Hybrid machine learning data assimilation for marine biogeochemistry

要約

海洋生物地球化学モデルは、気候変動や人間の活動に対する生態系の反応を推定するだけでなく、予測に重要です。
データ同化（DA）は、これらのモデルを実際の観測と整列させることで改善しますが、モデルの複雑さ、強い非線形性、およびまばらで不確実な観察により、海洋生物地球化学DAは課題に直面しています。
海洋生物地球化学に適用される既存のDAメソッドは、観察されていない変数を効果的に更新するのに苦労していますが、アンサンブルベースの方法は、高複雑さの海洋生物地球化学モデルには計算的に高すぎます。
この研究は、観察された変数と観察されていない変数の間の統計的関係を学習することにより、機械学習（ML）がどのように海洋生物地球化学DAを改善できるかを示しています。
ML駆動型のバランススキームを、北西ヨーロッパの棚の海で海洋生物地球化学を予測するために使用されるシステムの1Dプロトタイプに統合します。
MLは、（i）アンサンブルカルマンフィルターからの「エンドツーエンド」のファッション、分析の増分で、（i）フリーランアンサンブルおよび（ii）からの状態依存性相関を予測するために適用されます。
我々の結果は、MLが運用上使用されているものと同様の単変量スキームと比較した場合、以前に設定されていない変数の更新を大幅に強化することを示しています。
さらに、MLモデルは、新しい場所への中程度の移動性を示します。これは、これらのメソッドを3D運用システムにスケーリングするための重要なステップです。
MLは、海洋生物地球化学DAにおける現在の計算ボトルネックを克服するための明確な経路を提供し、移転性を精製し、トレーニングデータサンプリングを最適化し、大規模な海洋予測のスケーラビリティを評価することは、将来の研究の優先事項であると結論付けています。

要約(オリジナル)

Marine biogeochemistry models are critical for forecasting, as well as estimating ecosystem responses to climate change and human activities. Data assimilation (DA) improves these models by aligning them with real-world observations, but marine biogeochemistry DA faces challenges due to model complexity, strong nonlinearity, and sparse, uncertain observations. Existing DA methods applied to marine biogeochemistry struggle to update unobserved variables effectively, while ensemble-based methods are computationally too expensive for high-complexity marine biogeochemistry models. This study demonstrates how machine learning (ML) can improve marine biogeochemistry DA by learning statistical relationships between observed and unobserved variables. We integrate ML-driven balancing schemes into a 1D prototype of a system used to forecast marine biogeochemistry in the North-West European Shelf seas. ML is applied to predict (i) state-dependent correlations from free-run ensembles and (ii), in an “end-to-end” fashion, analysis increments from an Ensemble Kalman Filter. Our results show that ML significantly enhances updates for previously not-updated variables when compared to univariate schemes akin to those used operationally. Furthermore, ML models exhibit moderate transferability to new locations, a crucial step toward scaling these methods to 3D operational systems. We conclude that ML offers a clear pathway to overcome current computational bottlenecks in marine biogeochemistry DA and that refining transferability, optimizing training data sampling, and evaluating scalability for large-scale marine forecasting, should be future research priorities.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google