Leveraging an Atmospheric Foundational Model for Subregional Sea Surface Temperature Forecasting
Víctor Medina and Giovanny A. Cuervo-Londoño and Javier Sánchez
准确预测海洋学变量对于了解气候变化、管理海洋资源和优化海上活动至关重要。 传统的海洋预测依赖于数值模型;然而,这些方法在计算成本和可扩展性方面面临限制。 在这项研究中,我们调整了Aurora,一个最初为大气预测而设计的基础深度学习模型,以预测金丝雀上涌系统中的海面温度(SST)。 通过用高分辨率海洋学再分析数据对模型进行微调,我们展示了其捕获复杂时空模式的能力,同时降低了计算需求。 我们的方法涉及分阶段的微调过程,包括纬度加权错误指标和优化超参数以实现高效学习。 实验结果表明,该模型实现了0.119K的低RMSE,保持了高异常相关系数(ACC≈0.997)。 该模型成功再现了大规模的SST结构,但在捕获沿海地区的细节方面面临挑战。 这项工作通过证明使用在不同领域预先训练的深度学习模型进行海洋应用的可行性,有助于数据驱动的海洋预测领域。 未来的改进包括整合额外的海洋学变量,增加空间分辨率,并探索物理知情的神经网络,以提高可解释性和理解性。 这些进步可以提高气候建模和海洋预测的准确性,支持环境和经济部门的决策。
The accurate prediction of oceanographic variables is crucial for understanding climate change, managing marine resources, and optimizing maritime activities. Traditional ocean forecasting relies on numerical models; however, these approaches face limitations in terms of computational cost and scalability. In this study, we adapt Aurora, a foundational deep learning model originally designed for atmospheric forecasting, to predict sea surface temperature (SST) in the Canary Upwelling System. By ...
