深度学习模型框架在预测时间序列数据方面具有潜在应用，尤其是在大气和海洋领域。本研究探讨了利用深度神经操作模型对经典流体流动和真实海洋动力学进行重现和预测的可能性，并证实了这些模型对理想化周期性涡流脱落和真实海洋表面流动的一些特征的预测能力。

Aug, 2023

海洋动力学的准确和高效建模对于对复杂的海洋环流和过程的深入理解、预测气候变化及其相关的远程联系以及应对气候变化的挑战至关重要。本研究介绍了 ORCA（可靠海洋预测模型），这是首个能够在多年到十年时间尺度上预测全球海洋环流的数据驱动模型。ORCA 能够准确模拟全球海洋的三维环流和动力学，并具有高度的物理一致性。回顾性预测表明，ORCA 与最先进的数值海洋环流模型相比，在预测海洋变化和捕捉亚表层海洋和 ENSO 垂直模式的极端事件发生方面具有出色的预测能力。这些结果展示了数据驱动的海洋模型为提供廉价、高效和准确的全球海洋建模和预测的潜力。此外，ORCA 在十年时间尺度上稳定且忠实地模拟海洋动力学，展示了其在气候预测中的潜力。模型可在此 https 网址获取。

May, 2024

AI-GOMS 是一个采用 AI 驱动的全球海洋模拟系统，通过基于傅里叶变换的 Masked Autoencoder 结构和轻量级微调模型，实现了全球海洋的准确和高效的每日预测，提供了一种新的地球系统模型的骨干 - 下游范例，使系统具有可传输性、可扩展性和可重用性。

Aug, 2023

使用基于 Transformer 架构的深度学习模型，与标准线性逆模型（LIM）在热带太平洋上进行训练与比较。结果表明，当在重分析数据集上测试时，与 LIM 相比，深度学习模型产生更准确的预测。然后我们评估集合卡尔曼滤波器从一组噪声较大的 24 个海表温度观测中重建月平均上层海洋的能力，并比较 DL 模型和 LIM 的结果。由于 DL 模型中信号的衰减，我们引入了一种新的膨胀技术，通过从回查实验中添加噪声来实现。结果显示，使用 DL 模型同化观测数据比 LIM 在观测时间从一个月到一年的范围内获得更好的重建效果。这种改进的重建是由于 DL 模型的增强预测能力，它可以将过去观测的信息映射到未来的同化时间。

Jun, 2024

研究介绍了 OceanNet，一种基于神经算子方式的洋流数字孪生技术，用于解决海洋建模中的复杂性问题以及季节性预测任务，通过利用历史海面高度数据进行训练，OceanNet 通过超过优化的现代动力学海洋模型预测降低计算量 500,000 倍，展示了物理启发的深度神经算子作为高效替代品的潜力。

Oct, 2023

通过应用自然导向的认知演化（NGCE）策略，本研究通过模拟和优化学习过程，有效预测了北温带湖泊的溶解氧浓度，并揭示了不同湖泊的复杂季节模式。

Feb, 2024

该论文提出了一种名为 OceanCastNet (OCN) 的新型能量平衡深度学习波浪预测模型，通过将当前、上一个和下一个时间步的风场以及当前和上一个时间步的波浪场作为输入变量，OCN 在模型内部保持能量平衡。论文通过在 ERA5 数据集上进行一系列实验表明，OCN 能够实现与传统模型相当的短期预测精度，并且展现对波浪生成过程的理解。在正常和极端条件下的比较实验中，OCN 始终胜过行业中广泛使用的 WaveWatch III 模型。即使在长期预测后，OCN 仍然保持稳定和丰富的能量状态。通过构建一个考虑能量平衡的简单气象模型，名为 OCN-wind，论文证实了能量约束对于改善深度学习气象模型的长期预测性能的重要性。这一发现为未来深度学习地球物理流体模型的研究提供了新的思路。

Jun, 2024

在本文中，我们使用先进的机器学习方法，包括序列模型（LSTM 和 Transformers）和关系模型（图神经网络），建立了一个在巴西东南海岸 Santos-Sao Vicente-Bertioga 海湾地区可以预测洋流速度和海面高度等环境变量的数据驱动模型，并将我们的结果与 Santos 操作预测系统进行了比较，证明了我们的模型可以在保持一定的灵活性和少量领域知识依赖性的同时实现更好的预测效果。

Jun, 2022

建模对理解温室气体、全球变暖和冰盖融化对海洋的影响至关重要。神经网络模型精确预测了理想化海洋模型的一步前向动力学，并计算了参数敏感性。

Nov, 2023

通过采用基于深度学习的架构，我们能够自动模拟水下图像的效果，通过数据驱动的方式推断其他未知因素导致的降级现象，以估计只有 RGB 图像可用的深度图像。通过与其他纯数据驱动方法的比较，我们通过复杂的图像生成模型成功地对该技术进行了定性和定量评估。

Feb, 2024