近日，国际知名期刊Ocean Modelling在线发表了海洋与大气学院最新研究成果“Physics-informed deep learning for ocean surface forecasting by explicitly embedding air-sea bulk-flux formulae”（显式嵌入海气通量公式的物理信息深度学习海表预报）。该成果第一作者为海洋与大气学院在读博士生豆嘉祺，通讯作者为于华明教授。
近年来，人工智能已应用于海洋预报，现有数据驱动模型通常直接将风速、气温、湿度等大气变量直接作为输入，而上层海洋本质是通过海气界面的动量、热量和淡水通量交换获得驱动。该研究提出了基于物理信息自回归的海表要素预报框架，利用海气通量算法，将基本参数计算为风应力、热通量及淡水通量等用于海洋强迫，在大数据基础上，通过深度学习预测SST、SSS、SSH和海表流速，实现240h自回归预报（图1）。基于“问海大模型”，该研究进一步聚焦海气通量强迫物理过程，通过受控实验，显式分离不同物理过程的贡献。
全球控制实验表明，该方法能够显著改善海洋短期预报精度，240小时预报各变量误差降低约20%-31%，对海表流速预报的改善尤为显著。在西北太平洋高分辨率海洋预报实验中，模型表现出较好的中尺度过程预测能力：在50-300 km尺度上，中尺度涡谱能量（比值系数为1.01）、涡旋数量和振幅预测结果接近再分析数据（图2）。此外，模型能再现台风作用导致的海洋冷尾流特征；以漂流浮标和卫星观测作为标准，SST预报误差相比GLO12V4较低（图3）。
该研究表明，将具有明确物理意义的海气强迫过程显式引入AI模型，有助于提升短期海洋预报能力，强化海洋中尺度结构的物理一致性，为物理过程与人工智能融合开展海洋预报研究提供了新思路。
图1. 物理信息自回归海洋表面预报框架。
图2. 西北太平洋高分辨率预报的海洋多要素功率谱对比。
图3.台风Hagibis的冷尾迹特征对比。
发表文章列表：
Dou, J., Yu, H.*, Wang, C., Zhang, Z., Wei, Z., Qi, X., & Wang, Z. 2026. Physics-informed deep learning for ocean surface forecasting by explicitly embedding air–sea bulk-flux formulae. Ocean Modelling, 205, p.102810.
文章链接：https://doi.org/10.1016/j.ocemod.2026.102810