用于次区域海洋预报的深度学习天气模型：以加那利寒流上升流系统为案例研究

《Ocean Modelling》：Deep learning weather models for subregional ocean forecasting: A case study on the Canary current upwelling system

　　乔瓦尼·A·库埃沃-隆多尼奥|哈维尔·桑切斯|安赫尔·罗德里格斯-桑塔纳
加那利群岛拉斯帕尔马斯大学可持续水产养殖与海洋生态系统研究学院（ECOAQUA），基础科学楼，拉斯帕尔马斯，35017，西班牙

**摘要**
海洋学预报通过支持环境保护和经济活动，影响着社会的各个领域。基于全球环流模型，传统预报方法计算成本高且速度慢，难以实现快速预报。深度学习的最新进展带来了更快速、更准确的预测结果，但这些数据驱动的模型需要较高的训练成本，且通常使用数值模拟的全球数据进行训练，这些数据可能无法反映现实情况。这类模型的出现为改善次区域级别的海洋预报带来了巨大潜力。然而，它们在预测中尺度海洋过程（如中尺度结构）方面的能力仍不明确。本研究旨在将最初用于全球天气预报的图神经网络加以改进，以提升次区域海洋预报性能，重点研究加那利洋流上升流系统。该模型利用卫星数据进行训练，并与最先进的物理海洋模型进行比较，以评估其在捕捉海洋动力学方面的表现。

我们的研究结果表明，GraphCast的性能显著优于传统基准模型，在5天预报中的均方根误差相比GLORYS再分析数据和PSY4V3R1预报结果可降低多达76%，在吉尔角、博哈多尔角和布兰克角等动态海岸带地区的优势更为明显（相比ConvLSTM可降低26.5%）。不过，我们发现这种统计上的优势部分源于该模型为减少混沌流中常见的“双重惩罚”效应而采取的策略，即优先保证相位精度而非高频能量保持。虽然这种方法能带来稳定的误差指标和更好的稳定性，但也凸显了统计优化与物理真实性之间的关键权衡。这些发现证明了将气象领域的深度学习模型应用于海洋预报的巨大潜力，同时也强调了需要采用基于物理原理的策略，以缩小预报精度与完全的动态一致性之间的差距。

**引言**
海洋学预报对于理解气候变化以及为海运、渔业和自然灾害管理等领域提供支持至关重要（Bell等人，2009年）。由于中尺度过程对环境和经济具有重大影响，因此准确预报这些过程极为重要。这些过程会形成不同的结构，影响平均海流并输送重要的海洋特性（Falkowski等人，1991年）。尽管非常重要，但实际预报中尺度过程仍然面临诸多挑战（Treguier等人，2017年；Mourre等人，2018年），2010年深水地平线石油泄漏事件中墨西哥湾环流涡旋的预报困难便是明证（Adcroft等人，2010年；Liu等人，2013年）。

传统的海洋学预报技术依赖于求解基于物理方程的数值模型。早期的理论框架采用准地转理论，而现代业务系统则通常对原始方程进行离散化处理，这是针对地球物理流体动力学对完整纳维-斯托克斯方程所做的基本简化。尽管这些原始方程模型通过考虑变化的海底地形和表面密度梯度，显著改善了准地转理论的局限性（Cushman-Roisin等人，1990年），但仍面临诸多挑战。

在此背景下，数值海洋预报模型——如NEMO（Madec等人，2024年），它是GLORYS（Jean-Michel等人，2021年）等再分析系统以及PSY4V3R1（Lellouche等人，2018年）等业务预报系统的核心——依然是短期确定性预报的标准工具。然而，由于对子网格尺度参数化的理解不足、强迫场信息不完善、与其他地球系统组分的相互作用了解有限以及计算资源受限等多种因素，这些模型无法准确反映现实情况（Sommer等人，2018年）。

此外，观测数据存在时空缺失，数据同化方案也仍在不断完善，这些都限制了这些模型对海洋状态的完整刻画。而且，这些模型未能充分利用大量历史数据，也没有针对GPU等现代硬件进行优化，进一步降低了其效率。这些局限性凸显出需要新的方法来提升海洋预报能力。

近年来，短期机器学习天气预报模型在全球大气预报领域崭露头角，其效率和精度均超过了传统数值系统（Bouallègue等人，2024年）。Pangu Weather（Bi等人，2023年）、GraphCast（Lam等人，2023年）、Aurora（Bodnar等人，2024年）、NeuralGCM（Kochkov等人，2023年）、Gencast（Price等人，2024年）以及AIFS（Lang等人，2024年）等模型都展示了这种方法的强大优势，大幅降低了推理时间和计算成本。通过利用历史数据并聚焦于时空模式，这些机器学习天气预报模型无需对架构进行修改，就能轻松应对新的预报任务（Dueben和Bauer，2018年；Scher，2018年；Bi等人，2023年）。虽然这种独立于控制方程的特性限制了对其物理机制的诊断能力——缺乏数值模型的动态一致性和守恒性质——但它为业务应用提供了重要优势，因为在这些应用中，快速准确地掌握海洋状态是首要目标。

不过，机器学习天气预报模型高度依赖数据的质量和可用性，面对异构、稀疏、空间不连续或噪声较大的数据集时，其性能可能会受到影响。此外，由于谱偏差，这些模型的物理一致性会在长时间尺度上下降，从而导致数值不稳定或出现不现实的预测结果（Chattopadhyay等人，2023年）。

尽管机器学习天气预报模型在大气系统中表现良好，但将其应用于海洋学领域则面临不同挑战。与丰富、空间连续且受外部因素影响较小的大气数据相比，海洋数据易受大气干扰的影响，这会影响观测的准确性和一致性；同时，大陆地形的存在导致空间不连续性，严重破坏了数据连贯性，使得这些模型的训练变得十分复杂。

近年来，机器学习海洋预报领域的进展推动了全球和区域尺度上创新模型的发展。例如，Xihe（Wang等人，2024年）被用于全球海洋预报，而SeaCast（Holmberg等人，2024年）和OceanNet（Chattopadhyay等人，2024年）则专注于区域应用。此外，在中尺度海洋预报方面也取得了进展，包括对墨西哥湾涡旋脱落可预测性的研究（Zeng等人，2015年）以及利用自回归技术进行数据驱动的湍流预报研究（Chattopadhyay等人，2021年），这些研究都取得了令人鼓舞的结果。

加那利洋流上升流系统是唯一一个存在岛屿的东部边界上升流系统，它带来了独特的预报挑战。在该区域，复杂的海洋特征、沿海环境及海底地形相互作用，导致了强烈的中尺度活动，形成了高度动态的环境（Sangrà等人，2009年；Arístegui等人，1994年；Barton等人，1998年）。这样的环境使得次区域海洋预报变得极为复杂。目前，最先进的机器学习海洋预报模型尚未被用于该区域的中期预报，这凸显出需要新方法的必要性。

本研究将GraphCast模型（Lam等人，2023年）应用于次区域海洋预报，以评估其在特定海洋条件下的性能。以海表温度作为研究案例，我们对其进行了改进，以应对空间不连续性和基于卫星的数据等问题，包括引入空间掩码损失函数。我们旨在评估该模型是否能够捕捉到上升流等中尺度特征，从而解决传统海洋模型为准确描述锋面动态和子网格尺度过程所需的高计算需求问题。

海表温度有助于研究中尺度结构的表面表现形式（Hausmann和Czaja，2012年），因为涡旋、锋面和细长结构都会形成明显的温度特征，即温暖或寒冷的旋转核心。本研究使用了Copernicus海洋服务机构提供的1982年至2020年的L4级海表温度再处理数据，覆盖了伊比利亚、比斯开和爱尔兰所在区域的子区域，用于训练和验证海洋模型。该数据集提供了每日无缺口的海表温度场，数据来源于多种经过校准的卫星源。

我们研究的重点是加那利洋流上升流系统这一复杂区域，该区域存在强烈的中尺度湍流、持续存在的上升流锋面以及能量较高的涡旋。虽然数据驱动的方法并未明确解析驱动这些过程的正压或斜压不稳定性，但我们评估了基于机器学习的模型在不同预报时间内对这些现象的时空表现捕捉能力，同时分析了其在海洋岛屿和沿海海角等复杂区域对中尺度特征的敏感度。在实验结果中，我们将经过海洋环境适配的基于GraphCast的图神经网络与基于ConvLSTM的模型（Shi等人，2015年）与基于NEMO的再分析结果及预报产品（Jean-Michel等人，2021年；Lellouche等人，2018年），尤其是GLORYS和PSY4V3R1，从预报精度、计算效率以及适用于短期至中期海表温度预报的角度进行了比较。我们研究的重点是加那利洋流上升流系统这一复杂区域，该区域存在强烈的中尺度湍流、持续存在的上升流锋面以及能量较高的涡旋。虽然数据驱动的方法并未明确解析驱动这些过程的正压或斜压不稳定性，但我们评估了基于机器学习的模型在不同预报时间内对这些现象的时空表现捕捉能力，同时分析了其在海洋岛屿和沿海海角等复杂区域对中尺度特征的敏感度。

此外，本研究还评估了这些模型捕捉沿海上升流系统中季节性和年际变化的能力，因为在中尺度过程占据主导地位的这类系统中，季节性和年际变化尤为重要。同时，我们也分析了模型对观测误差和初始条件的敏感性，以了解它们对预报精度下降的影响。最后，本研究探讨了这些模型在业务应用中的意义，并提出了缩小数据驱动方法与传统数值模型之间差距的策略，强调需要结合物理约束并提高沿海地区的预报分辨率。

我们的模型在海表温度预报方面的出色表现表现为：在5天和10天的预报时效下，其均方根误差分别比GLORYS低76%和48%，而且计算速度几乎快100倍（20天预报仅需2.3分钟，而7天预报则需要4小时）。然而，进一步分析表明，这种统计上的精确性部分源于一种权衡，即该模型优先保证相位精度而非能量分辨率，从而有效避免了困扰数值系统的“双重惩罚”效应。再加上模型对初始条件误差的敏感性——在2017年至2020年间，当初始条件误差超过一定阈值时，预报所需时间会增加8.3%——以及网格带来的伪影，这些发现都表明，要实现业务级的应用水平，就需要采用基于物理原理的训练策略，从而在统计最小化与真正的动态一致性之间找到平衡点。

第二部分介绍了加那利洋流上升流系统的研究区域，以及我们在实验中使用的L4级海表温度数据集。第三部分介绍了我们在本研究中评估的各类预报方法，包括GLORYS12V1再分析模型、ConvLSTM架构以及我们提出的图神经网络。第四部分展示了实验结果，重点分析了那些存在强烈中尺度活动的区域以及主要沿海海角的模型性能。第五部分分析了这些方法的优点和局限性，探讨了沿海地区与开阔海域之间的系统误差问题，同时评估了模型在动态海洋环境中的稳健性。最后，第六部分总结了本研究的主要贡献，提出了对业务海洋学的实际应用建议，并指出了未来的研究方向。

**片段摘录**
**加那利洋流上升流区域**
本研究聚焦于加那利洋流大型海洋生态系统内的一个子区域，即摩洛哥子区域（Arístegui等人，2009年），该区域位于西姆角和布兰克角之间，纬度范围从南纬21度到北纬33度；详见图1。该区域存在两个明显的经向上升流带，正如Cropper等人（2014年）所描述的那样：(i) 北纬21度至26度区域，全年都有较强的持续上升流；(ii) 北纬26度至35度区域，上升流同样持续存在，但强度较弱。

**预报方法**
本节介绍了用于预测加那利洋流上升流区域海表温度的各类预报方法。为确保评估结果的可靠性，所有模型都需同时用卫星获取的L4级海表温度数据（作为网格化的真实值）以及第2.3节中提到的独立现场漂流器测量数据来进行验证。我们将所提出的图神经网络与三种基准模型进行对比：两种数值海洋模型以及一种机器学习模型。此外，还有为加那利洋流上升流区域量身定制的数值模型配置。

**基于指标的预报精度评估与定量分析**
机器学习海洋预报模型和数值海洋预报模型的性能是通过与L4级卫星海表温度数据对比来验证的，同时还会通过附录C中详细阐述的综合性预报验证框架来进行评估，该框架基于四个指标：均方根误差、异常相关系数、偏差以及相对活跃度。这些指标的计算方法遵循Bouallègue等人（2024年）所描述的标准。对于每种指标，都会针对不同的预报时效分别进行独立计算。

**讨论**
前一节呈现的结果显示，两种机器学习海洋预报模型——GraphCast和ConvLSTM——与GLORYS再分析模型以及以仪器误差为基准的模型在性能上存在显著差异。GraphCast在所有预测时期内均展现出更低的RMSE值和更高的ACC值，这表明其在中期预测方面的能力更为出色。2017年至2020年间，两种深度学习模型都有越来越多的天数出现RMSE超过仪器误差的情况。

结论
本研究介绍了两种深度学习架构——GraphCast和ConvLSTM在复杂的加那利洋流上升流系统中用于海表温度预测的适配与应用评估。我们的研究结果表明，数据驱动模型，尤其是GraphCast，在标准误差指标上显著优于传统的数值模型（GLORYS和PSY4V3R1），在5天预测时期内可将RMSE降低75.5%，同时还将计算成本降低了几个数量级。

作者贡献声明
Giovanny A. Cuervo-Londo?o：写作——审阅与编辑、写作——初稿撰写、可视化、验证、软件、方法论、研究调查、正式分析、数据整理、概念构建。Javier Sánchez：写作——审阅与编辑、写作——初稿撰写、监督、资源提供、项目管理、方法论、正式分析、概念构建。ángel Rodríguez-Santana：写作——审阅与编辑、监督、概念构建。

计算工具
该方法是在Python环境中利用JAX库实现的，该库可用于高效的多GPU深度学习训练。大气和海洋数据集则通过Xarray进行处理，从而实现多维数组的高效处理，而评估指标则是用NumPy来计算的。深度学习模型则是基于为JAX优化的Google DeepMind Flax和Haiku框架构建的，这使得模型开发能够具备高性能。

关于写作过程中生成式AI及AI辅助技术的说明
在准备本研究报告的过程中，作者们使用了ChatGPT、Gemini和Deepseek等工具来提升手稿的可读性和语言表达质量。在使用这些工具之后，作者们对内容进行了必要的审阅和修改，并对最终发表的文章内容承担全部责任。

资金支持
本研究未获得公共部门、商业机构或非营利组织提供的任何特定资助。

利益冲突声明
作者们声明自己没有已知的可能影响本文所述工作的财务利益或个人关系。

致谢
作者们想要感谢拉斯帕尔马斯德格兰卡纳里亚大学信息社会创新中心（CICEI）的Javier J. Sánchez-Medina，他提供了用于模型训练的计算机服务器，这对研究工作而言至关重要。同时，我们也要衷心感谢Mercator Ocean International（MOi）应我们的请求提供了PSY4V3R1模型的预测数据。他们的支持与协作对这项研究具有极其重要的价值。