新文悦读 | AI+卫星“新视角”:新策略让AI更懂海面高度预报
作者：微信文章Introduction
/ 导 读 /
在海洋利用与开发中，准确且及时的海面高度预报至关重要。如今，凭借卫星数据近实时、易获取的优势和长期资料积累，基于数据驱动的AI模型实现海面高度预报已成为主要技术路径。本研究聚焦于北太平洋海域，提出了一种基于卫星数据和Earthformer神经网络的预报模型，能够预测未来30天的海面高度异常。研究提出两种训练策略改进思路：一方面，预测“未来变化量”而非海面高度本身；另一方面采用更符合实际预报需求的多步预报滚动训练方式。结果显示，优化后的模型Multistep-Earthformer，其预报性能明显优于惯性预报和主流数值预报系统，在10天预报期内均方根误差降低了21%~58%与10%~77%。本研究不仅提供高精度海面高度异常预报数据，也为其他的时序预测模型的构建提供参考策略。
Results
/ 研究结果 /
如今，由于有了数十年来的卫星高度计数据资料积累，基于AI模型学习海面高度异常数据之间的动态变化规律、实现海面高度预报，已成为主要技术方法，为海洋环境保障提供了轻量、快速、准确的预报技术。但是，以往的研究集中于优化模型结构，较少关注到训练方式的优化。
本研究以北太平洋海域为例，针对海面高度异常预报，提出了两种训练方式优化思路。首先，鉴于海面高度异常由季节、年际等低频信号占主导，通过将预报目标从“海面高度异常数值”改为“未来变化量”，使得模型专注于较小的日尺度的高频变化信号（图1 A）。其次，引入更贴合实际业务预报的多步预报滚动训练方式，即一次性将多次迭代后的未来多步预报作为优化的目标进行训练（图1 B）。
图1 训练方式改进思路。A为预测目标从“海面高度异常数值”改为“未来变化量”，B为多步预报滚动训练方式。图中SLA即海面高度异常
结果显示，优化后的Multistep-Earthformer模型，不仅很好地捕捉到海面高度异常的日尺度变化特征，还显著减缓了多步预报中误差的累积速度。并且在与惯性预报、主流数值模式产品对比中均表现出显著优势，均方根误差分别能够降低21%~58%与10%~77%（图2）。
图2 Multisetp-Earthformer、惯性预报（Persistence）以及主流数值模式预报产品（GLO12V4）在10天预报期内的均方根误差（RMSE）比较
Perspectives
/ 总结与展望 /
本研究基于卫星数据与Earthformer神经网络结构，通过优化训练策略，实现北太平洋海面高度异常的高精度30天预报。该模型可为海洋防灾减灾、海上资源开发等应用提供重要保障支持。值得注意的是，本研究所使用的训练策略具有良好的普适性，能够广泛适用于各类智能预报模型的训练。本工作也为人工智能海洋学研究提供了新思路——从预报对象内在特性和实际业务场景出发，改进训练方式，可在不增加模型复杂度的前提下，显著提升预报的实用性和准确性。
扫码阅读原文
原文链接：https://spj.science.org
/doi/10.34133/olar.0128
文章标题：
Accurate Sea Level Anomaly Forecast over North Pacific with Improved AI Training Strategies
文章作者：
Jiangnan He, Wenfang Lu, Yong Liu, Guangyu Yang, Young-Heon Jo, Zhigang Lai
文章摘要：
Timely and accurate Sea Level Anomaly (SLA) forecasts are essential for monitoring the ocean environment and guiding coastal management. Utilizing multi-satellite altimetry products is effective for meeting these forecast demands. Here, we report an artificial intelligence-based SLA forecast model tailored for the North Pacific Ocean using altimetry products and a previously applied transformer-based network (i.e., Earthformer) to achieve short- (<7 days) and medium-range (7–30 days) forecasts. Building upon the high baseline performance, when optimized training strategies are considered, medium-range prediction accuracy can be significantly improved. The two innovative training strategies include changing the prediction target to the SLA temporal tendency (to address the slow variation of the SLA) and bridging the training-forecast gap (training only for the next day, while forecasting for longer horizons) through rolling and multi-step training. Consequently, the formally trained model Multistep-Earthformer, surpassed the persistence forecast (21%–58% root mean square error reduction in the test over 1–30 prediction lead days) and state-of-the-art numerical product GLO12v4 (10%–77% root mean square error reduction in the forecast over 1–10 prediction lead days). The results highlight the strong capability of Multistep-Earthformer in delivering accurate short- to medium-range SLA forecasts. Moreover, the two training strategies employed are model-agnostic and hold potential for enhancing various geoscientific prediction tasks.
文章引用：
Jiangnan He, Wenfang Lu, Yong Liu, Guangyu Yang, Young-Heon Jo, Zhigang Lai. Accurate Sea Level Anomaly Forecast over North Pacific with Improved AI Training Strategies. Ocean-Land-Atmos Res. 0:DOI:10.34133/olar.0128
作者
何江南
何江南，中山大学海洋学院在读硕士，主要从事海洋要素场智能重建与预报研究。
通讯作者
卢文芳
卢文芳，博士，中山大学海洋科学学院副教授，主要从事海洋要素智能预报、模式开发、海洋生态动力耦合等研究。目前已在Remote Sensing of Environment、Earth System Science Data、IEEE: Transactions on Geoscience and Remote Sensing等期刊发表第一/通讯作者SCI论文18篇，包括中科院二区以上论文14篇。主持国家自然基金青年基金、重点研发子任务、中国博士后基金、广东省/福建省科技厅自然基金等科研项目。
OLAR 期刊简介
Ocean-Land-Atmosphere Research (OLAR) 由南方海洋实验室和美国科学促进会合作出版，入选2022年度中国科技期刊卓越行动计划高起点新刊项目、2024年度广东省高起点英文期刊创办项目，海洋负排放国际大科学计划（Ocean Negative Carbon Emissions, ONCE）学术出版合作平台，已被ESCI, Scopus, INSPEC, DOAJ, GeoRef, CAB, ADS, OAJ等20余个数据库收录。本刊以海洋相关学科为重点，刊稿主题包括但不限于：海陆气相互作用、海洋碳中和、物理海洋学、海洋生物与生态、海洋地质与地球物理、化学海洋学、海洋气象学、大气物理与大气环境、冰冻圈科学、河口海岸学、海洋工程与海洋技术、海洋资源开发与利用。分享卓见，探索前沿，OLAR 诚邀您一起荟萃科学发现，共享学术盛筵！
期刊官网：
https://spj.science.org/journals/olar/
投稿系统：
https://www.editorialmanager.com/olar/
喜欢此内容的人还喜欢
GTU-Net：海洋高度智能预测新模型
2026-1-8
南极海洋病毒的研究现状与展望
2025-12-31
湖泊营养盐循环的“幕后推手”：河流入湖过渡带的双重角色
2025-12-24
气候变化下的珊瑚礁危机：研究发现低盐度波动存在“阈值效应” ——以海葵为模型揭示飓风加剧珊瑚白化的新机制
2025-12-17
点击名片
关注我们
页:
[1]