Can neural networks predict steady annual cycles of marine ecosystems?

Abstract

We used artificial neural networks to replace the complete spin-up procedure that computes a steady annual cycle of a marine ecosystem driven by ocean transport. The networks took only the few biogeochemical model parameters and attempted to predict the spatially distributed concentrations of the ecosystem, in this case only nutrients, for one time point of the annual cycle. The ocean circulation was fixed for all parameters. Different network topologies, sparse networks, and hyperparameter optimization using a genetic algorithm were used. This showed that all studied networks can produce a distribution that is point-wise close to the original spin-up result. However, these predictions were far from being annually periodic, such that a subsequent spin-up was necessary. In this way, the overall runtime of the spin-up could be reduced by 13% on average. It is debatable whether this procedure is useful for the generation of initial values, or whether simpler methods can achieve faster convergence. Wir haben künstliche neuronale Netze verwendet, um den kompletten Spin-up zu ersetzen, mit dem ein stetiger Jahreszyklus eines marinen, durch den Ozeantransport angetriebenen Ökosystems berechnet wird. Die Netze nahmen nur die wenigen biogeochemischen Modellparameter und versuchten, die räumlich verteilten Konzentrationen des Ökosystems, hier nur Nährstoffe, für einen Zeitpunkt des Jahreszyklus vorherzusagen. Die Ozeanzirkulation war für alle Parameter fest. Es wurden verschiedene Netzwerktopologien, „sparse networks“ und ein Hyperparametertuning durch einen genetischen Algorithmus verwendet. Alle Netze konnten eine Verteilung erzeugen, die dem ursprünglichen Spin-up-Ergebnis punktweise ähnlich war. Allerdings waren die Vorhersagen weit davon entfernt, jahresperiodisch zu sein, weshalb ein nachträglicher Spin-up nötig war. So konnte die Gesamtlaufzeit des Spin-ups im Durchschnitt um 13 % reduziert werden. Es bleibt fraglich, ob dieses Verfahren sinnvoll ist, um Anfangswerte zu generieren, oder ob einfachere Methoden eine schnellere Konvergenz erreichen können.