Deniz Yüzeyi Sıcaklığı Tahmini için Derin Sinir Ağı: Özet ve Giriş

Bağlantı Tablosu

• Özet ve Giriş
• Arka plan
• Önerilen yöntem
• Deneysel Sonuçlar ve Analiz
• Sonuçlar ve Gelecekteki Çalışmalar
• Referanslar

Soyut

Geleneksel olarak, oşinografi çalışmalarında fiziksel denklemleri temsil ederek okyanus dinamiklerini simüle etmek için sayısal modeller kullanılmıştır. Ancak okyanus dinamikleriyle ilgili pek çok faktörün yanlış tanımlanmış olduğu görülüyor. Gözlemlenen verilerden fiziksel bilgi aktarmanın, Deniz Yüzeyi Sıcaklığını (SST) tahmin ederken sayısal modellerin doğruluğunu daha da artırabileceğini savunuyoruz. Son zamanlarda yer gözlem teknolojilerindeki ilerlemeler, verilerde muazzam bir artışa yol açtı. Sonuç olarak, giderek artan miktardaki tarihsel gözlem verilerini kullanarak sayısal modelleri geliştirmenin ve tamamlamanın yollarını araştırmak zorunludur. Bu amaçla, fiziksel bilgiyi tarihsel gözlemlerden sayısal modellere aktaran SST tahmini için bir yöntem sunuyoruz. Spesifik olarak, gözlemlenen verilerden fiziksel bilgi elde etmek için bir kodlayıcı ve üretken bir rakip ağ (GAN) kombinasyonunu kullanıyoruz. Sayısal model verileri daha sonra fizikle geliştirilmiş veriler oluşturmak için önceden eğitilmiş modele beslenir ve bu veriler daha sonra SST tahmini için kullanılabilir. Deneysel sonuçlar, önerilen yöntemin, en son teknolojiye sahip birkaç temel çizgiyle karşılaştırıldığında SST tahmin performansını önemli ölçüde artırdığını göstermektedir.

Dizin Terimleri —Deniz yüzeyi sıcaklığı, fiziksel bilgi, üretken rakip ağ, sayısal model

I.GİRİŞ

N UMERİK modeller okyanus dinamiklerinin tahmini için geleneksel bir matematiksel hesaplama yöntemi olmuştur. Dünya İklim Araştırma Programı'nın (WCRP) istatistiklerine göre araştırma topluluğu, her birinin kendine has avantajları ve özellikleri olan 40'tan fazla okyanus sayısal modeli geliştirdi. Örneğin, bölgesel okyanus modeli sistemi (ROMS) [1] güçlü bir ekolojik ek modüle sahiptir, hızlı okyanus atmosferi modeli (FOAM) [2] küresel birleşik okyanus-atmosfer çalışmalarında oldukça etkilidir, sonlu hacimli kıyı okyanus modeli (FVCOM) [3] kıyı şeridi sınırını ve denizaltı topoğrafyasını doğru bir şekilde yerleştirme kapasitesine sahiptir. Hibrit koordinat okyanus modeli (HYCOM) [4] üç çeşit kendinden uyarlamalı koordinat uygulayabilir. Bu sayısal modeller birbirinin yerine kullanılamaz ve kullanımları spesifik uygulamaya bağlıdır. Sayısal modellerde açıklanan okyanus dinamiğinin çeşitli süreçlerinin basitleştirilmiş denklemlere dayandığı ve

Okyanus hakkındaki sınırlı anlayışımız nedeniyle parametreler. Gerçek okyanustaki hareketler ve değişiklikler o kadar çeşitli ve karmaşıktır ki, belirli bir olgunun kaynaklarını belirlemek gerçek bir zorluk haline gelir. Bu nedenle, okyanus dinamiği çalışmalarında sayısal modellerin performansını artırmak için tarihsel verilerden yeni ilişkiler veya bilgiler aramak kritik öneme sahiptir. Bu yazıda sayısal modeli geliştirebilecek kapasiteye fiziksel bilgi diyoruz. Tarihsel verilerin şimdiye kadar keşfedilmemiş fiziksel bilgilere sahip olabileceğini varsayıyoruz.

Derin öğrenme, orijinal verileri çok daha yüksek düzeyde soyutlamaya dönüştürerek son derece karmaşık işlevleri öğrenme konusunda dikkate değer bir yeteneğe sahiptir. [5]'te Lecun ve ark. derin öğrenmenin temel ilkelerini ve temel faydalarını açıkladı. Son zamanlarda derin öğrenme, deniz biyolojik çeşitliliğinin izlenmesi [6], [7], sonar görüntülerinde hedef tanımlama [8], [9] ve deniz buzu konsantrasyon tahmini [10] gibi çeşitli görevlere uygulanmıştır. Örneğin Bermant ve ark. [6] ispermeçet balinası akustik verilerinden oluşturulan spektrogramları sınıflandırmak için evrişimli sinir ağlarını (CNN'ler) kullandı. Allken ve ark. [7], balık türlerinin sınıflandırılması için, eğitim verilerinin arttırılması amacıyla sentetik verilerden yararlanan bir CNN modeli geliştirdi. Lima ve ark. [8], otomatik okyanus kıyısı tanıma için, geçmiş verilerle eğitilmiş derin CNN modellerinden bilgi çıkaran bir derin transfer öğrenme yöntemi önerdi. Xu ve diğerleri. [9], sonar gemi enkazlarının tespiti için derin nesil ağları ve transfer öğrenmeyi birleştiren bir yaklaşım sundu. Ren ve ark. [10], deniz buzu konsantrasyonunu bir hafta önceden yüksek doğrulukla tahmin edebilen, tamamen evrişimli ağlara sahip bir kodlayıcı-kod çözücü çerçevesi önerdi. Derin öğrenmeye dayalı yöntemlerin okyanus araştırmalarına uygulanmasıyla sınıflandırma ve tahmin performansı açısından önemli gelişmeler sağlandı.

Sayısal modellerdeki fiziksel bilginin eksik olması ve sinir ağlarının genelleme performansının zayıf olması nedeniyle, sayısal model ile sinir ağlarının avantajlarını birleştirerek tahmin performansını artırmaya yönelik bazı çalışmalar yapılmaktadır. Coğrafya biliminde bu, üç farklı yolla başarılabilir [11]: 1) Nöral ağlar aracılığıyla sayısal modelin parametrelerinin öğrenilmesi. Sinir ağları, ayrıntılı yüksek çözünürlüklü modelden gözlemlenen sahneyi en iyi şekilde tanımlayabilir, ancak birçok parametrenin çıkarılması zordur, bu da tahminlerini zorlaştırır. Brenowitz ve ark. [12] birleşik fizik parametrelendirmesine dayanan derin bir sinir ağını eğitti ve radyasyon ve kümülüs konveksiyonunun etkisini açıkladı. 2) Sayısal modelin sinir ağıyla değiştirilmesi. Bu sayede derin sinir ağı mimarisi belirlenen fiziksel tutarlılığı yakalayabilmektedir. Pannekoucke ve ark. [13] bir tak-çalıştır aracı kullanarak fiziksel denklemleri sinir ağı mimarilerine dönüştürdü. 3) Sayısal model ile gözlem verileri arasındaki çıktı uyumsuzluğunun analiz edilmesi. Sinir ağları, model yanlışlıklarının kalıplarını tanımlamak, görselleştirmek ve anlamak ve modelin sapmasını dinamik olarak düzeltmek için kullanılabilir. Patil ve ark. [14], deniz yüzeyi sıcaklığını (SST) tahmin etmek üzere bir sinir ağını eğitmek için sayısal modelin sonuçları ile gözlemsel veriler arasındaki tutarsızlığı uyguladı. Ham ve ark. [15] transfer öğrenmeye dayalı evrişimli bir sinir ağını eğitti. Modellerini önce sayısal model verileri üzerinde eğitiyorlar ve ardından modeli kalibre etmek için yeniden analiz verilerini kullanıyorlar. Ancak üçüncü yaklaşımın, tahmin günleri arttıkça tahmin performansının kötüleştiği uzun vadeli bir önyargı probleminden muzdarip olduğu bulunmuştur.

Yukarıdaki sorunları ele almak için, bu çalışmada, Şekil 1'de gösterildiği gibi fiziksel bilgiyi tarihsel gözlemlenen verilerden sayısal model verilerine aktarmak için üretken çekişmeli ağları (GAN'ler) kullanıyoruz. Geleneksel sayısal modelden farklı olarak, önerilen model Yöntem, tahmin performansını artırmak için sayısal model verilerindeki fiziksel kısmı düzeltebilir. Spesifik olmak gerekirse, Şekil 2'de gösterildiği gibi, ilk önce bir kodlayıcı ve GAN'dan oluşan önceki bir ağ modelini kullanarak gözlemlenen verilerden fiziksel özelliği elde ettik. Daha sonra sayısal model verilerini önceden eğitilmiş modele besleyerek fizikle geliştirilmiş SST'yi elde ettik. Bunu takiben, fizikle geliştirilmiş SST, SST'yi tahmin etmek için uzaysal-zamansal bir modeli eğitmek üzere benimsendi. Bu arada, yeni oluşturulan verilerden tam anlamıyla yararlanmak için ablasyon deneyleri gerçekleştirdik.

Bu makalenin ana katkıları üç yönlüdür:

• Bildiğimiz kadarıyla, SST tahmini için GAN'ları kullanarak fiziksel bilgiyi geçmiş gözlemlenen verilerden sayısal model verilerine aktaran ilk biziz.

• Fiziksel bilgiye dayalı geliştirilmiş veriler ile tahmin edilen sonuçlar arasındaki fark, eğitim sırasında modelin ağırlığını ayarlamak için kullanıldı.

• Deneysel sonuçlar, önerdiğimiz yöntemin sayısal modeldeki fiziksel bilgi eksikliğini giderebileceğini ve tahmin doğruluğunu artırabileceğini göstermektedir.

Makalenin geri kalanı şu şekilde organize edilmiştir. Bölüm II'de yöntemimizle ilgili literatür taraması tanıtılırken, yöntem tasarımımız Bölüm III'te detaylandırılmıştır. Daha sonra deneysel sonuçlar Bölüm IV'te gösterilmektedir. Bölüm V nihayet bu makaleyi sonlandırıyor.