Development of a Dynamical Downscaling Framework for Ocean Modeling Informed by Spectral and Submesoscale Structures = 스펙트럼 및 아중규모 특성을 반영한 해양 모델링 동역학적 다운스케일링 체계 개발

다국어 초록 (Multilingual Abstract)

Accurately simulating and predicting the marine environment requires a thorough understanding of oceanic processes occurring across a range of spatial scales. While oceanic global circulation models (OGCMs) are designed to represent large-scale ocean phenomena, they often lack the spatial resolution necessary to capture smaller-scale ocean dynamics. To address this limitation, dynamical downscaling techniques have been introduced to improve the representation of regional-scale oceanographic processes. By constructing regional ocean models, these approaches enable more detailed simulations of fine-scale dynamics. However, significant errors often arise during the downscaling process because small-scale oceanic structures are insufficiently included in the input data derived from OGCMs.
This study aims to overcome these limitations by developing a novel dynamical downscaling framework capable of effectively reproducing small- and intermediate-scale ocean dynamics in coastal regions. First, to assess the capabilities of traditional downscaling methods, a regional ocean model was implemented for the East Sea, and its performance was evaluated. The results revealed that conventional methods alone could not adequately reconstruct small-scale oceanic structures within a short simulation period, especially in regions with weak dynamic forcing. Even over longer simulation periods, the representation of submesoscale structures remained limited, and the kinetic energy at small and intermediate scales was significantly underestimated.
To address these challenges, a spectra-informed modeling framework, named BSEA Ⅱ, was developed. This method enables the three-dimensional reconstruction of small-scale features inherently absent from low-resolution input data. The BSEA Ⅱ model showed considerable improvements in restoring small-scale kinetic energy, particularly in cases with large spatial resolution gaps between the input and target grids. However, it remained insufficient for fully capturing submesoscale dynamics, which are essential in coastal environments.
To further enhance model performance, a machine learning-based approach termed submesoscale-informed modeling was developed. This technique uses low-resolution OGCM outputs as input and employs convolutional neural networks (CNNs) to reconstruct submesoscale ocean structures. It also predicts vertical velocity fields, which are not provided by OGCMs but are critical outputs of regional models. Incorporating mixed layer depth (MLD) as an additional input improved the accuracy of vertical velocity predictions, highlighting the value of including physically relevant variables. Moreover, this ML-based approach significantly reduced computational costs compared to traditional regional ocean simulations.
In conclusion, the integration of spectra-informed and submesoscale-informed modeling approaches demonstrated both high accuracy and computational efficiency in reproducing coastal ocean dynamics. These findings highlight the potential of combining machine learning with physics-based modeling to substantially improve regional ocean simulations. Furthermore, the reduced computational demand of the proposed framework suggests strong applicability for real-time or short-term ocean prediction tasks, such as marine pollutant tracking and vessel navigation.

국문 초록 (Abstract)

해양 환경을 정확하게 모의하고 예측하기 위해서는 다양한 공간 규모에서 발생하는 해양 과정을 이해하는 것이 필수적이다. 전지구적 규모의 해양순환모델은 대규모 해양 현상을 모의하도록 설계되었으나, 보다 작은 규모의 해양 역학을 표현하는 데 필요한 충분한 공간 해상도를 확보하지 못하는 경우가 많다. 이러한 이유로 지역 규모에서 나타나는 해양학적 현상을 보다 명확히 이해하기 위해 동적 규모축소 기법(dynamical downscaling)이 도입되었으며, 이를 통해 지역 해양 모델을 구축하여 세밀한 규모의 해양 과정을 재현하고 있다. 그러나 동적 규모축소 과정에서 전지구 해양순환모델의 입력자료에 소규모 해양 구조가 충분히 포함되지 않아, 지역 해양 모델 모의 과정에서 다양한 오류가 발생하고 있다. 본 연구는 이러한 한계를 극복하고자 새로운 동적 규모축소 기법을 개발하여 연안 지역에서 나타나는 소규모 및 중규모 해양 역학을 효과적으로 재현하는 것을 목적으로 한다.
본 연구는 우선 기존의 전통적인 동적 규모축소 방법이 소규모 해양 현상을 얼마나 잘 재현할 수 있는지 평가하기 위해, 동해를 대상으로 지역 해양 모델을 구축하고 성능 평가를 수행하였다. 그 결과, 기존의 방법만으로는 특히 역학적 강제력(stimulating source)이 약한 지역에서 단기간 내에 소규모 해양 구조를 충분히 복원하지 못하는 것으로 나타났다. 또한, 짧은 모의 기간뿐만 아니라 장기 모의 기간에서도 아중규모(submesoscale) 구조의 재현이 제한적이었으며, 소규모 및 중규모에서의 운동에너지가 과소평가되는 것으로 확인되었다.
이러한 한계를 극복하기 위해 본 연구에서는 스펙트럼 정보 기반 모델링 방법(spectra-informed modeling)인 ‘BSEA Ⅱ’를 개발하여, 저해상도의 입력자료에는 본질적으로 포함되지 않은 소규모 구조를 3차원적으로 인위적으로 복원할 수 있는 모델링 체계를 구축하였다. 개발된 BSEA Ⅱ 모델은 특히 입력 자료와 목표 해상도 간의 공간 해상도 격차가 클 때 소규모 운동에너지의 복원 성능을 크게 향상시켰으나, 연안 환경에서 중요한 아중규모 해양 역학까지 완벽하게 재현하지는 못하였다.
이를 보완하기 위해 추가적으로 머신러닝 기반의 ‘아중규모 정보 기반 모델링(submesoscale-informed modeling)’ 기법을 새롭게 개발하였다. 이 방법은 저해상도의 전지구 해양순환모델 결과를 입력자료로 사용하여 컨볼루션 신경망(CNN)을 통해 아중규모 해양 구조를 효과적으로 복원하고, 나아가 전지구 해양순환모델에서는 제공되지 않지만 지역 해양 모델에서만 산출 가능한 연직 속도장을 함께 복원하였다. 특히 혼합층 깊이(mixed layer depth)를 추가 입력 변수로 포함하여 연직 속도 예측의 정확성을 향상시켰으며, 이는 해양 현상을 정확히 표현하기 위해서는 물리 해양학적으로 주요한 변수의 반영이 필수적임을 시사한다. 더 나아가, 머신러닝 기반의 아중규모 정보 기반 모델링 방법론은 기존의 지역 해양순환모델을 이용한 모의 방법에 비해 계산 소요 시간을 획기적으로 단축하였다.
결론적으로, 본 연구에서 개발한 스펙트럼 정보 기반 모델링과 아중규모 정보 기반 모델링을 결합한 방법은 연안 해양 역학을 높은 정확도와 우수한 계산 효율성으로 동시에 달성하면서 효과적으로 재현하였다. 이러한 성과는 머신러닝과 물리기반 모델링의 통합이 지역적 해양순환 모의 정확도를 크게 향상시킬 수 있음을 입증하는 것으로, 복잡한 연안 환경에서 핵심적인 소규모 및 중규모 해양 과정의 표현 능력을 효과적으로 개선할 수 있는 가능성을 제시하였다. 또한, 계산 소요 시간이 단축됨에 따라, 본 방법론은 해양 오염 물질 확산이나 선박 운항 등과 같이 실시간 또는 단기 예측이 요구되는 분야에 활용될 수 있을 것으로 사료된다.

목차 (Table of Contents)

• Abstract i
• Contents iv
• List of Figures vii
• List of Tables xiii
• List of Abbreviations xv
• List of Symbols xvii
• Chapter 1 . Introduction 1
• 1.1 Background and necessities of study 1
• 1.2 Objectives 6
• Chapter 2 . Research Backgrounds 9
• 2.1 Ocean process and modeling scales 9
• 2.1.1 Ocean process scales 9
• 2.1.2 Ocean modeling scales 13
• 2.2 Downscaling technique 16
• 2.2.1 General theory of the downscaling in oceanography 16
• 2.2.2 One-way nesting in dynamical downscaling 20
• 2.2.3 Error sources of dynamical downscaling for oceanic flows 22
• 2.3 Evaluation method of dynamical downscaling 24
• 2.3.1 Big-Brother and Little-Brother Experiments concept 24
• 2.3.2 Statistical analysis method 28
• 2.4 Submesoscale dynamics 31
• 2.4.1 General theory of submesoscale currents 31
• 2.4.2 Formation of submesoscale currents 34
• 2.4.3 Mixed layer depth and its role in submesoscale processes 36
• 2.5 Description of the oceanic regional circulation model 38
• 2.5.1 General description 38
• 2.5.2 Governing equation 42
• 2.5.3 Lateral boundary condition types 44
• 2.5.4 Horizontal curvilinear coordinates and staggered vertical grid 48
• Chapter 3 . Assessment of Conventional Dynamical Downscaling in Coastal Regions 52
• 3.1 Introduction 52
• 3.2 Experimental setup 54
• 3.2.1 Model configuration 54
• 3.2.2 Kinetic energy spectrum analysis 58
• 3.3 Results and discussions 61
• 3.3.1 Qualitative analysis of the results of conventional dynamical downscaling in ORCM 61
• 3.3.2 Statistical analysis of the results of conventional dynamical downscaling in ORCM 67
• 3.3.3 Analysis of vertical structures 73
• 3.4 Summary 76
• Chapter 4 . Advancement of Spectra-Informed Modeling for Coastal Applications 78
• 4.1 Introduction 78
• 4.2 Experimental setup 82
• 4.2.1 Concept of the BSEA Ⅱ technique 82
• 4.2.2 Application of the BSEA Ⅱ technique to coastal region 87
• 4.3 Results and discussions of dynamical downscaling using the BSEA Ⅱ technique 91
• 4.3.1 Qualitative analysis of the results of dynamical downscaling with the BSEA Ⅱ technique in ORCM 91
• 4.3.2 Statistical analysis of the results of dynamical downscaling with the BSEA Ⅱ technique in ORCM 97
• 4.4 Summary 102
• Chapter 5 . Development of Submesoscale-Informed Modeling 104
• 5.1 Introduction 104
• 5.2 Experimental setup 107
• 5.2.1 Concept of a submesoscale-informed modeling 107
• 5.2.2 Machine learning model configuration 115
• 5.3 Results and discussions 127
• 5.3.1 Validation of the oceanic regional ocean model 127
• 5.3.2 Evaluation ORCM with submesoscale-informed modeling 135
• 5.4 Summary 156
• Chapter 6 . Conclusions and Future Directions 159
• 6.1 Summary of major findings and contributions 159
• 6.2 Directions for future research 161
• 6.3 Broader implications for ocean modeling 163
• References 165
• Appendix 179
• Appendix A . Computational resources and software setup 179
• Appendix B . Description of the BSEA Ⅱ technique 182
• Appendix C . BSEA Ⅱ code overview 186
• 국문초록 205