用于海面温度预测的深度神经网络：摘要和介绍

链接表

• 摘要和简介
• 背景
• 提出的方法
• 实验结果与分析
• 结论和未来工作
• 参考

抽象的

传统上，海洋学研究采用数值模型来表示物理方程，以模拟海洋动力学。然而，许多与海洋动力学有关的因素似乎定义不明确。我们认为，从观测数据中转移物理知识可以进一步提高数值模型在预测海面温度 (SST) 时的准确性。最近，地球观测技术的进步带来了巨大的数据增长。因此，必须探索如何利用不断增加的历史观测数据来改进和补充数值模型。为此，我们介绍了一种 SST 预测方法，该方法将物理知识从历史观测转移到数值模型。具体来说，我们使用编码器和生成对抗网络 (GAN) 的组合来从观测数据中捕获物理知识。然后将数值模型数据输入到预训练模型中以生成物理增强数据，然后可用于 SST 预测。实验结果表明，与几种最先进的基线相比，所提出的方法大大提高了 SST 预测性能。

索引词——海面温度、物理知识、生成对抗网络、数值模型

一、引言

数值模型一直是预测海洋动力学的传统数学计算方法。根据世界气候研究计划（WCRP）的统计，研究界已开发了40多个海洋数值模型，每个模型都有自己的优势和特点。例如，区域海洋模型系统（ROMS）[1]具有强大的生态伴随模块，快速海洋大气模型（FOAM）[2]在全球耦合海洋-大气研究中非常有效，有限体积沿岸海洋模型（FVCOM）[3]能够精确拟合海岸线边界和海底地形。混合坐标海洋模型（HYCOM）[4]可以实现三种自适应坐标。这些数值模型不能互换，它们的使用取决于具体的应用。需要注意的是，数值模型中描述的各种海洋动力学过程都是基于简化方程和

由于我们对海洋的了解有限，我们无法准确预测海洋参数。现实海洋的运动和变化是如此多样和复杂，以至于识别某种现象的来源成为一个真正的挑战。因此，从历史数据中寻找新的关系或知识对于提高海洋动力学研究中数值模型的性能至关重要。在本文中，我们将可以改进数值模型的能力称为物理知识。我们假设历史数据可能拥有迄今为止未被发现的物理知识。

深度学习具有学习高度复杂函数的卓越能力，可将原始数据转换为更高层次的抽象。在 [5] 中，Lecun 等人描述了深度学习的基本原理和主要优势。最近，深度学习已应用于各种任务，例如监测海洋生物多样性 [6]，[7]、声纳图像中的目标识别 [8]，[9] 和海冰浓度预报 [10]。例如，Bermant 等人 [6] 使用卷积神经网络 (CNN) 对抹香鲸声学数据生成的声谱图进行分类。Allken 等人 [7] 开发了一种用于鱼类分类的 CNN 模型，利用合成数据进行训练数据增强。Lima 等人 [8] 提出了一种用于自动海洋前沿识别的深度迁移学习方法，从基于历史数据训练的深度 CNN 模型中提取知识。徐等人 [9] 提出了一种结合深度生成网络和迁移学习的声纳沉船检测方法。任等人 [10] 提出了一种结合深度生成网络和迁移学习的声纳沉船检测方法。 [10] 提出了一种全卷积网络的编码器-解码器框架，可以提前一周高精度地预测海冰浓度。通过将基于深度学习的方法应用于海洋研究，分类和预测性能取得了显著的提升。

由于数值模型中物理知识的不完备以及神经网络的泛化性能较弱，人们试图结合数值模型和神经网络的优点来提高预测性能。在地理科学中，这可以通过三种不同的方式实现[11]：1）通过神经网络学习数值模型的参数。神经网络可以从详细的高分辨率模型中最佳地描述观测到的场景，但许多参数难以推导，使得它们的估计具有挑战性。Brenowitz 等[12]基于统一物理参数化训练了深度神经网络，并解释了辐射和积云对流的影响。2）用神经网络代替数值模型。这样，深度神经网络架构可以捕捉到指定的物理一致性。Pannekoucke 等[13]使用即插即用工具将物理方程转换成神经网络架构。3）分析数值模型和观测数据之间的输出不匹配。神经网络可用于识别、可视化和理解模型误差的模式，并动态校正模型的偏差。Patil 等人 [14] 利用数值模型结果与观测数据之间的差异来训练神经网络以预测海面温度 (SST)。Ham 等人 [15] 基于迁移学习训练了卷积神经网络。他们首先在数值模型数据上训练模型，然后使用再分析数据校准模型。然而，人们发现第三种方法存在长期偏差问题，预测性能会随着预测天数的增加而下降。

为了解决上述问题，在本研究中，我们利用生成对抗网络（GAN）将物理知识从历史观测数据转移到数值模型数据中，如图1所示。与传统数值模型不同，所提出的方法可以校正数值模型数据中的物理部分以提高预测性能。具体而言，如图2所示，我们首先利用由编码器和GAN组成的先验网络模型从观测数据中获取物理特征。随后，我们将数值模型数据输入到预训练模型中得到物理增强的SST。随后，采用物理增强的SST训练用于预测SST的时空模型。同时，我们进行了消融实验以充分利用新生成的数据。

本文的主要贡献有三点：

• 据我们所知，我们是第一个通过使用 GAN 将物理知识从历史观测数据转移到数值模型数据进行 SST 预测的人。

• 利用基于物理知识的增强数据与预测结果之间的差异来调整训练过程中模型的权重。

• 实验结果表明，我们提出的方法可以弥补数值模型中物理知识的不足，提高预测精度。

本文的其余部分安排如下。第二部分介绍了与我们的方法相关的文献综述，第三部分详细介绍了我们的方法设计。然后，第四部分展示了实验结果。第五部分最后总结了本文。