hclimrep-ocean-oceanbench

HCLIMREP Ocean — OceanBench challenger forecasts 数据集包含了由 WeatherGenerator 机器学习地球系统模型生成的海洋预报，并附有使用 OceanBench 评估工具生成的评估报告。该数据集聚焦于 ft0818 模型，其提供了 2024 年每周三初始化的 10 天全球海洋预报，初始场来自 GLORYS 再分析前一天的预报。数据以 Zarr v2 格式存储，包含 52 个初始日期、10 个预报步长、9 个垂直深度层（0.494-541.089 米），以及 0.25° 分辨率的全球网格（纬度 -78.0 至 89.75，经度 -180.0 至 179.75）。数据变量包括海水势温度（thetao）、盐度（so）、东向流速（uo）、北向流速（vo）和海面高度（zos）。数据集还提供了 OceanBench 0.4.0 版本下的评估结果，包括与 GLORYS 再分析和观测数据的均方根误差（RMSD），以及拉格朗日轨迹偏差等指标。该数据集适用于海洋预报、模型验证和基准测试等任务，但需注意其评估结果仅针对特定 OceanBench 版本，且数据为模型原始输出，未进行后处理或偏差校正。The HCLIMREP Ocean — OceanBench challenger forecasts dataset contains ocean forecasts generated by the WeatherGenerator machine learning Earth system model, along with evaluation reports produced using the OceanBench assessment tool. The dataset focuses on the ft0818 model, which provides 10-day global ocean forecasts initialized every Wednesday of 2024, with initial fields from the previous days GLORYS reanalysis forecast. Data is stored in Zarr v2 format, comprising 52 initialization dates, 10 forecast lead times, 9 vertical depth levels (0.494-541.089 meters), and a global grid at 0.25° resolution (latitude -78.0 to 89.75, longitude -180.0 to 179.75). Variables include sea water potential temperature (thetao), salinity (so), eastward velocity (uo), northward velocity (vo), and sea surface height (zos). The dataset also provides evaluation results under OceanBench version 0.4.0, including root mean square difference (RMSD) against GLORYS reanalysis and observations, as well as Lagrangian trajectory deviation metrics. It is suitable for tasks such as ocean forecasting, model validation, and benchmarking. Note that the evaluation results are specific to this OceanBench version, and the data are raw model outputs without post-processing or bias correction.

原始信息汇总

数据集概述

HCLIMREP Ocean — OceanBench challenger forecasts 是一个由机器学习地球系统模型 WeatherGenerator 生成的全球海洋预报数据集，并附带在 OceanBench 基准框架下的评估结果。该数据集发布于 Hugging Face，采用 MIT 许可证。

模型与结构

数据集中包含一个已评估的模型 ft0818，其详细信息如下：

• 每个子目录对应一个评估模型，评分与特定 OceanBench 版本绑定，不可跨版本比较。
• 唯一的模型条目为 ft0818，使用 OceanBench 0.4.0 版本进行评估。
• 存储格式为 Zarr，并附带执行完毕的 OceanBench 报告笔记本。

预报内容与规格 (ft0818)

• 预报类型：为期 10 天的全球海洋预报，由 WeatherGenerator 运行 glory_finetuning_20260818_105654 生成。
• 初始化时间：2024 年全年共 52 个星期，每周三初始化（2024-01-03 至 2024-12-25），初始化数据来源于前一周二的 GLORYS 现报。
• 预测步长：lead_day_index 从 0 到 9，共计 10 天，每天输出日平均数据。
• 空间网格：0.25° 规则网格，纬度范围 -78.0 至 89.75，经度范围 -180.0 至 179.75。
• 垂直深度：9 个 OceanBench 参考深度（米）：0.494, 47.374, 92.326, 155.851, 222.475, 318.127, 380.213, 453.938, 541.089，直接取自模型 GLORYS 深度轴，无垂直插值。
• 数据变量（float32 类型）：
  • thetao：海水位温（°C）
  • so：海水盐度（PSU）
  • uo：东向海水流速（m/s）
  • vo：北向海水流速（m/s）
  • zos：海面高度（m）
• 数据维度：first_day_datetime (52), lead_day_index (10), depth (9), latitude (672), longitude (1440)。
• 存储格式：Zarr v2 格式，每个预报起始时间单独一个 chunk，磁盘占用约 39 GB，包含合并元数据。

使用方式

• 下载：可通过 hf download 命令下载指定目录。
• 读取：使用 Python 的 xarray.open_zarr 直接打开存储文件。
• 环境变量：challenger_ft0818.py 脚本通过 WG_CHALLENGER_STORE 环境变量读取存储路径。
• 复现报告：需要 OceanBench 0.4.0 环境和本地 OceanBench 参考数据。

评估结果（OceanBench 0.4.0，全球区域）

与 GLORYS 再分析数据的 RMSD（地表场）

指标	第1天	第5天	第10天
海面高度 (m)	0.0574	0.0569	0.0614
温度 (°C)	0.5692	0.5837	0.6416
盐度 (PSU)	0.4080	0.3925	0.3881
纬向流速 (m/s)	0.1136	0.1222	0.1288
经向流速 (m/s)	0.1133	0.1202	0.1257
混合层深度 (m)	49.11	49.49	50.68

与 GLORYS 再分析数据的 RMSD（深层温度与盐度）

指标	第1天	第5天	第10天
温度 50 m (°C)	0.8030	0.7764	0.8019
温度 100 m (°C)	0.9491	0.9237	0.9337
温度 200 m (°C)	0.7709	0.7583	0.7572
温度 500 m (°C)	0.4948	0.4849	0.4872
盐度 50 m (PSU)	0.2047	0.1997	0.1988
盐度 100 m (PSU)	0.1670	0.1636	0.1621
盐度 200 m (PSU)	0.1374	0.1344	0.1314
盐度 500 m (PSU)	0.0846	0.0827	0.0805

与观测数据的 RMSD（Class-4）

指标	第1天	第5天	第10天
海平面异常 (m)	0.0578	0.0648	0.0717
温度 0–5 m (°C)	0.8235	0.8840	0.9307
温度 5–100 m (°C)	1.0374	1.0485	1.0924
温度 100–300 m (°C)	0.8354	0.8647	0.9112
温度 300–600 m (°C)	0.5459	0.5637	0.5978
盐度 0–5 m (PSU)	0.2694	0.2658	0.2896
盐度 5–100 m (PSU)	0.3088	0.3351	0.3168
纬向流速 15 m (m/s)	0.2023	0.2074	0.2150
经向流速 15 m (m/s)	0.1853	0.1931	0.1976

地转流与拉格朗日轨迹漂移

指标	第1天	第5天	第10天
纬向地转流 (m/s)	0.2088	0.1913	0.1851
经向地转流 (m/s)	0.1828	0.1685	0.1635
拉格朗日轨迹偏差 (km)	—	36.16	—

拉格朗日偏差指标在第2至第9天有效，从第2天的 9.70 km 增长至第9天的 67.54 km。 笔记本中还包含 GLO12 分析数据的对比结果，可查阅完整报告。

数据来源

• 模型：WeatherGenerator 运行 glory_finetuning_20260818_105654，是先前 ft0808 检查点的十步微调版本。
• 推理：使用 133 通道 GLORYS v2 海洋流和 ERA5 大气流，通过 52 次单次预报运行完成。大气强迫仅在初始条件窗口提供，未来大气数据未被模型使用。
• 导出：使用 export_glorys_nc.py 从模型原生输出中提取 9 个参考深度。
• 评估：OceanBench 0.4.0，全球区域，未对预报进行后处理或偏差修正。

注意事项

• 混合层深度由 9 个输出层计算，离散化可能导致 RMSD 偏高。
• 评分针对 OceanBench 0.4.0 版本，不可与其他版本结果比较。
• 数据存储为 Zarr v2 格式，Zarr v3-only 读取器无法读取。
• 数据为原始模型输出未做截断，极少数盐度数据点略超出物理合理范围。

搜集汇总

数据集介绍

构建方式

该数据集源自欧洲中期天气预报中心WeatherGenerator机器学习地球系统模型，通过OceanBench挑战赛框架生成，涵盖2024年每周初始化的10日全球海洋预报。数据以Zarr v2格式存储，包含温度、盐度、流速及海面高度等变量，垂直层次采用GLORYS参考深度以避免插值误差，并按每次预报起始时间进行分块存储。评测流程依托OceanBench 0.4.0在全局区域执行，原始模型输出未经偏差校正，确保了数据的真实性。

特点

数据集具备高分辨率（0.25°全球网格）与多变量、多深度、多预报时效的细致结构，垂直层面严格对齐GLORYS参考层，规避了插值带来的不确定性。每个预报起始时间单独成块，便于分布式访问。此外，数据集携带了已执行的OceanBench评估报告，包含与GLORYS再分析及观测数据的详尽误差统计，为预报性能的横向比较提供了可靠基准，同时严格限定了版本兼容性以避免跨版本误读。

使用方法

使用者可通过huggingface_hub库下载数据，或采用xarray直接读取Zarr存储。为进一步简化调用，数据集附带了challenger脚本，可通过环境变量指定存储路径后无缝集成至OceanBench评测模板。重现报告需配置OceanBench 0.4.0环境及其参考数据，执行附带笔记本即可生成对照结果。此设计旨在为海洋预报研究提供即用型数据源，支持后续模型改进与多模型比较分析。

背景与挑战

背景概述

HCLIMREP Ocean - OceanBench challenger forecasts数据集由欧洲中期天气预报中心（ECMWF）的WeatherGenerator团队于2026年创建，旨在评估机器学习地球系统模型在海洋预报领域的性能。该数据集基于WeatherGenerator模型的微调运行glory_finetuning_20260818_105654，生成2024年全年52周的十日全球海洋预报，并通过OceanBench 0.4.0基准框架进行标准化评估。核心研究问题在于验证纯数据驱动的深度学习模型能否在无未来大气强迫的条件下，准确模拟海洋温度、盐度、流速及海面高度等关键物理量的时空演变，从而为海洋预报提供一种高效、可扩展的替代方案。数据集以Zarr格式存储，包含高分辨率（0.25°）的九层深度数据，并附有完整的评估报告，为海洋机器学习研究建立了可复现的基准，推动了该领域从传统数值模式向学习型预报范式的转型。

当前挑战

该数据集主要应对两大挑战。其一，海洋预报领域长期受限于数值模式的复杂物理参数化与高昂计算成本，而数据驱动模型需在有限训练数据下捕捉海洋动力过程的多尺度非线性特征，同时确保预报的物理一致性与长期稳定性；HCLIMREP Ocean通过提供多变量、多深度、长时间序列的标准化评测集，为衡量此类模型的泛化能力提供了严谨的参照系。其二，在数据集构建过程中，团队面临多重技术难题：包括将模型原生输出插值至九层参考深度时需避免垂直插值误差，需与OceanBench版本严格对齐以确保评分可比性，还需处理Zarr v2与v3格式兼容性以及混合层深度因离散化导致的诊断偏差；此外，原始输出未做裁剪，部分盐度数据点超出物理合理范围，这些均体现了构建高质量基准数据集的复杂性与对细节的极致追求。

常用场景

经典使用场景

在海洋预报与气候变化研究领域，该数据集作为OceanBench挑战赛的官方提交物，为全球海洋十日预报提供了一个标准化的评估基准。其典型的应用范式是：研究者利用WeatherGenerator模型生成的多变量海洋状态预测（涵盖温度、盐度、流速及海表面高度），通过OceanBench平台统一的评分协议，与GLORYS再分析资料及Class-4观测数据进行比较，从而系统评估不同机器学习模型在海洋动力过程预报中的性能。此类评估不仅限于表层，还延伸至九个标准深度层，支持对垂直结构预报技巧的细致剖析，成为对比研究不同预报系统性能的黄金参考。

衍生相关工作

该数据集的发布催生了多项延伸研究。基于其提供的预报存储，后续工作可深入地分析海洋预报的可解释性，例如通过注意力机制或特征归因方法识别影响长时程预报技巧的关键海洋变量与区域。此外，数据集中作为对照的GLORYS再分析伙伴数据，激发了关于机器学习预报与物理模型混合耦合的探讨，推动了将神经预报器输出同化为传统海洋环流模型的尝试。该数据集亦成为训练后处理降尺度模型或偏差订正算法的基准，促进新一代高时空分辨率海洋预报产品的研制，并催生了针对极端海洋事件（如海洋热浪）预报的专门化数据集的构建，丰富了海洋人工智能的应用生态。

数据集最近研究

最新研究方向

在物理海洋学与人工智能的交叉前沿，HCLIMREP Ocean数据集以其基于WeatherGenerator机器学习地球系统模型生成的全球海洋十日预报为核心，成为OceanBench挑战赛中的关键基准。该数据集深度融合了GLORYS再分析资料与ERA5大气强迫，通过微调策略优化预报精度，对海表温度、盐度、流场及混合层深度等关键物理量进行了系统性评估。研究聚焦于评估机器学习模型在中期海洋预报中的表现，探索其捕捉海洋动力过程的能力，并与传统数值模式进行对比。此数据集推动了海洋预报技术从经验统计向数据驱动的范式转变，其公开的预报结果与评估报告为可重复性研究树立了新标杆，对提升全球海洋监测与灾害预警能力具有深远意义。