近日，Journal of Advances in Modeling Earth Systems在线发表了海洋与大气学院的最新科研成果 “Ocean Wave Forecasting with Deep Learning as Alternative to Conventional Models”（作为传统模型替代方案的深度学习海浪预报大模型）。该成果第一作者为海洋与大气学院在读硕士研究生张子良，通讯作者为学院于华明教授。
准确的海浪预报对海上航行安全、海洋工程设计、防灾减灾、军事应用甚至科学研究至关重要。目前主流的海浪预报系统大都基于求解物理方程的数值模式，如WAM、WaveWatchIII和SWAN等模型，但是基于确定性物理过程的推演，受制于模型参数难以准确获得以及物理过程的完备性，传统海洋数值预报模式精度已然接近瓶颈；另一方面，基于CPU的海浪数值模式随着分辨率的提高，计算资源呈几何倍数增长，计算成本大幅增加。
为应对这一挑战，于华明教授团队联合中科曙光、中国气象局地球系统数值预报中心，基于我国自主研发的GPU，开发了全球海浪大模型（OceanCastNet，OCN）,创新性的将物理过程与AI技术相结合，基于40余年的海浪大数据，通过深度学习建立了风场对浪场的作用关系，克服了物理模型的不确定性，可以预测全球有效波高、平均波周期和平均波向等要素，预报精度相对数值模型有所提高。另一方面，基于GPU的OCN具有轻量化特征，在深度学习完成后，仅依赖廉价GPU，数秒内既可完成未来10天的全球海浪预报，计算效率极大提高（上万倍），计算成本显著降低（几千倍）。在2020年全球最强台风“天鹅”的案例中，OCN准确模拟了台风浪过程，模拟的有效波高与标准数据的误差普遍在0.5m以内，证明了OCN在极端海况下的可靠性（图1）。
图1.台风“天鹅”期间OCN与ERA5有效波高对比图
研究团队将OCN的预报结果与ECMWF的海浪业务化预报系统进行了对比验证，基于卫星高度计观测数据的独立验证，OCN相比传统数值预报模式具有一定优势（图2）。综上，海浪大模型能够在保证高精度的前提下，极大的降低计算成本，为海浪预报领域提供了新的解决方案。
图2.基于卫星观测的OCN与ECWAM对比图
发表文章列表：
Ziliang Zhang, Huaming Yu, Danqin Ren, Chenyu Zhang, Minghua Sun, Xin Qi. (2025). Ocean Wave Forecasting with Deep Learning as Alternative to Conventional Models.Journal of Advances in Modeling Earth Systems, 17(11).
文章链接：https://doi.org/10.1029/2025MS005285