天津
近日，南京信息工程大学海洋科学学院董昌明教授团队联合中山大学卢文芳副教授团队，在人工智能与数值模式混合的智能模型研究方面取得创新性突破。相关成果以《Hybrid numerical-AI modeling of directional wave spectra on an idealized one-dimensional nearshore slope》为题，发表于海洋工程类一区Top期刊《Ocean Engineering》。论文第一作者为中山大学硕士研究生杨光宇，共同通讯作者为卢文芳副教授和我院董昌明教授，参与作者包括南方海洋科学与工程广东省实验室(珠海)陈大可院士、深圳大学蒋浩宇教授和厦门大学王栋副教授。这是国际上首个人工智能和数值模式混合的海浪智能模式。
方向波谱能够表征海浪能量在不同频率和方向上的分布，是海岸工程设计、船舶安全、波浪能评估和近岸灾害研究的重要基础。传统数值波浪模式具有明确的物理基础，但高维波谱计算成本较高，复杂源汇过程仍依赖经验参数化；纯数据驱动模型虽具有较强的非线性拟合能力，却容易面临物理约束不足、训练数据需求大和滚动预报误差累积等问题。针对这些难点，研究团队提出全可微分的人工智能与数值模式混合框架，构建神经波浪模型（NWM），保留波作用量平衡方程的动力传播核心，同时利用神经网络学习风输入、底摩擦等复杂源汇过程的净效应。团队利用WAVEWATCH III生成100组不同入射波向、水深和风场条件下的近岸斜坡模拟样本，针对不同的训练数据可用性和误差条件开展了敏感性实验。结果表明，当训练数据仅保留10%时，NWM的方向波谱相关系数仍高于0.99、均方根误差低于0.025；在观测点稀疏至约10%的条件下，相关系数仍约为0.97；即使采用简单的浅层神经网络，NWM的模拟效果仍然大幅度优于深层注意力机制网络。神经网络学习到的源汇项也能再现水深减小后底摩擦耗散增强的主要趋势，显示出良好的精度、数据效率和物理一致性。
图1.神经波浪模型（NWM）的人工智能与数值模式混合框架
该成果推动人工智能海洋学由单纯的数据驱动迈向物理机理与智能算法深度融合，为构建兼具精度、效率、可解释性和可迁移能力的海洋智能预报系统提供了新路径。人工智能与数值模式的协同有望突破传统海洋模式在计算成本和参数化误差方面的瓶颈，提升复杂海况下的精细化预测能力，更好服务海洋防灾减灾、海岸工程、航运安全和海洋新能源开发。同时，此项成果体现了南京信息工程大学与中山大学团队在海洋动力学、数值模拟和人工智能方法上的优势互补，彰显了跨学校合作对解决海洋科学前沿问题的重要作用，为人工智能海洋学协同创新、人才培养及我国海浪智能模式的自主研发提供了示范。文章得到了国家重点研发项目“海浪—风暴潮数值模式及综合预警报技术”、广东省自然科学基金和厦门大学MEL访问学者基金的资助。
作者简介
董昌明，教授，博士，2022年获批基金委海外资深专家人才项目，2026年当选亚洲大洋洲地学学会（AOGS）会士（Fellow），国家重点研发首席科学家。现任南京信息工程大学海洋科学学院名誉院长，人工智能海洋联合研究院院长、国际地球流体研究中心主任，中国海洋学会人工智能海洋学专业委员会主任委员。主要研究方向：海洋多尺度动力学、区域海洋数值模拟、实验地球流体力学和人工智能海洋学等。发表学术论文260余篇，其中SCI论文230多篇，出版专著六部。带领工程师团队自主建成世界最大内径14米的大型旋转平台，应用于地球流体力学理论研究和海洋工程设计。
图2. 董昌明教授
信息来源：南京信息工程大学海洋科学学院。
转载请注明信息来源及海洋知圈编排。
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
