Resumen Técnico: Njord – Una Red Neuronal Gráfica Probabilística para Pronóstico Oceánico de Conjunto

Declaración del Problema

La dinámica oceánica es inherentemente caótica, sin embargo, los modelos oceánicos existentes basados en aprendizaje automático (ML) producen predominantemente pronósticos deterministas. Estos modelos suelen minimizar el error cuadrático medio (MSE), lo que fomenta predicciones hacia la media condicional de los estados futuros en lugar de capturar la distribución predictiva completa. En consecuencia, tienden a suavizar la varianza a pequeña escala y ofrecen una visión limitada sobre la probabilidad de eventos extremos. Para la toma de decisiones operativas, donde la mitigación de riesgos depende de comprender la confianza del pronóstico y el espectro de escenarios posibles, una única trayectoria suele ser insuficiente. Aunque han surgido modelos generativos condicionales para el pronóstico probabilístico del tiempo, no existía un modelo probabilístico basado en datos comparable para el dominio oceánico antes de este trabajo. Además, escalar tales modelos a cuadrículas globales de alta resolución (0.25°) y dominios regionales irregulares (por ejemplo, el Mar Báltico a 2 km) presenta desafíos significativos en cuanto a memoria, eficiencia computacional y el manejo de geometrías costeras irregulares.

Metodología

Los autores presentan Njord, un modelo probabilístico basado en datos para el pronóstico oceánico global y regional de corto alcance y alta resolución. Njord combina un marco de variables latentes profundas con una arquitectura de Red Neuronal Gráfica (GNN), permitiendo la muestra de cada paso de pronóstico en una sola pasada hacia adelante.

Arquitectura Central

Njord extiende el modelo de variables latentes Graph-EFM (diseñado originalmente para el tiempo) con modificaciones específicas para la física oceánica:

1. Marco de Variables Latentes: El modelo mapea los estados oceánicos iniciales $X_{-p+1:0}$ y las entradas de forzamiento $F$ a una distribución de estados futuros. Emplea una GNN jerárquica donde la estocasticidad se introduce mediante una variable latente $Z_t$ muestreada de una distribución gaussiana $N(\mu_t, I)$. La media a priori $\mu_t$ se aprende mediante un codificador GNN separado.
2. Predicción de Residuos: La red predice residuos $\hat{r}_t$ que se suman al estado anterior $X_{t-1}$ para producir el pronóstico $\hat{X}_t$.
3. Adaptación Gráfica (Mallas de Agrupamiento K-means): A diferencia de los modelos globales de tiempo que utilizan mallas icosaédricas, Njord utiliza una construcción de grafos basada en agrupamiento K-means. Los nodos se colocan según la densidad de puntos de la cuadrícula oceánica utilizando agrupamiento K-means esférico con pesos de área basados en la latitud. Este enfoque:
   • Se adapta a la geometría irregular de la superficie oceánica (bahías, estrechos, canales) sin romper la conectividad del grafo.
   • Permite una selección continua de la cantidad de nodos, evitando los saltos discretos de resolución inherentes al refinamiento icosaédrico.
   • Filtra las aristas que cruzan masas de tierra, asegurando que el grafo opere solo sobre puntos oceánicos.
4. Modelado del Hielo Marino: Para manejar las restricciones físicas (Concentración de Hielo Marino acotada a [0, 1]; Espesor de Hielo Marino $\ge$ 0), Njord emplea un mecanismo de canal de densidad combinado con un acotamiento suave. Se predice un canal de densidad binario junto con otras variables; si la densidad predicha cae por debajo de un umbral, las variables de hielo se establecen a cero en el siguiente estado. Esto previene la acumulación de valores residuales no físicos durante las ejecuciones autoregresivas.
5. Escalabilidad: Para gestionar la huella de memoria de las grandes cuadrículas globales (0.25°), los autores modifican las capas de la GNN para utilizar dimensionalidades separadas para las incrustaciones a nivel de cuadrícula, las representaciones de aristas y las representaciones de nodos del grafo. También emplean la verificación de gradientes (gradient checkpointing) y un programa de entrenamiento en dos etapas (preentrenamiento en datos de 1°, ajuste fino en datos de 0.25°).

Extensión Regional (Njord-Báltico)

El marco se adapta para el modelado regional introduciendo entradas de forzamiento de frontera ($B_t$) derivadas de un modelo oceánico global. Esto permite que el modelo regional se condicione en el estado del océano circundante sin depender de datos del sistema que pretende reemplazar en las fronteras.

Objetivo de Entrenamiento

Njord se entrena utilizando una combinación del Límite Inferior de Evidencia (ELBO) y la Puntuación de Probabilidad Clasificada Continua (CRPS). La función de pérdida incluye enmascaramiento para la estructura batimétrica y ponderación basada en el área de la celda de la cuadrícula, el nivel de profundidad y la inversa de la varianza de los cambios diarios. Se utiliza una estrategia de aprendizaje curricular, activando gradualmente el término de divergencia KL, introduciendo el entrenamiento de ejecución de varios pasos y finalmente habilitando la pérdida CRPS.

Contribuciones Clave

1. Primer Emulador Oceánico Global Probabilístico: Njord se presenta como el primer modelo de pronóstico de conjunto generativo para la física oceánica global, operando a una resolución de 0.25°.
2. Disposición Gráfica Novel: La introducción de una disposición de grafo basada en agrupamiento que se ajusta mejor a la geometría irregular de la superficie oceánica en comparación con las mallas icosaédricas o cuadriláteras tradicionales.
3. Integración del Hielo Marino: La incorporación de variables de hielo marino con restricciones físicas explícitas (canales de densidad y acotamiento) para garantizar campos físicamente realistas, una característica a menudo ausente en los modelos oceánicos de ML de alta resolución.
4. Evaluación Exhaustiva: El modelo se evalúa frente al estándar de referencia OceanBench, demostrando un rendimiento competitivo frente a modelos deterministas de última generación (GLONET, WenHai, XiHe) y sistemas operativos basados en física (GLO12), mientras proporciona estimaciones de incertidumbre calibradas.
5. Adaptabilidad Regional: La exitosa aplicación del marco al Mar Báltico (Njord-Báltico) a una resolución de 2 km, logrando errores comparables a las líneas base deterministas mientras proporciona pronósticos probabilísticos.

Resultados

Rendimiento Global (0.25°)

• Precisión: En el estándar de referencia OceanBench, Njord logra los errores más bajos en promedio en las variables del océano superior al evaluarse frente a observaciones del mundo real (conjunto de datos IV-TT CLASS-4). Muestra las mayores mejoras en la predicción de la temperatura superficial del mar (SST), superando tanto a las líneas base operativas como a otros emuladores de ML.
• Calibración del Conjunto: El conjunto de 20 miembros exhibe una Relación Dispersión-Habilidad (SSR) que aumenta constantemente hacia 1 a lo largo del horizonte de pronóstico de 10 días, indicando una buena calibración y una representación fiable de la incertidumbre.
• Dinámica Espacial: La media del conjunto captura con precisión las estructuras térmicas globales y los gradientes pronunciados (por ejemplo, la Corriente del Golfo, la Corriente de Kuroshio). La dispersión del conjunto destaca correctamente las regiones de mayor incertidumbre en áreas dinámicamente activas.
• Eficiencia: Njord muestrea un único miembro del conjunto del siguiente paso en 3 segundos en una GPU AMD MI250X.

Rendimiento Regional (Mar Báltico, 2 km)

• Precisión: Njord-Báltico logra valores de RMSE comparables a la línea base determinista (SeaCast) mientras proporciona pronósticos probabilísticos.
• Calibración: El ajuste fino sobre datos de análisis operativos conduce a mejoras consistentes en la calibración probabilística (SSR más alto).
• Incertidumbre: La dispersión del conjunto destaca eficazmente las regiones de alta variabilidad, como los Estrechos Daneses (Kattegat y Skagerrak) y las zonas marginales de hielo.

Significado y Afirmaciones

El artículo afirma que Njord representa un paso significativo hacia adelante en el pronóstico oceánico operativo al abordar la "brecha determinista" en los modelos de ML actuales. Al proporcionar estimaciones de incertidumbre bien calibradas junto con pronósticos de alta precisión, Njord permite una mejor mitigación de riesgos y toma de decisiones para aplicaciones que van desde la navegación marítima hasta la vigilancia ambiental.

Los autores enfatizan que, aunque la resolución vertical actual es suficiente para la comparación de estándares, el marco está diseñado para escalar a más niveles verticales, variables adicionales y sistemas acoplados océano-atmósfera en trabajos futuros. El significado radica no solo en la precisión de los pronósticos puntuales, sino en la capacidad de generar conjuntos que capturen la variabilidad dinámica y cuantifiquen la incertidumbre a resoluciones previamente inalcanzables para los modelos oceánicos probabilísticos basados en datos. El trabajo demuestra que el modelado generativo probabilístico puede escalarse con éxito a grandes cuadrículas oceánicas irregulares, ofreciendo una alternativa viable a las simulaciones numéricas computacionalmente costosas.