中国网/中国发展门户网讯  海洋是全球气候系统的关键调节器，也是支撑人类可持续发展的战略空间。随着“海洋强国”战略推进和海洋经济活动扩张，海洋环境安全保障已成为关乎国计民生、经济发展与国家安全的重大需求。海洋动力过程跨越行星尺度至湍流尺度，多尺度非线性相互作用决定了海洋环境复杂的变化机理（图1）。近年来，先进装备大量投入使用，保障需求持续增加；同时，在关键通道与近岸区域，拍岸浪、强内潮和内孤立波等极端灾害频发，传统的、聚焦于单一要素或大尺度过程的预报技术已难以满足多尺度海洋灾害的精准预警。

鉴于此，构建面向多目标、高分辨率的海洋环境预报技术体系已成为必然趋向。该体系包含2类核心维度：① 温度、盐度、流场等基础要素预报，为海洋动力过程提供背景场；② 面向拍岸浪、裂流、内孤立波等关键过程的特定预警。高分辨率预报通过解析亚中尺度、内波等精细过程，显著提升对中小尺度过程的预测能力，实现从“统计近似/参数拟合”向“过程解析”的转变。高精度要素预报为过程预警奠定物理基础，特定过程预警则检验并彰显基础预报价值。二者共同推动海洋预报由“事后分析”走向“事前预判”，服务防灾减灾、资源开发、航行安全与国防建设。

当前数值模拟、数据同化和人工智能正引领海洋预报范式变革。构建贯穿“观测—预报—应用—评估”全流程的多目标预报技术体系已成为国际竞争焦点。本文拟梳理多目标海洋预报的发展与前沿，归纳国内外成果、剖析关键难题，并从观测、模式及学科融合等方面提出启示，为建设自主可控、国际领先的海洋环境安全保障体系提供参考。

全球-区域温盐流预报技术

海洋预报技术正从“涡分辨率”（约10—100 km）向“亚中尺度”（约0.1—10 km）预报转变。早期温盐流预报主要用经验和统计方法。经验预报依据海温自身特征开展定性或定量预报；统计预报借助历史数据与概率统计手段预测海水温度变化可能性，这有助于深化对海洋规律的认知，为数值预报发展奠定基础。这2种方法主要针对站点或小范围预报。随着计算能力提升，自20世纪中期起，以求解纳维-斯托克斯偏微分方程为基础的数值模式成为国际主流。20世纪60年代，美国地球物理流体动力学实验室（Geophysical Fluid Dynamics Laboratory）研制的海洋环流模式（OGCM）推动了三维温盐流研究发展。此后，区域海洋模式因分辨率高、计算需求低，被广泛用于特定海域预报。目前，常用的具有代表性的区域海洋模式包括普林斯顿大学广义坐标海洋模式（POM）、区域海洋模式系统（ROMS）、有限体积近岸海洋模式（FVCOM）和模块化海洋模式4.0（MOM4）、麻省理工学院广义坐标模式（MITgcm）、美国海军近岸海洋模式（NCOM）、美国海军层化海洋模式（NLOM）、迈阿密等密度面坐标海洋模式（MICOM）、混合坐标海洋模式（HYCOM）等。这些模式通过在物理框架、垂向坐标、是否引入布辛涅斯克（Boussinesq）近似、参数化方案等方面采用了不同的设计，对不同模拟区域、不同海洋现象刻画的侧重点也不同。例如，ROMS模式主要应用于区域海洋环流和生态的模拟；FVCOM模式主要应用于近岸复杂岸线下超高分辨率的模拟；MITgcm主要侧重于对内潮波信号的模拟；HYCOM既可用于区域海洋的模拟，也可用于全球海洋的模拟。

资料同化技术是海洋环境预报不可或缺的一部分。资料同化方法理论的发展大致经历了3个阶段。第一阶段，是以逐步订正法（SCM）和张弛逼近法（Nudging）为代表的经验资料同化方法；第二阶段，是以最优插值（OI）、三维变分同化（3DVAR）和四维变分同化（4DVAR）为代表的统计学资料同化方法；第三阶段，是以集合卡尔曼滤波（EnKF）、集合变分资料同化方法（EDA）、混合资料同化方法（Hybrid Data Assimilation）和粒子滤波（PF）为代表的先进集合资料同化方法。其中，变分方法通过对极小化代价函数寻找后验概率密度函数的峰值，其求解不能保证搜索得到的峰值是全局最优；而EnKF及其衍化方法是建立在线性化模式和后验概率密度高斯分布的隐式假设之上。这2类方法的特点使得它们并不能够完全模拟和估计后验概率密度函数。尽管变分方法和EnKF方法存在各自的缺点，但其作为成熟的资料同化方法在实际应用中有着很好的效果，也是目前很多国家业务预报中心的主要同化方法。

为了克服变分方法和EnKF方法的缺点，近些年来，集合变分混合同化方法和以粒子滤波方法为代表的非线性资料同化方法研究兴起。混合方法在过去10多年获得了非常多的研究，包括与3DVAR的混合和与4DVAR的混合。混合资料同化方法结合变分方法和EnKF方法的优点。其中，集合三维/四维变分同化（Ens3DVAR/Ens4DVAR）方法通过引入集合预报误差来估计流依赖的背景误差协方差，从而在3DVAR/4DVAR的框架中实现更准确的初始场优化；而三维/四维集合变分同化方法（3DEnVar/4DEnVar）则是通过利用集合预报技术来估计流依赖的背景误差协方差，同时避免了传统3DVAR/4DVAR方法需要求解切线性伴随模式的复杂计算问题。混合同化方法也逐渐被各个国家业务预报中心采用。粒子滤波是一种基于马尔科夫链蒙特卡洛（MCMC）方法的集合同化方法。它首先通过一组随机采样的集合样本来模拟模式的先验状态分布；然后，利用观测似然分布计算粒子权重，通过带权重的粒子模拟模式后验状态分布；最后，通过非线性模式积分完成模式状态分布的时间演进。和EnKF相比，MCMC方法的最大优势在于不需要假设后验概率密度分布为高斯分布，是解决强非线性资料同化问题最有前景的方法之一。

在上述数值模式和资料同化方法的基础上，各国相继建立业务化区域海洋预报系统（表1）。美国国家环境预报中心（NCEP）推出大西洋区域预报系统（RTOFS），它是美国国家海洋和大气管理局（NOAA）基于HYCOM模式和NCODA-3DVAR （Navy Coupled Ocean Data Assimilation 3DVAR）同化方法开发的首个涡识别（1/12°）海洋预报系统，2005年起投入业务化运行。法国推出基于海洋模式（NEMO）和同化系统（SAM2）的Mercator Ocean预报系统，覆盖北大西洋和地中海区域。此外，其他国家的研究机构或业务中心也发展了区域高分辨率预报系统。例如，英国基于NEMO模式和3DVAR方案NEMOVAR构建了FOAM （Forecasting Ocean Assimilation Model） v12 北大西洋、印度洋和地中海区域预报系统；日本气象厅气象研究所基于海洋模式MRI.COM （Meteorological Research Institute Community Ocean Model）和三维变分同化方案MOVE（Multivariate Ocean Variational Estimation）搭建北太平洋（1/2°）和西北太平洋（1/10°）区域的MOVE/MRI.COM预报系统；加拿大基于NEMO 3.1模式构建覆盖北极和北大西洋的CONCEPTS（Canadian Operational Network of Coupled Environmental PredicTion Systems）预报系统。

这期间，我国实现从引进到自主创新的跨越，先后研发LICOM（LASG/IAP Climate System Ocean Model）系列、“妈祖1.0”等有自主知识产权的海洋环流模式，提升技术自主能力。国家海洋预报中心搭建全球业务化海洋预报系统（CGOFS），其区域预报覆盖印度洋、西北太平洋和中国周边海域，不同区域有不同水平分辨率，标志我国海洋预报业务化具备国际竞争力。中国科学院南海海洋研究所开发南海海洋环境实时预报与分析系统，创新性地提出了海气界面动量通量参数化与“选尺度资料同化”方法，将台风路径与海洋温盐预报精度提升15%—50%，实现了中尺度过程的有效预报。但这些系统无法准确模拟亚中尺度和强内潮过程，多通过参数化补充亚中尺度过程影响。参数拟合能使预报的平均状态更接近真实结果，却无法准确再现日内变化的中小尺度过程（图2）。因此，构建公里、小时级高精度区域预报系统很重要。国内基于自主海洋模式LICOM构建了全球亚中尺度分辨率公里级模拟系统，但因计算代价高，无法长期业务化预报。有鉴于此，中国科学院南海海洋研究所在中国科学院战略性先导专项资助下，构建了区域公里、小时级海洋三维预报系统，实现关键区域亚中尺度过程的较准确预报（图2）。

特定目标环境预报技术

拍岸浪观测与预报技术

拍岸浪（波浪上岸）过程包括浅化、破碎和冲流3个阶段（图3），其观测技术从接触式单点测量发展到非接触式多维遥感。浅化阶段，压力传感器和测波浮标可获取长序列统计特征，但在高频信号和非线性波面重构上有局限；声学测波仪能弥补压力反演误差，却受单点测量限制。后续波高仪阵列、X波段雷达、合成孔径雷达（SAR）等技术实现波浪方向谱反演和区域成像，实现从单点统计到空间监测的跨越。破碎阶段，观测关键是捕捉瞬态过程，传统声学流速仪受气泡干扰，现代激光雷达（LiDAR）和无人机光学手段可高频获取相关特征。冲流是波浪爬高与涌流的总和，其物理本质源于波浪破碎及其诱导的动量输送，同时冲流高度预测强烈依赖于近岸局部地形形态特征。冲流阶段，观测从接触式仪器发展为视频监测与LiDAR扫描相结合，实现三维动态捕捉。当前拍岸浪观测领域的技术前沿是构建水-空-天立体观测网络，发展人工智能辅助反演算法，提高复杂环境数据获取与解析能力，支持海岸防护与预警。

近年来，随着数值模拟、数据同化和人工智能技术发展，国内外近岸极端波浪模拟与预报领域进展显著。美国在该领域研究全球领先，技术呈多学科交叉、高分辨率数值模拟与人工智能深度融合等特征（表2）。依托NOAA的观测网络和实测数据，美国学者加深对极端波浪机理的认知，研发精细化模拟技术。近年，美国团队用神经网络实现极端拍岸浪短时预警，构建多重耦合预报系统提升中长期预报能力，飓风季可为沿岸提供5 d波浪预报。欧洲注重多国协作与理论创新，形成以概率预报和物理机理研究为核心的技术体系，欧洲中期天气预报中心（ECMWF）应用集合预报和数据同化技术量化预报不确定性。日本作为多海洋灾害岛国，台风浪预报与工程防灾特色鲜明，聚焦台风参数与波浪特征关联，研发耦合模式并应用于海岸工程抗灾设计，增强防灾能力。

我国在近岸极端波浪模拟预报技术领域取得系统性突破，尤其在南海构建了有自主知识产权的完整预报体系（表3）。自然资源部第一海洋研究所研发南海风浪流耦合同化预报系统，运用集合调整卡尔曼滤波同化与耦合器（MCT）技术，优化海气界面通量与浪致混合过程，并在国家超算平台业务化运行。中国科学院南海海洋研究所针对不同应用目标，研发多套适用于岛礁、关键近岸和港口区域的浪-潮-流耦合预报系统，实现关键近岸精准预报。进而，结合激光和遥感反演地形，构建三维拍岸浪模拟库，建立拍岸浪浪高和常规模拟浪高定量关系，实现关键近岸区域10 m级拍岸浪预报。

内孤立波预报技术

内孤立波作为一种发生于海洋密度跃层附近的强非线性波动，具备波动振幅大、波致流速强、周期短等特性。内孤立波预报技术的发展历经了从统计预报向数值预报的变革历程。早期，美国联合多个国家开展了亚洲海洋国际声学实验，于南海积累了大量内孤立波观测数据，并在此基础上构建了利用潮汐相位预测内孤立波到达时间的简易线性模型。此后，有学者借助多年中分辨率成像光谱仪（MODIS）遥感影像数据研发了波峰线位置统计预报模型。此类模型虽结构简单、易于运行，但无法对内孤立波的振幅、波致流强度、垂向结构等关键特征进行预报。在数值预报模式方面，美国海军研究院研发了一套基于静力模型的预报系统（ONFS）；该系统能够预报内孤立波的三维结构特征，对内孤立波波峰线位置的预报效果较佳，但在内孤立波振幅、波致流强度、垂向结构等方面的预报精度仍需提高。Zhang等利用斯坦福非结构化、非静力模式（SUNTANS）构建了内孤立波预报模型，该模型在深水区对内孤立波到达时间的预报较为精准，但在水深小于500 m区域的预报精度有待提升。Simmons等采用区域等密度面模型RHIMT，其优势在于水平分辨率适中时运算速度快、计算成本低，劣势是该模型对内孤立波到达时间和强度的预报效果欠佳。

国内在内孤立波预报研究方面起步较晚，但进展迅速（表4）。Lai等基于非结构网格有限体积海洋模型FVCOM构建了南海北部内孤立波三维预报模型。该模型对南海内孤立波的波列个数、到达时间的预报效果良好，到达时间的均方根误差（RMSE）约1 h。Bai等使用2.5维高水平分辨率的完全非线性非静力内重力波模型IGW再现了南海大陆架上内孤立波的局地生成和传播演变过程。Yu等基于海岸与区域海洋模型CROCO建立了黑潮入侵下南海北部海域内孤立波传播模型。Huang等将海洋区域环流与潮汐模型ORCTM应用于南海，展示了中尺度涡改变内孤立波传播方向、扭曲内孤立波波峰线、调制内孤立波空间能量分布的动态过程。与遥感图像相比，该模型能够重现黑潮入侵时内孤立波的传播路径、振幅演化过程。中国科学院南海海洋研究所基于MITgcm开发了南海北部内孤立波三维预报模型ISWFM-NSCS v1.0和ISWFM-NSCS v2.0。相较于ISWFM-NSCS v1.0，ISWFM-NSCS v2.0预报内孤立波多个重要特征的能力显著增强：到达时间准确性提高了37%、第一模态波振幅提高了34%，波致流速提高了25%，半波宽度提高了85%。此外，ISWFM-NSCS v2.0还大幅延长了预报时长，由原先的15 d延长至30 d。

SUNTANS、FVCOM非结构网格模型的灵活性非常高，适用于河口、近岸，以及地形复杂的区域海洋模拟。这些模型通过有限体积法从理论角度保证了物质与能量守恒，并且计算精度和计算效率都较好。ONFS、RHIMT、ORCTM结构化嵌套模型的网格灵活性弱于非结构网格模型，但嵌套形式可以在提高关注区域空间分辨率的同时保证高计算效率。嵌套形式也导致该类模型的物质与能量守恒性严重依赖于嵌套方案的设计。该类模型适合于多尺度动力过程研究、特定海域的长时间高分辨率模拟等。CROCO、ISWFM-NSCS结构化均匀网格模型的灵活性同样弱于非结构网格模型，但在整个模拟区域内都可以维持良好的物质与能量守恒。模型的计算精度取决于网格分辨率的高低，计算效率较高，适用于长期的环流和内潮模拟。

从“数值模式”到“人工智能融合”

伴随人工智能技术发展，海洋环境预报正从“传统数值模式”向“人工智能融合”变革。传统数值模式依赖复杂物理方程与巨大计算资源求解，深度学习人工智能方法善于挖掘多源数据特征，捕捉海洋不同尺度过程间的非线性关系，被越来越多地应用于海洋预报领域。深度学习在区域海洋预报中的应用可被划分为2类——“点到点”和“场到场”预报。

“点到点”预报指利用单点历史数据，直接预测该点未来的状态，其核心是解决非线性时序的回归问题。长短期记忆神经网络（LSTM）及其变体因其强大的序列记忆能力，被广泛应用于海洋领域的“点到点”预报中。例如，在内孤立波预报中，Lu等利用MITgcm的模拟结果训练LSTM预报模型，并对安达曼海某一地点的内孤立波到达时间、位置及振幅进行了预报。Huang等利用高时间分辨率静止轨道卫星图像中的内孤立波信息训练LSTM注意力机制模型，构建苏禄海内孤立波波峰线预报模型ISW-PRED，该模型对24 h后波峰线位置预报均方根误差为5.18 km，展现出良好预报能力。此类方法计算轻量、部署灵活，适用于浮标、台站等稀疏站点的快速预报，但对空间关联性考虑不足，难以表征复杂海洋过程的整体演变。

“场到场”预报是基于历史时空场数据（如卫星遥感、再分析数据）对未来海洋系统状态进行预测的一种数据驱动方法。其核心在于如何从高维、非结构化的网格数据中，有效提取具有物理影响的时空演变特征。卷积长短期记忆网络（ConvLSTM）通过卷积操作提取空间特征，并利用LSTM门控机制捕捉时序依赖，从而实现对海洋状态时空演化过程的联合建模。此类方法成为该类问题的经典解决框架，已被广泛应用于海浪、海表面高度等单一海洋要素预报中。以南海区域为例，Song等基于ConvLSTM构建了海表面高度预测模型ConvLSTMP3，其结果表明该模型在刻画夏季越南以东海域中尺度涡旋的时空演变方面，性能优于传统全动力海洋模型，且在计算效率上显著占优。此外，他们还进一步引入注意力机制增强ConvLSTM，提出了一个融合风场驱动信息的高分辨率有效波高预测模型，该模型充分捕捉风-浪物理关联，实现24 h有效预报，决定性系数R2达0.69。对于多要素协同预报任务，通常需要构建更加复杂的深度学习架构以捕获要素间非线性相互作用。当前代表性网络包括Transformer及其衍生模型（如Swin transformer、ViT-transformer等），它们通过自注意力机制显式建模全局依赖关系，已在多变量时序预测中展现出潜力。目前，国内已出现“AI-GOMS”“琅琊”等一系列全球尺度海洋预报大模型，这些模型多基于国外再分析数据训练，空间分辨率可达1/12°，预报时效覆盖7—30 d。相比之下，针对特定海域的区域级海洋预报大模型仍处于快速发展阶段，国内多家科研团队已积极开展相关研究，预计在不久的将来将有多项区域海洋预报大模型成果陆续发布。

然而，纯数据驱动的深度学习模型在海洋预报中仍存在明显局限。① 这类模型高度依赖历史训练数据（如再分析产品或数值模式输出）的质量与完备性，其预测实则为对数据中统计关系的延展，未能遵循海洋动力学基本规律。② 模型内部复杂的非线性变换导致其决策过程如同“黑箱”，预报结果缺乏物理可解释性；在遭遇训练数据未曾覆盖的极端海洋过程时，其合理性与可靠性可能显著下降。为了克服上述局限，应提高深度学习模型的预测性能、物理一致性及可解释性，当前主流研究方向致力于将物理约束嵌入深度学习框架，提出了物理引导的神经网络方法。Zhang等结合遥感观测数据与多种机器学习算法，构建不同海域内孤立波智能预报模型，涵盖纯数据驱动型、迁移学习型及物理知识嵌入型（加入KdV方程）。该模型预报效果较理想：在苏禄海和安达曼海，波峰线位置均方根误差分别为12.92 km和3.21 km；在班达海，内孤立波传播时间均方根误差为1.01 h。Wang等MASNUM-WAM物理框架中的源函数参数化方程（包括风输入、破碎耗散、波-波非线性相互作用等）与反向传播神经网络的物理参量构造相融合，构建了物理指导的参数化模型，达成了对波浪源函数的高精度模拟（R²>0.95）。这类物理引导的深度学习模型不仅能在数据稀缺区域增强预报的合理性，也使得模型输出更易于从物理机制层面进行解释分析，为实现更为可靠、可信的海洋智能预报提供了关键路径。

存在的主要问题与技术挑战

观测数据严重不足与融合困难。观测数据的严重匮乏是制约各类海洋预报技术发展的根本性瓶颈。① 海洋环境要素（三维温盐流）和特定过程要素（如极端波浪、裂流、内孤立波等）的高质量、高时空分辨率实测数据严重不足，特别是水下、近岸及关键物理过程的观测覆盖率低，难以捕捉突发性、小尺度事件。② 来自卫星、浮标、雷达、视频等多源异构观测数据在时空尺度、精度和物理量上存在显著差异，缺乏统一的质量控制标准与高效融合技术，导致初始场构建误差大，直接影响预报初始场质量。③ 国内外数据共享机制不健全、格式标准不统一，也阻碍了大规模数据集的形成与深度应用，限制了模式验证与人工智能模型训练的效果。

模型与算法层面的技术局限。模型与算法的局限性主要体现于物理过程描述、分辨率和人工智能应用3个层面。① 数值模式针对关键物理过程（如非线性波波相互作用、浪致混合、波浪破碎、内波耗散等）所采用的参数化方案，依然依赖经验性假定，存在较大的不确定性，这制约了模式在复杂情景下的模拟精准度。② 为解析裂流、内孤立波等中小尺度现象，或精确模拟近岸复杂地形，模型需达到1—10 m级的分辨率，然而现行业务化模式的水平分辨率普遍处于100 m级至km级，提升分辨率会致使计算成本呈指数级增长，与实时业务化需求构成了尖锐的矛盾。③ 人工智能模型虽彰显出强大的潜力，但其性能高度取决于训练数据的质量与数量，并且普遍存在物理可解释性欠佳、外推能力薄弱、泛化性不足等问题，限制了其在业务预报中的可靠运用。

预报业务化与应用层面的挑战与风险。预报业务化及其应用面临的挑战主要体现在预报时效与精度冲突、业务运行效率及专业化服务能力欠缺。① 预报技术难平衡时效与精度，对突发性极端事件（如拍岸浪），现有技术仅能提供分钟级预警，难满足实际响应要求；对内孤立波等可预报周期长的现象，初始误差与模型不确定性会随预报时长增加而迅速累积，降低预报精度；另外，陆坡地形、背景层结、背景流、网格分辨率等严重影响内孤立波极性反转和破碎耗散的模拟。② 现有预报产品多为通用型，与海岸工程、海上运输等领域的精细化、定制化需求脱节，缺乏将预报信息转化为决策支持的关键能力，预警信息发布渠道和时效性有待改进。③ 当前气象海洋预报体系从实测资料和卫星产品获取到人工智能训练数据都高度依赖国际产品，有“卡脖子”风险，外部数据来源中断对预报能力的影响未进行系统性评估。

相关启示

强化综合立体观测网建设是基础前提。在南海及周边海域布局综合立体观测网络，集成卫星遥感、岸基雷达等观测手段，提高对极端海浪等事件的监测能力。整合异构传感器，建立多源数据互补融合体系，突破极端海况下数据获取瓶颈。针对高影响事件的频发区加强观测，获取高质量的过程数据。重点发展观测反演算法智能化，借助人工智能提高反演精度和时效性，实现数据自动化识别与处理，为海岸防护与预警提供智能化数据支撑。建立统一数据标准、质量控制流程和共享平台，实现多源异构数据实时融合与同化，为数值和人工智能模型提供高质量数据基础。

发展“物理机理+人工智能”深度融合的下一代预报模式。大力发展人工智能与数值模式深度融合的下一代预报技术，提升人工智能技术的可解释能力，攻克物理参数化、多尺度数据同化、耦合器设计等关键技术。利用物理约束的神经网络增强模型对小尺度过程、极端事件的刻画能力，同时提升计算效率。特别是要支持非结构网络、自适应网络等先进数值技术在各类模式中的应用，为近岸海域的不同对象的精细化预报提供统一的底层技术支撑。

加强学科交叉融合是推动技术创新的根本途径。促进海洋科学、大气科学、数学、信息科学等多学科的交叉融合，培养兼具海洋学知识和数据科学技能的复合型人才。建立开放共享的算法库、案例库和数据集，支持跨学科团队协作攻关。同时，通过设立复合型人才培养计划，培育既懂海洋机理又掌握数据科学技能的创新型人才，为各类预报技术的持续发展提供智力保障，促进学术界和产业界的协作创新，加速科技成果的转化应用。

（作者：李毅能、朱宇航、彭世球、陈植武、韦惺、李骏旻、李少钿、谢培炜、廖嘉文、龚延昆、唐世林、蔡树群，中国科学院南海海洋研究所；《中国科学院院刊》供稿）