传统海洋数值模式依赖复杂物理方程，计算成本高，耗时长。尤其在通过高分辨率数据模拟南海中尺度涡旋等快速变化海洋现象时存在明显瓶颈。近日，由南京信息工程大学、国防科技大学联合上海人工智能实验室，针对上述问题提出了一种新型人工智能模型，可快速、精准预测南海海面绝对动力高度（Absolute Dynamic Topography，ADT），为海洋环境监测、灾害预警与航运安全提供了强有力的技术支撑。该成果发表于《Geophysical Research Letters》，题目为“A South China Sea Surface Absolute Dynamic Topography Prediction Model Base on Convolutional Long Short-Term Memory Network With Self-Attention Mechanism”。硕士研究生沙文彬为论文第一作者，其指导老师金大超副教授为论文通讯作者。
研究团队构建了基于自注意力机制的卷积长短期记忆网络的深度学习模型（图1），融合了U-Net架构与注意力机制，实现了对南海区域ADT的高分辨率（0.08°）未来12天预测。通过自注意力机制捕获关键时空特征，U-Net网络卷积特征提取及下采样，在保持高精度的同时，大幅提升了预测效率。
图1为ADT预测模型整体结构。（a）模型包括三个模块：下采样层、SA-ConvLSTM层及上采样层，下采样层与上采样层中采用跳跃连接。（b）为SA-ConvLSTM结构。（c）为SA-ConvLSTM中的self-attention memory模块结构。
南海作为连接太平洋与印度洋的关键海域，海洋动力过程复杂，中尺度涡旋活跃，季节变化特征显著。研究团队利用多源卫星融合数据，构建了2011-2022年南海区域的高分辨率ADT数据集，训练出的模型能够准确捕捉南海及周边海域的ADT变化，通过高分辨率预测助力海洋精细化预报。结果表明，该模型在2022年测试集上，12天预报期的模式相关系数（PCC）始终高于0.83，均方根误差（RMSE）低于0.04米，归一化均方根误差（NRMSE）小于1，显著优于传统ConvLSTM、MLFRNN和CRAM-ConvLSTM等现有模型。模型能够准确捕捉南海东部、台湾以东及吕宋岛周边海域的海面高度变化趋势（图2），即使在7–10天的中长期预报中仍保持较高可信度。
图2 模型预报时效1、4、7、10天的RMSE误差分布（a-d）及相关系数分布（e-h）。
图3 2022年12月20至31日的一次预报结果。（a-d）模型预报结果；（e-h）实况；（i-l）预报结果与实况的差异。
论文信息：
Sha, W., Jin, D.*, Liu, L.*, Zhang, X., Ling, F., Zhang, F., et al. (2025). A South China sea surface absolute dynamic topography prediction model based on convolutional long short-term memory network with self-attention mechanism.Geophysical Research Letters, 52, e2025GL117019. https://doi.org/10.1029/2025GL117019
