近日，中國科學(xué)院海洋研究所李曉峰研究員和王凡研究員領(lǐng)銜在海洋現(xiàn)象智能預(yù)報(bào)方法體系研究方面取得重要進(jìn)展。研究系統(tǒng)梳理了海洋狀態(tài)變量（Ocean State Variables, OSV）預(yù)報(bào)與海洋現(xiàn)象（Ocean Phenomena, OP）預(yù)報(bào)的概念框架、研究進(jìn)展及其內(nèi)在聯(lián)系，并圍繞不同時(shí)間尺度和主導(dǎo)物理驅(qū)動機(jī)制，總結(jié)了人工智能在海洋現(xiàn)象預(yù)報(bào)中的應(yīng)用進(jìn)展與發(fā)展趨勢，進(jìn)一步展望了面向海洋現(xiàn)象預(yù)報(bào)的大型海洋模型（Large Ocean Model, LOM）發(fā)展方向，為發(fā)展現(xiàn)象級預(yù)報(bào)的瑯琊大模型2.0奠定理論基礎(chǔ)。相關(guān)成果發(fā)表于Science Bulletin。

研究指出，海洋預(yù)報(bào)總體可分為兩類：一類是OSV預(yù)報(bào)，主要針對溫度、鹽度、流速、海表高度等基礎(chǔ)海洋要素的連續(xù)分布進(jìn)行預(yù)測，通常采用均方根誤差等指標(biāo)評估精度；另一類是OP預(yù)報(bào)，更關(guān)注臺風(fēng)、風(fēng)暴潮、渦旋、內(nèi)孤立波、ENSO等海洋事件的發(fā)生、發(fā)展與演變，可進(jìn)一步生成軌跡、概率分布和風(fēng)險(xiǎn)圖等面向應(yīng)用的產(chǎn)品，并通過交并比、軌跡誤差等面向?qū)ο笾笜?biāo)進(jìn)行評價(jià)。相比OSV預(yù)報(bào)，OP預(yù)報(bào)與防災(zāi)減災(zāi)、資源管理和社會服務(wù)聯(lián)系更為緊密，服務(wù)對象不僅包括科研人員，還涵蓋政府管理部門、行業(yè)用戶和社會公眾。研究構(gòu)建了OSV與OP預(yù)報(bào)的總體框架，如圖1所示。

進(jìn)一步地，研究將海洋現(xiàn)象按照主導(dǎo)物理驅(qū)動機(jī)制和時(shí)間尺度劃分為三類：小時(shí)至天尺度的大氣強(qiáng)迫高頻災(zāi)害過程、天至周尺度的海洋內(nèi)部中尺度與波動動力過程，以及月至年尺度的海氣－冰凍圈耦合模態(tài)。圍繞不同尺度海洋現(xiàn)象的智能預(yù)報(bào)，論文系統(tǒng)總結(jié)了當(dāng)前代表性研究進(jìn)展，分析了現(xiàn)階段在多源數(shù)據(jù)融合、跨尺度建模、物理一致性和泛化應(yīng)用等方面面臨的關(guān)鍵挑戰(zhàn)，并提出了未來發(fā)展方向。

圖1?基于人工智能的海洋現(xiàn)象預(yù)報(bào)總體框架

（a）通過整合多源數(shù)據(jù)，結(jié)合不同類型AI方法，實(shí)現(xiàn)跨時(shí)空尺度的海洋現(xiàn)象預(yù)測；（b）概括了海洋大模型預(yù)報(bào)的通用框架。

研究認(rèn)為，未來OP預(yù)報(bào)正從傳統(tǒng)的單一要素、單一任務(wù)研究，邁向多源數(shù)據(jù)融合、跨尺度協(xié)同和智能化一體化發(fā)展的新階段。依托海洋現(xiàn)象大模型（OP-LOM），未來有望把海洋狀態(tài)變量預(yù)報(bào)與渦旋、內(nèi)孤立波、風(fēng)暴潮、ENSO等現(xiàn)象級預(yù)報(bào)有機(jī)結(jié)合起來，實(shí)現(xiàn)從“海洋環(huán)境場預(yù)測”到“海洋事件演化預(yù)警”的跨越。通過融合多模態(tài)數(shù)據(jù)，并引入物理約束、知識遷移和持續(xù)學(xué)習(xí)等新方法，下一代海洋現(xiàn)象預(yù)報(bào)模型將進(jìn)一步提升對復(fù)雜海洋過程的刻畫能力、預(yù)報(bào)精度和業(yè)務(wù)應(yīng)用價(jià)值。隨著高性能計(jì)算平臺和開放式服務(wù)接口的不斷發(fā)展，海洋現(xiàn)象大模型有望成為支撐智能海洋預(yù)報(bào)的重要核心，為海洋防災(zāi)減災(zāi)、資源開發(fā)利用和氣候變化應(yīng)對提供更強(qiáng)有力的科技支撐。

圖2?海洋現(xiàn)象大模型（OP-LOM）的總體設(shè)計(jì)框架

OP-LOM包括前端圖像處理模塊、通用特征提取共享模型和預(yù)報(bào)后端模塊。上部為OSV背景場與用戶交互界面，下部為模型運(yùn)行所需的基礎(chǔ)設(shè)施環(huán)境，包括GPU集群、網(wǎng)絡(luò)通信、并行計(jì)算及部署支持。（a）多源多模態(tài)圖像序列處理；（b）處理后數(shù)據(jù)的通用特征提取；（c）海洋現(xiàn)象預(yù)測序列生成。

論文第一作者為中國科學(xué)院海洋研究所李曉峰研究員，通訊作者為王凡研究員，合作者還包括中國科學(xué)院海洋研究所張旭東、任沂斌、王云鶴、楊楠、王充、穆珊珊、王浩宇、劉穎潔和趙子萌，以及天津大學(xué)周圓教授。該研究獲國家自然科學(xué)基金重大項(xiàng)目等資助。

論文信息：

Xiaofeng Li, Xudong Zhang, Yibin Ren, Yunhe Wang, Nan Yang, Chong Wang, Shanshan Mu, Haoyu Wang, Yuan Zhou, Yingjie Liu, Zimeng Zhao, Fan Wang*. Artificial intelligence for ocean phenomena forecasting. Science Bulletin,?2026.

https://doi.org/10.1016/j.scib.2026.04.002

• 信息來源:中國科學(xué)院海洋所。

  轉(zhuǎn)載請注明信息來源及海洋知圈編排。

?點(diǎn)擊下圖報(bào)名，