用于斜压海洋预报的基于参数化潜在动力学的可泛化隐式神经表示
机器学习
2025-03-31 v1 大气与海洋物理
摘要
中尺度海洋动力学在气候系统中发挥着关键作用，调控着热量输送、飓风生成和干旱模式。然而，由于其非线性、多尺度特性以及广阔的时空域，高分辨率模拟这些过程在计算上依然不可行。隐式神经表示（INR）作为与分辨率无关的代理模型降低了计算成本，但在需要在多种参数下进行快速评估的多查询场景（逆建模）中会失效。我们提出了 PINROD，一种结合了动力学感知隐式神经表示与参数化神经常微分方程的新框架，以解决这些局限性。通过将参数依赖性集成到潜在动力学中，我们的方法能够高效捕捉不同边界条件和物理参数下的非线性海洋行为。在海洋中尺度活动数据上的实验表明，其准确度优于现有基线，且相较于标准数值模拟提升了计算效率。
引用
@article{arxiv.2503.21588,
title = {Generalizable Implicit Neural Representations via Parameterized Latent Dynamics for Baroclinic Ocean Forecasting},
author = {Guang Zhao and Xihaier Luo and Seungjun Lee and Yihui Ren and Shinjae Yoo and Luke Van Roekel and Balu Nadiga and Sri Hari Krishna Narayanan and Yixuan Sun and Wei Xu},
journal= {arXiv preprint arXiv:2503.21588},
year = {2025}
}