OceanBench: 海平面高度版
在本文中,我们使用先进的机器学习方法,包括序列模型(LSTM和Transformers)和关系模型(图神经网络),建立了一个在巴西东南海岸Santos-Sao Vicente-Bertioga海湾地区可以预测洋流速度和海面高度等环境变量的数据驱动模型,并将我们的结果与Santos操作预测系统进行了比较,证明了我们的模型可以在保持一定的灵活性和少量领域知识依赖性的同时实现更好的预测效果。
Jun, 2022
本文介绍了利用神经场模型来填补物理海洋学实验中高度稀疏数据的空隙,此模型可替代现有标准的最优插值(Optimal Interpolation)方法,并可扩展至大量的数据规模,为地球科学中的插值问题提供了实用的解决方案,未来有望获得更广泛的应用。
Nov, 2022
通过神经网络架构融合AMSRE-E和MODIS可以提高地表海温的分辨率和填补云缺失,尽管当前暂时有一些计算力等限制,但并行化是一个可以解决这些问题的方案。
Jun, 2023
自1993年以来,卫星测高仪观测表明全球平均海平面正以空前的速度上升(每年3.4毫米)。我们利用机器学习(ML)技术研究了海平面变化的未来模式,以了解气候变化信号如温室气体、气溶胶和生物质燃烧在海平面上升中的贡献,并用于未来海平面变化的预测。我们提出了一种利用卫星观测和气候模型模拟相结合的机器学习框架,以30年为期限进行2度分辨率的海平面上升预测。我们通过训练全连接神经网络(FCNNs)进行非线性融合,预测测高仪数值(1993-2019年)。然后将学习到的FCNNs应用于未来的气候模型预测,以预测未来的海平面模式。我们提出将空间数据集分段成有意义的聚类,并显示聚类有助于改进我们的机器学习模型的预测能力。
Aug, 2023
利用卫星高度计结合数据同化和最优插值方案深刻地提高了我们监测海表面动态的能力。最近,深度学习方案已成为解决时空插值问题的吸引人的解决方案。然而,海表面实际卫星高度计数据在时空覆盖方面的稀缺程度阻碍了对最新神经方案在实际案例研究上的训练。在这里,我们利用海洋动力学模拟和卫星高度计数据来训练基于模拟的神经映射方案,用于海表面高度,并展示其在实际卫星高度计数据集上的性能。我们进一步分析了训练阶段使用的海洋模拟数据集对性能的影响。我们的基准测试框架侧重于海湾流域,在使用NEMO海洋模拟和4DVarNet映射方案的真实5颗卫星高度计组合的情况下进行比较。所有基于模拟的4DVarNets均优于运行中的基于观测和再分析产品,即DUACS和GLORYS。训练阶段使用的海洋模拟数据集越真实,映射效果越好。最佳的4DVarNet映射是从丰富的涡旋和无潮数据集中训练的,在分辨率上优于DUACS(151公里)和GLORYS(241公里),达到了98公里,并且均方根误差(RMSE)减少了23%和61%。这些结果为基于学习的方法在海洋建模和海洋观测之间开辟了新的研究途径。
Sep, 2023
研究介绍了OceanNet,一种基于神经算子方式的洋流数字孪生技术,用于解决海洋建模中的复杂性问题以及季节性预测任务,通过利用历史海面高度数据进行训练,OceanNet通过超过优化的现代动力学海洋模型预测降低计算量500,000倍,展示了物理启发的深度神经算子作为高效替代品的潜力。
Oct, 2023
利用卫星测高测量,对全球平均海平面上升速率进行预测,并研究未来海平面变化的模式。我们展示了机器学习在长期海平面预测中的潜力,结合测高观测和气候模型模拟数据,利用全连接神经网络框架预测海平面趋势,并提供与该预测相关的不确定性评估。我们同时展示了分区数据集和为每个分割区域学习独立机器学习模型的有效性,并比较了两种分割策略的结果。
Oct, 2023
使用机器学习算法对海冰进行自动化定位和分割,通过使用带噪声的Sentinel-1 SAR影像,开发了高效、具有空间分辨率、维度保持能力,并且对噪声更加稳健的面向海冰映射的算法。
Oct, 2023
本研究针对卫星测高数据在解析海洋亚微观变动方面的局限性,提出了一种先进的生成扩散模型,通过将原始卫星插值数据从0.25度分辨率下分辨率至1/16度(约12公里波长)来增强观测的海面高度(SSH)重分析数据。研究结果表明,自2004年以来黑潮延伸区的涡旋动能在250公里以下的水平尺度上显著增强,强调了深度学习在重构卫星测高数据及提升对海洋动态理解方面的巨大潜力。
Aug, 2024