SSTODE: Ocean-Atmosphere Physics-Informed Neural ODEs for Sea Surface Temperature Prediction
Zheng Jiang, Wei Wang, Gaowei Zhang, Yi Wang
海洋表面温度(SST)对于理解上海洋热动力学和海洋 - 大气相互作用至关重要,这些相互作用具有深远的经济和社会影响。 虽然数据驱动的模型在SST预测中显示出希望,但其黑箱性质往往限制了可解释性,忽略了关键的物理过程。 最近,物理信息神经网络一直在获得动力,但由于1)对海水运动(例如沿海上升)的定性不足和2)外部SST驱动因素的整合不足(例如,湍流热通量)而与复杂的海洋大气动力学作斗争。 为了应对这些挑战,我们提出了SSTODE,一个物理信息的神经普通差分方程(Neural ODE)框架,用于SST预测。 首先,我们从流体运输原理中得出ODE,将优势和扩散相结合,以模拟海洋时空动力学。 通过变频优化,我们恢复了一个潜在速度字段,该字段明确管理 SST 的时间动态。 在ODE的基础上,我们引入了一个能源交换集成商(EEI),灵感来自海洋热预算方程,以考虑外部强迫因素。 因此,这些因素成分的变化为SST动力学提供了更深入的见解。 广泛的实验表明,SSTODE在全球和区域SST预测基准中取得了最先进的性能。 此外,SSTODE直观地揭示了前向动力学,热扩散模式和昼夜加热冷却周期对SST演变的影响。 这些发现证明了模型的可解释性和物理一致性。
Sea Surface Temperature (SST) is crucial for understanding upper-ocean thermal dynamics and ocean-atmosphere interactions, which have profound economic and social impacts. While data-driven models show promise in SST prediction, their black-box nature often limits interpretability and overlooks key physical processes. Recently, physics-informed neural networks have been gaining momentum but struggle with complex ocean-atmosphere dynamics due to 1) inadequate characterization of seawater movement...