海院科研动态（175）| 我院研究团队在人工智能与数值模式混合的海浪智能模型领域取得创新性突破

       近日，我院计算海洋科学与海洋模型研究团队卢文芳副教授联合南京信息工程大学董昌明教授团队，在人工智能与数值模式混合的智能模型研究方面取得创新性突破。相关成果以《Hybrid numerical-AI modeling of directional wave spectra on an idealized one-dimensional nearshore slope》为题，发表于海洋工程类一区Top期刊《Ocean Engineering》。论文第一作者为我院2024级硕士研究生杨光宇，共同通讯作者为我院卢文芳副教授和南京信息工程大学海洋科学学院董昌明教授，合作作者包括南方海洋科学与工程广东省实验室(珠海)陈大可院士、深圳大学蒋浩宇教授和厦门大学王栋副教授。这是国际上首个融合人工智能与数值模式的海浪智能模型。

研究背景

       方向波谱能够表征海浪能量在不同频率和方向上的分布，是海岸工程设计、船舶安全、波浪能评估和近岸灾害研究的重要基础。传统数值波浪模式具有明确的物理基础，但高维波谱计算成本较高，复杂源汇过程仍依赖经验参数化；纯数据驱动模型虽具有较强的非线性拟合能力，却容易面临物理约束不足、训练数据需求大和滚动预报误差累积等问题。

研究结果

      针对这些难点，研究团队提出了全可微分的人工智能与数值模式混合框架，构建了神经波浪模型（NWM），保留波作用量平衡方程的动力传播核心，同时利用神经网络学习风输入、底摩擦等复杂源汇过程的净效应。团队利用WAVEWATCH III生成100组不同入射波向、水深和风场条件下的近岸斜坡模拟样本，针对不同的训练数据可用性和误差条件开展了敏感性实验。结果表明，当训练数据仅保留10%时，NWM的方向波谱相关系数仍高于0.99，均方根误差较前沿人工智能模型降低约80%；在观测点稀疏至约10%的条件下，相关系数仍约为0.97；即使采用简单的浅层神经网络，NWM的模拟效果仍大幅优于深层注意力机制网络。神经网络学习到的源汇项也能再现水深减小后底摩擦耗散增强的主要趋势，显示出良好的精度、数据效率和物理一致性。

图1. 神经波浪模型（NWM）的人工智能与数值模式混合框架

研究意义

      该成果有助于推动人工智能海洋学由单纯的数据驱动迈向物理机理与智能算法深度融合。为构建兼具精度、效率、可解释性和可迁移能力的海洋智能预报系统提供了新路径。人工智能与数值模式的协同有望突破传统海洋模式在计算成本和参数化误差方面的瓶颈，提升复杂海况下的精细化预测能力，更好服务海洋防灾减灾、海岸工程、航运安全和海洋新能源开发。同时，此项成果体现了南京信息工程大学与中山大学团队在海洋动力学、数值模拟和人工智能方法上的优势互补，彰显了跨学校合作对解决海洋科学前沿问题的重要作用，为人工智能海洋学协同创新、人才培养及我国海浪智能模式的自主研发提供了示范。文章得到了国家重点研发项目“海浪—风暴潮数值模式及综合预警报技术”、广东省自然科学基金和厦门大学MEL访问学者基金的资助。

论文相关信息

全文信息：

Yang, G. Y., Lu, W., Jiang, H., Wang, D., He, J., Dong, C., & Chen, D. (2026). Hybrid numerical-AI modeling of directional wave spectra on an idealized one-dimensional nearshore slope. Ocean Engineering, 366, 127556. https://doi.org/10.1016/j.oceaneng.2026.127556