БАЙЕСОВСКАЯ ОПТИМИЗАЦИЯ МЕТОДА ИДЕНТИФИКАЦИИ МЕЗОМАСШТАБНЫХ ОКЕАНСКИХ ВИХРЕЙ В МОРЕ ЛАБРАДОР В ДАННЫХ ВИХРЕРАЗРЕШАЮЩЕГО МОДЕЛИРОВАНИЯ

  • М. А. Калинин Институт океанологии им. П.П. Ширшова РАН
  • П. С. Вереземская Институт океанологии им. П.П. Ширшова РАН
  • М. А. Криницкий Институт океанологии им. П. П. Ширшова РАН; Московский физико-технический институт (национальный исследовательский университет)
  • М. А. Борисов Институт океанологии им. П. П. Ширшова РАН; Московский физико-технический институт (национальный исследовательский университет)
  • Н. Д. Тилинина Институт океанологии им. П.П. Ширшова РАН
DOI: 10.29006/1564-2291.JOR-2024.52(4).4
Ключевые слова: море Лабрадор, субполярная Северная Атлантика, NEMO4, мезомасштабные вихри, байесовская оптимизация, парзеновский древовидный оценщик

Аннотация

Глубокая конвекция в море Лабрадор играет значительную роль в формировании климата Северного полушария. Вихревая активность в море Лабрадор, представленная кольцами Ирмингера, оказывает влияние на пространственно-временную неоднородность глубины перемешанного слоя. Автоматизированные методы идентификации вихрей широко используются как инструмент, позволяющий изучать вихревую активность на статистически значимых выборках. Однако, наиболее часто используемый метод поиска локальных экстремумов в большой степени зависит от множества параметров, выбираемых автором или пользователем метода. В данной работе разработан новый алгоритм идентификации мезомасштабных антициклонических вихрей в данных численного моделирования. С использованием подхода байесовской оптимизации были подобраны оптимальные значения гиперпараметров разработанного алгоритма идентификации вихрей. Качество идентификации в мере F1-score повышено до 0.232 по сравнению с 0.352 в базовой конфигурации.

Литература


  1. Akiba T., Sano S., Yanase T., Ohta T., Koyama M. Optuna: A next-generation hyperparameter optimization framework // Proceedings of the 25th ACM SIGKDD international conference on knowledge discovery & data mining. 2019. P. 2623–2631.

  2. Bergstra J., Bardenet R., Bengio Y., Kégl B. Algorithms for hyper-parameter optimization // Advances in neural information processing systems. 2011. Vol. 24.

  3. Chanut J., Barnier B., Lecointre A., Le Sommer J., Molines J. M., Penduff T., Bourdalle-Badie R., Treguier A. M., Madec G. Mesoscale eddies in the Labrador Sea and their contribution to convection and restratification // Journal of Physical Oceanography. 2008. Vol. 38. No. 8. P. 1617–1643.

  4. Holdsworth A. M., Myers P. G. The influence of high-frequency atmospheric forcing on the circulation and deep convection of the Labrador Sea // Journal of Climate. 2015. Vol. 28. No. 12. P. 4980–4996.

  5. Katsman C. A., Spall M. A., Pickart R. S. Boundary current eddies and their role in the restratification of the Labrador Sea // Journal of Physical Oceanography. 2004. Vol. 34. No. 9. P. 1967–1983.

  6. Klein A., Lemke C., Blumensath T., Friedrich C. Fast bayesian optimization of machine learning hyperparameters on large datasets // Artificial intelligence and statistics. PMLR, 2017. P. 528–536.

  7. Lilly J. M., Rhines P. B., Visbeck M., Davis R. E., Schott F., Fischer J. Observations of the Labrador Sea eddy field // Progress in Oceanography. 2003. Vol. 59. No. 1. P. 75–176.

  8. Marsh R., de Cuevas B. A., Coward A. C., Jacobs Z. L., Josey S. A., Nurser A. J. G. Recent changes in the North Atlantic circulation simulated with eddy-permitting and eddy-resolving ocean models // Ocean modelling. 2009. Vol. 28. No. 4. P. 226–239.

  9. Nencioli F., Dong C., Dickey T., Washburn L., McWilliams J. C. A vector geometry–based eddy detection algorithm and its application to a high-resolution numerical model product and high-frequency radar surface velocities in the Southern California Bight // Journal of atmospheric and oceanic technology. 2010. Vol. 27. No. 3. P. 564–579.

  10. Pennelly C., Myers P. G. Tracking Irminger Rings’ properties using a sub-mesoscale ocean model // Progress in Oceanography. 2022. Vol. 201. P. 102735.

  11. Rossum, Guido van, Drake Fred L. Python reference manual. Vol. 111. Amsterdam: Centrum voor Wiskunde en Informatica, 1995.

  12. Snoek J., Larochelle H., Adams R. P. Practical bayesian optimization of machine learning algorithms // Advances in neural information processing systems. 2012. Vol. 25. P. 2960–2968.

  13. Stouffer R. J., Seidov D., Haupt B. J. Climate response to external sources of freshwater: North Atlantic versus the Southern Ocean // Journal of Climate. 2007. Vol. 20. No. 3. P. 436–448.

  14. Verezemskaya P., Koldunov N., Danilov S., Wekerle C., Losch M., Schrum C., Schroeter J. A new regional model of the Subpolar Gyre based on NEMO4. Copernicus Meetings, 2023. No. EGU23-7251.

  15. Wu J., Yue X., Wu Y., Wang L., Tan Y. Hyperparameter optimization for machine learning models based on Bayesian optimization // Journal of Electronic Science and Technology. 2019. Vol. 17. No. 1. P. 26–40.

  16. Wolpert D. H., Macready, W. G. No free lunch theorems for optimization // IEEE transactions on evolutionary computation. 1997. Vol. 1 (1). P. 67–82.

Опубликован
2024-12-29
Выпуск
Том 52 № 4 (2024): Океанологические исследования
Раздел
Физика океана и климат

Передача авторских прав происходит на основании лицензионного договора между Автором и Федеральным государственным бюджетным учреждением науки Институт океанологии им. П.П. Ширшова Российской академии наук (ИО РАН)

Наиболее читаемые статьи этого автора (авторов)