随着海洋观测数据和数值模式产品的爆发式增长,人工智能方法在海洋学研究中展现出巨大的潜能。该文首先回顾了海洋大数据科学的发展历程,并详细介绍了人工智能在海洋现象识别、海洋要素与现象预报、海洋动力参数估算、海洋预报误差订正和海洋动力方程求解中的研究现状。具体地,阐述了海洋涡旋、海洋内波和海冰等海洋现象的智能识别研究,海面温度、厄尔尼诺-南方涛动、风暴潮、海浪和海流的智能预测研究,数值模式中海洋湍流过程参数化方案的智能估算研究以及海浪、海流等海洋现象预报误差的智能订正研究。此外,还讨论了物理机制融合和傅里叶神经算子在海洋运动方程智能求解中的研究进展。该文立足于当前人工智能海洋学的发展现状,旨在全面展示人工智能技术在海洋学领域的优势和潜力,并聚焦于海洋数字孪生和人工智能大模型两个新兴的研究热点,展望未来人工智能海洋学的发展方向,为海洋学者提供启示和参考。

海浪是海洋中最为重要的现象之一,快速准确的海浪预报对于保障海上生产、生活安全具有重要意义。该文回顾了海浪预报方法的发展历程,包括传统统计预报、数值模式预报以及目前快速发展的人工智能预报。基于人工智能的海浪预报模型表现出计算速度快、预报精度自适应优化等优势,已经开始从研究阶段逐步应用于实际海浪预报业务之中,但同时该方法也存在预报要素有限、极端海况预报值偏低以及预报泛化能力弱的局限。该文根据人工智能海浪预报的特点,提出了人工智能海浪预报目前亟需解决的观测数据高效利用、先验知识引入、人工智能模型安全性与泛化能力提升等关键科学技术问题。

海洋涡旋是一种常见的海洋现象,在全球海洋物质和能量的输运中起着重要作用。随着海洋研究技术手段的不断提升,各类海洋涡旋检测方法应运而生。传统涡旋检测方法应用广泛,但其过度依赖于专家经验设置阈值和持续的人工干预,存在检测误差较大、工作效率低以及全球普适性差等问题,难以适应复杂多变的海洋环境。当前人工智能快速发展,其在海洋涡旋智能检测中能够自动、快速地提取图像深层特征,有效解决海洋现象特征相似度高、几何差异大的问题。该文立足于当前海洋涡旋智能检测的发展现状,从编码器-解码器结构、全卷积神经网络、多尺度上下文方法和注意力机制等方面回顾了不同深度学习方法在海洋涡旋智能检测中的应用,以期为海洋涡旋研究提供一些启示和参考。

印度洋偶极子(Indian Ocean Dipole,IOD)是影响区域及全球气候变化的关键气候现象。准确预测IOD对于理解全球气候至关重要,但传统方法在捕捉其复杂性和非线性方面的局限限制了预测能力。该文首先概述了IOD的相关理论,并评估了传统预测方法的优缺点。然后,综合分析了深度学习在IOD预测领域的应用和发展,特别强调了深度学习模型在自动特征提取、非线性关系建模和大数据处理方面相较于传统方法的优势。与此同时,该文还讨论了深度学习模型在IOD预测中所面临的挑战,包括数据稀缺、过拟合以及模型可解释性等问题,并提出了未来研究的方向,旨在推动深度学习技术在气候预测领域的创新与进步。

生物组织病理指标可用于评价海洋生物健康,但在应用中存在效率低、成本高、主观性强等缺陷。将人工智能技术引入生物组织病理分析,可以发挥其高通量的图像分析优势,突破其在海洋生物健康评价和监测中的应用限制。该文通过对海洋生物组织健康评价指标、人工智能技术的图像分析应用以及利用人工智能开展组织病理图像处理的文献调研,提出基于深度学习的海洋动物组织病理图像分析思路,并以海洋贻贝作为模式生物进行技术开发。经过对贻贝鳃组织病理影像数据的训练、验证和预测等过程,确定Res-UNet深度学习模型可对贻贝在典型环境污染物胁迫下的病理损伤进行高效、准确定量,构建了一种能够自动化、高通量和弱主观性地分析海洋贻贝组织病理影像的工作流程,为海洋生物健康评价、海洋监测提供新思路与新技术。

该文基于美国国家浮标资料中心(National Data Buoy Center,NDBC) 浮标观测数据对哨兵一号搭载的合成孔径雷达(synthetic aperture radar,SAR) 反演风速数据进行精度分析,并利用BP神经网络 (back propagation neural network) 对SAR反演风速的偏差进行校正;同时针对环境要素、BP神经网络训练输入的样本量以及神经网络结构参数设计了敏感性试验;最后将SAR标量风场数据转换为用u、v矢量表示的风场数据,并对u向风和v向风分别进行了精度分析和校正。实验结果表明:SAR反演风速相较于浮标观测数据出现了低估现象;经过BP神经网络校正后,SAR反演风速数据的精度得到了改善,风速的平均偏差绝对值从0.78 m/s下降到0.04 m/s,均方根误差从1.98 m/s下降到了1.77 m/s;敏感性试验表明输入质量较差的环境要素数据时BP神经网络的校正效果有所下降,而增加训练集样本量能改善校正效果;将标量风场数据转换为u、v矢量风场数据后的校正结果也显示BP神经网络具有较好的校正效果。

相较于半理论半分析和数值模型的波浪预报方法,智能波浪预报有着精度高、计算资源需求低的优势。该文基于卷积长短期记忆网络(convolutional long short-term memory network, ConvLSTM)算法,建立了有效波高(significant wave height, SWH)二维预报模型,以中国东南沿海2014—2022年ERA5数据进行训练,通过敏感性试验优化模型配置,并开展中国东南沿海SWH在2023年4个预报时效(6 h、12 h、18 h、24 h)下的预测性能评估。敏感性试验显示,输入时间序列长度N=4(即输入-18 h, -12 h, -6 h, 0 h的SWH值)时,模型在4个预报时效下的准确性均优于其他时间序列长度;输入物理要素组合为SWH、平均波向和海面10 m 风矢量时,模型在12 h、18 h和24 h预报时效下的准确性优于其他组合。通过对ConvLSTM模型训练及配置的精细调整,可以实现对中国东南沿海SWH的二维、高精度的智能预报。

极深对流云是热带气旋(tropical cyclone,TC)快速增强的前兆,为预报西北太平洋TC快速增强,该研究开发了一种使用极深对流云相关数据的机器学习模型。该机器学习模型整合了飓风强度统计预报快速增强指数(Statistical Hurricane Intensity Prediction Scheme-Rapid Intensification Index, SHIPS-RII)数据与TC中心300 km半径范围内极深对流云的覆盖面积。基于2011—2019年的数据,对24 h内TC增强超过30 kn和35 kn的快速增强事件分别进行了预报,相较于仅使用SHIPS-RII数据的模型,该机器学习模型在皮尔斯技能得分(PSS)方面分别提升了5.66%和9.58%,在检测概率指标(POD)方面分别提升了8.41%和8.55%。用该模型对典型台风杜鹃(Dujuan,2015)进行预报,其结果证明整合了极深对流云覆盖面积的模型在快速增强预报中具有优势,主要体现在TC初始强度较强时发生的快速增强预报。该模型对于强台风的预报具有较大的应用潜力。

该文利用线性回归函数,根据卫星测高及中国沿海6个验潮站数据估算出1993—2020年中国沿海绝对海平面上升速率为4.17±1.32 mm/a,相对海平面上升速率为4.47±0.90 mm/a。将1958—2020年的大气数据、海洋数据及气候模态指数作为预报因子,建立了长短期记忆神经网络模型(LSTM模型)、循环神经网络模型(RNN模型)、门控循环单元神经网络模型(GRU模型)和支持向量机回归模型(SVR模型)等多种神经网络模型对中国沿海6个验潮站周边的相对海平面变化趋势进行预测。模型评估结果表明,同时引入大气变量、海洋变量及气候模态指数变量的LSTM模型取得的预测值与观测值的平均相关系数和均方根误差分别为0.866和19.279 mm,在4种模型中表现最佳,可以作为一种新型的预测相对海平面变化的方法。

海冰类型是极地海冰的重要属性之一,多年冰的物理性质较一年冰有着显著差异,因此识别海冰类型对极地气候变化研究和冰区船舶航行保障意义重大。卫星遥感是获取多时序、大范围海冰信息的有效手段。该文以北极西北航道和东北航道为研究区域,基于3个深度学习模型(ResNet、Vision Transformer、Swin Transformer)对Sentinel-1卫星双极化合成孔径雷达影像进行海冰分类研究。 结果表明,8×8像素切片数据集的海冰分类效果优于其他尺寸切片数据集;对假彩色合成图像进行偏移量处理能够有效地减少噪声对海冰分类的影响;在3个深度学习模型中,Swin Transformer模型分类精度最高,整体准确率和Kappa系数均在98%以上。比较多年冰密集度数据发现,3个模型的结果与AMSR2的偏差均小于10%。

该文基于开源软件OpenFOAM求解雷诺平均的Navier-Stokes方程,实现了对于波状涌潮(Fr=1.2~1.3)的数值模拟,并与物理实验数据比较,验证了数值模拟的准确性。使用CONV1D卷积神经网络模型对数值模拟数据进行了学习,预测出在具有斜坡地形上的涌潮水动力发展过程。对比涌潮到达x=30.0 m 测点处的用时和该测点的最高水位的模型预测结果与数值模拟结果可知:到达用时的平均相对误差为2.28%,最高水位的平均相对误差为3.73%。较小的相对误差证明了CONV1D模型的准确性。该文对于涌潮的水动力过程模拟、与涌潮相关的灾害预警以及初生涌潮未来发展趋势研究都具有一定意义。

海底地形具有非常重要的商业、工程、军事和科学研究价值。目前,常用重力场数据反演海底地形,如自由空气重力异常和垂直重力梯度。然而,由于现有方法反演海底地形具有较强的多解性,仍然无法准确获取高精度的海底地形。该文提出了重力-密度法与随机森林结合的数据-知识驱动新方法,以重建准确的海底地形。该方法在中国南海海域进行了测试,并与重力-密度法、随机森林以及现有的SIO模型进行了对比分析。反演结果显示,数据-知识驱动提供了更好的反演性能,随机森林和重力-密度法次之,SIO模型最差。相比于重力-密度法,数据-知识驱动的平均绝对误差、平均相对误差和均方根误差分别降低了21%、25%和7%;而相比于随机森林,它们分别也降低了20%、20%和20%。此外,数据-知识驱动模型与船载测深数据具有较高的一致性,其差值大约有72%分布在±10 m范围内,占比高于其他三种模型。该结果证明了数据-知识驱动方法在海底地形反演中的可行性和有效性,有助于加快高精度海底地形的绘制。