基于大数据的人工智能海洋学预报研究取得进展 .pdfVIP

基于大数据的人工智能海洋学预报研究取

得进展

近日，由中国科学院海洋研究所研究员李晓峰领衔、国内多家海洋科

研单位人员组成的人工智能海洋学团队，以热带不稳定波相关联的海

表温度场为例，研发了以卫星遥感大数据驱动的针对海气系统中复杂

海洋现象的人工智能预报模型，并在针对热带不稳定波相关的海表温

度时空演变预报方面取得研究进展。相关成果以Purely

satellitedata-drivendeeplearningforecastofcomplicatedtropical

instabilitywaves为题，发表在ScienceAdvances上。

长期以来，对海洋现象的模拟和预报主要依赖于基于物理方程的

数值模式，其需在数值模式中充分考虑与复杂海洋现象相关的各种自

然过程及其相互作用。当前，海洋卫星遥感的大数据趋势为海洋科学

的深入探索提供了契机，同时也对海洋时序观测信息挖掘方法的发展

提出迫切需求。海表温度作为卫星观测历史最悠久的海洋环境要素之

一，被广泛应用于揭示各种海洋现象和物理机制。热带太平洋热带不

稳定波是重要的复杂海洋现象，其从非线性的、带混沌性的水动力不

稳定过程中汲取能量，所伴随的海表温度场沿着赤道向西传播并发生

显著的形变，对其上大气产生显著影响；同时，热带不稳定波强度和

传播速度等还受季节和厄尔尼诺/拉尼娜等气候现象的调制。热带不

稳定波的海表温度场与各种海洋物理、海-气、海洋生物-物理及气候

变化等过程都有相互作用，从而产生气候效应，是国际上许多重点关

注的关键海气现象。热带不稳定波的数值建模及其预报不仅要求极高

的空间分辨率，还需要对各种相关复杂自然过程尽可能真实的参数化

表征，对其准确预报是目前数值模式面临的挑战。

该研究建立了多尺度网络结构的深度学习预报模型，仅以当前和

过去时刻的热带不稳定波海表温度场为输入量，就可输出未来时刻的

海表温度场。模型直接以卫星遥感数据为驱动，避免了数值建模的物

理方程、模型近似和参数化等繁杂过程以及计算机资源要求。9年

（2010年至2019年）的数据长期测试结果显示，该模型高效、准确

预报了热带不稳定波海表温度场的复杂演变过程，成功捕捉了热带不

稳定波传播的时空变化特征。

研究表明，在大数据背景下，基于人工智能的纯数据驱动海洋信

息来构建针对复杂海洋现象的模型与预报方法的挖掘是可靠和可行

的，具有广阔的应用前景。这种方法与传统数值模式优势互补，两者

有机的结合有望成为复杂海洋-大气现象研究的新范式。该团队近期

还在National

ScienceReview上发表综述论文Deep-Learning-BasedInformation

MiningFromOcean

RemoteSensingImagery，系统论述了深度学习在海洋遥感影像信息挖

掘方面的前沿进展。

相关研究得到中科院海洋大科学研究中心、中科院战略性先导科

技专项、山东省重点研发计划项目、国家自然科学基金等资助。

基于海洋遥感大数据的深度学习预报模型架构

卫星观测的热带不稳定波海表温度场（A至C）和深度学习预报

的海表温度场（D至F）的时空演变