데이터 기반의 전 지구 해양 예측 앙상블 기법

Data-driven ensemble prediction of the global ocean

데이터 기반 모델은 결정론적 해양 예측 기술을 발전시켰지만, 머신러닝을 활용하여 전 지구 해양의 확률적 예측을 수행하는 것은 여전히 해결해야 할 과제입니다. 본 연구에서는 FuXi-ONS를 소개합니다. 이는 전 지구 해양을 위한 최초의 머신러닝 기반 앙상블 예측 시스템으로, 해수면 온도, 해수면 높이, 심해 온도, 염분, 해류에 대한 5일 예측을 전 지구 1° 격자에서 최대 365일까지 제공합니다. FuXi-ONS는 계산 비용이 많이 드는 수치 모델을 반복적으로 통합하는 대신, 물리적으로 구조화된 변동을 학습하고, 장기 예측을 안정화하기 위해 대기 정보 모듈을 통합합니다. GLORYS12 재분석 데이터를 사용하여 평가한 결과, FuXi-ONS는 결정론적 모델 및 노이즈를 추가한 기준 모델에 비해 앙상블 평균 예측 정확도와 확률적 예측 품질을 모두 향상시켰습니다. 또한, SST(해수면 온도) 및 Niño3.4 변동성에 대한 기존의 계절 예측 모델과 경쟁력 있는 성능을 보이며, 기존 앙상블 시스템보다 훨씬 빠른 속도로 작동합니다. 이러한 결과는 머신러닝이 해양 과학의 핵심적인 문제를 해결하는 강력한 사례를 제시하며, 효율적인 확률적 해양 예측 및 기후 위험 평가를 위한 실용적인 방법을 제시합니다.

Data-driven models have advanced deterministic ocean forecasting, but extending machine learning to probabilistic global ocean prediction remains an open challenge. Here we introduce FuXi-ONS, the first machine-learning ensemble forecasting system for the global ocean, providing 5-day forecasts on a global 1° grid up to 365 days for sea-surface temperature, sea-surface height, subsurface temperature, salinity and ocean currents. Rather than relying on repeated integration of computationally expensive numerical models, FuXi-ONS learns physically structured perturbations and incorporates an atmospheric encoding module to stabilize long-range forecasts. Evaluated against GLORYS12 reanalysis, FuXi-ONS improves both ensemble-mean skill and probabilistic forecast quality relative to deterministic and noise-perturbed baselines, and shows competitive performance against established seasonal forecast references for SST and Niño3.4 variability, while running orders of magnitude faster than conventional ensemble systems. These results provide a strong example of machine learning advancing a core problem in ocean science, and establish a practical path toward efficient probabilistic ocean forecasting and climate risk assessment.