近日，由中國科學(xué)院海洋研究所研究員、IEEE Fellow李曉峰研究員領(lǐng)銜、國內(nèi)多家海洋科研單位人員組成的人工智能海洋學(xué)團隊，以熱帶不穩(wěn)定波相關(guān)聯(lián)的海表溫度場為例，在國際上首次研發(fā)了以衛(wèi)星遙感大數(shù)據(jù)驅(qū)動的針對海氣系統(tǒng)中復(fù)雜海洋現(xiàn)象的人工智能預(yù)報模型，并在針對熱帶不穩(wěn)定波相關(guān)的海表溫度時空演變預(yù)報方面取得重要進展。7月15日，Science Advances發(fā)表了該項進展的原創(chuàng)性成果論文“Purely satellite data-driven deep learning forecast of complicated tropical instability waves”。自然資源部第二海洋研究所鄭罡副研究員為該文第一作者，李曉峰研究員為通信作者，合作者還包括中國科學(xué)院海洋研究所張榮華研究員和上海海洋大學(xué)柳彬博士。
長期以來對海洋現(xiàn)象的模擬和預(yù)報主要依賴于基于物理方程的數(shù)值模式，其挑戰(zhàn)之一在于需要在數(shù)值模式中充分考慮與復(fù)雜海洋現(xiàn)象相關(guān)的各種自然過程及其相互作用。當(dāng)前海洋衛(wèi)星遙感的大數(shù)據(jù)趨勢不僅為海洋科學(xué)的深入探索提供了前所未有的黃金機會，同時也對海洋時序觀測信息挖掘方法的發(fā)展提出了迫切需求。海表溫度作為衛(wèi)星觀測歷史最悠久的海洋環(huán)境要素之一，被廣泛應(yīng)用于揭示各種海洋現(xiàn)象和物理機制。熱帶太平洋熱帶不穩(wěn)定波是重要的復(fù)雜海洋現(xiàn)象，其從非線性的、帶混沌性的水動力不穩(wěn)定過程中汲取能量，其所伴隨的海表溫度場沿著赤道向西傳播并發(fā)生顯著的形變，對其上大氣產(chǎn)生顯著影響；同時，熱帶不穩(wěn)定波強度和傳播速度等受季節(jié)和厄爾尼諾/拉尼娜等氣候現(xiàn)象的調(diào)制。熱帶不穩(wěn)定波的海表溫度場與各種海洋物理、海-氣、海洋生物-物理及氣候變化等過程都有相互作用，從而產(chǎn)生氣候效應(yīng)，因此一直是國際上許多重點關(guān)注的關(guān)鍵海氣現(xiàn)象之一。熱帶不穩(wěn)定波的數(shù)值建模及其預(yù)報不僅要求極高的空間分辨率，同時也需要對各種相關(guān)復(fù)雜自然過程盡可能真實的參數(shù)化表征，對其準確預(yù)報是目前的數(shù)值模式的一大挑戰(zhàn)。
深度學(xué)習(xí)作為人工智能領(lǐng)域新興的、最具影響力的數(shù)據(jù)信息挖掘手段，在眾多領(lǐng)域中已取得了優(yōu)于傳統(tǒng)手段的矚目成功；同時，海洋衛(wèi)星遙感的大數(shù)據(jù)趨勢為驅(qū)動深度學(xué)習(xí)在海洋領(lǐng)域中的應(yīng)用提供了“數(shù)據(jù)”燃料。該論文建立了多尺度網(wǎng)絡(luò)結(jié)構(gòu)的深度學(xué)習(xí)預(yù)報模型，模型僅以當(dāng)前和過去時刻的熱帶不穩(wěn)定波海表溫度場為輸入量，就可輸出未來時刻的海表溫度場。該模型直接以衛(wèi)星遙感數(shù)據(jù)為驅(qū)動，避免了數(shù)值建模的物理方程、模型近似和參數(shù)化等繁雜過程以及巨大的計算機資源要求。通過對9年（2010-2019）數(shù)據(jù)的長期測試結(jié)果顯示：該模型高效、準確地預(yù)報了熱帶不穩(wěn)定波海表溫度場的復(fù)雜演變過程，成功地捕捉了熱帶不穩(wěn)定波傳播的時空變化特征。
研究表明，在大數(shù)據(jù)背景下，基于人工智能的純數(shù)據(jù)驅(qū)動海洋信息來構(gòu)建針對復(fù)雜海洋現(xiàn)象的模型與預(yù)報方法的挖掘是可靠和可行的，具有廣闊的應(yīng)用前景。同時，這種方法與傳統(tǒng)數(shù)值模式優(yōu)勢互補，兩者有機的結(jié)合可望成為針對復(fù)雜海洋-大氣現(xiàn)象研究的新范式。人工智能海洋學(xué)是新興的海洋學(xué)科，團隊近期還在期刊National Science Review上（IF 16.693）發(fā)表綜述論文“Deep-Learning-Based Information Mining From Ocean Remote Sensing Imagery”，系統(tǒng)論述了深度學(xué)習(xí)在海洋遙感影像信息挖掘方面的前沿進展。
上述研究工作獲得了中國科學(xué)院海洋大科學(xué)研究中心、中國科學(xué)院先導(dǎo)專項、山東省重點研發(fā)計劃項目及國家自然科學(xué)基金項目等資助。
基于海洋遙感大數(shù)據(jù)的深度學(xué)習(xí)預(yù)報模型架構(gòu)
衛(wèi)星觀測的熱帶不穩(wěn)定波海表溫度場（A 至 C）和深度學(xué)習(xí)預(yù)報的海表溫度場（D至F）的時空演變
相關(guān)文章信息：
[1] Gang Zheng, Xiaofeng Li*, Rong-Hua Zhang, Bin Liu, Purely satellite data-driven deep learning forecast of complicated tropical instability waves, Sci. Adv. 6, eaba1482 (2020).
[2] Xiaofeng Li, Bin Liu, Gang Zheng, Yibin Ren, Shuangshang Zhang, Yingjie Liu, Le Gao, Yuhai Liu, Bin Zhang, Fan Wang*, Deep-learning-based information mining from ocean remote sensing imagery, National Science Review, nwaa047, https://doi.org/10.1093/nsr/nwaa047 (2020).
