在氣象預(yù)報(bào)領(lǐng)域，以WaveWatch III為代表的傳統(tǒng)波浪預(yù)報(bào)模型是重要工具，它基于物理能量守恒方程構(gòu)建，但計(jì)算成本高昂，進(jìn)行波浪預(yù)報(bào)時(shí)需處理大量數(shù)據(jù)和復(fù)雜物理過程，實(shí)際應(yīng)用受限。

與此同時(shí)，現(xiàn)有AI氣象模型憑借強(qiáng)大計(jì)算和數(shù)據(jù)處理能力，在氣象預(yù)報(bào)上速度快，能短時(shí)間處理海量氣象數(shù)據(jù)并快速生成預(yù)報(bào)結(jié)果，但在長期預(yù)報(bào)中存在能量衰減問題，影響預(yù)報(bào)準(zhǔn)確性。

面對上述痛點(diǎn)，中國海洋大學(xué)攜手中科曙光，基于“DeepAI深算智能引擎+國產(chǎn)GPU加速卡”聯(lián)合研發(fā)深度學(xué)習(xí)海洋波浪預(yù)報(bào)模型——OceanCastNet（以下簡稱：OCN），相關(guān)成果已在全球知名在線研究存儲(chǔ)庫arXiv公開，并于近日被journal of advances in modeling earth systems期刊接收。

OCN模型在保持高效計(jì)算的同時(shí)，顯著提升了長期預(yù)報(bào)的穩(wěn)定性與能量守恒特性，標(biāo)志著AI在海洋氣象預(yù)報(bào)領(lǐng)域邁出關(guān)鍵一步：

? OCN采用多時(shí)序風(fēng)場與波浪場作為輸入，結(jié)合自適應(yīng)傅里葉神經(jīng)算子和掩碼損失函數(shù)，實(shí)現(xiàn)了能量動(dòng)態(tài)平衡，有效抑制長期模擬中的能量耗散。

? 實(shí)驗(yàn)顯示，OCN在ERA5數(shù)據(jù)集上表現(xiàn)優(yōu)異。其短期預(yù)報(bào)精度超越WaveWatch III，平均絕對誤差僅0.14米，異常相關(guān)系數(shù)達(dá)0.99。即便在極端天氣下，誤差控制與能量保持能力也優(yōu)于傳統(tǒng)模型。

? OCN展現(xiàn)出對波浪生成機(jī)制的物理理解。即使從零波高開始，僅憑風(fēng)場輸入即可生成與實(shí)際高度吻合的波場，ACC最終穩(wěn)定在0.85以上，具備自校正能力。

團(tuán)隊(duì)還構(gòu)建了簡化版氣象模型OCN-wind，引入太陽輻射作為能量輸入。對比實(shí)驗(yàn)表明，該模型在長期預(yù)報(bào)中未出現(xiàn)如FourCastNet等模型中的能量崩潰現(xiàn)象，再次驗(yàn)證能量平衡對提升AI預(yù)報(bào)性能的關(guān)鍵作用。

OceanCastNet的成功研發(fā)，不僅是雙方在AI計(jì)算融合創(chuàng)新上的重要成果，也為中國海洋大學(xué)在海洋科學(xué)與人工智能交叉研究方面樹立了標(biāo)桿。該模型未來有望應(yīng)用于遠(yuǎn)洋導(dǎo)航、海上作業(yè)安全、防災(zāi)減災(zāi)等多個(gè)領(lǐng)域，推動(dòng)海洋氣象預(yù)報(bào)從“經(jīng)驗(yàn)驅(qū)動(dòng)”邁向“智能驅(qū)動(dòng)”。