чтобы понять течения, приливы и другую динамику океана, ученым необходимо точно зафиксировать высоту морской поверхности или снимок поверхности океана, включая пики и впадины, вызванные изменениями ветра, течений и температуры в любой момент времени. Чтобы более точно прогнозировать циркуляцию океана и другие процессы, изменчивость климата, взаимодействие воздуха и моря и экстремальные погодные явления, исследователям необходимо иметь возможность точно прогнозировать высоту поверхности моря в будущем.

Современные системы моделирования высоты морской поверхности, основанные на физике, статистике и данных, способны давать точные прогнозы только примерно на 14–15 дней в будущем из-за конструктивных ограничений. Чтобы улучшить прогнозы на будущее, группа океанографов из Чжэцзянского университета и Государственной ключевой лаборатории спутниковой динамики океанской среды охарактеризовала ограничения существующих моделей высоты морской поверхности и разработала новую систему, предназначенную для повышения надежности средне- и долгосрочных прогнозов, превышающих 14–15 дней.

Команда опубликовано исследование от 16 декабря 2025 года в журнале Исследования океана, суши и атмосферы.

Многие из сегодняшних моделей прогнозирования высоты морской поверхности на основе данных основаны на системах глубокого обучения, способных автоматически изучать, как характеристики океана, такие как температура, течения, уровень тепла и поток углекислого газа, изменяются в пространстве и времени на основе крупномасштабных наборов исторических данных. Несмотря на свою мощность и точность в краткосрочной перспективе, современные модели глубокого обучения требуют значительной вычислительной мощности и длительного времени обучения, а также страдают от накопления ошибок в более длительных временных масштабах.

«В частности, мы [sought] изучить подход в рамках системы глубокого обучения, который одновременно расширяет возможности моделирования временных последовательностей и включает ограничения физической согласованности, чтобы гарантировать, что [sea surface height] прогнозы остаются точными, стабильными и физически обоснованными в расширенных прогнозных горизонтах», — сказал Чэнмин Си, аспирант Океанского колледжа Университета Чжэцзян и первый автор исследовательской работы.

Исследователи объяснили, что существующие системы глубокого обучения полагаются исключительно на подбор данных, что в конечном итоге приводит к накоплению ошибок и постепенному искажению результатов прогнозирования. Чтобы бороться с этим, команда интегрировала функция потерь, основанная на физике в своей модели глубокого обучения, которая мягко управляет моделью в соответствии с хорошо известными физическими правилами, помогая сохранять реалистичность прогнозов, в то же время позволяя системе учиться на данных.

Чтобы решить проблему чрезмерной вычислительной мощности и времени обучения, необходимых для существующих моделей морской поверхности, команда разработала геострофический блок временного внимания (ТАУ) Модель U-Net (GTU-Net). Здесь геострофический относится к балансу между крупномасштабными движениями жидкости, такими как ветер и океанские течения, который помогает модели получить более физически реалистичные прогнозы, в то время как механизм TAU позволяет модели эффективно фокусироваться на ключевых пространственно-временных особенностях или особенностях океана, которые меняются со временем.

“[T]он предложил GTU-Net сочетать TAU для расширенного моделирования долгосрочных временных зависимостей с двухэтапной функцией потерь вывода, включающей ограничения геострофического баланса, эффективно улучшая стабильность долгосрочного прогнозирования и уменьшая накопление ошибок. Это исследование показывает, что внедрение физических предварительных знаний в модели глубокого обучения не только осуществимо, но и является ключевым подходом для достижения надежных прогнозов динамики океана», — сказал Си.

Одним из ключей к стабильности прогнозирования было введение в модель временных ограничений повторяемости, которые налагают структуру и порядок на данные и операции, требующие времени, чтобы обеспечить согласованность модели и отразить явления реального мира. Ограничения геострофического баланса дополнительно наказывают выходные данные модели, которые нарушают геострофические уравнения, улучшая прогнозные характеристики модели на основе силы градиента давления и силы Кориолиса или отклонения движущихся объектов, вызванного вращением Земли.

Эксперименты GTU-Net, проведенные в западной части северной части Тихого океана, превзошли существующие основные модели, такие как ConvLSTM, PredRNN, SimVP, U-Net и Persistence Forecast, по множеству показателей и продемонстрировали более высокую точность. Кроме того, GTU-Net смягчила рост ошибок, характерный для существующих моделей высоты морской поверхности, и повысила точность прогнозирования до 60 дней.

Команда планирует проверить достоверность прогнозов GTU-Net, оценив физическую достоверность прогнозов модели, таких как идентификация мезомасштабных вихрей (большая вращающаяся петля океанской воды). Кроме того, текущие геострофические ограничения модели GTU-Net в первую очередь охватывают крупномасштабные особенности потока.

Будущие исследования могут изучить многомасштабные стратегии физической информации, такие как использование двухветвевой сетевой архитектуры, которая объединяет ограничения геострофического баланса с уравнениями импульса или мелководья, чтобы еще больше повысить физическую согласованность в различных пространственных масштабах.

«В конечном итоге наша цель — разработать надежную и интерпретируемую систему прогнозирования глубокого обучения, которая может служить практическим дополнением к традиционным численным моделям океана, поддерживая долгосрочный мониторинг океана, исследования климата и оперативное прогнозирование океана», — сказал Си.