view in publisher's site

Applications of Deep Learning to Ocean Data Inference and Subgrid Parameterization

Abstract Oceanographic observations are limited by sampling rates, while ocean models are limited by finite resolution and high viscosity and diffusion coefficients. Therefore, both data from observations and ocean models lack information at small and fast scales. Methods are needed to either extract information, extrapolate, or upscale existing oceanographic data sets, to account for or represent unresolved physical processes. Here we use machine learning to leverage observations and model data by predicting unresolved turbulent processes and subsurface flow fields. As a proof of concept, we train convolutional neural networks on degraded data from a high‐resolution quasi‐geostrophic ocean model. We demonstrate that convolutional neural networks successfully replicate the spatiotemporal variability of the subgrid eddy momentum forcing, are capable of generalizing to a range of dynamical behaviors, and can be forced to respect global momentum conservation. The training data of our convolutional neural networks can be subsampled to 10–20% of the original size without a significant decrease in accuracy. We also show that the subsurface flow field can be predicted using only information at the surface (e.g., using only satellite altimetry data). Our results indicate that data‐driven approaches can be exploited to predict both subgrid and large‐scale processes, while respecting physical principles, even when data are limited to a particular region or external forcing. Our in‐depth study presents evidence for the successful design of ocean eddy parameterizations for implementation in coarse‐resolution climate models.

کاربردهای آموزش عمیق در رابطه با داده‌های مربوط به اقیانوس مبهم و Subgrid Parameterization

چکیده مشاهدات Oceanographic محدود به نرخ‌های نمونه‌برداری هستند در حالی که مدل‌های اقیانوس توسط تفکیک محدود و ضریب انتشار و ضریب انتشار محدود شده‌اند. بنابراین هر دو داده‌ها از مشاهدات و مدل‌های اقیانوس فاقد اطلاعات در مقیاس‌های کوچک و سریع هستند. روش‌ها برای استخراج اطلاعات، برون یابی یا سطح مجموعه داده‌های اقیانوس‌شناسی موجود مورد نیاز هستند، که برای آن‌ها فرایندهای فیزیکی حل‌نشده را توضیح داده یا ارایه می‌کنند. در اینجا ما از یادگیری ماشین برای نفوذ مشاهدات و داده‌های مدل از طریق پیش‌بینی فرایندهای آشفتگی حل‌نشده و حوزه‌های زیر سطحی استفاده می‌کنیم. به عنوان اثباتی بر مفهوم، ما شبکه‌های عصبی مصنوعی را بر روی داده‌های تخریب‌شده از مدل اقیانوس شبه - با وضوح بالا آموزش می‌دهیم. ما نشان می‌دهیم که شبکه‌های عصبی convolutional با موفقیت تغییرپذیری spatiotemporal جریان گردابی subgrid را تکرار می‌کنند که قادر به تعمیم به دامنه‌ای از رفتارهای دینامیکی هستند و می توان آن‌ها را مجبور کرد به حفاظت از تکانه جهانی احترام بگذارند. داده‌های آموزشی شبکه‌های عصبی convolutional را می توان به ۱۰ تا ۲۰ درصد از اندازه اصلی بدون کاهش قابل‌توجه دقت تخمین زد. همچنین نشان می‌دهیم که میدان جریان زیر سطحی را می توان تنها با استفاده از اطلاعات در سطح پیش‌بینی کرد (به عنوان مثال، با استفاده از داده‌های ارتفاع سنجی ماهواره‌ای). نتایج ما نشان می‌دهد که رویکردهای برگرفته از داده را می توان برای پیش‌بینی فرآیندهای subgrid و مقیاس بزرگ، در حالی که به اصول فیزیکی احترام می‌گذارند، حتی زمانی که داده‌ها محدود به یک منطقه خاص یا اجبار خارجی هستند، مورد بهره‌برداری قرار داد. مطالعه عمیق ما شواهدی را برای طراحی موفقیت‌آمیز جریانات گردابی اقیانوسی برای اجرا در مدل‌های آب و هوای حل و جو ارایه می‌دهد.
ترجمه شده با


پر ارجاع‌ترین مقالات مرتبط:

  • مقاله Environmental Chemistry
  • ترجمه مقاله Environmental Chemistry
  • مقاله شیمی محیط‌‌ زیست
  • ترجمه مقاله شیمی محیط‌‌ زیست
  • مقاله General Earth and Planetary Sciences
  • ترجمه مقاله General Earth and Planetary Sciences
  • مقاله علوم زمین و سیارات عمومی
  • ترجمه مقاله علوم زمین و سیارات عمومی
  • مقاله Global and Planetary Change
  • ترجمه مقاله Global and Planetary Change
  • مقاله تغییر جهانی و سیاره‌ای
  • ترجمه مقاله تغییر جهانی و سیاره‌ای
سفارش ترجمه مقاله و کتاب - شروع کنید

با استفاده از افزونه دانلود فایرفاکس چکیده مقالات به صورت خودکار تشخیص داده شده و دکمه دانلود فری‌پیپر در صفحه چکیده نمایش داده می شود.