随着大数据科学的迅猛发展，人工智能方法在地球科学研究及应用中方兴未艾。近年来，利用机器学习、人工智能方法对海浪、海温、海冰、台风、风暴潮等海洋要素的预报显示出了速度快、准确度高、占用资源小、操作简单等特性，它们正逐渐成为海洋环境预报中传统数值预报的重要辅助工具。国内外主流海洋气象预报机构都在加快人工智能预报系统的研发和应用。

我实验室地球系统模式创新团队研究了南海海表面高度异常的周期性变化规律，首次利用深度学习中长短期记忆神经网络对南海海表面高度异常（SSHA）进行预报。该研究提出了Merged LSTM神经网络，结合了残差和堆叠LSTM，用于提升神经网络对SSHA变化的拟合效果并加快模型的收敛。训练好的模型能够通过历史SSHA的值对未来的SSHA进行预报。研究结果表明，该算法对南海未来五天的SSHA预测准确度（平均值±标准差）达到90.99±10.56%, 85.49±13.93%，79.99±16.08%，74.23±18.05%，68.15±18.84%。该方法比数值模拟的方式节省计算资源，比传统的机器学习算法准确率更高。该研究的数据处理方法及预报范式具有一定的创新性和应用价值，为人工智能与海洋的结合提供了一定的参考。

研究成果于2020年5月在中科院2区期刊IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing上发表，题目为“A Deep Learning Method with Merged LSTM Neural Networks for SSHA Prediction”。地球系统模式创新团队核心成员宋弢副教授与南方海洋实验室徐丹亚首席工程师分别为文章的第一作者和通讯作者。该研究得到了科技部国家重点研发计划（2018YFC1406201-4）和南方海洋实验室创新团队建设经费的支持。

2019年5月9-13日海面高度异常（SSHA）实测（a）、模式预报(b) 以及两者之差(c)

论文链接：