将机器学习与数据同化结合以提高 shelf sea 环境中浮游植物预报质量
定量方法
2025-08-05 v1
摘要
我们展示了将机器学习与数据同化相结合，可在北西欧 shelf 海(NWES)海域显著提升浮游植物短期(1-5 天)预报准确性。我们指出，硝酸盐浓度过高是浮游植物在春末和夏季预报偏差的主要原因，这些偏差会随预报时滞而迅速增长。虽然 assimilating 硝酸盐观测可潜在解决此问题，但NWES的硝酸盐数据通常不足以有效同化。我们因此采用一种新近开发并验证的神经网络(NN)模型，从一系列可观测变量预测表层硝酸盐浓度，并将其在Met Office的NWES作业预报系统的研发版本中实现同化。通过硝酸盐同化，浮游植物预报技能提升了最高可达30%。我们指出，虽然通过NN模型预测的周期硝酸盐气候图可实现相当大的改进，但使用流动依赖的硝酸盐数据仍有明显优势。我们讨论了这种改进对诸多额外营养盐指标(如溶无机磷和海底氧气)的影响。我们认为，在近实时NWES作业预报系统中实现此混合机器学习-数据同化方法是可行的。
关键词
引用
@article{arxiv.2508.02400,
title = {Combining machine learning with data assimilation to improve the quality of phytoplankton forecasting in a shelf sea environment},
author = {Deep S Banerjee and Jozef Skakala and David Ford},
journal= {arXiv preprint arXiv:2508.02400},
year = {2025}
}
备注
21 pages, 8 figures, submitted to QJRMS