海洋所基于大數據的人工智能海洋學預報研究取得原創性成果

  近日,由中國科學院海洋研究所研究員、IEEE Fellow李曉峰研究員領銜、國內多家海洋科研單位人員組成的人工智能海洋學團隊,以熱帶不穩定波相關聯的海表溫度場為例,在國際上首次研發了以衛星遙感大數據驅動的針對海氣系統中復雜海洋現象的人工智能預報模型,并在針對熱帶不穩定波相關的海表溫度時空演變預報方面取得重要進展。715日,Science Advances發表了該項進展的原創性成果論文“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,合作者還包括中國科學院海洋研究所張榮華研究員和上海海洋大學柳彬博士。

  長期以來對海洋現象的模擬和預報主要依賴于基于物理方程的數值模式,其挑戰之一在于需要在數值模式中充分考慮與復雜海洋現象相關的各種自然過程及其相互作用。當前海洋衛星遙感的大數據趨勢不僅為海洋科學的深入探索提供了前所未有的黃金機會,同時也對海洋時序觀測信息挖掘方法的發展提出了迫切需求。海表溫度作為衛星觀測歷史最悠久的海洋環境要素之一,被廣泛應用于揭示各種海洋現象和物理機制。熱帶太平洋熱帶不穩定波是重要的復雜海洋現象,其從非線性的、帶混沌性的水動力不穩定過程中汲取能量,其所伴隨的海表溫度場沿著赤道向西傳播并發生顯著的形變,對其上大氣產生顯著影響;同時,熱帶不穩定波強度和傳播速度等受季節和厄爾尼諾/拉尼娜等氣候現象的調制。熱帶不穩定波的海表溫度場與各種海洋物理、海-氣、海洋生物-物理及氣候變化等過程都有相互作用,從而產生氣候效應,因此一直是國際上許多重點關注的關鍵海氣現象之一。熱帶不穩定波的數值建模及其預報不僅要求極高的空間分辨率,同時也需要對各種相關復雜自然過程盡可能真實的參數化表征,對其準確預報是目前的數值模式的一大挑戰。 

  深度學習作為人工智能領域新興的、最具影響力的數據信息挖掘手段,在眾多領域中已取得了優于傳統手段的矚目成功;同時,海洋衛星遙感的大數據趨勢為驅動深度學習在海洋領域中的應用提供了數據燃料。該論文建立了多尺度網絡結構的深度學習預報模型,模型僅以當前和過去時刻的熱帶不穩定波海表溫度場為輸入量,就可輸出未來時刻的海表溫度場。該模型直接以衛星遙感數據為驅動,避免了數值建模的物理方程、模型近似和參數化等繁雜過程以及巨大的計算機資源要求。通過對9年(2010-2019)數據的長期測試結果顯示:該模型高效、準確地預報了熱帶不穩定波海表溫度場的復雜演變過程,成功地捕捉了熱帶不穩定波傳播的時空變化特征。 

  研究表明,在大數據背景下,基于人工智能的純數據驅動海洋信息來構建針對復雜海洋現象的模型與預報方法的挖掘是可靠和可行的,具有廣闊的應用前景。同時,這種方法與傳統數值模式優勢互補,兩者有機的結合可望成為針對復雜海洋-大氣現象研究的新范式。人工智能海洋學是新興的海洋學科,團隊近期還在期刊National Science Review上(IF 16.693)發表綜述論文“Deep-Learning-Based Information Mining From Ocean Remote Sensing Imagery”,系統論述了深度學習在海洋遙感影像信息挖掘方面的前沿進展。 

  上述研究工作獲得了中國科學院海洋大科學研究中心、中國科學院先導專項、山東省重點研發計劃項目及國家自然科學基金項目等資助。 

 

基于海洋遙感大數據的深度學習預報模型架構

 衛星觀測的熱帶不穩定波海表溫度場(A C)和深度學習預報的海表溫度場(DF)的時空演變

 

 

  相關文章信息:    

  [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). 


附件下載:

重庆彩票网-官网直营