技術概要：Njord – 集合海洋予報のための確率論的グラフニューラルネットワーク

問題定義

海洋力学は本質的にカオス的であるにもかかわらず、既存の機械学習（ML）海洋モデルは主に決定論的な予報を生み出している。これらのモデルは通常、平均二乗誤差（MSE）を最小化するように設計されており、未来状態の条件付き平均への予測を促すため、完全な予測分布を捉えることができない。その結果、微細なスケールのばらつきを平滑化し、極端な事象の発生確率に関する洞察を提供する能力が限定的となる。リスク軽減が予報の信頼性と可能なシナリオのスペクトルを理解することに依存する運用上の意思決定においては、単一の軌跡では不十分な場合が多い。条件付き生成モデルが確率論的気象予報のために登場しているが、本研究以前に海洋分野において同様の確率論的データ駆動モデルは存在しなかった。さらに、高解像度の全球グリッド（0.25°）や不規則な地域ドメイン（例：2km のバルト海）にそのようなモデルをスケーリングすることは、メモリ、計算効率、および不規則な海岸線幾何学の処理に関する重大な課題を呈する。

手法

著者らは、短期・高解像度の全球および地域海洋予報のための確率論的データ駆動モデル「Njord」を導入する。Njord は、深層潜在変数フレームワークとグラフニューラルネットワーク（GNN）アーキテクチャを組み合わせ、各予報ステップを単一のフォワードパスでサンプリング可能にする。

中核アーキテクチャ

Njord は、海洋物理学に特化した特定の修正を加えた Graph-EFM 潜在変数モデル（元々は気象向けに設計）を拡張している：

1. 潜在変数フレームワーク: モデルは、初期海洋状態 $X_{-p+1:0}$ と強制入力 $F$ を未来状態の分布にマッピングする。確率性を導入するために、ガウス分布 $N(\mu_t, I)$ からサンプリングされた潜在変数 $Z_t$ を通じて階層的 GNN を採用する。事前平均 $\mu_t$ は、別の GNN エンコーダによって学習される。
2. 残差予測: ネットワークは残差 $\hat{r}_t$ を予測し、これを直前の状態 $X_{t-1}$ に加算して予報 $\hat{X}_t$ を生成する。
3. グラフ適応（K-means クラスタメッシュ）: 二十面体メッシュを使用する全球気象モデルとは異なり、Njord は K-means クラスタに基づくグラフ構築 を利用する。ノードは、緯度に基づく面積重みを用いた球面 K-means クラスタリングにより、海洋グリッド点の密度に基づいて配置される。このアプローチは以下の利点を持つ：
   • グラフの接続性を断ち切ることなく、湾、海峡、運河などの海洋表面の不規則な幾何学形状に適応する。
   • 二十面体细分に固有の離散的解像度ジャンプを回避し、ノード数の連続的な選択を可能にする。
   • 陸地を横断するエッジをフィルタリングし、グラフが海洋点のみで動作することを保証する。
4. 海氷モデリング: 物理的制約（海氷濃度が [0, 1] に制限される；海氷厚さが $\ge$ 0）を処理するため、Njord は 密度チャネル メカニズムとソフトクランプを組み合わせて使用する。他の変数とともに二値の密度チャネルを予測し、予測された密度がしきい値を下回る場合、次の状態において氷関連変数をゼロに設定する。これにより、自己回帰的なロールアウト中に非物理的な残差値が蓄積するのを防ぐ。
5. スケーラビリティ: 大規模な全球グリッド（0.25°）のメモリフットプリントを管理するため、著者らは GNN レイヤーを修正し、グリッドレベルの埋め込み、エッジ表現、およびグラフノード表現にそれぞれ異なる次元を使用する。また、勾配チェックポイントと 2 段階のトレーニングスケジュール（1°データでの事前学習、0.25°データでの微調整）を採用している。

地域拡張（Njord-Baltic）

このフレームワークは、全球海洋モデルから導出された 境界強制入力（$B_t$）を導入することで地域モデリングに適応されている。これにより、地域モデルは、境界において置換しようとするシステムからのデータに依存することなく、周囲の海洋状態を条件として扱うことができる。

訓練目的

Njord は、エビデンス下限（ELBO）と連続順位確率スコア（CRPS）の組み合わせを用いて訓練される。損失関数には、水深構造のマスクと、グリッドセルの面積、深度レベル、および日次変化の逆分散に基づく重み付けが含まれる。カリキュラム学習戦略が採用され、KL 発散項の段階的な活性化、多ステップロールアウト訓練の導入、そして最終的に CRPS 損失の有効化が行われる。

主要な貢献

1. 最初の確率論的全球海洋エミュレータ: Njord は、0.25°解像度で動作する、全球海洋物理学のための最初の生成集合予報モデルとして提示される。
2. 新規グラフレイアウト: 従来の二十面体または四角形メッシュと比較して、海洋表面の不規則な幾何学形状によりよく適合する、クラスタリングに基づくグラフレイアウトの導入。
3. 海氷の統合: 密度チャネルとクランプによる明示的な物理的制約を伴う海氷変数の組み込みにより、物理的に現実的な場を確保する。これは高解像度 ML 海洋モデルでしばしば欠落している機能である。
4. 包括的な評価: モデルは OceanBench ベンチマークに対して評価され、最先端の決定論的モデル（GLONET, WenHai, XiHe）および運用上の物理ベースシステム（GLO12）と競合する性能を示しつつ、較正された不確実性推定値を提供している。
5. 地域適応性: 2km 解像度のバルト海（Njord-Baltic）へのフレームワークの成功した適用により、決定論的ベースラインと同等の誤差を達成しつつ、確率論的予報を提供している。

結果

全球性能（0.25°）

• 精度: OceanBench ベンチマークにおいて、Njord は実世界観測（IV-TT CLASS-4 データセット）に対して評価された際、上層海洋変数において平均して最低の誤差を達成する。海面水温（SST）の予測において最も大きな改善を示し、運用ベースラインおよび他の ML エミュレータを上回る。
• 集合較正: 20 メンバーの集合は、10 日間の予報期間を通じて Spread-Skill Ratio（SSR）が 1 に向かって着実に増加し、良好な較正と信頼性の高い不確実性の表現を示している。
• 空間力学: 集合平均は、湾流や黒潮などの全球的な熱構造と急峻な勾配を正確に捉える。集合スプレッドは、力学的に活動的な領域における不確実性の増大した領域を正しく強調する。
• 効率性: Njord は、AMD MI250X GPU 上で 3 秒で単一の次のステップの集合メンバーをサンプリングする。

地域性能（バルト海、2km）

• 精度: Njord-Baltic は、確率論的予報を提供しながら、決定論的ベースライン（SeaCast）と同等の RMSE 値を達成する。
• 較正: 運用解析データによる微調整は、確率論的較正（より高い SSR）の持続的な改善をもたらす。
• 不確実性: 集合スプレッドは、デンマーク海峡（カテガットおよびスカゲラック）や限界海氷域など、高変動域を効果的に強調する。

意義と主張

本論文は、Njord が現在の ML モデルにおける「決定論的ギャップ」を克服することで、運用海洋予報において重要な前進を遂げたと主張している。高精度な予報と併せてよく較正された不確実性推定値を提供することにより、Njord は、海上航海から環境監視に至るまでの応用分野において、より良いリスク軽減と意思決定を可能にする。

著者らは、現在の垂直解像度はベンチマークには十分であるが、このフレームワークは将来の作業において、より多くの垂直レベル、追加の変数、および結合された海洋 - 大気システムにスケーリングするように設計されていると強調している。重要性は、ポイント予報の精度だけでなく、動的なばらつきを捉え、確率論的データ駆動海洋モデルではこれまで達成不可能だった解像度で不確実性を定量化する集合を生成する能力にある。この研究は、確率論的生成モデリングが大規模で不規則な海洋グリッドに成功裡にスケーリング可能であることを実証し、計算コストの高い数値シミュレーションに対する実用的な代替手段を提供している。