Journal of Marine Sciences >

2024 , Vol. 42 >Issue 3: 2 - 27

DOI: https://doi.org/10.3969/j.issn.1001-909X.2024.03.001

Prospect of artificial intelligence in oceanography

  • DONG Changming , 1, 2, 3 ,
  • WANG Ziyun 2 ,
  • XIE Huarong 2 ,
  • XU Guangjun 4 ,
  • HAN Guoqing 5 ,
  • ZHOU Shuyi 6 ,
  • XIE Wenhong 7 ,
  • SHEN Xiangyu 2 ,
  • HAN Lei 8
Expand
  • 1. Tianchang Research Institute, Nanjing University of Information Science & Technology, Nanjing 210044, China
  • 2. School of Marine Sciences, Nanjing University of Information Science & Technology, Nanjing 210044, China
  • 3. Southern Marine Science and Engineering Guangdong Laboratory (Zhuhai), Zhuhai 519000, China
  • 4. College of Electronic and Information Engineering, Guangdong Ocean University, Zhanjiang 524088, China
  • 5. Marine Science and Technology College, Zhejiang Ocean University, Zhoushan 316022, China
  • 6. Department of Earth System Science, Tsinghua University, Beijing 100084, China
  • 7. Nanjing Xingyao Technology Co., LTD., Nanjing 210012, China
  • 8. School of Atmospheric Sciences, Nanjing University of Information Science & Technology, Nanjing 210044, China

Received date: 2023-10-08

  Revised date: 2024-02-23

  Online published: 2024-11-25

Fold

Abstract

Artificial intelligence in oceanography has demonstrated a great potential with the explosive growth of ocean observation data and numerical model products. This article first reviews the history of ocean big data development, and then introduces in detail the current status of artificial intelligence in oceanography applications including identifying ocean phenomenon, forecasting ocean variables and phenomenon, estimating dynamic parameters, correcting forecast errors, and solving dynamic equations. Specifically, this article elaborates the research on the intelligent identification of ocean eddies, internal waves and sea ice, the intelligent prediction of sea surface temperatures, El Niño-Southern Oscillation, storm surges, waves and currents, the intelligent estimation of ocean turbulence parameterization for numerical models, and the intelligent correction of waves and current forecast errors. In addition, it discusses the recent progress of applying physical mechanism fusion and Fourier neural operator for solving ocean dynamic equations. This article is based on the current status of artificial intelligence in oceanography and aims to provide a comprehensive demonstration of the advantages and potential of applying artificial intelligence methods in the field of oceanography. With the two emerging research hotspots: digital twin oceans and artificial intelligence large models, the future development direction of artificial intelligence provides enlightenment and reference for interested scientists and researchers.

Key words： oceanography; artificial intelligence; feature identification; parameter estimation; prediction error correction; solution of ocean dynamic equation; digital twin oceans; large models

Cite this article

DONG Changming , WANG Ziyun , XIE Huarong , XU Guangjun , HAN Guoqing , ZHOU Shuyi , XIE Wenhong , SHEN Xiangyu , HAN Lei . Prospect of artificial intelligence in oceanography[J]. Journal of Marine Sciences, 2024 , 42(3) : 2 -27 . DOI: 10.3969/j.issn.1001-909X.2024.03.001

0 引言

计算机、算法和数据容量的飞速发展,使人类需要处理 PB (PB即拍字节单位,1 PB=1 024 TB)级的数据,然而通过传统的数据处理方法无法在合理时间内达到撷取、管理、处理并整理的大规模资料以及专门用于处理和分析大规模数据集的新一代信息技术已发展为一门学科,简称为大数据[1-2]。人们通过大数据对海洋有了新的认识,但也遇到了一个新的问题:如何处理越来越多的复杂数据并利用其进行预报以及如何以最小的计算成本快速地进行预报?此外,由于海洋观测采样率和模式分辨率在时空尺度的不足,许多重要信息丢失,这对更深入地了解海洋现象带来了负面影响,并妨碍了对台风、全球变暖、海平面上升等长期影响气候变化的低频率、高影响现象进行有效预报。
为了克服在海洋研究中遇到的这些问题,人工智能(artificial intelligence,AI)技术得到了越来越广泛的应用。由于AI本质上主要依赖于它们学习的输入数据,因此数据驱动使得AI算法缺乏可解释性,从而制约了其在不同海洋场景的应用。基于物理知情神经网络(physics-informed neural network,PINN)方法将海洋学理论知识与人工智能方法有机结合,即将物理海洋学理论引入海洋人工智能模型,形成客观约束,使得人工智能海洋模型能够准确表征海洋物理过程的本质规律,最大程度提高人工智能海洋模型的可解释性,减少对观测数据的时空依赖性,从而使其具备对于海洋物理实体当前状态以及未来的快速变化进行可靠、安全预测的能力。未来,可通过使用人工智能等新型信息收集和处理方法,创建与实际海洋相同的虚拟模型,实现对海洋的仿真、监测、预测和优化,构建更完善、更精准的海洋数字孪生系统。

1 发展现状

1.1 海洋大数据

科学认识海洋对于海洋可持续发展有着根本作用,人类对海洋的科学探索也从未停止[3-4]。随着近几十年来海洋观测技术的迅速发展,海洋数据的数据量已增至PB量级(图1),时间分辨率跨越不同尺度,海洋科学逐渐进入大数据时代。大数据拥有典型的“5V”特征,即数据真实(veracity)、体量大(volume)、种类和来源多样 (variety)、增长速度快 (velocity)、价值密度高 (value)。除了大数据的“5V”特征外,海洋大数据还具有时空耦合和地理相关性[5]。海洋大数据的发展极大地促进了人工智能海洋学的发展[6],AI将成为从海洋数据到海洋知识的新桥梁,更好地促进海洋的可持续发展[7]。目前的海洋数据不仅包括遥感、浮标、研究船和潜水器获取的多源观测数据,还有数值模拟和再分析数据等多种类型[8]。
图1 2009—2030 年全球海洋数据量增长趋势[9]

Fig.1 Global trends in the growth of ocean data volume from 2009 to 2030[9]

1.1.1 海洋遥感大数据

海洋遥感是利用航空或卫星遥感技术对海洋进行观测和监测的科学和技术[10]。利用海洋遥感技术可以获取海底地形、海面温度、海面盐度、海冰、海浪、海流、海面高度、海洋颜色、溢油监测等数据。图2显示了海洋遥感数据的获取过程。海洋遥感的发展大致可分为初始期(1939—1969年)、实验期(1970—1977年)、研究期(1978—1991年)和应用期(1992年至今)[8]。海洋遥感始于第二次世界大战(1939—1945年),最早的海洋航空遥感用于完成海岸测绘和近海水深测量[11]。20世纪90年代,遥感卫星开始大量发射[10,12]。
图2 遥感数据采集过程[14]

Fig.2 Remote sensing data acquisition process[14]

我国自1986年起开始组织开展海洋卫星的研制,2002年5月15日,我国第一颗海洋卫星“海洋一号”发射升空;2011年8月16日,我国首颗海洋动力环境探测卫星“海洋二号”成功发射。目前,我国拥有4颗“海洋一号”系列水色卫星、4颗“海洋二号”系列动力环境卫星、中法海洋卫星和陆海双用的高分三号卫星。未来,我国将发射用于全天时、全天候海面目标与环境监测的海洋三号系列卫星,届时将形成用于监测中国海洋环境的三维网络[13]。
目前,全球海洋卫星每年可产生近8 EB(EB即艾字节单位,1 EB=1 024 PB)的数据,这些是海洋大数据的重要构成部分,但其中近80%的数据尚未被探索[8]。 传统海洋遥感数据的处理高度依赖于专业人员结合海洋专业知识进行人工处理和判读,难以保证数据处理的准确性且需要消耗巨量的时间。遥感深度学习随着人工智能技术的发展和遥感数据集的开放共享而蓬勃发展,各种AI技术已经成功地用于解决许多卫星遥感问题[15⇓⇓-18]。数据驱动的深度学习为充分利用海洋遥感大数据提供了一条至关重要的途径[13]。海量的全球遥感数据通过人工智能方法已在海洋现象识别领域(包括涡旋识别、海洋内波识别、海冰识别等多个方向)有了许多成功的应用,后文在1.2节中有具体的介绍。

1.1.2 数值模型和再分析数据

海洋数值模型是基于海洋动力学方程、连续性方程和热力学方程等方程组,来模拟和预测海洋的运动、温度、盐度、溶解氧、营养盐、表面高度等动态特征的变化。这些模型通常利用计算机进行数值求解,以模拟海洋的复杂物理过程和相互作用。随着计算机计算能力的快速提高,近年来海洋数值模拟有了长足的发展,逐渐成为海洋大数据的重要来源。海洋数值模式包括海洋环流模式和海浪数值模式两种,常用的海洋环流模式包括POM(Princeton ocean model)、FVCOM(finite volume coastal ocean model)、ROMS(regional ocean model system)和HYCOM(hybrid coordinate ocean model)等;常用的海浪数值模式包括WAM(wave model)、SWAN(simulating waves nearshore)和WW3 (WAVEWATCH III)等[19]。
再分析数据是指通过对多源观测数据与数值模型进行耦合,并运用数据同化技术,对过去的海洋状态进行再分析和重构而得到的高质量数据集。海洋再分析数据综合利用了多种观测数据(如卫星观测、浮标观测、船舶观测等)、海洋数值模型模拟结果以及数据同化方法(如卡尔曼滤波、最优插值等),对海洋状态的空间分布和时变特征进行估算和插值,生成连续而一致的时间序列数据。海洋再分析数据被广泛应用于海洋科学研究、气候变化分析、海洋环境监测等领域。它们为研究人员和决策者提供了海洋状态的综合观测数据,有助于了解海洋系统的演变、探究气候变化的影响以及评估海洋对人类活动的响应。常用的海洋再分析数据包括国际综合海洋大气数据集、欧洲中期天气预报中心的再分析数据集和美国国家环境预报中心的再分析数据等[8]。
随着新兴海洋研究技术的进步,人们采用先进技术,获得了大规模、高精度的海洋数据,实现了实时监测和长期跟踪,不再局限于特定参数或地区,而是综合观测与分析多个参数,获取全面海洋环境信息,揭示深层次科学规律和关系。这些变化推动海洋科学数据快速增长,形成大数据概念。积累和利用大数据为海洋研究和决策提供了广阔视野和深入洞察力。海洋数据的获取朝着先进、综合、规范化发展,为科学研究与管理提供可靠支持。数值模型与人工智能相结合催生出了多个研究方向,包括海洋动力参数智能估算、海洋预报误差智能订正等。同样的,大量的再分析数据也可以通过人工智能方法在海洋现象识别、预报智能订正等多个方向上进行应用,后文将进行详细介绍。

1.1.3 海洋大数据的重构

海洋大数据的准确性和时空连续性对于海洋科学研究至关重要。从海洋观测到生成海洋数据的实际过程中会由于观测设备、卫星、天气等因素的影响导致数据缺失或不可用,这就涉及到数据重构的问题[20]。传统的海洋数据的重构通常采用插值算法[21-22],插值过程会导致重要信息的丢失,致使数据重构误差较大。
AI的出现为弥补插值方法的缺陷提供了一条新的途径。数据驱动的深度学习模型具有灵活的结构,可用于识别不同尺度的输入和输出数据之间的非线性和复杂映射。另外,数据驱动的深度学习模型较少受到先验知识和辅助数据等附加信息的约束。数据驱动的深度学习模型在重构海洋要素变量方面已经取得了令人鼓舞的成就。例如,DUCOURNAU等[23]使用超分辨率卷积神经网络来解决卫星生成的海面温度数据收缩的问题。PARK等[24]使用机器学习模型进行卫星叶绿素质量浓度产品数据的重构。LI等[25]提出了一种基于贝叶斯网络和信息流的机器学习模型,用于插值多个缺失的海洋变量时间序列,该方法具有较好的准确性、有效性和稳定性。RADIN等[26]基于机器学习算法,使用上层海洋温度数据重构历史海平面潮汐计记录。TIAN等[27]使用前馈神经网络方法,通过合并原地盐度剖面观测数据和0.25°分辨率的卫星遥感测高绝对动态地形、海面温度、海面风场数据以及1°分辨率的盐度产品,重构了0.25°分辨率的盐度场。重构数据能够更好地重现海洋中小尺度信号,例如涡旋活动较为丰富的湾流、黑潮、南大洋等区域的海洋变率(图3)。CHEN等[28]将正交分解(proper orthogonal decomposition, POD)方法纳入长短期记忆网络(long short-term memory network, LSTM)和高斯过程回归(Gaussian process regression, GPR)模型中,用于重构西北太平洋的三维温度和盐度。
图3 前馈神经网络重构的2016年1月全球盐度异常的空间分布

(图件改绘自文献[27]。图a为盐度异常(IAP 0.25°);图b为盐度异常(IAP 1°);图c为盐度异常(ARMOR3D);图d为盐度异常(实观测资料);图e为盐度异常(IAP 0.25°减 IAP 1°在100 m);图f为ADT异常(遥感资料);图g为SST异常(遥感资料)。)

Fig.3 Spatial distribution of global salinity anomalies in January 2016 reconstructed by feedforward neural networks

(Figure is repainted from reference [27]. Fig.a shows the salinity anomaly (IAP 0.25°); Fig.b shows the salinity anomaly (IAP 1°); Fig.c shows the salinity anomaly (ARMOR3D); Fig.d shows the salinity anomaly (observations); Fig.e shows the salinity anomaly (IAP 0.25° minus IAP 1° at 100 m); Fig.f shows the ADT anomaly (remote sensing); Fig.g shows the SST anomaly (remote sensing).)

1.2 海洋现象的智能识别

人工智能算法的快速发展使其在不同领域的应用越来越广泛,海洋科学与人工智能之间的结合也越来越深入。中尺度涡旋、内波、海冰等海洋现象对地球气候、海洋生物地球化学循环、海洋生态健康和人类活动等诸多领域至关重要,传统的识别方法基于物理或数学算法,在准确性和时效性方面受到很大限制。本节将回顾从海洋遥感数据中进行海洋现象智能识别的发展。

1.2.1 海洋涡旋的智能识别

中尺度涡旋是一种普遍存在的海洋现象,在全球能量和物质传输中发挥着重要作用[29⇓⇓-32]。海洋涡旋携带着极大的动能,其海水运动速度是海流平均流速的几倍,甚至高出一个数量级。旋转的涡旋伴随着强剪切,具有很强的非线性,从而具有保持自身特征的记忆性和保守性。因此对海洋中尺度涡旋开展研究具有非常重要的科学意义和应用价值。
近年来,深度学习算法已逐渐成熟,并广泛应用于中尺度涡旋的智能识别。如果将一些海洋现象看作图像,如海面高度异常(sea surface height anomaly,SSHA)和海面温度(sea surface temperature,SST),则可以在深度学习中通过语义分割来识别海洋涡旋。基于SSHA数据利用相对简单的语义分割模型UNet算法可以实现对海洋涡旋的智能识别[33-34]。基于单一的SSHA数据,有越来越多新颖的智能算法用于识别海洋涡旋,例如PSPNet[35]、DeepLabV3+和BiSeNet[36]、OEDNet[37]、YOLOF[38]、边缘增强的多尺度卷积网络[39]。同时,也有其他的海表面动力参数数据被用于海洋涡旋的智能识别,如LIU等[40]将SST数据与SSHA数据相结合,利用深度学习算法智能识别了海洋异常涡旋(气旋暖涡和反气旋冷涡),发现异常涡旋的数量占全球涡旋总数的三分之一;ZHANG等[41]以注意力网络为核心算法,抑制非涡旋区的特征响应,解决了在高纬度地区海洋涡旋样本不平衡的问题,基于SSHA和地转流场数据识别海洋涡旋;ZHAO等[42]基于UNet框架,结合金字塔注意力机制和空洞卷积金字塔池化模块构造了Dual-Pyramid UNet模型,从SSHA和SST数据中识别海洋涡旋;ZHAO等[43]将SSHA、SST和流场数据融合,提出了一种端到端的智能算法(symmetric net)用于中尺度涡旋识别。除了这些针对海洋涡旋现象的智能识别方法,一些天气现象的智能识别方法为海洋现象的智能识别提供了新思路。如KOCHKOV等[44]将大气环流模式(general circulation models,GCMs)与机器学习相结合提出了一个名为NeuralGCM的智能模型,该模型可以准确地跟踪大气指标,如近几十年的全球平均温度,能够得到分辨率为140 km的热带气旋实际频率和轨迹等天气现象。WANG等[45]系统地整理了用于热带气旋信息提取的深度学习框架,认为卷积神经网络(convolutional neural network,CNN)模型是识别热带气旋信息的较常用智能方法。

1.2.2 海洋内波的智能识别

海洋内波是一种发生在海水密度稳定层的海洋内部波动,在传递中尺度和大尺度的能量方面起着重要作用,对海洋声学、近海工程和潜艇航行也有重要的影响。虽然内波振幅无法到达海面,但海水振荡可以调节表面波,并迫使海水局部汇聚和发散。因此可以利用合成孔径雷达(synthetic aperture radar, SAR)和可见光遥感来获取不同区域海浪的分布、产生、传播(反射、折射)等特征[46⇓⇓-49]以识别内波。卫星图像的内波振幅反演大多基于KdV(Korteweg-de Vries)方程和内波的半波长特性[50]。
目前,机器学习因其在非线性映射和多维信息处理方面的优势,已被应用于海洋内波的研究。PAN等[51]基于遥感图像的纹理特征和海洋环境参数,利用BP神经网络(back propagation neural network,BPNN)算法对海洋内波振幅进行智能反演,反演结果与观测数据吻合较好。 LI等[52]使用改进的 UNet 模型从南海北部东沙环礁周围拍摄的 Himawari-8 图像中提取出了内波特征。WANG等[53]根据实验室模拟获得的遥感图像特征参数与海洋内波振幅之间的关系,在支持向量机、随机森林、卷积神经网络和多层感知器的框架下提出了四种内波振幅反演模型,结果表明支持向量机 (support vector machine,SVM)是内波振幅反演的最佳框架。VASAVI等[54]应用 UNet 算法对内波参数进行分割和特征提取,并使用KdV方程求解其速度和密度。ZHANG等[55]利用实验室数据和卫星观测数据,采用迁移学习方法建立了基于机器学习的内波振幅反演模型。

1.2.3 海冰的智能识别

海冰是海洋中所有冰的总称,在全球气候系统中发挥着重要作用。海冰覆盖率的长期变化是全球气候变化的一个指标,对极地海洋运输和人类活动有着至关重要的影响。 卫星遥感已成为监测极地海冰最有效的方法,包括光学遥感、微波辐射计和合成孔径雷达[56]。
XU等[57]使用早期的CNN模型和深度卷积神经网络对海冰和开放水域进行了分类。LI等[58]使用 CNN 模型对高分三号卫星图像中的海冰和开放水域进行了分类。GAO等[59]将迁移学习与密集连接的卷积网络结合起来,构建了用于海冰和开放水域分类的多级融合网络。BOULZE等[60]提出了一种基于 CNN 的算法,利用哨兵-1号SAR图像进行海冰分类,该算法计算效率高,对SAR数据噪声敏感度低,性能优于随机森林模型。REN等[61]利用UNet算法结合双注意力机制对SAR图像进行海冰检测,该算法能够实现像素级的海冰分类,双注意力机制可用于进一步提高分类精度。GONÇALVES等[62]提出了一种带有深度卷积残差神经网络(residual network,ResNet) 编码器的改进型 UNet,用于从Worldview-3卫星图像中提取精细尺度的海冰信息。ZHANG等[63]将深度学习模型 MobileNetV3 与多尺度特征融合方法相结合,提出了多尺度 MobileNet模型,并利用高分三号卫星的双极化SAR数据对北极冬季海冰进行分类,其准确率均优于CNN和ResNet模型。
随着深度学习算法越来越广泛地应用于海洋现象智能识别,新的问题也随之出现。首先,海洋现象识别在很大程度上依赖于大量的标注数据,而这些标注数据有些是人为获取的,有些是基于传统动力学方法半自动获取的,人为主观的标注数据会产生偏差,因此还需要相关领域的专家知识。其次,海洋现象的智能识别目前仅限于表层,文献中只有极少数是关于次表层现象的智能识别。

1.3 海洋现象的智能预测

海洋现象的预测方法可以概括为两类:一类是数值模式预测方法,其需要依靠专业知识建立复杂的热力学和动力学方程来进行预测;另一类是基于数据驱动的智能预测方法,不同于数值预测方法,其不需要专业知识进行方程构建。基于数据驱动的智能预测方法通过神经网络算法学习数据内在特征和规律,以端到端的形式实现对海洋数据的精准预测,现已成功应用于厄尔尼诺-南方涛动 (El Niño-Southern Oscillation,ENSO)指数、风暴潮、海浪、海流和海温预测等诸多场景中。

1.3.1 海面温度的智能预测

SST是反映海水冷热状况的物理量,对海气界面之间的能量和热量交换起到重要作用,密切影响热带气旋的形成以及区域气候的变化。因此掌握SST的时空变化规律和精准预测技术,对海洋学、气象学、航海等学科影响深远。同时,ENSO指数作为最重要的气候指标之一,对其进行准确估算与SST的精准预测密不可分。由于春季预测障碍现象的存在,现如今即使是最先进的动力学预测模式对一年以上的ENSO指数预测效果仍不理想,ENSO指数的多年预测仍然是一个重大挑战。
目前SST的预测方法主要包括统计方法、数值预报方法和人工智能方法。统计方法和数值预报方法已日趋成熟,而基于人工智能方法的SST预测研究才刚刚起步。早前的研究多使用的是较为简易的模型,例如支持向量机[64]、人工神经网络[65]、多层感知机[66]等。PETERSIK等[67]应用高斯密度神经网络和分位数回归神经网络集成来预测ENSO,这两种模型都能够通过分别预测高斯分布和分位数来评估预测精度。该模型在较长的预测时间内具有较高的相关性。但上述基于数据驱动的模型无法充分捕捉海洋序列的非线性关系,特别是在处理大规模数据时预测效果不尽如人意。循环神经网络(recurrent neural network,RNN)及其变体LSTM网络[68]、门控循环单元[69]等则可以进一步提升海面温度的预测精度。不过单一循环神经网络预测模型的学习能力弱,易产生过拟合现象。已有研究表明,混合模型更有助于提高预测精度。一方面,研究者尝试将循环神经网络与其他预测模型结合,以提高预测精度。例如XIAO等[70]构建了LSTM与迭代算法AdaBoost的组合模型,在我国东海海域取点进行预测;MAHESH等[71]提出了一种基于RNN的ENSO预测方法,可以预测不同预测时效的每月Niño3.4指数;在众多通过机器学习技术对ENSO进行预测的工作中,基于CNN的ENSO预报[72]最为经典,该模型可提前17个月预测出比传统动力模型相关系数更高的Niño3.4指数(如图4所示);XIAO等[73]将CNN与LSTM结合,用于提高基于海温图像的SST预测精度;GUPTA等[74]基于卷积长短时记忆网络(convolutional long-short term memory,ConvLSTM)可以提前一年对月平均Niño3.4指数进行预测,并能够预测出极端厄尔尼诺现象;为了更好地解释神经网络的预测结果, CACHAY等[75]将时空图神经网络应用于ENSO的预测,与CNN相比该模型能够更好地利用输入数据中的时空信息。另一方面,考虑到海洋数据非线性、多噪音的特点,研究者也尝试在海洋预测模型中加入消除噪音等数据预处理模块来提高预测精度。例如ZHOU等[76]将主震荡模式分析(POP)与CNN-LSTM算法相结合,提出了一个新的混合模型POP-Net,用于预测Niño3.4指数;LIANG等[77]基于梁-克莱曼信息流的因果人工智能模型,通过信息流的因果分析方法对预测因子进行选取,提前12年准确地再现了ENSO事件。
图4 CNN模型中ENSO预测的相关系数

(图件改绘自文献[72]。图a为CNN模型(红色)、SINTEX-F动态预测系统(蓝色)和北美多模式集成项目中包含的动态预测系统(其他颜色)3个月滑动平均Niño3.4指数的全季节相关系数;图b和图c为CNN模型(b)和SINTEX-F动态预测系统(c)中预测每月的Niño3.4指数与提前预测时间的相关系数,阴影线突出显示了相关系数超过0.5的预测。)

Fig.4 Correlation coefficients for ENSO forecasts using the CNN model

(Figure is repainted from reference [72]. Fig.a shows the all-season correlation skill of the three-month moving average Niño3.4 index as a function of the forecast lead month in the CNN model (red), SINTEX-F dynamical forecast system (blue), and dynamical forecast systems included in the North American Multi-Model Ensemble project (the other colors); Fig.b and Fig.c show the correlation skill of the Niño3.4 index targeted to each calendar month in the CNN model (b) and the SINTEX-F dynamical forecast system (c), hatching highlights the forecasts with correlation skill exceeding 0.5.)

1.3.2 风暴潮的智能预报

传统的风暴潮预报方式分为两大类:经验预报和数值模式预报,需要预报的是沿岸水位的变化及其漫滩过程。经验预报方法是指依靠预报员的主观经验进行统计的预报方法。随着计算机技术的快速发展,数值模式预报预警技术逐渐成为主流,如:美国国家海洋和大气管理局、美国国家飓风中心等部门基于飓风暴潮模式SLOSH研究不同路径和强度等级的热带气旋引起的风暴潮灾害,并提供风暴潮概率产品和最大可能增水产品等,为政府等部门提供决策支持[78]。
深度学习技术的兴起为风暴潮预报提供了新的方法,人工神经网络(artificial neural network,ANN)是应用于风暴潮预报研究中最原始、最广泛的方法[79⇓⇓-82]。特别是KIM等人[83⇓⇓⇓-87]做的一系列研究,其中大部分研究利用压强、风速、风向和潮汐信号作为输入,对袭击韩国沿岸的多个台风在不同站点利用Levenberg-Marquardt反向传播算法进行了风暴潮水位预报(图5)。20世纪90年代支持向量机被提出后,其也被应用于风暴潮预报中,RAJASEKARAN等[88]发现相比于后向传播网络和有限体积法,支持向量机预报所花费的计算时间更少,预报效果最好。YOU等[89]在ANN的基础上,提出将聚类分析和ANN模型相结合,并应用于韩国沿海风暴潮预报中。浅层网络的研究尽管取得了一部分成就,但其能力终究是有限的,如果要完成更准确、有效时长更长的预报,还需要加深网络的深度。在网络深度方面,RNN算法无疑更加出色[90-91]。然而,雷森等[92]将递归神经网络用于潍坊水站的增水预报中的结果表明, 相对于BPNN, 递归神经网络能得到更好的预报结果, 误差更小。刘媛媛等[93]利用 LSTM 建立了位于广东省深圳市赤湾潮位站的风暴潮临近预报模型,综合考虑气象要素和前时间序列的潮位因素,考虑了四种不同输入参数的组合,分析了未来 1~3 h的潮位高度。目前针对风暴潮的智能预报研究大多是基于 BPNN 的单点水位预报,有效融合空间和时间特征提取能力较强的两种深度学习方法 CNN和LSTM的相关研究不多。XIE等[94]考虑了CNN提取风场特征的优点,提出了可适用于不同站点的基于CNN融合大气信号和局地水位信号的风暴潮预报模型,使得预报的准确性和时效性有所提高。谢文鸿等[95]基于ConvLSTM模型,针对风暴潮漫滩过程的短临预报问题,提出了多种预报方式,突破了智能模型针对单站点预报的限制,在短临预报中基本复现了数值模式的结果。
图5 ANN预测风暴潮水位的验证

(图件改绘自文献[86]。图a~c分别为Masan站点2003年“Maemi”台风(a),Tongyoung站点2002年“Rusa”台风(b),Yeosu站点2012年“Bolaven”台风(c)风暴潮验证结果。MA是指文献中的Levenberg-Marquardt反向传播算法。)

Fig.5 Verification of ANN forecast storm surge level

(Figure is repainted from reference [86]. Figures a-c show the storm surge verification results of 2003 Typhoon “Maemi” at Masan Station (a),2002 Typhoon “Rusa” at Tongyoung Station (b), and 2012 Typhoon “Bolaven” at Yeosu Station (c), respectively. MA is the Levenberg-Marquardt backpropagation algorithm in the reference.)

1.3.3 海浪的智能预测

海洋表面重力波(以下简称海浪)具有很强的非线性,对海洋工程、海上作业活动和交通运输具有重要的影响。在过去几十年里,传统的海浪数值预报模式不断发展和完善。目前应用最广泛的海浪数值预报模式有美国国家环境预测中心的WW3,荷兰代尔夫特大学的近岸海浪模式SWAN等。传统的海浪数值预报模型的计算需要消耗大量的计算资源,运行时间长,在紧急情况下实现快速预报往往是不实际的,快速准确的预报仍是制约其发展的重要瓶颈之一。
近几十年机器学习技术的快速发展为海浪快速预报提供了新的解决方案。最早,研究者多将AI技术用于单点海浪预报。例如,DEO等[96]使用ANN进行了3~24 h的海浪预报,并发现预报结果与观测结果具有令人满意的一致性。LONDHE等[97]同样将ANN方法用于单点海浪预报发现,该方法对未来6 h的海浪波高预报效果较好,对未来12 h的波高预报相关性仍有67%。KALOOP等[98]将小波分析、粒子群优化算法和极限学习机相结合,构建了联合小波-粒子群优化算法,在复杂性较低、输入变量较少的情况下,该方法仍具有较高的预报精度。海浪作为一种具有时空连续性的变量,历史的海浪信息对预测的准确性起着至关重要的作用,因此循环神经网络及其变体模型十分适合用于解决海浪的时序预报问题。例如:MANDAL等[99]使用RNN方法对3、6和12 h后的波高进行预测,预测值与观测值的相关系数分别为0.95、0.90和0.87;GAO等[100]利用LSTM方法对渤海不同浮标位置的波高进行了预报。与此同时,一些研究发现将统计方法和神经网络模型相结合可以进一步提高海浪预测的准确性。例如LU等[101]将LSTM网络和多元线性回归相结合,建立了M-LSTM模型,该模型通过限制单一预测器,从而达到优化波高预测的目的。ZHOU等[102]提出了一种单点海浪预报模型,该模型是基于经验模态分解(empirical mode decomposition,EMD)和LSTM网络的EMD-LSTM算法,将其应用于加勒比海的浮标数据预报中发现,该算法相较于LSTM模型展现出了更好的效果。FAN等[103]还将LSTM和SWAN相结合,发现该组合模型比详尽可能性模型和SVM等模型具有更好的预测性能,SWAN-LSTM模型的预测准确性相比单一的SWAN模式提高了约65%。
随着算力的发展,人们不再满足于仅对单点海浪进行预报,而是开始对区域海浪进行预报,虽然目前相关研究要远少于单点预报,但已然成为了海浪智能预报的趋势。例如:ZHOU等[104]使用ConvLSTM算法对中国东部和南部海域有效波高进行了最长预报时效为24 h的预报,证明了该方法在区域海浪预报中的可行性(图6)。BAI等[105]使用CNN算法对中国南海的海浪有效波高进行了区域预报,并通过56组敏感性试验得出了12 h预测模型最佳的输入变量时长。
图6 ConvLSTM算法智能预测台风浪浪高

(图件改绘自文献[104]。图a~c为2019年8月8日18时,台风“Lekima”在东海上空时的有效波高(SWH);图d~f为2017年12月24日21时,台风“Tembin”在南海上空时的有效波高。)

Fig.6 ConvLSTM algorithm intelligently predicts typhoon wave height

(Figure is repainted from reference [104]. Figures a-c show the SWH(significant wave height) of Typhoon “Lekima” over the East China Sea at 18:00 on August 8, 2019; figures d-f show the SWH of Typhoon “Tembin” over the South China Sea at 21:00 on December 24, 2017.)

1.3.4 海流的智能预测

海流(洋流)是海水运动的普遍形式之一,可由潮汐、水体密度差和风应力等因素引起,是世界大洋各种水文、化学要素长期得以保持相对稳定的重要原因。对洋流的预报与航线选择、渔业资源、洋流发电等交通运输及海洋资源利用息息相关。传统预报海流的方式包括潮汐调和分析和海流数值模式。潮汐调和分析主要用于预报由潮波运动引起的海流(潮流),适用于海流主要受潮汐作用的海区;海流数值模式是海洋预报中最成熟的模式,包括POM、FVCOM、ROMS和HYCOM等。由于海流数值模式较为成熟,人工智能算法用于海流预报往往是针对一些特定的应用场景,比如调和分析方法无法满足预报需求又需要快速获取计算结果的场景,亦或是气候态的预测研究。如张峰等[106]利用神经网络,将调和分析预报的结果与海面风速和风向共同作为输入对海流进行预报,预报的流速和流向与调和分析预报结果相比,误差均有显著下降。XIN等[107]使用CNN模型,利用迁移学习的方法,以CMIP6(coupled model intercomparison project phase 6)和SODA(simple ocean data assimilation)数据作为训练数据,对印尼贯穿流进行预报,实现了提前7个月的有效预报。此外,还存在一些场景,是上述预报方法均不适用的,如用于判断水下自主机器人的移动方向。PARK等[108]通过对比多种机器学习方法,提出基于决策树分类的海流方向预报模型,用于推断水下未固定的传感器节点的移动方向,从而完成水下无线传感器网络的节点切换。
目前除了以上所介绍的海面温度、风暴潮、海浪和海流的预报之外,人工智能也已经成功应用于海冰密集度预报的领域,并且出现了集成海洋、波浪和生物模块的预报模型AI-GOMS。该模型是一个大型人工智能驱动的全球海洋建模系统,用于准确高效的全球海洋日预报。AI-GOMS由一个主干网络模型和轻量级微调模型组成,该模型具有基于傅立叶的掩蔽自动编码器结构,用于基本的海洋变量预报,并包含波浪和生物化学耦合模块以及区域降尺度模块。该模型提供了一种新的主干下游模式,使预报系统具有可转移性、可扩展性和可重用性[109]。未来,随着观测技术的发展,相信会有更多的观测数
据作为“真值”用于训练预报模型,以进一步提高预报模型的准确性、实用性和分辨率。同时,想要训练一个较高分辨率的智能模型也需要投入较大的计算成本。

1.4 海洋动力参数智能估算

1.4.1 物理驱动和数据驱动海洋模式参数化

海洋数值模拟是目前研究海洋各种现象不可或缺的手段。海洋数值模拟中,存在许多经验估算的参数,其中包括数值模式产品中离散网格无法分辨的次网格过程,例如湍流过程等。这些过程在海洋动力模式中,往往基于理论和相关实测数据相结合而进行参数化。模式的参数化方案是海洋数值模拟的核心问题之一。
常用的垂向混合方案包括Mellor-Yamada二阶半湍流封闭方案[110]、PP方案[111]、KPP方案[112]、Hybrid方案[113]、次中尺度过程诱导的混合参数化方案[114]等;水平混合方案包括类比分子混合的Smagorinsky方案[115]和沿等密度面的GM方案[116]等。这些混合方案将海洋内部的中尺度和亚中尺度过程、海浪和内波等小尺度过程对大尺度环流运动的作用进行参数化处理,但关键物理过程的参数化具有很大的不确定性,是海洋数值模式发展的核心问题。由于海洋数值模式参数化方案对物理过程的描述存在一定偏差和不确定性,所以进行参数调优,使得模拟预报结果逼近观测值显得尤为重要。解决模式对湍流过程的模拟,可以提高数值模式的空间分辨率。然而,模式分辨率的提升受到计算成本的限制[117]。过去的参数化方案模型多基于半经验半物理原理,这些参数化方案可以改进模式模拟的气候态结果[118],但是仍然不够完善,并可能导致对海洋环流、海气热通量以及海洋碳吸收模拟的较大偏差。
物理驱动方法是过去海洋参数化方案提出的主流和传统方法。这种方法的提出从参数化过程相关的物理原理、机制或理论开始。根据这些物理知识,给出了一个体积公式来近似解析该过程对海洋动力过程的影响。物理驱动参数化方案的主要优点是可解释性。然而,物理驱动的参数化只包含过程的整体效应,参数通常不可观测或者不受观测的约束,物理驱动参数化方案驱动的海洋模式在气候态的均值和方差的模拟方面仍表现出比较大的偏差。
因此,有必要采取替代和补充方法来弥补物理驱动参数化方案的缺点。数据驱动的方法可以帮助克服这些困难。
数据驱动方法对参数化的物理过程不需要做任何的物理假设。搭建数据驱动参数化方案,可以使用高分辨率数值模式数据、观测数据或者二者结合的数据进行驱动,使用深度学习算法直接从数据中获取海洋动力参数。数据驱动的海洋次网格参数化在一些理想模型中已经得到了应用[119⇓-121],并且在湍流模型中也已经取得了一些研究进展[122]。使用机器学习算法,可以提高计算效率以及参数化方案的普适性。结合高分辨率数值模式数据和观测数据,可以更彻底地进行数据驱动的参数化方案对海洋模型模拟结果的改善以及海洋动力参数的计算。数据驱动可以从大量参数实验中寻找规律并预测出最优参数的取值[123-124],或从海量观测数据、高分辨率模式结果中寻找规律并建立新的参数化方案模型[125],进而提高海洋模式的模拟和预报能力。需要指出的是,当前研究多是围绕大气环流模式[123]或台风预报模式[124]开展的参数优化,结合机器学习开展海洋模式参数化研究刚刚起步。

1.4.2 深度学习对海洋湍流过程的参数化

海洋中小尺度过程与大尺度过程的相互作用以及能量级串具有重要意义[126⇓⇓⇓-130],也就是说模式的次网格过程参数化对模式结果有重要影响。目前有很多机器学习算法(线性回归算法, 随机森林算法, 支持向量机)可以应用到开发参数化所需的监督回归问题中。随着深度学习算法的不断开发和进步,神经网络(Neural Networks,NNs)可以更好地应用于机器驱动参数化方案的搭建。目前的计算资源已经达到了对数千到数百万的大型NNs进行训练的水平,可以有多种不同的架构(包括Deep Fully-Connected Network,Deep Belief Network, RNN,CNN等)[131]。
使用深度学习方法搭建的湍流参数化方案最初出现在数值模式中[132⇓-134],湍流过程涉及的空间尺度要比气候模式的空间尺度小几个数量级。例如,LING等[133]使用了Deep Fully-Connected NNs来学习各向异性应力张量的涡动量参数化。他们在深度学习中引入了物理约束,确保数据驱动的参数化具有特定的对称性;他们发现只有在应用了物理约束后,深度神经网络才能胜任线性回归模型。将物理原理集成到数据驱动的算法中对于保真度很重要,也可以提高结果参数化的预报能力。此外,有研究使用NNs对自由衰减二维湍流模型[135⇓⇓-138]和大涡模拟[139]中的涡动量通量进行了参数化。例如,MAULIK等[137]使用NNs对涡动量通量进行了参数化,然后将数据驱动的参数化方案应用到原模型中。他们使用了传统的Smagorinsky和Leith eddy viscostity函数[115,140]作为其中一个神经网络的输入特征。结果表明数据驱动的参数化方案并没有提高神经网络的计算能力,但是在实施神经网络后确实提高了湍流模型的稳定性。通过以上工作,他们去掉了上梯度动量通量,以增强数值模式的稳定性,也因此改变了湍流过程的物理性质。尽管如此,将物理模型和数学特性结合应用到深度学习,是使参数化在物理上一致并在海洋模式中提高计算性能的一个重要步骤。
对于海洋湍流过程的参数化研究,已经出现了一些使用CNN的案例。如BOLTON等[125]和ZANNA等[141]在理想海洋模型中对海洋中尺度涡进行了参数化。结果表明,CNN可以被用于海洋模式中尺度涡参数化过程,并可以推广到不同动力状态的海洋中。SALEHIPOUR等[142]的研究表明,CNN可以被用于对海洋垂向混合速率进行参数化。
ZHU等[143]利用近十年热带太平洋海域的湍流观测记录,首次在明确的物理约束下,设计了基于深度学习的海洋垂向混合参数化方案,并将这一参数化方案应用到海洋环流和海气耦合模式中,发现数据驱动的湍流混合参数化方案可以更好地模拟上层海洋的垂向热通量,从而改善热带太平洋的温度模拟结果。HAN等[144]通过ROMS的KPP参数化方案输出的温度垂直扩散系数(Akt)来训练BPNN网络,从而估算AKt。图7a~7c为三种数据驱动方案下,BPNN估计的k剖面最大AKt值和KPP计算的k剖面最大AKt值的分布。在三种机器学习方案中,使用温度驱动的人工智能参数化方案相关性最高。
图7 不同输入参数驱动的人工智能参数化方案与KPP参数化方案混合系数比较

(图件改绘自文献[144]。图a的驱动参数为温度、盐度和流速,图b的驱动参数为温度和盐度,图c的驱动参数为温度。图例中“corr”表示相关系数。)

Fig.7 Comparison of mixing coefficients between artificial intelligence parameterization schemes driven by different input parameters and KPP parameterization schemes

(Figure is repainted from reference [144]. The driving parameters in figures a-c are temperature, salinity, flow rate (a), temperature and salinity (b),and temperature (c), respectively. In figure, ‘corr’ refers to the correlation coefficient.)

1.5 海洋预报误差智能订正

目前的海洋预报依旧以传统的数值模式方法为主,与1.3小节所介绍的直接使用机器学习方法预报海洋现象不同,本小节主要介绍针对海洋数值预报结果的智能订正方法。近年来许多学者选择使用与机器学习相关的统计方法来纠正海洋数值模拟预报的误差[145-146]。机器学习误差校正方法在业务化天气预报中被频繁使用,机器学习的作用越来越大[147⇓-149]。机器学习还可以将模型输出与其他来源数据联系起来,例如使用高分辨率的本地地形或可用的观测数据,在模型模拟完成时改进预报结果。在机器学习领域中,一些用于降尺度的映射过程(如生成对抗网络)甚至允许不确定性量化[150]。

1.5.1 波浪预报误差智能订正

近年来许多学者对海洋波浪数值预报误差订正进行了大量研究,基于人工神经网络对传统的海浪数值模拟结果进行智能订正是其中重要的研究方向。
MAKARYNSKYY[151]基于人工神经网络对波浪短期预报进行了修正,使用大西洋沿岸和爱尔兰海岸两个地点每小时的有效波高和波周期观测数据训练和验证人工神经网络,包括两种不同的方法:第一种方法是只使用波浪参数的初始模拟结果(超前时间为1~24 h)来修正预报结果;第二种方法是将观测结果与初始模拟结果合并。两种方法在两个地点都取得了令人满意的结果。LONDHE等[97]使用人工神经网络,将预报和观测到的波高之间的“误差”作为输入项,提前24 h预报误差,然后在波浪数值预报中加上或减去该预报误差,以提高预报精度。结果表明,在数值模式预报的基础上加上或减去智能预报的误差,预报效果有较大的提高。DESHMUKH等[152]使用了从SWAN模型与WW3模型嵌套的高分辨率波浪模型中获得的印度东海岸Puducherry沿海地区的有效波高和峰值波周期数据以及一个波浪浮标实测数据,构建了模拟值与实测值之间的误差时间序列,并利用小波神经网络对未来时间步长误差进行预测。研究表明,使用该方法可以显著提高数值模拟的准确度,将上述预测方法与用Puducherry区域的实测数据训练的独立神经网络模型进行比较,结果表明前者在持续预测性能方面优于后者。SUN等[153]基于数值波浪模型和深度学习模型,通过在UNet中添加批量归一化层得到的BUNet,准确地预报了西北太平洋的有效波高。使用BUNet后,WW3模拟的有效波高在预报时效为24、48和72 h时的均方根误差(root mean squared error,RMSE)分别降低了40%、38%和30%,在台风过境期间,RMSE的下降百分比在三种预报时效下均超过20%。GRACIA等[154]使用机器学习技术来提高当前复杂偏微分方程(partial differential equations,PDE)预测系统的准确性,重点研究了波浪的四种物理变量:有效波高、平均波周期、峰值波周期和平均波向,探索了多层感知器和梯度增强决策树两种不同的机器学习模型以及结合这两种模型的集成方法。结果显示这些模型将数值模型的预测误差平均降低了36%。
除了使用机器学习方法对波浪预报误差进行智能订正外,还有人对不同的机器学习方法的性能进行了比较。如ZHOU等[102] 采用EMD-LSTM网络进行有效波高预报,这是一种广泛用于风速预报的方法,此前尚未用于波高。结果表明,EMD-LSTM在每个预报时效范围(3、6、12、24、48和72 h)内都明显优于LSTM,大大提高了预报精度,特别是对于超过24 h的预报。此外,EMD-LSTM对大浪的响应速度比LSTM快。LSTM 和 EMD-LSTM 的误差分析表明,LSTM的误差更具系统性。

1.5.2 海流预报误差智能订正

在海流预报上,许多学者使用深度学习算法进行智能订正。吕忻等[155]引入LSTM深度学习算法,通过3折滑动时间序列交叉验证结合网格搜索方法确定最佳参数,构建了吴淞口潮位预报订正深度学习模型;结合气象参数,对调和分析的预报潮位进行订正,得到更为准确的订正潮位,并与非线性自回归动态神经网络(nonlinear autoregressive exogenous, NARX)浅层学习预报订正结果进行对比。结果表明:120 h预报潮位经LSTM模型订正后的均方根误差为0.102 m,平均绝对误差为0.084 m,订正后误差降低了52.8%;前72 h预报潮位经LSTM模型订正后误差降低了57.3%。对比发现,LSTM模型在短期和中长期潮位预报订正中均有较好表现,NARX模型在短期预报订正中表现出色。“海神”台风风暴潮过程期间,120 h、前72 h和“主振”48 h特征时段预报潮位经LSTM模型订正后,均方根误差为0.114~0.119 m,平均绝对误差为0.100~0.102 m。TEDESCO等[156] 使用了一种基于ROMS模型的Nordic4-SS模型,对挪威海岸进行120 h的区域风暴潮预报,并通过残差学习来改进风暴潮预报,即训练数据驱动模型去预报来自Nordic4-SS预报中的残差,测试了一种简单的误差映射技术和更复杂的ResNet方法。在奥斯陆峡湾区域使用ResNet方法,在时间尺度为1 h和1 d的预报中均取得较大的改善,证明了ResNet方法是校正风暴潮预报的一个很有前途的方向,尤其是在短时间尺度上。
除波浪和海流以外,还有专家对海温的预报误差进行了智能订正研究。如MAO等[157]为了在有限的海洋温度观测值下获得最优的初始场,提出了一种基于人工神经网络的智能校正算法(intelligent correcting, IC),可以利用历史数据充分挖掘网格点之间的相关规律,从而取代传统数据同化方法中对背景误差协方差的估计。结果表明,IC算法具有较好的预报精度,与原始数值预报结果相比,IC算法的平均预报误差的最大降幅可达-0.5 ℃,平均预报误差的最大降幅百分比可达30%。

1.6 智能求解海洋运动方程

求解海洋运动方程涉及到求解不同参数值的复杂偏微分方程(PDE)。传统的求解方法如有限元法和有限差分法是通过对空间进行离散来求解方程的。然而,复杂的偏微分方程系统通常需要非常精细的离散化,因此对于传统的求解器来说非常具有挑战性且耗时过长。与此同时,高精度求解所需的高计算成本也使得传统求解器的应用变得棘手,而通过机器学习求解是一个具有竞争力的替代方案[158]。数据驱动的机器学习方法可以直接从数据中学习方程组的特征。因此,基于机器学习的方法可以比传统的求解器快几个数量级。近年来,随着神经网络求解偏微分方程研究的逐渐成熟,众多学者开始基于人工智能求解海洋运动方程[159⇓⇓-162]。

1.6.1 融合物理机制的深度学习

本质上,机器学习模型从输入数据中提取信息和关系,并将其用于推断和预测。由于数据驱动过程中不包含物理约束,这些关系只能在一定范围内提供正确的对象识别和变量预测。因此,通过数据驱动的深度学习不能建立完整的控制方程,也不能保证求解PDE结果收敛。然而, 融合物理机制的深度学习网络的发展可以满足求解PDE的需求。以下是几种将物理机制融入数据驱动过程的方法。
第一种方法是最传统的,需要使用深度学习来优化基于物理驱动的参数化中使用的未知系数[163]。然而,这种方法的假设是基于参数的结构形式为给定过程的正确表示,除了已有的参数化形式,不需要其他的参数化。这些假设在海洋模型中都无效,这是因为海洋模型中包含的参数化都是不确定形式的或者是未知的[164]。
第二种方法是改变优化过程中使用的损失函数。损失函数可以调整为包含其他约束(例如质量、动量、盐度或者能量)的全局守恒。这种简单的方法有助于确保数据学习系统倾向于这种守恒原则[165]。然而,除非使用硬性约束,否则守恒定律可能不会严格执行,只能近似满足。
第三种方法是修改神经网络的结构[134,141]。ZANNA等[141]使用了解析速度分量的图像作为CNN的输入,以此来对次网格涡动量强迫的水平分量和垂直分量进行估算。为了对深度学习方案进行动力约束,他们使用了一个具有固定参数的专门构造的最终卷积层。这种方法直接将物理原理与数据驱动算法相结合,与纯物理驱动的参数化方法相比,可以实现更具物理鲁棒性的机器学习参数化,并获得更优的结果[140]。然而,这种方法需要从业者具有较扎实的深度学习和物理专业知识。

1.6.2 物理机制融合的智能求解

近年来,使用机器学习探索物理机制的研究越来越成熟[166],为了使网络能够满足控制方程的需求,RAISSI等[161]引入了PINN,该网络被广泛应用于数值领域,特别是用于解决与PDE相关的各种问题,包括方程求解、参数反演、模型发现、控制与优化等[167]。RAISSI等[161]利用PINN成功求解了描述不可压缩流体流动的普遍存在的Navier-Stokes方程,实现了对二维不可压缩流动圆柱体尾迹中不对称的涡脱落模式的模拟(图8)。
图8 PINN训练数据对应的圆柱体尾迹中的非对称旋涡脱落模式

(图件改绘自文献[161]。图a表示Re=100时不可压缩流和动态涡脱落经过圆柱体时的涡度,所述时空训练数据对应于所描述的圆柱体尾迹中的矩形区域。图b和c表示流向和横向速度分量u(t,x,y)和v(t,x,t)的训练数据点位置。)

Fig.8 Asymmetrical vortex shedding pattern in the cylinder wake to PINN training data

(Figure is repainted from reference [161]. Figure a shows the incompressible flow and dynamic vortex shedding past a circular cylinder at Re=100. The spatio-temporal training data correspond to the depicted rectangular region in the cylinder wake. Figures b-c show the locations of training datapoints for the stream-wise and transverse velocity components, u(t, x, y) and v(t, x, t), respectively.)

PINN允许将物理约束纳入神经网络,以确保模型训练结果符合既定的物理原则。这些物理约束被添加到神经网络的损失函数中,以便将物理方程包含在模型训练中。PINN的损失函数由真值、网络模拟误差及物理方程误差组成。在训练过程的每次迭代中,通过真值和物理约束同时优化损失函数。随着迭代次数的增加,神经网络模拟输出的结果逐渐满足物理约束。PINN的引入缓解了高维物理问题模拟中的一些瓶颈,同时减少了生成复杂网络的需求,并允许将噪声数据纳入当前算法。

1.6.3 傅里叶神经算子智能求解

上述机器学习方法提供了近似或增强传统解决方案的快速解决方案。然而,其实际应用中会受限于经典神经网络只能在有限维空间之间映射。因此,只能学习特定离散化的解决方案。与之不同的是,神经算子通过产生一组可用于不同离散化的网络参数,弥补了上述有限维算子方法的网格依赖性[168-169]。它可以直接学习从任何函数参数依赖性到解的映射。因此,它们可以学习所有偏微分方程类,而不像经典方法只能求解一个方程实例。傅里叶神经算子是通过直接在傅里叶空间中参数化积分核来制定一个新的神经算子[170]。它是一种能够学习无穷维函数空间之间的映射的深度学习架构。其中积分算子被限制为卷积,并通过傅里叶域中的线性变换来实例化。傅里叶神经算子可以在较低分辨率下进行训练,并在较高分辨率下进行评估,而无需额外的高分辨率数据。图9展示了使用64×64×20分辨率Navier-Stokes方程流场数据训练FNO-3D模型,成功将其转换为256×256×80分辨率。令人惊讶的是,它不仅可以在空间域还可以在时间域实现超分辨率。
图9 零样本超分辨率模拟: Navier-Stokes方程[170]

(上:真实案例;下:神经算子预测案例,在64×64×20分辨率数据集上训练,在256×256×80分辨率上求值。)

Fig.9 Zero-shot super-resolution simulation: Navier-Stokes Equation[170]

(Top: truth case; bottom: neural operator prediction case. Trained on 64×64×20 dataset, evaluated on 256×256×80.)

2 研究展望

2.1 海洋数字孪生

人工智能海洋学潜在的一大应用前景即数字孪生[171]。数字孪生是一种以数字化的方式建立物理实体动态虚拟模型并仿真和刻画其在真实环境中的属性、运动、规则等的技术。一般的,数字孪生系统由三部分组成:物理实体、虚拟数字体及二者间的连接。在海洋数字孪生的构建中,物理实体即真实的海洋;虚拟数字体即人工模拟的海洋;从对真实海洋的观测到完成模拟,不断对模拟海洋的修正,对真实海洋的认知,则是两者间的连接。因此海洋数字孪生是一个转折点,它集成了广泛的数据源、建模、模拟、人工智能算法以及包括相关最佳实践在内的专业工具[172]。
计算流体力学和传统数值模拟技术此前都是模拟数字海洋的重要手段和工具,但传统数值模拟技术对海洋的模拟由于差分迭代在精细网格下需要耗费巨额算力,在现有的算力条件下难以实现实时、迅速的模拟,对数字海洋的模拟往往存在较大的时延且难以提高时间分辨率。而如在1.3节中提及的,用于海洋预报的人工智能模型在推理时耗费的时间往往仅为数值模式所耗时间的数十分之一。因此,人工智能是实现海洋数字孪生不可或缺的技术,随着这项技术的成熟,一些海洋数字孪生的应用正在蓬勃发展。
欧盟于2021年启动了“目的地地球”项目,计划建立宏观尺度的地球数字孪生体[173]。该项目耦合了高分辨率高密度监测网、人工智能、云边协同高性能计算等技术,整合了欧盟各公共数据库,对大气、海洋、冰层和陆地进行监测及数字建模,并将地球物理模型、社会模型与新型数字技术相结合,评估人类活动对气候变化的影响,进而为决策提供支持服务[174]。项目提出的同年,JIANG等[175]开发了首个海岸带数字孪生模型,采用了先进的算子神经网络替代全球海洋环流模型NEMO(nucleus for European modelling of the ocean),在输入风速、平均海面气压、水深和高程信息的情况下对欧洲西北部区域的海面高度场进行模拟[170],模拟结果与NEMO几乎没有差距,但是模拟速度提高了45倍,使得模型可以在2 min内完成对该区域一个月的模拟。
对于单一二维变量的模拟,只通过轻型的算子网络即可完成,但若是针对多变量、多维度的预测和模拟,预报的计算量会大大增加,往往需要运用参数规模和网络深度都较大的大模型。在大气领域中可以看到类似的研究,比如Nvidia公司开发的傅立叶预测神经网络(Fourier forecasting neural network,FourCastNet)大模型[176],可模拟多种大气要素,并预测台风等极端天气,分辨率达到0.25°,每隔6 h可生成未来10 d的预报,与传统数值模型相比速度提升了45 000倍,并且在500 hPa高度场和2 m气温预报精度方面表现出色。此外,Nvidia公司还开发了名为OMNIVERS的数字孪生构建框架[177],可以配合FourCastNet使用,对其生成的结果做快速渲染,完成了地球大气系统数字孪生的基本构建。
除了上述国际研究进展,国内也在相关领域(如水文领域),开展了一些数字孪生研究。例如,在淮河流域防洪预报、预警、预演、预案等“四预”试点工作中,刘昌军等[178]提出了数字孪生淮河流域智能防洪试点建设方案,探索了数字孪生在淮河流域智能防洪“四预”新模式方面的应用。甘郝新等[179]则提出了数字孪生在珠江建设方面的方案。刘红彬等[180]讨论了数字孪生模型在工业领域的应用。朱庆等[181]提出了从实景三维建模到数字孪生建模的方法。国内数字孪生领域还包括了李猛等[182]、黄艳等[183]、杨传书[184]、王胜任等[185]进行的相关研究。清华大学深圳国际研究生院海洋工程研究院开展了船舶“三维模型+属性信息”构建方法的研究,不仅突破了三维地理信息与海洋信息的集成技术,还构建了基于建筑信息模型和地理信息系统的数字海洋模型,为船舶数字孪生和海洋数字孪生的全面实施奠定了坚实基础[186⇓-188]。此外,该研究院还成功开发了数字化海洋信息管理平台和滨海城市性能模拟平台,实现了船舶、沿海城市地理信息和海洋基础设施的动态管理和大数据整合。
因此,数字孪生技术已在各个领域蓬勃发展,并且离海洋领域并不遥远。但是,要实现真正的海洋数字孪生,除了需要研发迅速响应、高效精准的智能模拟预报模型,还需要三维高效渲染技术以及海洋多源数据仓库等数据存储技术的实现。可以预见的是,这些技术无法在朝夕之间实现并统筹到数字孪生系统中去,但是并不会在太远的未来。作为其中关键技术的人工智能海洋学,其发展更是重中之重,具有巨大的科研价值和应用潜力。

2.2 海洋人工智能大模型

数据、算法和计算量是影响当代人工智能技术发展的三个关键因素。大量研究结果表明,人工智能技术在各领域的表现力与机器学习模型自身的复杂程度密不可分[189⇓⇓-192]。因此,如图10所示,依据模型的计算量,机器学习的发展历程可以被划分为三个阶段:前深度学习时代、深度学习时代和人工智能大模型时代[193]。在进入大模型时代以前,人工智能技术主要通过改进机器学习算法来提升模型性能,这是由于当时的可用数据量和机器计算能力有限,不足以支持相关研究的开展。同时,模型训练结果的优劣很大程度上受高质量标签数据的约束,而数据的标记过程需要消耗大量时间,特别是对于特定任务,若可用的标签数据数量极少,模型的准确性往往会变得更差。
图10 1952—2022年里程碑式机器学习模型的发展趋势[193]

Fig.10 Trends of milestone ML models from 1952 to 2022[193]

2015年8月AlphaGo在围棋领域的优异表现,正式宣告机器学习进入大模型时代,其发展势头迅猛,并一直延续至今。人工智能大模型是指参数超过百亿、具有较大深度和宽度的复杂神经网络,通过使用海量的数据训练网络,来提升模型在计算机视觉、自然语言处理等领域的表现力[194]。深度学习的自然语言处理模型GPT-3是最具有代表性的人工智能大模型之一,其训练参数规模达到1 750亿,在自然语言处理特别是语言生成任务中,具有极其优秀的表现[195]。参数规模的扩大能够帮助GPT-3模型更好地捕捉训练数据中的语言知识,显著提高了其在未知任务、少样本问题中的学习能力。近年来国内的科研人员对人工智能大模型也开展了大量的研究工作,例如华为云建立的“盘古”大模型,能够应用在政务、制造、煤矿、铁路、气象等十几个行业,同样的百度文心大模型、腾讯云行业大模型等国内设计和训练的大模型开始逐渐进入人们的日常生活[196]。与传统的人工智能模型构建方式不同,大模型是通过预训练一个大规模模型来执行不同的研究任务,并非针对不同的任务分别建立模型。它能够在算力充足的条件下输出高质量的模型结果,并降低了下游任务对大量优质数据的依赖性,有效规避了以往人工智能模型开发和应用中出现的高成本、低效率问题。
人工智能大模型具有大数据驱动、自适应多任务和小样本学习的优点,是机器可以实现高级智能化研究的良好体现。目前,人工智能大模型已经应用于气象学领域,并成功开发了一系列高精度的天气智能预报大模型[176,197⇓⇓⇓-201]。PATHAK等[176]提出了FourCastNet模型,其预报变量包括海面10 m风速、降水和大气水汽等,对极端天气事件如热带气旋、温带气旋、大气长河等的预报具有重要的意义。此外,该模型首次将智能预报提升至与传统数值天气预报模型相当的水平分辨率,而运行效率却高出几万倍,是人工智能大模型在气象学领域的一次成功实践。基于多年的雷达观测资料, ZHANG等[201]提出了一种空间分辨率为20 km×20 km、应对极端降水事件的非线性天气预报模型,称作NowcastNet模型。该模型将物理演化方案和条件学习方法统一到具有端到端预测误差优化的神经网络框架中,实现了遵循物理规律、高精度的临近降水预报。与其它同类方法相比,NowcastNet模型的实用性大幅领先,它首次将降水的临近预报时效延长至3 h,并可以有效预报伴随平流和对流过程的极端降水事件。此外上海人工智能实验室研发了一个名为“风乌”的全球中期天气预报大模型,是全球首个预报时效突破10 d的气象大模型。公开资料显示,“盘古气象”的计算速度与FourCastNet相当,其在TeslaV100GPU上预测24 h的天气仅需1.4 s,而“风乌”仅30 s即可生成未来10 d的全球高精度预报结果[202]。
人工智能大模型在气象学等领域取得的巨大成功,为其在海洋学的成功应用奠定了良好的基础。目前,尚未有关于人工智能海洋大模型及其相关研究被提出。未来,通过将深度学习和先验海洋学知识相结合,大模型有望实现对海洋多要素、多尺度动力过程的快速、准确预报。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
TANKARD C. Big data security[J]. Network Security, 2012(7): 5-8.

[2]
MAYER-SCHÖNBERGER V, CUKIER K. Big data: a revo-lution that will transform how we live, work, and think[M]. Boston: Houghton Mifflin Harcourt, 2013.

[3]
Ocean circulation is changing, and we need to know why[J]. Nature, 2018, 556(7700): 149.

[4]
ANDO K, LIN X P, VILLANOY C, et al. Half-century of scientific advancements since the cooperative study of the Kuroshio and adjacent regions (CSK) programme—Need for a new Kuroshio research[J]. Progress in Oceanography, 2021, 193: 102513.

[5]
钱程程, 陈戈. 海洋大数据科学发展现状与展望[J]. 中国科学院院刊, 2018, 33(8):884-891.

QIAN C C, CHEN G. Big data science for ocean: Present and future[J]. Bulletin of Chinese Academy of Sciences, 2018, 33(8): 884-891.

[6]
SCHER S, MESSORI G. Weather and climate forecasting with neural networks: Using general circulation models (GCMs) with different complexity as a study ground[J]. Geoscientific Model Development, 2019, 12(7): 2797-2809.

[7]
CHEN G, HUANG B X, CHEN X Y, et al. Deep blue AI: A new bridge from data to knowledge for the ocean science[J]. Deep Sea Research Part I: Oceanographic Research Papers, 2022, 190: 103886.

[8]
QIAN C C, HUANG B X, YANG X Q, et al. Data science for oceanography: From small data to big data[J]. Big Earth Data, 2022, 6(2): 236-250.

[9]
王辉, 刘娜, 逄仁波, 等. 全球海洋预报与科学大数据[J]. 科学通报, 2015, 60(S1):479-484.

WANG H, LIU N, PANG R B, et al. Global ocean forecasting and scientific big data[J]. Chinese Science Bulletin, 2015, 60(S1): 479-484.

[10]
MARTIN S. An introduction to ocean remote sensing[M]. 2nd ed. Cambridge: Cambridge University Press, 2014.

[11]
戴洪磊, 牟乃夏, 王春玉, 等. 我国海洋浮标发展现状及趋势[J]. 气象水文海洋仪器, 2014, 31(2):118-121,125.

DAI H L, MOU N X, WANG C Y, et al. Development status and trend of ocean buoy in China[J]. Meteorological, Hydrological and Marine Instruments, 2014, 31(2): 118-121, 125.

[12]
WULDER M A, COOPS N C. Satellites: Make earth obser-vations open access[J]. Nature, 2014, 513(7516): 30-31.

[13]
张蕾, 张国航, 毛凌野. 中国海洋卫星二十年[EB/OL].(2022-05-16)[2023-09-02]. http://finance.people.com.cn/n1/2022/0516/c1004-32422462.html.

ZHANG L, ZHANG G H, MAO L Y. Twenty years of China’s ocean satellites [EB/OL]. (2022-05-16)[2023-09-02]. http://finance.people.com.cn/n1/2022/0516/c1004-32422462.html.

[14]
SONG T, PANG C, HOU B Y, et al. A review of artificial intelligence in marine science[J]. Frontiers in Earth Science, 2023, 11: 1090185.

[15]
KRASNOPOLSKY V M. The application of neural networks in the earth system sciences[M]. [S.l.]: Springer, 2013.

[16]
BOUKABARA S A, KRASNOPOLSKY V, STEWART J Q, et al. Leveraging modern artificial intelligence for remote sensing and NWP: Benefits and challenges[J]. Bulletin of the American Meteorological Society, 2019, 100(12): 473-491.

[17]
BALL J E, ANDERSON D T, CHAN C S. Comprehensive survey of deep learning in remote sensing: Theories, tools, and challenges for the community[J]. Journal of Applied Remote Sensing, 2017, 11(4): 1.

[18]
WANG H Y, LI X F. Deepblue: Advanced convolutional neural network applications for ocean remote sensing[J]. IEEE Geoscience and Remote Sensing Magazine, 2024, 12(1): 138-161.

[19]
宋振亚, 刘卫国, 刘鑫, 等. 海量数据驱动下的高分辨率海洋数值模式发展与展望[J]. 海洋科学进展, 2019, 37(2):161-170.

SONG Z Y, LIU W G, LIU X, et al. Research progress and perspective of the key technologies for ocean numerical model driven by the mass data[J]. Advances in Marine Science, 2019, 37(2): 161-170.

[20]
孙苗, 符昱, 吕憧憬, 等. 深度学习在海洋大数据挖掘中的应用[J]. 科技导报, 2018, 36(17):83-90.

SUN M, FU Y, LÜ C J, et al. Deep learning application in marine big data mining[J]. Science & Technology Review, 2018, 36(17): 83-90.

[21]
PING B, SU F Z, MENG Y S. An improved DINEOF algorithm for filling missing values in spatio-temporal sea surface temperature data[J]. PLoS One, 2016, 11(5):e0155928.

[22]
LIU X M, WANG M H. Gap filling of missing data for VIIRS global ocean color products using the DINEOF method[J]. IEEE Transactions on Geoscience and Remote Sensing, 2018, 56(8): 4464-4476.

[23]
DUCOURNAU A, FABLET R. Deep learning for ocean remote sensing: An application of convolutional neural networks for super-resolution on satellite-derived SST data[C]//Proceedings of the 2016 9th IAPR Workshop on Pattern Recogniton in Remote Sensing (PRRS), December 4, 2016, Cancun, Mexico.

[24]
PARK J, KIM J H, KIM H C, et al. Reconstruction of ocean color data using machine learning techniques in polar regions: Focusing on off Cape Hallett, Ross Sea[J]. Remote Sensing, 2019, 11(11): 1366.

[25]
LI M, ZHANG R, LIU K F. Evolving a Bayesian network model with information flow for time series interpolation of multiple ocean variables[J]. Acta Oceanologica Sinica, 2021, 40(7): 249-262.

[26]
RADIN C, NIEVES V. Machine-learning based recons-tructions of past regional sea level variability from proxy data[J]. Geophysical Research Letters, 2021, 48(23):e2021GL095382.

[27]
TIAN T, CHENG L J, WANG G J, et al. Reconstructing ocean subsurface salinity at high resolution using a machine learning approach[J]. Earth System Science Data, 2022, 14(11): 5037-5060.

[28]
CHEN Y H, LIU L, CHEN X E, et al. Data driven three-dimensional temperature and salinity anomaly reconstruction of the northwest Pacific Ocean[J]. Frontiers in Marine Science, 2023, 10: 1121334.

[29]
CHELTON D B, SCHLAX M G, SAMELSON R M, et al. Global observations of large oceanic eddies[J]. Geophysical Research Letters, 2007, 34(15): L15606.

[30]
DONG C M, MCWILLIAMS J C, LIU Y, et al. Global heat and salt transports by eddy movement[J]. Nature Commu-nications, 2014, 5: 3294.

[31]
MCGILLICUDDY D J Jr. Mechanisms of physical-biological-biogeochemical interaction at the oceanic mesoscale[J]. Annual Review of Marine Science, 2016, 8: 125-159.

DOI PMID

[32]
BRANNIGAN L. Intense submesoscale upwelling in anti-cyclonic eddies[J]. Geophysical Research Letters, 2016, 43(7): 3360-3369.

[33]
LGUENSAT R, SUN M, FABLET R, et al. EddyNet: A deep neural network for pixel-wise classification of oceanic eddies[C]//Proceedings of the 2018 IEEE International Geoscience and Remote Sensing Symposium (IGARSS), July 22-27, 2018, Valencia, Spain. IEEE, 2018: 1764-1767.

[34]
FRANZ K, ROSCHER R, MILIOTO A, et al. Ocean eddy identification and tracking using neural networks[C]//Proceedings of the 2018 IEEE International Geoscience and Remote Sensing Symposium(IGARSS), July 22-27, 2018, Valencia, Spain. IEEE, 2018: 6887-6890.

[35]
XU G J, CHENG C, YANG W X, et al. Oceanic eddy identification using an AI scheme[J]. Remote Sensing, 2019, 11(11): 1349.

[36]
XU G J, XIE W H, DONG C M, et al. Application of three deep learning schemes into oceanic eddy detection[J]. Frontiers in Marine Science, 2021, 8: 672334.

[37]
DUO Z J, WANG W K, WANG H Z. Oceanic mesoscale eddy detection method based on deep learning[J]. Remote Sensing, 2019, 11(16): 1921.

[38]
CAO L J, ZHANG D J, ZHANG X F, et al. Detection and identification of mesoscale eddies in the South China Sea based on an artificial neural network model—YOLOF and remotely sensed data[J]. Remote Sensing, 2022, 14(21):5411.

[39]
HANG R L, LI G, XUE M, et al. Identifying oceanic eddy with an edge-enhanced multiscale convolutional network[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2022, 15: 9198-9207.

[40]
LIU Y J, ZHENG Q A, LI X F. Characteristics of global ocean abnormal mesoscale eddies derived from the fusion of sea surface height and temperature data by deep learning[J]. Geophysical Research Letters, 2021, 48(17): e2021GL094772.

[41]
ZHANG Y Y, LIU N, ZHANG Z Y, et al. Detection of Bering Sea slope mesoscale eddies derived from satellite altimetry data by an attention network[J]. Remote Sensing, 2022, 14(19): 4974.

[42]
ZHAO N, HUANG B X, ZHANG X M, et al. Intelligent identification of oceanic eddies in remote sensing data via dual-pyramid UNet[J]. Atmospheric and Oceanic Science Letters, 2023, 16(4): 100335.

[43]
ZHAO Y X, FAN Z L, LI H T, et al. Symmetric net: End-to-end mesoscale eddy detection with multi-modal data fusion[J]. Frontiers in Marine Science, 2023, 10: 1174818.

[44]
KOCHKOV D, YUVAL J, LANGMORE I, et al. Neural general circulation models for weather and climate[Z/OL]. arXiv, 2023: 2311.07222. https://arxiv.org/abs/2311.07222v3.

[45]
WANG C, LI X F. Deep learning in extracting tropical cyclone intensity and wind radius information from satellite infrared images—A review[J]. Atmospheric and Oceanic Science Letters, 2023, 16(4): 100373.

[46]
SUN L N, ZHANG J, MENG J M. A study of the spatial-temporal distribution and propagation characteristics of internal waves in the Andaman Sea using MODIS[J]. Acta Oceanologica Sinica, 2019, 38(7): 121-128.

[47]
LI X F, JACKSON C R, PICHEL W G. Internal solitary wave refraction at Dongsha atoll, South China Sea[J]. Geophysical Research Letters, 2013, 40(12): 3128-3132.

[48]
BAI X L, LI X F, LAMB K G, et al. Internal solitary wave reflection near Dongsha atoll, the South China Sea[J]. Journal of Geophysical Research: Oceans, 2017, 122(10): 7978-7991.

[49]
ZHANG X D, LI X F, ZHANG T. Characteristics and generations of internal wave in the Sulu Sea inferred from optical satellite images[J]. Journal of Oceanology and Limnology, 2020, 38(5): 1435-1444.

[50]
ZHENG Q A, YUAN Y L, KLEMAS V, et al. Theoretical expression for an ocean internal soliton synthetic aperture radar image and determination of the soliton characteristic half width[J]. Journal of Geophysical Research: Oceans, 2001, 106(C12): 31415-31423.

[51]
PAN X Y, WANG J, ZHANG X D, et al. A deep-learning model for the amplitude inversion of internal waves based on optical remote-sensing images[J]. International Journal of Remote Sensing, 2018, 39(3): 607-618.

[52]
LI X F, LIU B, ZHENG G, et al. Deep-learning-based information mining from ocean remote-sensing imagery[J]. National Science Review, 2020, 7(10): 1584-1605.

DOI PMID

[53]
WANG S F, TENG Y J, PERDIKARIS P. Understanding and mitigating gradient flow pathologies in physics-informed neural networks[J]. SIAM Journal on Scientific Computing, 2021, 43(5): 3055-3081.

[54]
VASAVI S, DIVYA C, SARMA A S. Detection of solitary ocean internal waves from SAR images by using UNet and KDV solver technique[J]. Global Transitions Proceedings, 2021, 2(2): 145-151.

[55]
ZHANG X D, WANG H Y, WANG S, et al. Oceanic internal wave amplitude retrieval from satellite images based on a data-driven transfer learning model[J]. Remote Sensing of Environment, 2022, 272: 112940.

[56]
ZAKHVATKINA N, SMIRNOV V, BYCHKOVA I. Satellite SAR data-based sea ice classification: An overview[J]. Geosciences, 2019, 9(4): 152.

[57]
XU Y, SCOTT K A. Sea ice and open water classification of SAR imagery using CNN-based transfer learning[C]//Proceedings of the 2017 IEEE International Geoscience and Remote Sensing Symposium (IGARSS), July 23-28, 2017, Fort Worth, TX, USA. IEEE, 2017: 3262-3265.

[58]
LI J X, WANG C, WANG S G, et al. Gaofen-3 sea ice detection based on deep learning[C]//Proceedings of the 2017 Progress in Electromagnetics Research Symposium-Fall (PIERS-FALL), November 19-22, 2017, Singapore. IEEE, 2017: 933-939.

[59]
GAO Y H, GAO F, DONG J Y, et al. Transferred deep learning for sea ice change detection from synthetic-aperture radar images[J]. IEEE Geoscience and Remote Sensing Letters, 2019, 16(10): 1655-1659.

[60]
BOULZE H, KOROSOV A, BRAJARD J. Classification of sea ice types in Sentinel-1 SAR data using convolutional neural networks[J]. Remote Sensing, 2020, 12(13): 2165.

[61]
REN Y B, LI X F, YANG X F, et al. Development of a dual-attention UNet model for sea ice and open water classification on SAR images[J]. IEEE Geoscience and Remote Sensing Letters, 2022, 19: 4010205.

[62]
GONÇALVES BENTO C, LYNCH HEATHER J. Fine-scale sea ice segmentation for high-resolution satellite imagery with weakly-supervised CNNs[J]. Remote Sensing, 2021, 13(18): 3562.

[63]
ZHANG J D, ZHANG W Y, HU Y X, et al. An improved sea ice classification algorithm with Gaofen-3 dual-polarization SAR data based on deep convolutional neural networks[J]. Remote Sensing, 2022, 14(4): 906.

[64]
LINS I D, ARAUJO M, MOURA M D C, et al. Prediction of sea surface temperature in the tropical Atlantic by support vector machines[J]. Computational Statistics & Data Analysis, 2013, 61: 187-198.

[65]
PATIL K, DEO M C. Basin-scale prediction of sea surface temperature with artificial neural networks[J]. Journal of Atmospheric and Oceanic Technology, 2018, 35(7): 1441-1455.

[66]
WEI L, GUAN L, QU L Q, et al. Prediction of sea surface temperature in the South China Sea by artificial neural networks[C]//Proceedings of the 2019 IEEE International Geoscience and Remote Sensing Symposium (IGARSS), July 28-August 2, 2019, Yokohama, Japan. IEEE, 2019: 8158-8161.

[67]
PETERSIK P J, DIJKSTRA H A. Probabilistic forecasting of El Niño using neural network models[J]. Geophysical Research Letters, 2020, 47(6): e2019GL086423.

[68]
朱贵重, 胡松. 基于LSTM-RNN的海水表面温度模型研究[J]. 应用海洋学学报, 2019, 38(2):191-197.

ZHU G C, HU S. Study on sea surface temperature model based on LSTM-RNN[J]. Journal of Applied Oceanography, 2019, 38(2): 191-197.

[69]
ZHANG Z, PAN X L, JIANG T, et al. Monthly and quarterly sea surface temperature prediction based on gated recurrent unit neural network[J]. Journal of Marine Science and Engineering, 2020, 8(4): 249.

[70]
XIAO C J, CHEN N C, HU C L, et al. A spatiotemporal deep learning model for sea surface temperature field prediction using time-series satellite data[J]. Environ-mental Modelling & Software, 2019, 120: 104502.

[71]
MAHESH A, EVANS M, JAIN G, et al. Forecasting El Niño with convolutional and recurrent neural networks[C]//Neurips 2019 Workshop-Tackling Climate Change with Machine Learning, Vancouver, 2019.

[72]
HAM Y G, KIM J H, LUO J J. Deep learning for multi-year ENSO forecasts[J]. Nature, 2019, 573(7775): 568-572.

[73]
XIAO C J, CHEN N C, HU C L, et al. Short and mid-term sea surface temperature prediction using time-series satellite data and LSTM-AdaBoost combination approach[J]. Remote Sensing of Environment, 2019, 233: 111358.

[74]
GUPTA M, KODAMANA H, SANDEEP S. Prediction of ENSO beyond spring predictability barrier using deep convolutional LSTM networks[J]. IEEE Geoscience and Remote Sensing Letters, 2022, 19: 1501205.

[75]
CACHAY S R, ERICKSON E, BUCKER A, et al. Graph neural networks for improved El Niño forecasting[Z/OL]. arXiv, 2021: 2012. 01598. https://arxiv.org/abs/2012.01598.

[76]
ZHOU L, ZHANG R H. A hybrid neural network model for ENSO prediction in combination with principal oscillation pattern analyses[J]. Advances in Atmospheric Sciences, 2022, 39(6): 889-902.

[77]
LIANG X S, XU F, RONG Y N, et al. El Niño Modoki can be mostly predicted more than 10 years ahead of time[J]. Scientific Reports, 2021, 11(1): 17860.

[78]
GLAHN B, TAYLOR A, KURKOWSKI N, et al. The role of the SLOSH model in National Weather Service storm surge forecasting[J]. National Weather Digest, 2009, 33: 3-14.

[79]
LEE T L. Neural network prediction of a storm surge[J]. Ocean Engineering, 2006, 33(3/4): 483-494.

[80]
LEE T L. Back-propagation neural network for the prediction of the short-term storm surge in Taichung harbor, Taiwan[J]. Engineering Applications of Artificial Intelligence, 2008, 21(1): 63-72.

[81]
JIANG S Q, LIU Q. The BP neural network optimized by Beetle Antenna Search Algorithm for storm surge prediction[C]//The 30th International Ocean and Polar Engineering Conference, 2020: ISOPE-I-20-3286.

[82]
CHAO W T, YOUNG C C, HSU T W, et al. Long-lead-time prediction of storm surge using artificial neural networks and effective typhoon parameters: Revisit and deeper insight[J]. Water, 2020, 12(9): 2394.

[83]
KIM S Y, MATSUMI Y, SHIOZAKI S, et al. A study of a real-time storm surge forecast system using a neural network at the Sanin Coast, Japan[C]//Proceedings of the 2012 Oceans, October 14-19, 2012, Hampton Roads, VA, USA. IEEE, 2012: 1-7.

[84]
KIM S W, MELBY J A, NADAL-CARABALLO N C, et al. A time-dependent surrogate model for storm surge prediction based on an artificial neural network using high-fidelity synthetic hurricane modeling[J]. Natural Hazards, 2015, 76(1): 565-585.

[85]
KIM S, MATSUMI Y, PAN S Q, et al. A real-time forecast model using artificial neural network for after-runner storm surges on the Tottori coast, Japan[J]. Ocean Engineering, 2016, 122: 44-53.

[86]
KIM S W, LEE A, MUN J. A surrogate modeling for storm surge prediction using an artificial neural network[J]. Journal of Coastal Research, 2018, 85: 866-870.

[87]
KIM S, PAN S Q, MASE H. Artificial neural network-based storm surge forecast model: Practical application to Sakai Minato, Japan[J]. Applied Ocean Research, 2019, 91: 101871.

[88]
RAJASEKARAN S, GAYATHRI S, LEE T L. Support vector regression methodology for storm surge predictions[J]. Ocean Engineering, 2008, 35(16): 1578-1587.

[89]
YOU S H, SEO J W. Storm surge prediction using an artificial neural network model and cluster analysis[J]. Natural Hazards, 2009, 51(1): 97-114.

[90]
RUMELHART D E, HINTON G E, WILLIAMS R J. Lear-ning representations by back-propagating errors[J]. Nature, 1986, 323(6088): 533-536.

[91]
SCHMIDHUBER J. Deep learning in neural networks: An overview[J]. Neural Networks, 2015, 61: 85-117.

PMID

[92]
雷森, 史振威, 石天阳, 等. 基于递归神经网络的风暴潮增水预测[J]. 智能系统学报, 2017, 12(5):640-644.

LEI S, SHI Z W, SHI T Y, et al. Prediction of storm surge based on recurrent neural network[J]. CAAI Transactions on Intelligent Systems, 2017, 12(5): 640-644.

[93]
刘媛媛, 张丽, 李磊, 等. 基于多变量LSTM神经网络模型的风暴潮临近预报[J]. 海洋通报, 2020, 39(6):689-694.

LIU Y Y, ZHANG L, LI L, et al. Storm surge nowcasting based on multivariable LSTM neural network model[J]. Marine Science Bulletin, 2020, 39(6): 689-694.

[94]
XIE W H, XU G J, ZHANG H C, et al. Developing a deep learning-based storm surge forecasting model[J]. Ocean Modelling, 2023, 182: 102179.

[95]
谢文鸿, 徐广珺, 董昌明. 基于ConvLSTM机器学习的风暴潮漫滩预报研究[J]. 大气科学学报, 2022, 45(5):674-687.

XIE W H, XU G J, DONG C M. Research on storm surge floodplain prediction based on ConvLSTM machine learning[J]. Transactions of Atmospheric Sciences, 2022, 45(5): 674-687.

[96]
DEO M C, SRIDHAR NAIDU C. Real time wave forecasting using neural networks[J]. Ocean Engineering, 1998, 26(3): 191-203.

[97]
LONDHE S N, PANCHANG V. One-day wave forecasts based on artificial neural networks[J]. Journal of Atmospheric and Oceanic Technology, 2006, 23(11): 1593-1603.

[98]
KALOOP M R, KUMAR D, ZARZOURA F, et al. A wavelet-Particle swarm optimization-Extreme learning machine hybrid modeling for significant wave height prediction[J]. Ocean Engineering, 2020, 213: 107777.

[99]
MANDAL S, PRABAHARAN N. Ocean wave forecasting using recurrent neural networks[J]. Ocean Engineering, 2006, 33(10): 1401-1410.

[100]
GAO S, HUANG J, LI Y R, et al. A forecasting model for wave heights based on a long short-term memory neural network[J]. Acta Oceanologica Sinica, 2021, 40(1): 62-69.

[101]
LU P, LIANG S, ZOU G, et al. M-LSTM, A hybrid pre-diction model for wave heights[J]. Journal of Nonlinear and Convex Analysis, 2019, 20(5): 775-786.

[102]
ZHOU S Y, BETHEL B J, SUN W J, et al. Improving significant wave height forecasts using a joint empirical mode decomposition-long short-term memory network[J]. Journal of Marine Science and Engineering, 2021, 9(7): 744.

[103]
FAN S T, XIAO N H, DONG S. A novel model to predict significant wave height based on long short-term memory network[J]. Ocean Engineering, 2020, 205: 107298.

[104]
ZHOU S Y, XIE W H, LU Y X, et al. ConvLSTM-based wave forecasts in the south and east China Seas[J]. Frontiers in Marine Science, 2021, 8: 680079.

[105]
BAI G, WANG Z F, ZHU X Y, et al. Development of a 2-D deep learning regional wave field forecast model based on convolutional neural network and the application in South China Sea[J]. Applied Ocean Research, 2022, 118: 103012.

[106]
张峰, 王琪, 卢美, 等. 基于人工神经网络的海流预报研究[J]. 海洋预报, 2018, 35(4):41-46.

ZHANG F, WANG Q, LU M, et al. Study of tidal current prediction based on artificial neural network[J]. Marine Forecasts, 2018, 35(4): 41-46.

[107]
XIN L, HU S, WANG F, et al. Using a deep-learning approach to infer and forecast the Indonesian throughflow transport from sea surface height[J]. Frontiers in Marine Science, 2023, 10: 1079286.

[108]
PARK S, BYUN J, SHIN K S, et al. Ocean current pre-diction based on machine learning for deciding handover priority in underwater wireless sensor networks[C]//Proceedings of the 2020 International Conference on Artificial Intelligence in Information and Communication (ICAIIC), February 19-21, 2020, Fukuoka, Japan. IEEE, 2020: 505-509.

[109]
XIONG W, XIANG Y F, WU H, et al. AI-GOMS: Large AI-driven global ocean modeling system[Z/OL]. arXiv, 2023: 2308.03152. https://arxiv.org/abs/2308.03152v2.

[110]
MELLOR G L, YAMADA T. Development of a turbulence closure model for geophysical fluid problems[J]. Reviews of Geophysics, 1982, 20(4): 851-875.

[111]
PACANOWSKI R C, PHILANDER S G H. Parameterization of vertical mixing in numerical models of tropical oceans[J]. Journal of Physical Oceanography, 1981, 11(11): 1443-1451.

[112]
LARGE W G, MCWILLIAMS J C, DONEY S C. Oceanic vertical mixing: A review and a model with a nonlocal boundary layer parameterization[J]. Reviews of Geophy-sics, 1994, 32(4): 363-403.

[113]
CHEN D K, ROTHSTEIN L M, BUSALACCHI A J. A hybrid vertical mixing scheme and its application to tropical ocean models[J]. Journal of Physical Oceanography, 1994, 24(10): 2156-2179.

[114]
FOX-KEMPER B, FERRARI R, HALLBERG R. Para-meterization of mixed layer eddies. Part I: Theory and diagnosis[J]. Journal of Physical Oceanography, 2008, 38(6): 1145-1165.

[115]
SMAGORINSKY J. General circulation experiments with the primitive equations[J]. Monthly Weather Review, 1963, 91(3): 99-164.

[116]
GENT P R, MCWILLIAMS J C. Isopycnal mixing in ocean circulation models[J]. Journal of Physical Oceanography, 1990, 20(1): 150-155.

[117]
FOX-KEMPER B, BACHMAN S, PEARSON B, et al. Principles and advances in subgrid modeling for eddy-rich simulations[J]. CLIVAR Exchanges, 2014, 19(65): 42-46.

[118]
DANABASOGLU G, MCWILLIAMS J C, GENT P R. The role of mesoscale tracer transports in the global ocean circulation[J]. Science, 1994, 264(5162): 1123-1126.

PMID

[119]
BERLOFF P S. Random-forcing model of the mesoscale oceanic eddies[J]. Journal of Fluid Mechanics, 2005, 529: 71-95.

[120]
PORTA MANA P, ZANNA L. Toward a stochastic parame-terization of ocean mesoscale eddies[J]. Ocean Modelling, 2014, 79: 1-20.

[121]
ZANNA L, PORTA MANA P, ANSTEY J, et al. Scale-aware deterministic and stochastic parametrizations of eddy-mean flow interaction[J]. Ocean Modelling, 2017, 111: 66-80.

[122]
DURAISAMY K, IACCARINO G, XIAO H. Turbulence modeling in the age of data[J]. Annual Review of Fluid Mechanics, 2019, 51: 357-377.

[123]
张涛, 谢丰, 薛巍, 等. 格点大气环流模式GAMIL2参数不确定性的量化分析与优化[J]. 地球物理学报, 2016, 59(2):465-475.

DOI

ZHANG T, XIE F, XUE W, et al. Quantification and optimization of parameter uncertainty in the grid-point atmospheric model GAMIL2[J]. Chinese Journal of Geo-physics, 2016, 59(2): 465-475.

[124]
JIANG G Q, XU J, WEI J. A deep learning algorithm of neural network for the parameterization of typhoon-ocean feedback in typhoon forecast models[J]. Geophysical Research Letters, 2018, 45(8): 3706-3716.

[125]
BOLTON T, ZANNA L. Applications of deep learning to ocean data inference and subgrid parameterization[J]. Journal of Advances in Modeling Earth Systems, 2019, 11(1): 376-399.

[126]
GREATBATCH R J, ZHAI X M, KOHLMANN J D, et al. Ocean eddy momentum fluxes at the latitudes of the Gulf Stream and the Kuroshio extensions as revealed by satellite data[J]. Ocean Dynamics, 2010, 60(3): 617-628.

[127]
GREATBATCH R J, ZHAI X, CLAUS M, et al. Transport driven by eddy momentum fluxes in the Gulf Stream extension region[J]. Geophysical Research Letters, 2010, 37: L24401.

[128]
KANG D J, CURCHITSER E N. Energetics of eddy-mean flow interactions in the Gulf Stream region[J]. Journal of Physical Oceanography, 2015, 45(4): 1103-1120.

[129]
WATERMAN S, JAYNE S. Eddy-mean flow interactions in the along-stream development of a western boundary current jet: An idealized model study[J]. Journal of Physical Oceanography, 2011, 41(4): 682-707.

[130]
WATERMAN S, HOGG N, JAYNE S. Eddy-mean flow interaction in the Kuroshio extension region[J]. Journal of Physical Oceanography, 2011, 41(6): 1182-1194, 1197.

[131]
GOODFELLOW I, BENGIO Y, COURVILLE A. Deep Learning[M]. [S.l.]: MIT Press, 2016.

[132]
TRACEY B D, DURAISAMY K, ALONSO J J. A machine learning strategy to assist turbulence model development[C]//Proceedings of the 53rd AIAA Aerospace Sciences Meeting. Kissimmee, Florida. Reston, Virginia: AIAA, 2015: AIAA 2015-1287.

[133]
LING J L, KURZAWSKI A, TEMPLETON J. Reynolds averaged turbulence modelling using deep neural networks with embedded invariance[J]. Journal of Fluid Mechanics, 2016, 807: 155-166.

[134]
LING J L, JONES R, TEMPLETON J. Machine learning strategies for systems with invariance properties[J]. Journal of Computational Physics, 2016, 318: 22-35.

[135]
MAULIK R, SAN O. A neural network approach for the blind deconvolution of turbulent flows[J]. Journal of Fluid Mechanics, 2017, 831: 151-181.

[136]
SAN O, MAULIK R. Extreme learning machine for reduced order modeling of turbulent geophysical flows[J]. Physical Review E, 2018, 97: 042322.

[137]
MAULIK R, SAN O, RASHEED A, et al. Subgrid modelling for two-dimensional turbulence using neural networks[J]. Journal of Fluid Mechanics, 2019, 858: 122-144.

DOI

[138]
CRUZ M A, THOMPSON R L, SAMPAIO L E B, et al. The use of the Reynolds force vector in a physics informed machine learning approach for predictive turbulence modeling[J]. Computers & Fluids, 2019, 192: 104258.

[139]
ZHOU Z D, HE G W, WANG S Z, et al. Subgrid-scale model for large-eddy simulation of isotropic turbulent flows using an artificial neural network[J]. Computers & Fluids, 2019, 195: 104319.

[140]
LEITH C E. Diffusion approximation for two-dimensional turbulence[J]. The Physics of Fluids, 1968, 11(3): 671-672.

[141]
ZANNA L, BOLTON T. Data-driven equation discovery of ocean mesoscale closures[J]. Geophysical Research Letters, 2020, 47(17): e2020GL088376.

[142]
SALEHIPOUR H, PELTIER W R. Deep learning of mixing by two ‘atoms’ of stratified turbulence[J]. Journal of Fluid Mechanics, 2019, 861: R4.

[143]
ZHU Y C, ZHANG R H, MOUM J N, et al. Physics-informed deep-learning parameterization of ocean vertical mixing improves climate simulations[J]. National Science Review, 2022, 9(8): nwac044.

[144]
HAN G Q, CEN H B, JIANG J H, et al. Applying machine learning in devising a parsimonious ocean mixing parameterization scheme[J]. Deep Sea Research Part II: Topical Studies in Oceanography, 2022, 203: 105163.

[145]
LALOYAUX P, BONAVITA M, CHRUST M, et al. Exploring the potential and limitations of weak-constraint 4D-Var[J]. Quarterly Journal of the Royal Meteorological Society, 2020, 146(733): 4067-4082.

[146]
SCHUHEN N, THORARINSDOTTIR T L, GNEITING T. Ensemble model output statistics for wind vectors[J]. Monthly Weather Review, 2012, 140(10): 3204-3219.

[147]
BARAN Á, LERCH S, EL AYARI M, et al. Machine learning for total cloud cover prediction[J]. Neural Com-puting and Applications, 2021, 33(7): 2605-2620.

[148]
GRÖNQUIST P, YAO C Y, BEN-NUN T, et al. Deep learning for post-processing ensemble weather forecasts[J]. Philosophical Transactions of the Royal Society A: Mathematical, Physical and Engineering Sciences, 2021, 379(2194): 20200092.

[149]
RASP S, LERCH S. Neural networks for postprocessing ensemble weather forecasts[J]. Monthly Weather Review, 2018, 146(11): 3885-3900.

[150]
LEINONEN J, NERINI D, BERNE A. Stochastic super-resolution for downscaling time-evolving atmospheric fields with a generative adversarial network[J]. IEEE Transac-tions on Geoscience and Remote Sensing, 2021, 59(9): 7211-7223.

[151]
MAKARYNSKYY O. Improving wave predictions with artificial neural networks[J]. Ocean Engineering, 2004, 31(5/6): 709-724.

[152]
DESHMUKH A N, DEO M C, BHASKARAN P K, et al. Neural-network-based data assimilation to improve nume-rical ocean wave forecast[J]. IEEE Journal of Oceanic Engineering, 2016, 41(4): 944-953.

[153]
SUN D Y, HUANG W Y, LUO Y, et al. A deep learning-based bias correction method for predicting ocean surface waves in the northwest Pacific Ocean[J]. Geophysical Research Letters, 2022, 49(23): e2022GL100916.

[154]
GRACIA S, OLIVITO J, RESANO J, et al. Improving accuracy on wave height estimation through machine learning techniques[J]. Ocean Engineering, 2021, 236: 108699.

[155]
吕忻, 丁骏. 基于深度学习的潮位预报订正技术研究[J]. 海洋预报, 2022, 39(2):70-79.

LÜ X, DING J. Study on the correction technology of tide level forecast based on deep learning[J]. Marine Forecasts, 2022, 39(2): 70-79.

[156]
TEDESCO P, RABAULT J, SAETRA M L, et al. Bias correction of operational storm surge forecasts using neural networks[Z/OL]. arXiv, 2023: 2301.00862. https://arxiv.org/abs/2301.00892v1.

[157]
MAO K, GAO F, ZHANG S Q, et al. An initial field intelligent correcting algorithm for numerical forecasting based on artificial neural networks under the conditions of limited observations: Part I—Focusing on ocean tempera-ture[J]. Journal of Marine Science and Engineering, 2022, 10(3): 311.

[158]
WOLFF T D, CARRILLO H, LUIS M, et al. Assessing physics informed neural networks in ocean modelling and climate change applications[C]// Modeling Oceans and Climate Change Workshop at ICLR 2021, May 2021, Santiago (Virtual), Chile, 2021. HAL Id:hal-03262684.

[159]
RUDY S H, BRUNTON S L, PROCTOR J L, et al. Data-driven discovery of partial differential equations[J]. Science Advances, 2017, 3(4): e1602614.

[160]
RAISSI M, PERDIKARIS P, KARNIADAKIS G E. Physics informed deep learning (Part I): Data-driven solutions of nonlinear partial differential equations[Z/OL]. arXiv, 2017: 1711.10561. https://arxiv.org/abs/1711.10561v1.

[161]
RAISSI M, PERDIKARIS P, KARNIADAKIS G E. Physics-informed neural networks: A deep learning framework for solving forward and inverse problems involving nonlinear partial differential equations[J]. Journal of Computational Physics, 2019, 378: 686-707.

[162]
BLECHSCHMIDT J, ERNST O G. Three ways to solve partial differential equations with neural networks—A review[J]. GAMM-Mitteilungen, 2021, 44(2): e202100006.

[163]
SCHNEIDER T, LAN S W, STUART A, et al. Earth system modeling 2.0: A blueprint for models that learn from observations and targeted high-resolution simulations[J]. Geophysical Research Letters, 2017, 44(24): 12396-12417.

[164]
ZANNA L, BRANKART J M, HUBER M, et al. Uncer-tainty and scale interactions in ocean ensembles: From seasonal forecasts to multidecadal climate predictions[J]. Quarterly Journal of the Royal Meteorological Society, 2019, 145(S1): 160-175.

[165]
BEUCLER T, PRITCHARD M, RASP S, et al. Enforcing analytic constraints in neural networks emulating physical systems[J]. Physical Review Letters, 2021, 126(9):098302.

[166]
GUILLOT J, KOENIG G, MINBASHIAN K, et al. Partial differential equations for oceanic artificial intelligence[J]. ESAIM: Proceedings and Surveys, 2021, 70: 137-146.

[167]
KARNIADAKIS G E, KEVREKIDIS I G, LU L, et al. Physics-informed machine learning[J]. Nature Reviews Physics, 2021, 3(6): 422-440.

[168]
LU L, JIN P, KARNIADAKIS G. DeepONet: Learning nonlinear operators for identifying differential equations based on the universal approximation theorem of operators[Z/OL]. arXiv, 2019: 1910. 03193. https://arxiv.org/abs/1910.03193v1.

[169]
BHATTACHARYA K, HOSSEINI B, KOVACHKI N B, et al. Model reduction and neural networks for parametric PDEs[J]. The SMAI Journal of Computational Mathematics, 2021, 7: 121-157.

[170]
LI Z Y, KOVACHKI N, AZIZZADENESHELI K, et al. Fourier neural operator for parametric partial differential equations[Z/OL]. arXiv, 2020: 2010. 08895. https://arxiv.org/abs/2010.08895v1.

[171]
GRIEVES M, VICKERS J. Digital twin: Mitigating unpre-dictable, undesirable emergent behavior in complex systems[M]//KAHLEN F J, FLUMERFELT S, ALVES A. Transdisciplinary perspectives on complex systems: New findings and approaches. [S.l.]: Springer, 2017: 85-113.

[172]
IBRAHIM M, RASSÕLKIN A, VAIMANN T, et al. Overview on digital twin for autonomous electrical vehicles propulsion drive system[J]. Sustainability, 2022, 14(2):601.

[173]
BAUER P, STEVENS B, HAZELEGER W. A digital twin of earth for the green transition[J]. Nature Climate Change, 2021, 11(2): 80-83.

[174]
VOOSEN P. Europe builds ‘digital twin’ of Earth to hone climate forecasts[J]. Science, 2020, 370(6512): 16-17.

[175]
JIANG P, MEINERT N, JORDÃO H, et al. Digital twin earth-coasts: Developing a fast and physics-informed surro-gate model for coastal floods via neural operators[Z/OL]. arXiv, 2021: 2110. 07100. https://arxiv.org/abs/2110.07100v1.

[176]
PATHAK J, SUBRAMANIAN S, HARRINGTON P, et al. FourCastNet: A global data-driven high-resolution weather model using adaptive Fourier neural operators[Z/OL]. arXiv, 2022: 2202. 11214. https://arxiv.org/abs/2202.11214v1.

[177]
SONG Z, DUAN Y, JIN W, et al. Omniverse-OpenDS: Enabling agile developments for complex driving scenarios via reconfigurable abstractions[M]// KRÖMKER H. HCI in mobility, transport, and automotive systems. [S.l.]: Springer, 2022: 72-87. https://doi.org/10.1007/978-3-031-04987-3_5.

[178]
刘昌军, 吕娟, 任明磊, 等. 数字孪生淮河流域智慧防洪体系研究与实践[J]. 中国防汛抗旱, 2022, 32(1):47-53.

LIU C J, LÜ J, REN M L, et al. Research and application of digital twin intelligent flood prevention system in Huaihe River Basin[J]. China Flood & Drought Management, 2022, 32(1): 47-53.

[179]
甘郝新, 吴皓楠. 数字孪生珠江流域建设初探[J]. 中国防汛抗旱, 2022, 32(2):36-39.

GAN H X, WU H N. Study on the construction of the digital twin Pearl River Basin[J]. China Flood & Drought Management, 2022, 32(2): 36-39.

[180]
刘红彬, 申志强, 王轶泽, 等. 数字孪生模型在轴承套圈磨削加工中的应用[J]. 系统仿真学报, 2023, 35(3):557-567.

DOI

LIU H B, SHEN Z Q, WANG Y Z, et al. Application of digital twin model in grinding of bearing rings[J]. Journal of System Simulation, 2023, 35(3): 557-567.

DOI

[181]
朱庆, 张利国, 丁雨淋, 等. 从实景三维建模到数字孪生建模[J]. 测绘学报, 2022, 51(6):1040-1049.

DOI

ZHU Q, ZHANG L G, DING Y L, et al. From real 3D modeling to digital twin modeling[J]. Acta Geodaetica et Cartographica Sinica, 2022, 51(6): 1040-1049.

DOI

[182]
李猛, 聂铭, 和敬涵, 等. 基于数字孪生的柔性直流电网纵联保护原理[J]. 中国电机工程学报, 2022, 42(5):1773-1783.

LI M, NIE M, HE J H, et al. Pilot protection of flexible DC grid based on digital twin[J]. Proceedings of the CSEE, 2022, 42(5): 1773-1783.

[183]
黄艳, 喻杉, 罗斌, 等. 面向流域水工程防灾联合智能调度的数字孪生长江探索[J]. 水利学报, 2022, 53(3):253-269.

HUANG Y, YU S, LUO B, et al. Development of the digital twin Changjiang River with the pilot system of joint and intelligent regulation of water projects for flood mana-gement[J]. Journal of Hydraulic Engineering, 2022, 53(3): 253-269.

[184]
杨传书. 数字孪生技术在钻井领域的应用探索[J]. 石油钻探技术, 2022, 50(3):10-16.

YANG C S. Exploration for the application of digital twin technology in drilling engineering[J]. Petroleum Drilling Techniques, 2022, 50(3): 10-16.

[185]
王胜任, 郭岩, 乔兴华, 等. 基于数字孪生的飞机装配工艺技术研究[J]. 组合机床与自动化加工技术, 2021(8):131-134.

DOI

WANG S R, GUO Y, QIAO X H, et al. Research on assembly process technology based on digital twin[J]. Modular Machine Tool & Automatic Manufacturing Tech-nique, 2021(8): 131-134.

[186]
赵笑寒, 阳连丰, 罗超. 数字孪生模型在海上平台的应用[J]. 化学工程与装备, 2022(5):103-104.

ZHAO X H, YANG L F, LUO C. Application of digital twin model in offshore platform[J]. Chemical Engineering & Equipment, 2022(5): 103-104.

[187]
蒋冰, 姜晓轶, 吕憧憬, 等. 中国“数字海洋”工程进展研究[J]. 科技导报, 2018, 36(14):75-79.

JIANG B, JIANG X Y, LÜ C J, et al. The research on digital ocean engineering of China[J]. Science & Technology Review, 2018, 36(14): 75-79.

[188]
BARBIE A, PECH N, HASSELBRING W, et al. Develo-ping an underwater network of ocean observation systems with digital twin prototypes—A field report from the Baltic Sea[J]. IEEE Internet Computing, 2022, 26(3): 33-42.

[189]
HESTNESS J, NARANG S, ARDALANI N, et al. Deep learning scaling is predictable, empirically[Z/OL]. arXiv, 2017: 1712.00409. https://arxiv.org/abs/1712.00409.

[190]
ROSENFELD J S, ROSENFELD A, BELINKOV Y, et al. A constructive prediction of the generalization error across scales[Z/OL]. arXiv, 2019: 1909. 12673. https://arxiv.org/abs/1909.12673v1.

[191]
KAPLAN J, MCCANDLISH S, HENIGHAN T, et al. Scaling laws for neural language models[Z/OL]. arXiv, 2020: 2001. 08361. https://arxiv.org/abs/2001.08361v1.

[192]
JONES A L. Scaling scaling laws with board games[Z/OL]. arXiv, 2021: 2104. 03113. https://arxiv.org/abs/2104.03113v1.

[193]
SEVILLA J, HEIM L, HO A, et al. Compute trends across three eras of machine learning[C]//Proceedings of the 2022 International Joint Conference on Neural Networks (IJCNN), July 18-23, 2022, Padua, Italy. IEEE, 2022: 1-8.

[194]
YUAN S, ZHAO H, ZHAO S, et al. A roadmap for big model[Z/OL]. arXiv, 2022: 2203. 14101. https://arxiv.org/abs/2203.14101v3.

[195]
BROWN T, MANN B, RYDER N, et al. Language models are few-shot learners[Z/OL]. arXiv, 2020: 2005. 14165. https://arxiv.org/abs/2005.14165v4.

[196]
黄哲. 应用AI大模型[N]. 中国计算机报, 2023-07-17 (10).

HUANG Z. Application of AI large model[N]. China Computer News, 2023-07-17 (10).

[197]
BI K F, XIE L X, ZHANG H H, et al. Accurate medium-range global weather forecasting with 3D neural networks[J]. Nature, 2023, 619(7970): 533-538.

[198]
CHEN K, HAN T, GONG J C, et al. FengWu: Pushing the skillful global medium-range weather forecast beyond 10 days lead[Z/OL]. arXiv, 2023: 2304.02948. https://arxiv.org/abs/2304.02948.

[199]
LAM R, SANCHEZ-GONZALEZ A, WILLSON M, et al. GraphCast: Learning skillful medium-range global weather forecasting[Z/OL]. arXiv, 2023: 2212. 12794. https://arxiv.org/abs/2212.12794v2.

[200]
NGUYEN T, BRANDSTETTER J, KAPOOR A, et al. ClimaX: A foundation model for weather and climate[Z/OL]. arXiv, 2023: 2301.10343. https://arxiv.org/abs/2301.10343v5.

[201]
ZHANG Y C, LONG M S, CHEN K Y, et al. Skilful nowcasting of extreme precipitation with NowcastNet[J]. Nature, 2023, 619(7970): 526-532.

[202]
范昕茹. 气象大模型, 让极端天气不再无解[N]. IT时报,2023-07-28(3).

FAN X R. Big weather model, let extreme weather no longer have no solution[N]. IT Times, 2023-07-28(3).

Options
Outlines

/

〈 〉