🔬 physics

NORi: An ML-Augmented Ocean Boundary Layer Parameterization

NORi एक नवीन, भौतिकी-आधारित मशीन लर्निंग पैरामीट्राइजेशन है जो न्यूरल ऑर्डिनरी डिफरेंशियल इक्वेशंस को रिचर्डसन नंबर-निर्भर क्लोजर के साथ जोड़ता है ताकि जलवायु मॉडलों में महासागरीय सीमा परत के विक्षोभ और एंट्रेनमेंट डायनेमिक्स का सटीक और स्थिर रूप से अनुकरण किया जा सके, जो न्यूनतम प्रशिक्षण डेटा की आवश्यकता के साथ पारंपरिक विधियों से बेहतर प्रदर्शन करता है और दीर्घकालिक संख्यात्मक स्थिरता सुनिश्चित करता है।

मूल लेखक: Xin Kai Lee, Ali Ramadhan, Andre Souza, Gregory LeClaire Wagner, Simone Silvestri, John Marshall, Raffaele Ferrari

प्रकाशित 2026-05-20

📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Xin Kai Lee, Ali Ramadhan, Andre Souza, Gregory LeClaire Wagner, Simone Silvestri, John Marshall, Raffaele Ferrari

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

यहाँ "NORi: An ML-Augmented Ocean Boundary Layer Parameterization" पेपर का सरल, रोज़मर्रा की भाषा में अनुवाद दिया गया है:

बड़ी समस्या: समुद्र को देखना बहुत छोटा है

कल्पना कीजिए कि आप पूरे ग्रह के लिए मौसम का पूर्वानुमान लगाने की कोशिश कर रहे हैं। आपके पास एक विशाल मानचित्र है, लेकिन यह बड़े टाइल्स से बना है, जिनमें से प्रत्येक 10 किलोमीटर चौड़ा है। इस मानचित्र पर, आप बड़े तूफ़ान और समुद्री धाराएँ देख सकते हैं। हालाँकि, समुद्र ऊपर के कुछ सौ मीटरों में होने वाले छोटे, अराजक भंवरों और मिश्रण प्रक्रियाओं से भरा हुआ है—जैसे लहरों पर बनने वाला झाग या यह कि कैसे ठंडी हवा सतह के पानी को ठंडा करती है। ये छोटे भंवर आपके विशाल मानचित्र के टाइल्स में फिट होने के लिए बहुत छोटे हैं।

जलवायु विज्ञान में, हम इन छोटी प्रक्रियाओं को "सबग्रिड-स्केल" (subgrid-scale) प्रक्रियाएं कहते हैं। हमारे बड़े मानचित्रों को काम करने के लिए, वैज्ञानिकों को यह अनुमान लगाना पड़ता है कि ये छोटे भंवर क्या कर रहे हैं। वे "पैरामीट्रिज़ेशन" (parameterizations) का उपयोग करते हैं—जो मूल रूप से सरलीकृत नियमपुस्तिका या सूत्र हैं जो कहते हैं, "जब हवा इतनी ज़ोर से चलती है, तो पानी इतना अधिक मिश्रित होता है।"

पुरानी नियमपुस्तिका बनाम नया हाइब्रिड

दशकों से, वैज्ञानिक भौतिकी-आधारित नियमपुस्तिकाओं का उपयोग करते आए हैं। इसे एक सख्त इंजीनियर द्वारा लिखी गई नियमावली की तरह समझें। ये ज्ञात नियमों (जैसे गर्मी कैसे गर्म से ठंडे की ओर बढ़ती है) पर आधारित होती हैं।

अच्छाई: वे तेज़ और स्थिर हैं।
बुराई: वे कुछ पेचीदा भौतिकी को समझने में चूक जाती हैं। विशेष रूप से, उन्हें एंट्रेनमेंट (entrainment) समझाने में कठिनाई होती है।

एंट्रेनमेंट क्या है? कल्पना कीजिए कि चूल्हे पर सूप का एक बर्तन रखा है। यदि आप ऊपर को ठंडा करते हैं, तो ठंडा सूप नीचे बैठता है, लेकिन वह केवल सतह पर ही नहीं रुकता। वह एक प्लंजर (plunger) की तरह नीचे की ओर गोता लगाता है, और नीचे के गर्म सूप को ऊपर की ओर खींच लाता है। यह "गोता लगाने" की क्रिया 'नॉन-लोकल' (non-local) है; यह मिश्रित परत के निचले हिस्से में होती है लेकिन इसका कारण ऊपर हो रही हलचल है। पुरानी नियमपुस्तिकाएँ एक ऐसी रेसिपी की तरह हैं जो केवल बर्तन को धीरे से चलाने को जानती हैं; वे उस गहरे, गोता लगाने वाले एक्शन को सिम्युलेट करना नहीं जानतीं।

मिलिए NORi से: "स्मार्ट असिस्टेंट"

लेखकों ने NORi (Neural Ordinary differential equations Richardson number) नामक एक नया टूल बनाया है। NORi को पुरानी नियमपुस्तिका के विकल्प के रूप में नहीं, बल्कि उससे जुड़े एक स्मार्ट असिस्टेंट के रूप में देखें।

आधार (इंजीनियर): NORi एक सरल, भौतिकी-आधारड सूत्र (जिसे "बेस क्लोजर" कहा जाता है) से शुरू होता है। यह हिस्सा आसान चीज़ों को संभालता है: हवा और स्थानीय तापमान के अंतर के कारण होने वाली हल्की हलचल। यह एक कार के इंजन की तरह है—यह भारी काम करता है।
न्यूरल नेटवर्क (AI को-पायलट): लेखकों ने इसमें एक छोटा, अत्यधिक अभिव्यंजक आर्टिफिशियल इंटेलिजेंस (AI) मस्तिष्क जोड़ा है। यह AI शून्य से पूरा समुद्र सीखने की कोशिश नहीं करता है। इसके बजाय, यह केवल उस लापता हिस्से को सीखता है: गहरा गोता लगाना (एंट्रेनमेंट) जिसे इंजीनियर का सूत्र छोड़ देता है।

उपमा: कल्पना कीजिए कि आप एक कार (समुद्र मॉडल) चला रहे हैं। इंजन (भौतिकी) आपको आगे बढ़ाता है। लेकिन कभी-कभी, आपको एक कठिन, घुमावदार पहाड़ी सड़क (एंट्रेनमेंट) से गुजरना पड़ता है। AI एक को-पायलट है जो केवल तभी स्टीयरिंग संभालता है जब सड़क घुमावदार हो जाती है, और कार को उन मोड़ों के माध्यम से निर्देशित करता है जिन्हें अकेला इंजन मिस कर देता।

उन्होंने इसे कैसे प्रशिक्षित किया: "भविष्य" से सीखना

आमतौर पर, जब आप एक AI को प्रशिक्षित करते हैं, तो आप उसे एक स्नैपशॉट दिखाते हैं और पूछते हैं, "अभी सही उत्तर क्या है?" (जैसे, "यहाँ हवा की गति है; मिश्रण का प्रवाह क्या है?")। लेखकों ने पाया कि इससे AI अस्थिर हो जाता था। यह एक छात्र को एक एकल प्रश्न के उत्तर रटने के लिए सिखाने जैसा था, लेकिन जब वे अंतिम परीक्षा (वर्षों तक मॉडल चलाना) देते थे, तो वे असफल हो जाते थे क्योंकि वे कहानी के प्रवाह को नहीं समझते थे।

इसके बजाय, उन्होंने ए पोस्टेरियोरी ट्रेनिंग (परिणाम से सीखना) का उपयोग किया।

विधि: उन्होंने एक अत्यंत विस्तृत, उच्च-रिज़ॉल्यूशन वाला सिमुलेशन (जिसे "ग्राउंड ट्रुथ" कहा जाता है) चलाया जिसमें हर छोटे भंवर को पकड़ा गया था। फिर, उन्होंने अपने सरल NORi मॉडल को उसके साथ चलने दिया।
सबक: उन्होंने AI से एक विशिष्ट सेकंड में फ्लक्स (flux) से मेल खाने के लिए नहीं पूछा। उन्होंने पूछा, "2 दिन तक चलने के बाद, क्या आपका तापमान और लवणता (salinity) उच्च-रिज़ॉल्यूशन सिमुलेशन से मेल खाती है?"
परिणाम: AI ने समय के साथ अपने व्यवहार को समायोजित करना सीखा ताकि यह सुनिश्चित हो सके कि पूरी यात्रा सही हो, न कि केवल एक कदम। यह एक छात्र को यह सिखाने जैसा है कि "केवल प्रश्न 1 का सही उत्तर मत दो; सुनिश्चित करो कि तुम पूरी कहानी वाले सवाल को सही ढंग से हल कर सको।"

यह गेम-चेंजर क्यों है?

पेपर का दावा है कि NORi एक साथ तीन बड़ी समस्याओं को हल करता है:

सटीकता (Accuracy): परीक्षणों में, NORi ने पुरानी नियमपुस्तिकाओं की तुलना में उच्च-रिज़ॉल्यूशन "ग्राउंड ट्रुथ" सिमुलेशन के साथ बहुत बेहतर प्रदर्शन किया, विशेष रूप से तब जब समुद्र ठंडा हो रहा था और गोता लगा रहा था (convection)। इसने सबसे जटिल और महंगे मॉडलों (जैसे $k-\epsilon$ मॉडल) के समान प्रदर्शन किया, लेकिन यह बहुत सरल था।
स्थिरता (Stability): यह सबसे बड़ी जीत है। कई AI मॉडल लंबे समय तक चलने पर क्रैश हो जाते हैं या बिगड़ जाते हैं (जैसे किसी वीडियो गेम के पात्र का 10 घंटे के बाद ग्लिच होना)। क्योंकि NORi को पूरी टाइमलाइन को स्थिर रखने के लिए प्रशिक्षित किया गया था, इसलिए यह 2-दिवसीय स्नैपशॉट पर प्रशिक्षित होने के बावजूद, बिना क्रैश हुए 100 वर्षों तक सिमुलेशन में चल सका।
गति (Speed): NORi एक "जीरो-इक्वेशन" मॉडल है, जिसका अर्थ है कि इसे भारी-भरकम मॉडलों की तरह अतिरिक्त जटिल गणितीय समीकरणों को हल करने की आवश्यकता नहीं है। यह बहुत बड़े टाइम स्टेप्स (1 घंटे तक) के साथ चल सकता है, जिससे यह वैश्विक जलवायु सिमुलेशन के लिए बहुत तेज़ हो जाता है।

वास्तविक दुनिया का परीक्षण

लेखकों ने अपने NORi का परीक्षण प्रशांत महासागर में ओशन वेदर स्टेशन पापा (Ocean Weather Station Papa) के वास्तविक डेटा के विरुद्ध किया। उन्होंने वास्तविक मौसम डेटा का उपयोग करके 120 दिनों (पतझड़ से सर्दियों तक) के लिए मॉडल चलाया।

परिणाम: NORi ने समुद्र के तापमान और लवणता की भविष्यवाणी लगभग पूरी तरह से की, और यह अत्याधुनिक मॉडलों के समान ही वास्तविक अवलोकनों से मेल खाता था।
आश्चर्य: भले ही NORi को आदर्श, स्थिर मौसम पर प्रशिक्षित किया गया था, फिर भी इसने वास्तविक दुनिया के बदलते मौसम को पूरी तरह से संभाला। इसे पता था कि कब अपने AI मस्तिष्क को "चालू" करना है (मजबूत कूलिंग के दौरान) और कब साधारण भौतिकी इंजन को कार्यभार संभालने देना है (शांत हवाओं के दौरान)।

सारांश

NORi समुद्र की सतह के मिश्रण को मॉडल करने का एक नया तरीका है। भौतिकी को बदलने के लिए एक विशाल, जटिल AI बनाने के बजाय, लेखकों ने एक सरल भौतिकी इंजन बनाया और उसे अपनी कमियों को ठीक करने के लिए एक छोटा, स्मार्ट AI असिस्टेंट दिया। इस असिस्टेंट को केवल वर्तमान क्षण के बजाय लंबी अवधि की यात्रा पर ध्यान केंद्रित करने के लिए प्रशिक्षित करके, उन्होंने एक ऐसा मॉडल बनाया जो तेज़, एक सदी के लिए स्थिर और अत्यधिक सटीक है। यह "सर्वश्रेष्ठ का मिश्रण" वाला दृष्टिकोण है जो सरल भौतिकी और शक्तिशाली मशीन लर्निंग के बीच की खाई को पाटता है।

तकनीकी सारांश: NORi: एक ML-संवर्धित महासागरीय सीमा परत पैरामीट्राइजेशन

समस्या विवरण
वैश्विक महासागरीय जलवायु मॉडल आमतौर पर 10 किमी या उससे अधिक के रिज़ॉल्यूशन पर संचालित होते हैं, जो उन्हें ऊपरी महासागरीय सीमा परत (BL) में उप-ग्रिड स्केल विक्षोभ मिश्रण प्रक्रियाओं (subgrid-scale turbulent mixing processes) को स्पष्ट रूप से हल करने में असमर्थ बनाते हैं, जो मीटर से सेंटीमीटर के पैमाने पर होती हैं। ये मिश्रण प्रक्रियाएं, जो हवा, शीतलन और वाष्पीकरण द्वारा संचालित होती हैं, वायुमंडल और महासागरीय आंतरिक भाग के बीच ऊष्मा, कार्बन और ट्रेसर के आदान-प्रदान को नियंत्रित करती हैं। पारंपरिक पैरामीट्राइजेशन एक व्यापार-बंद (trade-off) का सामना करते हैं: सरल प्रथम-क्रम विसरणात्मक क्लोजर (जैसे, पैकानोव्स्की-फिलैंडर) गणनात्मक रूप से कुशल हैं लेकिन BL के आधार पर गैर-स्थानीय एंट्रेनमेंट (nonlocal entrainment) को पकड़ने में विफल रहते हैं, जबकि अधिक जटिल दो-समीकरण मॉडल (जैसे, $k$ - $\epsilon$ ) या बल्क स्कीम्स (जैसे, KPP) बेहतर सटीकता प्रदान करते हैं, लेकिन अक्सर उच्च गणना लागत या दीर्घकालिक एकीकरण समय में संख्यात्मक अस्थिरता से जूझते हैं। इसके अतिरिक्त, शुद्ध डेटा-संचालित मशीन लर्निंग (ML) दृष्टिकोण अक्सर लंबी अवधि के जलवायु सिमुलेशन में तैनात होने पर संख्यात्मक अस्थिरता और भौतिक असंगतता से ग्रस्त होते हैं, विशेष रूप से जब उन्हें तात्कालिक फ्लक्स के बजाय अस्थायी प्रक्षेपवक्र (temporal trajectories) पर प्रशिक्षित किया जाता है।

कार्यप्रणाली
लेखक NORi (न्यूरल ऑर्डिनरी डिफरेंशियल इक्वेशंस रिचर्डसन नंबर) पेश करते हैं, जो एक हाइब्रिड पैरामीट्राइजेशन है जो एक सरल भौतिकी-आधारित क्लोजर को ए पोस्टेरिओरी (a posteriori) रणनीति के माध्यम से प्रशिक्षित न्यूरल नेटवर्क के साथ संवर्धित करता है।

हाइब्रिड आर्किटेक्चर:
- आधार क्लोजर ("Ri"): स्थानीय ग्रेडिएंट रिचर्डसन नंबर ($Ri$) पर आधारित एक प्रथम-क्रम विसरणात्मक क्लोजर। यह घटक कतरनी (shear) और संवहन (convection) द्वारा संचालित स्थानीय मिश्रण को कैप्चर करता है, जिससे यह सुनिश्चित होता है कि मॉडल ज्ञात भौतिक स्केलिंग नियमों का पालन करता है और स्थिर स्थिरता ( $N^2 \geq 0$ ) बनाए रखता है।
- न्यूरल नेटवर्क घटक ("NO"): मिश्रित परत के आधार पर तापमान और लवणता के गैर-स्थानीय एंट्रेनमेंट फ्लक्स की भविष्यवाणी करने के लिए न्यूरल ऑर्डिनरी डिफरेंशियल इक्वेशंस (NODEs) का उपयोग किया जाता है। ये नेटवर्क ऊर्ध्वाधर रूप से "कन्वॉल्व" (convolved) किए गए हैं, जो ग्रिड बिंदुओं के बीच भार (weights) साझा करते हैं, और केवल एक विशिष्ट "एंट्रेनमेंट ज़ोन" के भीतर सक्रिय होते हैं (जिसे $Ri$ मानदंड के माध्यम से निदान किया जाता है)। इनपुट में स्थानीय ट्रेसर ग्रेडिएंट, रिचर्डसन नंबर और गैर-स्थानीय सतह उत्प्लावकता फ्लक्स (surface buoyancy flux) शामिल हैं। नेटवर्क उन अवशिष्ट फ्लक्स (residual fluxes) की भविष्यवाणी करते हैं जिन्हें आधार क्लोजर छोड़ देता है, विशेष रूप से संवहनी प्लूम्स (convective plumes) के कारण BL का गहरा होना।
प्रशिक्षण रणनीति (ए पोस्टेरिओरी अंशांकन):
- पारंपरिक ए प्रियोरी (a priori) प्रशिक्षण के विपरीत, जो तात्कालिक उप-ग्रिड फ्लक्स को मिलाता है, NORi ए पोस्टेरिओरी प्रशिक्षित है। लॉस फंक्शन मोटे तौर पर वर्गीकृत चरों (तापमान, लवणता, वेग) के पूर्ण समय-एकीकृत प्रक्षेपवक्रों पर निर्भर करता है, न कि तात्कालिक फ्लक्सों पर।
- प्रशिक्षण में एक 1D कॉलम मॉडल का उपयोग किया जाता है जिसे पूरी तरह से डिफरेंशिएबल ODE सॉल्वर (Julia में Lux.jl और Enzyme.jl का उपयोग करके कार्यान्वित) का उपयोग करके समय में आगे एकीकृत किया जाता है। नेटवर्क वेट्स को अपडेट करने के लिए ग्रेडिएंट्स को ODE सॉल्वर के माध्यम से बैकप्रोपैगेट किया जाता है।
- क्यूरिकुलम लर्निंग (Curriculum Learning): प्रशिक्षण चरणों में आगे बढ़ता है जिसमें प्रगतिशील रूप से लंबे एकीकरण विंडो (15, 23.3, और 43.3 घंटे) का उपयोग किया जाता है ताकि संख्यात्मक स्थिरता और सामान्यीकरण सुनिश्चित हो सके।
- डेटा स्रोत: Oceananigans.jl के साथ जनरेट किए गए हाई-फिडेलिटी लार्ज-एडी सिमुलेशन (LES) वास्तविक सत्य (ground truth) के रूप में कार्य करते हैं। डेटासेट विविध शासन (regimes) को कवर करता है जिसमें कतरनी-संचालित, संवहन-संचालित और मिश्रित विक्षोभ शामिल हैं, जो विभिन्न रोटेशन, स्तरीकरण और ऊष्मागतिक स्थितियों (TEOS-10 समीकरण के अवस्था के साथ) के साथ भिन्न होते हैं।
भौतिक बाधाएं:
- आर्किटेक्चर न्यूरल नेटवर्क घटक के सतह और तल के फ्लक्स को शून्य निर्धारित करके ट्रेसर संरक्षण को लागू करता है।
- आधार क्लोजर यह सुनिश्चित करता है कि मॉडल हाइड्रोस्टेटिक सन्निकटन (hydrostatic approximation) का सम्मान करे और उन स्पूरियस घनत्व विलोमन (spurious density inversions) को रोकता है जो अक्सर हाइड्रोस्टेटिक फ्रेमवर्क में शुद्ध ML मॉडलों को प्रभावित करते हैं।

प्रमुख परिणाम

LES बनाम सटीकता: सिंगल-कॉलम कॉन्फ़िगरेशन में, NORi उच्च फिडेलिटी के साथ LES समाधानों से मेल खाता है, जो विशेष रूप से संवहन वाले शासन में बेस क्लोजर से काफी बेहतर प्रदर्शन करता है जहाँ एंट्रेनमेंट प्रमुख होता है। यह स्टेट-ऑफ-द-आर्ट $k$ - $\epsilon$ क्लोजर और हाल ही में विकसित CATKE (कन्वेक्टिव एडजस्टमेंट TKE) पैरामीट्राइजेशन के तुलनीय प्रदर्शन करता है।
सामान्यीकरण: NORi अनदेखे सत्यापन मामलों के प्रति मजबूत सामान्यीकरण प्रदर्शित करता है, जिसमें गैर-रेखीय ऊष्मागतिकी (दक्षिणी महासागर शासन) और समय-परिवर्तित सतह फ्लक्स शामिल हैं, भले ही इसे स्थिर फ्लक्स परिदृश्यों पर प्रशिक्षित किया गया हो।
अवलोकन संबंधी सत्यापन: जब ओशन वेदर स्टेशन पापा (OWS Papa) के 70 वर्षों के डेटा के विरुद्ध परीक्षण किया गया, तो NORi ने $k$ - $\epsilon$ और CATKE के समान कौशल के साथ बाउंड्री लेयर के मौसमी विकास को पुनरुत्पादित किया।
संख्यात्मक स्थिरता: एक महत्वपूर्ण निष्कर्ष NORi की दीर्घकालिक एकीकरण में स्थिरता है। जबकि इसे 2-दिवसीय क्षितिज पर प्रशिक्षित किया गया है, NORi एक आदर्श डबल-गायर सिमुलेशन में कम से कम 100 वर्षों के लिए संख्यात्मक रूप से स्थिर रहता है। इसके विपरीत, शुद्ध ML दृष्टिकोण जो ए प्रियोरी प्रशिक्षित होते हैं, अक्सर सीमित-समय विस्फोट (finite-time blowup) से ग्रस्त होते हैं।
टाइम स्टेप स्वतंत्रता: NORi 1 घंटे तक के टाइम स्टेप के साथ सटीकता बनाए रखता है, जबकि $k$ - $\epsilon$ मॉडल को अभिसरण (convergence) के लिए 30 मिनट से कम के टाइम स्टेप की आवश्यकता होती है। यह सुझाव देता है कि NORi उन बड़े पैमाने के मॉडलों के लिए कम्प्यूटेशनल लाभ प्रदान कर सकता है जो लंबे टाइम स्टेप पर निर्भर करते हैं।
कम्प्यूटेशनल लागत: एक नेटिव कार्यान्वयन में, NORi $k$ - $\epsilon$ की तुलना में प्रति टाइम स्टेप लगभग 15% धीमा है। हालांकि, $k$ - $\epsilon$ की तुलना में दोगुना लंबा टाइम स्टेप समर्थन करने की इसकी क्षमता को देखते हुए, लेखक तर्क देते हैं कि यह बड़े पैमाने के सिमुलेशन के लिए शुद्ध कम्प्यूटेशनल लाभ प्रदान करता है।

महत्व और दावे
यह पेपर दावा करता है कि NORi जलवायु मॉडलों के लिए पैरामीट्राइजेशन डिजाइन करने के लिए एक नया प्रतिमान (paradigm) प्रस्तुत करता है, जो भौतिकी-आधारित मॉडलिंग और मशीन लर्निंग को सफलतापूर्वक जोड़ता है। लेखक तर्क देते हैं कि:

प्रतिस्थापन के बजाय संवर्धन (Augmentation over Replacement): एक सरल, भौतिक रूप से कठोर आधार क्लोजर से शुरू करना और लापता भौतिकी (residuals) को पकड़ने के लिए ML के साथ संवर्धित करना, पूरे पैरामीट्राइजेशन को शून्य से सीखने के लिए न्यूरल नेटवर्क को प्रशिक्षित करने की तुलना में अधिक प्रभावी है। यह दृष्टिकोण डेटा आवश्यकताओं और मॉडल के आकार को काफी कम करता है जबकि सामान्यीकरण में सुधार करता है।
ए पोस्टेरिओरी प्रशिक्षण के माध्यम से स्थिरता: ए पोस्टेरिओरी अंशांकन का उपयोग, जहाँ लॉस को तात्कालिक फ्लक्स के बजाय अवस्था चरों के विकास द्वारा परिभाषित किया जाता है, दीर्घकालिक जलवायु एकीकरण में संख्यात्मक स्थिरता प्राप्त करने के लिए आवश्यक है। यह प्रशिक्षण वितरण को अनुमान स्थितियों (inference conditions) के साथ संरेखित करता है और अप्रत्यक्ष रूप से स्थिरता को बढ़ावा देता है।
व्यावहारिकता: NORi को मौजूदा महासागरीय मॉडलों (Oceananigans.jl में एकीकरण के माध्यम से प्रदर्शित) के साथ संगत होने के लिए डिज़ाइन किया गया है और यह वास्तविक गैर-रेखीय ऊष्मागतिकी (TEOS-10) का समर्थन करता है, जो इसे दो-समीकरण क्लोजर की अत्यधिक लागत के बिना ग्लोबल क्लाइमेट मॉडल्स में मिश्रित-परत गहराई पूर्वाग्रहों (mixed-layer depth biases) को सुधारने के लिए एक व्यवहार्य उम्मीदवार बनाता है।

लेखक सीमाओं को स्वीकार करते हैं, जैसे कि वर्तमान निश्चित ग्रिड रिज़ॉल्यूशन (8 मीटर) और गहरे संवहन भौतिकी (deep convection physics) तथा पुन: स्तरीकरण (restratification) प्रक्रियाओं का बहिष्करण, यह नोट करते हुए कि भविष्य का कार्य वेरिएबल ग्रिड सपोर्ट और वैश्विक महासागरीय सिमुलेशन के भीतर संयुक्त अंशांकन पर केंद्रित होगा।