《Ocean-Land-Atmosphere Research》文章：AI+卫星“新视角”：新策略让AI更懂海面高度预报

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。
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）。

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）。

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。

来源：Ocean-Land-Atmosphere Research