Sampling sea state using a diffusion model

Resumen Técnico: Muestreo del Estado del Mar mediante un Modelo de Difusión

Planteamiento del Problema
La predicción precisa del estado del mar es crítica para la seguridad marítima operativa y para el modelado acoplado del sistema terrestre, donde las olas superficiales modulan los intercambios aire-océano. Los modelos espectrales de oleaje tradicionales (por ejemplo, WAVEWATCH-III) resuelven la ecuación de balance de acción de la ola, pero son computacionalmente prohibitivos para aplicaciones que requieren un acoplamiento de alta frecuencia o pronósticos probabilísticos (de conjunto/ensemble). Si bien enfoques recientes de aprendizaje profundo han mejorado el pronóstico del tiempo y del oleaje, son predominantemente deterministas, se centran en variables globales (por ejemplo, la altura significativa de la ola) y a menudo dependen de pasos temporales autorregresivos, lo que limita su capacidad para capturar distribuciones condicionales complejas y detalles a nivel de partición. Además, la estimación probabilística del estado del mar permanece en gran medida inexplorada debido al costo computacional de ejecutar modelos espectrales en un entorno de conjunto y a la percepción de que la incertidumbre de las olas está gobernada únicamente por la incertidumbre del viento.

Metodología
Los autores proponen un marco de muestreo global del estado del mar basado en Modelos Probabilísticos de Difusión de Denosing (DDPM). A diferencia de los modelos autorregresivos que avanzan a través del tiempo, este enfoque muestrea directamente de la compleja distribución condicional de las variables del estado del mar dadas una historia de forzamiento de viento global.

• Condicionamiento de Entrada: El modelo se condiciona a una historia de 5 días de campos de viento zonales y meridionales globales ($U, V$), junto con campos estáticos y dinámicos auxiliares, incluyendo la fracción de hielo marino y la profundidad del océano. La ventana de 5 días se selecciona basándose en la escala de tiempo aproximada de la propagación del oleaje (swell) a través de las cuencas oceánicas.
• Variables Objetivo: El modelo está entrenado para generar una amplia gama de variables del estado del mar, yendo más allá de los simples parámetros globales. Estas incluyen:
  • Variables Globales: Altura significativa de la ola ($H_s$), periodo medio de la ola ($T_m$) y dirección media de la ola ($\theta_m$).
  • Variables relacionadas con Particiones: Variables que describen los dos sistemas de olas más energéticos (particiones) en una ubicación dada, incluyendo sus alturas, periodos y direcciones, así como un índice binario de "Mar Cruzado" (Crossing Sea Index - CI) que indica la presencia de sistemas de olas desalineados y coexistentes.
  • Variables Derivadas: Deriva de Stokes superficial ($U_{ss}, V_{ss}$) y Pendiente Cuadrática Media (MSS), que son momentos de orden superior del espectro relevantes para la mezcla aire-mar y la teledetección.
• Arquitectura y Entrenamiento: La red de denoise utiliza una arquitectura U-Net condicional con aproximadamente 90 millones de parámetros. Emplea una máscara húmeda (wet mask) para excluir regiones terrestres y cubiertas de hielo durante el entrenamiento y el cálculo de la pérdida. El modelo se entrena con un conjunto de datos de hindcast global de 30 años generado por WAVEWATCH-III (forzado por vientos ERA5), que cubre los años 1993–2003 y 2005–2020.
• Muestreo: Durante la inferencia, el modelo genera muestras eliminando gradualmente el ruido gaussiano de un estado inicial aleatorio, condicionado por la historia del viento. Esto permite la generación de un conjunto de realizaciones del estado del mar sin la acumulación de errores autorregresivos.

Resultados Clave
Evaluado en un conjunto de prueba de 2004 (que incluye el tifón Sudal) y años subsiguientes, el modelo de difusión demuestra lo siguiente:

• Desempeño de Variables Globales: El modelo logra predicciones hábiles para las variables globales. El Error Cuadrático Medio (RMSE) para la altura significativa de la ola es de 0.27 m, comparable a las discrepancias entre observaciones e hindcasts tradicionales. El Coeficiente de Correlación de Anomalía (ACC) es de 0.96 para $H_s$. Aunque el RMSE es ligeramente superior al de los modelos autorregresivos de corto plazo, es comparable al de los pronósticos de largo plazo (360 horas), a pesar de que el modelo de difusión genera cada instantánea de forma independiente basándose únicamente en el forzamiento del viento.
• Calibración del Conjunto (Ensemble): La dispersión del conjunto está bien calibrada, con Relaciones de Dispersión-Habilidad (SSR) para las variables globales situadas entre 0.9 y 1.1. Las regiones de alto error absoluto corresponden a una alta dispersión del conjunto, particularmente para la dirección de las olas, lo que sugiere que el modelo identifica correctamente la incertidumbre en áreas con sistemas de olas que se intersectan.
• Variables de Partición y Derivadas:
  • El modelo predice con éxito el Índice de Mar Cruzado con un Brier Skill Score de ~0.4, superando la climatología mensual.
  • Las variables a nivel de partición (por ejemplo, $H_{sp1}, T_{p1}$) muestran errores más altos y subdispersión (SSR < 1) en comparación con las variables globales, lo que refleja la dificultad intrínseca de resolver espectros multimodales.
  • Las variables derivadas como la deriva de Stokes se muestrean bien con una baja dispersión del conjunto. Sin embargo, para la Pendiente Cuadrática Media (MSS), la inclusión de la historia del viento degradó ligeramente el RMSE, lo que sugiere que los momentos de orden superior pueden depender menos de las historias largas del viento o que un enfoque determinista podría ser suficiente para estos objetivos específicos.
• Consistencia Física: La distribución conjunta de la altura y el periodo de la ola no dimensional preserva las leyes de escala física (por ejemplo, la ley de Toba) observadas en los datos del hindcast.
• Eficiencia Computacional: El modelo de difusión ofrece una aceleración sustancial, logrando una velocidad más de 20 veces superior en tiempo de ejecución (wall-clock time) en comparación con el modelo espectral numérico.

Significancia y Reivindicaciones
El artículo sostiene que el muestreo del estado del mar basado en la difusión ofrece un camino prometedor hacia el pronóstico probabilístico del oleaje y el acoplamiento eficiente de la información del estado del mar en modelos más amplios del sistema terrestre. Las contribuciones clave son:

1. Marco Probabilístico: Proporciona un conjunto calibrado de estados del mar sin las prohibiciones computacionales de ejecutar modelos espectrales en modo de conjunto.
2. Más allá de las Variables Globales: Demuestra la viabilidad de utilizar modelos generativos profundos para estimar variables relacionadas con particiones y variables derivadas (deriva de Stokes, MSS) que típicamente son inaccesibles o demasiado costosas de calcular en entornos operativos en tiempo real.
3. Flexibilidad No Autorregresiva: Al condicionarse en la historia del viento en lugar de utilizar pasos temporales autorregresivos, el modelo evita la acumulación de errores y permite consultar de manera flexible las variables del estado del mar en cualquier intervalo temporal.
4. Potencial de Asimilación de Datos: La capacidad de generar estimaciones probabilísticas de bajo costo de las particiones de las olas y de las cantidades derivadas podría facilitar el desarrollo de algoritmos avanzados de asimilación de datos que aprovechen las mediciones detalladas de las olas de las plataformas satelitales modernas (por ejemplo, SAR).

Los autores mantienen un tono modesto, reconociendo que las predicciones a nivel de partición siguen siendo un desafío y que las métricas reportadas podrían mejorar con refinamientos arquitectónicos adicionales, como la exploración del espacio latente o campos de condicionamiento adicionales. Enfatizan que este trabajo sirve como una prueba de concepto para la aplicación de modelos de difusión a campos geofísicos complejos y de alta dimensión más allá de los parámetros globales estándar.