近日，由中國(guó)科學(xué)院海洋研究所研究員、IEEE Fellow李曉峰研究員領(lǐng)銜、國(guó)內(nèi)多家海洋科研單位人員組成的人工智能海洋學(xué)團(tuán)隊(duì)，以熱帶不穩(wěn)定波相關(guān)聯(lián)的海表溫度場(chǎng)為例，在國(guó)際上首次研發(fā)了以衛(wèi)星遙感大數(shù)據(jù)驅(qū)動(dòng)的針對(duì)海氣系統(tǒng)中復(fù)雜海洋現(xiàn)象的人工智能預(yù)報(bào)模型，并在針對(duì)熱帶不穩(wěn)定波相關(guān)的海表溫度時(shí)空演變預(yù)報(bào)方面取得重要進(jìn)展。7月15日，Science Advances發(fā)表了該項(xiàng)進(jìn)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(guó)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(zhǎng)期以來(lái)對(duì)海洋現(xiàn)象的模擬和預(yù)報(bào)主要依賴(lài)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(guò)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(shì)不僅為海洋科學(xué)的深入探索提供了前所未有的黃金機(jī)會(huì)，同時(shí)也對(duì)海洋時(shí)序觀測(cè)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(cè)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(jī)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(xiàn)性的、帶混沌性的水動(dòng)力不穩(wěn)定過(guò)程中汲取能量，其所伴隨的海表溫度場(chǎng)沿著赤道向西傳播并發(fā)生顯著的形變，對(duì)其上大氣產(chǎn)生顯著影響；同時(shí)，熱帶不穩(wěn)定波強(qiáng)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(chǎng)與各種海洋物理、海-氣、海洋生物-物理及氣候變化等過(guò)程都有相互作用，從而產(chǎn)生氣候效應(yīng)，因此一直是國(guó)際上許多重點(diǎn)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(bào)不僅要求極高的空間分辨率，同時(shí)也需要對(duì)各種相關(guān)復(fù)雜自然過(guò)程盡可能真實(shí)的參數(shù)化表征，對(duì)其準(zhǔn)確預(yù)報(bào)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(shí)，海洋衛(wèi)星遙感的大數(shù)據(jù)趨勢(shì)為驅(qū)動(dòng)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(bào)模型，模型僅以當(dāng)前和過(guò)去時(shí)刻的熱帶不穩(wěn)定波海表溫度場(chǎng)為輸入量，就可輸出未來(lái)時(shí)刻的海表溫度場(chǎng)。該模型直接以衛(wèi)星遙感數(shù)據(jù)為驅(qū)動(dòng)，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(guò)程以及巨大的計(jì)算機(jī)資源要求。通過(guò)對(duì)9年（2010-2019）數(shù)據(jù)的長(zhǎng)期測(cè)試結(jié)果顯示：該模型高效、準(zhǔn)確地預(yù)報(bào)了熱帶不穩(wěn)定波海表溫度場(chǎng)的復(fù)雜演變過(guò)程，成功地捕捉了熱帶不穩(wěn)定波傳播的時(shí)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(dòng)海洋信息來(lái)構(gòu)建針對(duì)復(fù)雜海洋現(xiàn)象的模型與預(yù)報(bào)方法的挖掘是可靠和可行的，具有廣闊的應(yīng)用前景。同時(shí)，這種方法與傳統(tǒng)數(shù)值模式優(yōu)勢(shì)互補(bǔ)，兩者有機(jī)的結(jié)合可望成為針對(duì)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(tuán)隊(duì)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(jìn)展。
上述研究工作獲得了中國(guó)科學(xué)院海洋大科學(xué)研究中心、中國(guó)科學(xué)院先導(dǎo)專(zhuān)項(xiàng)、山東省重點(diǎn)研發(fā)計(jì)劃項(xiàng)目及國(guó)家自然科學(xué)基金項(xiàng)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(bào)模型架構(gòu)
衛(wèi)星觀測(cè)的熱帶不穩(wěn)定波海表溫度場(chǎng)（A 至 C）和深度學(xué)習(xí)預(yù)報(bào)的海表溫度場(chǎng)（D至F）的時(shí)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).
