《中国科学院海洋研究所利用遥感观测耦合物理-AI算法实现班达海内孤立波预报》

  • 来源专题:中国科学院文献情报系统—海洋科技情报网
  • 编译者: 熊萍
  • 发布时间:2025-04-15
  • 近日,中国科学院海洋研究所李晓峰研究团队在海洋内孤立波(ISW)预报研究取得重要进展。团队以连接印度洋与太平洋的关键通道—班达海为研究区域,通过耦合多源遥感观测与物理方程的人工智能(AI)算法,构建高精度ISW预报模型,实现ISW传播时间和波峰线姿态预报。研究成果Internal solitary waves in the Banda Sea,?a pathway between Indian and Pacific oceans: Satellite observations and physics-AI hybrid forecasting发表于海洋遥感期刊Remote Sensing of Environment。

    班达海是印太海域能量与物质交换的重要通道,观测发现该海域ISW呈现波峰线长(超过500 km)、传播速度快(平均超2.5 m/s)、振幅超100 m等显著特征。研究团队通过系统分析2013-2019年间获取的417幅卫星影像揭示:班达海ISW主要源于翁拜海峡,向北传播且速度季节变化幅度小于20%,平均速度超过2.5 m/s。

    针对传统物理方程控制的经验方法与纯数据驱动算法的局限性,研究团队创新性地提出物理-AI耦合的两步迁移学习。首次将经典Eikonal方程嵌入AI模型进行求解,实现物理方程与数据驱动的深度融合:第一步以物理方程约束模型框架,第二步通过数据驱动系统性修正生成源位置导致的系统误差与速度场分布的累积误差。结果表明,数据驱动过程使模型预测误差降低61%,在预报ISW传播路径、波峰形态及抵达时间方面与卫星和现场观测结果高度吻合。耦合模型的两步迁移学习框架既可继承经典方程的物理约束,又能利用海量遥感数据提升预测精度。

    论文第一作者为中国科学院海洋研究所张旭东副研究员,通讯作者为李晓峰研究员,合作者还包括中国科学院海洋研究所王浩宇博士、印尼国家研究与创新署海洋研究中心Adi Purwandana教授和I Wayan Sumardana Eka Putra博士。该研究获中国科学院先导专项及国家自然科学基金等项目资助。

    文章信息:

    Xudong Zhang,Haoyu Wang,Xiaofeng Li*,Adi Purwandana,I Wayan Sumardana Eka Putra. (2025). Internal solitary waves in the Banda Sea,a pathway between Indian and Pacific oceans: Satellite observations and physics-AI hybrid forecasting. Remote Sensing of Environment,323,114733.

    文章链接:https://authors.elsevier.com/c/1ksR57qzT71wT

  • 原文来源:https://qdio.cas.cn/2019Ver/News/kyjz/202504/t20250409_7591340.html
相关报告
  • 《中国科学院海洋研究所在耦合物理机制和AI算法研究全球内孤立波预报方面取得重要进展》

    • 来源专题:中国科学院文献情报系统—海洋科技情报网
    • 编译者:liguiju
    • 发布时间:2022-11-14
    • 近日,中国科学院海洋研究所李晓峰课题组在耦合物理机制和人工智能算法研究全球内孤立波传播预报方面取得重要进展,研究成果Satellite data-driven and knowledge-informed machine learning model for estimating global internal solitary wave speed发表于遥感领域顶级期刊Remote Sensing of Environment(IF=13.85)上。 海洋内孤立波在全球海域分布广泛,其传播速度受多种因素影响,目前的理论模型存在局限性。遥感是海洋内孤立波观测的重要手段,可以通过多卫星协同的准同步观测提取内孤立波速度,但也存在匹配难、数据少和分布不均匀等问题。 该研究基于长期搜集的全球13个内孤立波热点海区的遥感数据,构建了内孤立波多源遥感匹配数据集。首次揭示了全球尺度内孤立波速度随潮汐变化的特征规律和各海域内孤立波的速度特征分布。论文利用时空聚类算法,解决了遥感数据的空间分布失衡以及小样本海域无法建模等问题。在模型的构建中充分考虑了内孤立波传播的物理机制。通过耦合物理机制和人工智能算法,构建了高精度、鲁棒性强的全球内孤立波速度模型。 该全球内孤立波速度模型可用于研究长时序内孤立波的速度分布特征,揭示不同水深内孤立波速度的的变化规律,并在全球多个海域准确的预报内孤立波的传播特征和形态变化。 该研究表明,耦合物理机制和改进人工智能模型算法都对模型精度的提升有重要的影响。人工智能技术作为一种蓬勃发展的新兴技术,可以在复杂海洋现象的研究中建立快速、直接的映射关系,是复杂海洋现象研究和遥感信息挖掘的一种高效率工具和轻量化方法。 该研究由中国科学院海洋所张旭东副研究员和李晓峰研究员共同完成,研究得到了国家实验室“十四五”重大项目、中国科学院先导专项、山东省重大创新工程及国家自然科学基金项目等资助。 文章信息: Xudong Zhang and Xiaofeng Li*. (2022). Satellite data-driven and knowledge-informed machine learning model for estimating global internal solitary wave speed. Remote Sensing of Environment, 283, 113328.  https://doi.org/10.1016/j.rse.2022.113328
  • 《中国科学院海洋研究所在遥感大数据驱动的内波传播预报方面获新进展》

    • 来源专题:中国科学院文献情报系统—海洋科技情报网
    • 编译者:liguiju
    • 发布时间:2021-03-22
    • 海洋内孤立波(简称内波)在海洋内部生成、传播和耗散,在全球海洋中分布广泛。目前已观测到的内波振幅最大可达240米,对海上作业平台、海洋生态、声呐探测等具有重要影响。内波的生成和传播随机性较强,其预报研究一直是难点问题。 近日,中国科学院海洋环流与波动重点实验室、海洋大科学中心李晓峰团队在利用海洋遥感大数据和机器学习开展内波预报方面取得重要进展。基于多年、多源内波遥感观测数据,利用机器学习算法挖掘内波遥感大数据信息,实现了基于数据驱动的苏禄-苏拉威西海内波的传播预报,预报模型结果与遥感观测结果吻合较好。 该研究构建的内波预报模型与传统理论模型和经验模型相比,不需要内波生成源、振幅等先验知识,并且精度更高。该研究基于机器学习开发的内波预报模型鲁棒性较强,模型中引入的误差不会导致预报结果产生较大偏移。 海洋遥感领域旗舰期刊IEEE Transactions on Geoscience and Remote Sensing(JCR Q1 top期刊,IF=5.855)以期刊封面形式发表报道了该项研究成果。该工作得到了中国科学院战略性先导科技专项、国家自然科学基金委项目等资助。 该研究相关成果及链接如下: Xudong Zhang and Xiaofeng Li*, Combination of Satellite Observations and Machine Learning Method for Internal Wave Forecast in the Sulu and Celebes Seas, IEEE Transactions on Geoscience and Remote Sensing, 59(4), 1-11, 2020. doi:10.1109/TGRS.2020.3008067. https://ieeexplore.ieee.org/document/9142440