面向海洋预报的深度神经算子模型评估
机器学习
2025-12-02 v1 计算工程、金融与科学
大气与海洋物理
地球物理
摘要
数据驱动的深度学习建模框架近来被开发用于时间序列数据预报。此类机器学习模型可能在多个领域有用，包括大气与海洋领域，以及广义上的流体力学界。本文研究此类深度神经算子模型在再现和预测经典流体流动及真实海洋动力学模拟方面的可能有效性。我们首先简要评估此类深度神经算子模型在经圆柱绕流二维模拟流场训练时的能力。随后我们研究其应用于中大西洋湾和马萨诸塞湾海洋表层环流预报，从用于真实海洋实验的高分辨率同化模拟数据中学习。我们确认训练后的深度神经算子模型能够预测理想化的周期性涡脱落。对于真实海洋表层流及我们的初步研究，它们能预测若干特征并展现出一定技巧，为未来研究与应用提供了潜力。
引用
@article{arxiv.2308.11814,
title = {Evaluation of Deep Neural Operator Models toward Ocean Forecasting},
author = {Ellery Rajagopal and Anantha N. S. Babu and Tony Ryu and Patrick J. Haley and Chris Mirabito and Pierre F. J. Lermusiaux},
journal= {arXiv preprint arXiv:2308.11814},
year = {2025}
}
备注
Rajagopal, E., A.N.S. Babu, T. Ryu, P.J. Haley, Jr., C. Mirabito, and P.F.J. Lermusiaux, 2023. Evaluation of Deep Neural Operator Models toward Ocean Forecasting. In OCEANS' 23 IEEE/MTS Gulf Coast, 25-28 September 2023, in press