海院科研动态（180）|我院研究团队在海表变量智能预报领域取得连续进展

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韩国釜山大学Young-Heon Jo教授等，在海表变量的深度学习预报领域取得创新性突破。团队通过优化深度学习训练策略与架构，先后实现了高性能、低计算成本的海面高度异常（SLA）及海面温度（SST）中短期预报。

研究背景

海表参数反映着海洋与大气耦合的关键驱动过程，对海洋气象预报、极端气候监测（如海洋热浪）及海洋灾害预警至关重要。虽然深度学习在1–10天的短期海表参数预报中展现出巨大潜力，但在拓展至30天等中期预报时，传统数据驱动模型（如Sequence-to-Sequence,Seq2Seq）往往面临严重的自回归误差累积、时间序列不连续（预报“跳跃”现象）以及系统性季节偏差等难题，限制了其在实际业务中的高效应用。

研究结果

针对上述问题，研究团队基于Earthformer深度学习架构，提出了Rolling Training（滚动训练）与Multistep Training（多步训练）两种适用于自回归预报的训练策略。团队首选动力过程复杂的北太平洋，针对SLA参数，提出了基于单日滚动预报的人工智能训练策略。结果表明，这一优化的训练策略能有效削弱背景场的低频平滑效应并提升中期预报精确度，在预报期1-10天时较国际先进数值产品GLO12v4误差降低10%-77%。相关成果以《Accurate Sea Level Anomaly Forecast over North Pacific with Improved AI Training Strategies》为题发表于JCR分区Q1期刊《Ocean-Land-Atmosphere Research》（OLAR）。论文第一作者为我院2023级硕士研究生何江南，通讯作者为卢文芳副教授。

图1：团队提出SLA预报模型同GLO12v4在预报1-10天时的误差柱状图

在此基础上，团队将技术路线应用至SST预报中，使用优化的训练策略，与传统的Seq2Seq范式进行了系统性的对比。结果表明，应用优化的训练策略不仅能提升预报精度，还能降低深度学习模型在自回归滚动预报中的时间不连续性与预报歧义。在15-30天的预报时长内，本团队模型预报误差较Seq2Seq模型降低15%-35%。同时，在同一硬件条件下，模型的预报效率较Seq2Seq模型提速35%。相关成果以《Achieve Medium-Range SST Forecast by Rolling 1-Day Deep Learning》为题发表于中科院分区大类2区Top期刊《Geophysical Research Letters》（GRL）。论文第一作者为我院2026级硕士研究生黄南翔，通讯作者为卢文芳副教授。

图2：团队提出SST预报模型（紫线）同传统Seq2Seq模型（蓝线及蓝色区域）在1-30天的预报评估指标上对比图，蓝色区域是传统模型出现的时间步重叠现象造成的评估指标波动。

研究意义

该系列研究成果显著延长了深度学习模型在海表物理参数预报中的有效时长，为跨越日尺度气象变化与子季节-季节性演化提供了轻量、直观且高精度的预报范式。成果不仅为海洋热浪监测、海洋灾害预警、航运安全等提供了实用工具，也为我国自主可控的海洋智能预报系统研发提供了坚实的技术支撑。上述工作由中山大学团队与韩国釜山大学团队共同推进，充分展现了两团队在人工智能海洋学方面的国际合作研究。该系列研究得到了国家重点研发计划“海浪—风暴潮数值模式及综合预警报技术”（2023YFC3008200）、广东省自然科学基金项目（2025A1515012024）和南方海洋科学与工程广东省实验室（珠海）(no.SML2023SP238)的共同资助。

论文相关信息

全文信息：

1.He,J.,Lu,W.,Liu,Y.,Yang,G.,Jo,Y.-H.,&Lai,Z.(2026).Accurate Sea Level Anomaly Forecast over North Pacific with Improved AI Training Strategies.Ocean-Land-Atmosphere Research,5,0128.https://doi.org/10.34133/olar.0128

2.Huang,N.,He,J.,Lu,W.,&Jo,Y.-H.(2026).Achieve medium-range SST forecast by rolling 1-day deep learning.Geophysical Research Letters,53,e2026GL123584.https://doi.org/10.1029/2026GL123584