技能全球洋仿真器及其相关性感知损失的作用
大气与海洋物理
2026-04-22 v1 人工智能
混沌动力学
摘要
机器学习仿真器在预测大气状态方面展现了惊人的精度，其在全球洋动力学上的应用同样备有期待。本文将 GraphCast 架构适配为专用的海洋仿真器，驱动给定的大气条件，进行中期预测。该仿真器基于 NOAA UFS-Replay 数据集训练。采用 24 小时时间步长、单一初始条件且不使用自回归训练，我们得到一个可提供 10-15 天预报技能的仿真器。进一步展示了将马哈拉里斯距离作为损失函数，以显式考虑目标变量趋势之间的相关性，较均方误差损失显著提高了预报技能。通过对预报场的空间相关性分析，我们还表明，所提出的相关性感知损失充当了全球洋环流中缓慢、相关动力学的统计-动力学正则化器，为数据同化等下游任务提供更优背景预报。
引用
@article{arxiv.2604.18727,
title = {Skillful Global Ocean Emulation and the Role of Correlation-Aware Loss},
author = {Niraj Agarwal and Timothy A. Smith and Sergey Frolov and Laura C. Slivinski},
journal= {arXiv preprint arXiv:2604.18727},
year = {2026}
}
备注
13 pages, 4 figures