Sampling sea state using a diffusion model

Resumo Técnico: Amostragem do Estado do Mar Usando um Modelo de Difusão

Definição do Problema
A previsão precisa do estado do mar é crítica para a segurança marítima operacional e para a modelagem acoplada do sistema terrestre, onde as ondas superficiais modulam as trocas ar-mar. Os modelos espectrais de ondas tradicionais (ex: WAVEWATCH-III) resolvem a equação de balanço da ação das ondas, mas são computacionalmente proibitivos para aplicações que exigem acoplamento de alta frequência ou previsões probabilísticas (ensemble). Embora abordagens recentes de aprendizado profundo tenham melhorado a previsão do tempo e das ondas, elas são predominantemente determinísticas, focam em variáveis agregadas (ex: altura significativa da onda) e frequentemente dependem de passos temporais autorregressivos, o que limita sua capacidade de capturar distribuições condicionais complexas e detalhes em nível de partição. Além disso, a estimativa probabilística do estado do mar permanece amplamente inexplorada devido ao custo computacional de executar modelos espectrais em um cenário de ensemble e à percepção de que a incerteza das ondas é governada unicamente pela incerteza do vento.

Metodologia
Os autores propõem uma estrutura de amostragem global do estado do mar baseada em Modelos Probabilísticos de Difusão de Denoising (DDPM). Diferente dos modelos autorregressivos que avançam através do tempo, esta abordagem amostra diretamente da complexa distribuição condicional das variáveis do estado do mar dado um histórico de forçante de vento global.

• Condicionamento de Entrada: O modelo condiciona-se a um histórico de 5 dias de campos de vento zonal e meridional globais ($U, V$), juntamente com campos auxiliares estáticos e dinâmicos, incluindo fração de gelo marinho e profundidade do oceano. A janela de 5 dias foi selecionada com base na escala de tempo aproximada da propagação de swell através das bacias oceânicas.
• Variáveis Alvo: O modelo é treinado para gerar uma ampla gama de variáveis do estado do mar, indo além de simples parâmetros agregados. Estas incluem:
  • Variáveis Agregadas: Altura significativa da onda ($H_s$), período médio da onda ($T_m$) e direção média da onda ($\theta_m$).
  • Variáveis Relacionadas a Partições: Variáveis que descrevem os dois sistemas de ondas mais energéticos (partições) em um determinado local, incluindo suas alturas, períodos e direções, bem como um Índice de Mar de Cruzamento (CI) binário indicando a presença de sistemas de ondas desalinhados e coexistentes.
  • Variáveis Derivadas: Stokes drift superficial ($U_{ss}, V_{ss}$) e Inclinação Quadrática Média (MSS), que são momentos de ordem superior do espectro relevantes para a mistura ar-mar e sensoriamento remoto.
• Arquitetura e Treinamento: A rede de denoising utiliza uma arquitetura de U-Net condicional com aproximadamente 90 milhões de parâmetros. Ela emprega uma máscara úmida (wet mask) para excluir regiões terrestres e cobertas por gelo durante o treinamento e o cálculo da perda. O modelo é treinado em um conjunto de dados de hindcast global de 30 anos gerado pelo WAVEWATCH-III (forçado por ventos ERA5), cobrindo os anos de 1993–2003 e 2005–2020.
• Amostragem: Durante a inferência, o modelo gera amostras removendo gradualmente o ruído Gaussiano de um estado inicial aleatório, condicionado ao histórico do vento. Isso permite a geração de um ensemble de realizações do estado do mar sem a acumulação de erro autorregressivo.

Principais Resultados
Avaliado em um conjunto de teste de 2004 (incluindo o Tufão Sudal) e anos subsequentes, o modelo de difusão demonstra o seguinte:

• Desempenho de Variáveis Agregadas: O modelo alcança previsões habilidosas para variáveis agregadas. O Erro Quadrático Médio (RMSE) para a altura significativa da onda é de 0,27 m, comparável às discrepâncias entre observações e hindcasts tradicionais. O Coeficiente de Correlação de Anomalia (ACC) é de 0,96 para $H_s$. Embora o RMSE seja ligeiramente superior ao de modelos autorregressivos de curto prazo, é comparável a previsões de longo prazo (360 horas), apesar de o modelo de difusão gerar cada snapshot de forma independente apenas a partir da forçante do vento.
• Calibração de Ensemble: A dispersão do ensemble é bem calibrada, com Razões de Dispersão-Habilidade (SSR) para variáveis agregadas situadas entre 0,9 e 1,1. Regiões de erro absoluto elevado correspondem a uma alta dispersão do ensemble, particularmente para a direção das ondas, sugerindo que o modelo identifica corretamente a incerteza em áreas com sistemas de ondas que se interceptam.
• Variáveis de Partição e Derivadas:
  • O modelo prevê com sucesso o Índice de Mar de Cruzamento com um Brier Skill Score de ~0,4, superando a climatologia mensal.
  • Variáveis de nível de partição (ex: $H_{sp1}, T_{p1}$) apresentam erros mais altos e subdispersão (SSR < 1) em comparação com variáveis agregadas, refletindo a dificuldade intrínseca de resolver espectros multimodais.
  • Variáveis derivadas como o Stokes drift são bem amostradas com baixa dispersão do ensemble. No entanto, para a Inclinação Quadrática Média (MSS), a inclusão do histórico do vento degradou levemente o RMSE, sugerindo que momentos de ordem superior podem ser menos dependentes de históricos de vento longos ou que uma abordagem determinística pode ser suficiente para esses alvos específicos.
• Consistência Física: A distribuição conjunta de altura e período de onda não dimensionais preserva as leis de escala física (ex: lei de Toba) observadas nos dados do hindcast.
• Eficiência Computacional: O modelo de difusão oferece uma aceleração substancial, alcançando um aumento de velocidade de mais de 20 vezes no tempo de execução (wall-clock time) em comparação com o modelo espectral numérico.

Significância e Alegações
O artigo afirma que a amostragem do estado do mar baseada em difusão oferece um caminho promissor para a previsão probabilística de ondas e o acoplamento eficiente de informações do estado do mar em modelos mais amplos do sistema terrestre. As principais contribuições são:

1. Estrutura Probabilística: Fornece um ensemble calibrado de estados do mar sem as proibições computacionais de executar modelos espectrais em modo de ensemble.
2. Além das Variáveis Agregadas: Demonstra a viabilidade de usar modelos generativos profundos para estimar variáveis relacionadas a partições e variáveis derivadas (Stokes drift, MSS) que são tipicamente inacessíveis ou custosas demais para serem computadas em configurações operacionais em tempo real.
3. Flexibilidade Não-Autorregressiva: Ao condicionar-se no histórico do vento em vez de passos temporais autorregressivos, o modelo evita a acumulação de erro e permite a consulta flexível de variáveis do estado do mar em qualquer intervalo temporal.
4. Potencial de Assimilação de Dados: A capacidade de gerar estimativas probabilísticas de baixo custo de partições de ondas e quantidades derivadas pode facilitar o desenvolvimento de algoritmos avançados de assimilação de dados que utilizam medições detalhadas de ondas de plataformas de satélite modernas (ex: SAR).

Os autores mantêm um tom modesto, reconhecendo que as previsões de nível de partição permanecem desafiadoras e que as métricas relatadas poderiam provavelmente ser melhoradas com refinamentos arquiteturais adicionais, como exploração de espaço latente ou campos de condicionamento adicionais. Eles enfatizam que este trabalho serve como uma prova de conceito para a aplicação de modelos de difusão a campos geofísicos complexos e de alta dimensão além dos parâmetros agregados padrão.