2024年12月，深圳大学生命与海洋科学学院蒋浩宇教授在国际知名期刊《Science Advances》发表题为“Physics-guided deep learning for skillful wind-wave modeling”的研究论文。

海浪的模拟对于科学研究和工程应用都至关重要。传统上，海浪模式是基于波作用量微分方程的求解来计算海浪谱的演变。这种方法计算成本高昂，且受限于波谱演变的不完整物理表征。近年来，随着人工智能（AI）的天气预报模型在天气预报领域的大放异彩，许多研究者开始尝试利用类似的时空自回归方法进行海浪的模拟和预测。然而，时空非线性自回归的方法仅适用于AI大气模式和海洋模式的建立，而不适用于AI海浪模式的建立，原因主要是大气模式是一个典型的初值问题，而海浪模式中风浪的预报更多是一个强迫问题。在没有风场驱动的情况下，仅仅通过过去海浪参数的演化，在物理上决定了无法直接对海浪发展趋势进行准确模拟，随着模拟时间的延长，这样的时空演化模型必然会随时间快速发散。

而对于某一海域，若影响该海域海浪的历史和当前风场确定了，则该海域在当前时刻的任一海浪积分参数的分布均可以被确定。尽管这种风—浪之间的关系非常复杂，但AI作为一种强大的拟合器，可以用来挖掘这一潜在的关系，从而建立相应的AI海浪模式。因此，本研究基于风和波浪之间的物理因果关系的思路，建立了一个针对全球或区域有效波高进行模拟的AI模型。通过历史240小时的长时间风场为输入来考虑涌浪传播导致的风—浪遥相关，并将高度计的全球高质量有效波高观测数据作为AI模型的训练目标，该AI模型可以再“绕过”海浪方向谱的前提下，准确、高效地对全球波高进行模拟：在个人计算机上仅需半小时就能够以0.5°×0.5°×1小时的分辨率后报1整年的全球有效波高，且模拟精度总体上显著高于目前最先进的数值海浪模式。

该人工智能海浪模型的输入输出以及模型架构示意图

深圳大学为上述研究论文第一完成单位，第一作者为蒋浩宇教授指导的硕士研究生王欣鑫，蒋浩宇教授为论文的通讯作者。该研究得到国家重点研发计划项目（2023YFC3008203）、国家自然科学基金项目（42376172）、广东省自然科学基金项目（2022A1515240069、2024A1515012032）的支持。

文章链接：https://www.science.org/doi/10.1126/sciadv.adr3559

生命与海洋科学学院

2024年12月23日