长期以来，对海洋征象的仿照和预报紧张依赖于基于物理方程的数值模式，其需在数值模式中充分考虑与繁芜海洋征象干系的各种自然过程及其相互浸染。
当前，海洋卫星遥感的大数据趋势为海洋科学的深入探索供应了契机，同时也对海洋时序不雅观测信息挖掘方法的发展提出急迫需求。
海表温度作为卫星不雅观测历史最悠久的海洋环境要素之一，被广泛运用于揭示各种海洋征象和物理机制。
热带太平洋热带不稳定波是主要的繁芜海洋征象，其从非线性的、带混沌性的水动力不稳定过程中汲取能量，所伴随的海表温度场沿着赤道向西传播并发生显著的形变，对其上大气产生显著影响；同时，热带不稳定波强度和传播速率等还受时令和厄尔尼诺/拉尼娜等景象征象的调制。
热带不稳定波的海表温度场与各种海洋物理、海-气、海洋生物-物理及景象变革等过程都有相互浸染，从而产生景象效应，是国际上许多重点关注的关键海气征象。
热带不稳定波的数值建模及其预报不仅哀求极高的空间分辨率，还须要对各种干系繁芜自然过程尽可能真实的参数化表征，对其准确预报是目前数值模式面临的寻衅。

该研究建立了多尺度网络构造的深度学习预报模型，仅以当前和过去时候的热带不稳定波海表温度场为输入量，就可输出未来时候的海表温度场。
模型直接以卫星遥感数据为驱动，避免了数值建模的物理方程、模型近似和参数化等繁杂过程以及打算机资源哀求。
9年（2010年至2019年）的数据长期测试结果显示，该模型高效、准确预报了热带不稳定波海表温度场的繁芜演化过程，成功捕捉了热带不稳定波传播的时空变革特色。

研究表明，在大数据背景下，基于人工智能的纯数据驱动海洋信息来构建针对繁芜海洋征象的模型与预报方法的挖掘是可靠和可行的，具有广阔的运用前景。
这种方法与传统数值模式上风互补，两者有机的结合有望成为繁芜海洋-大气征象研究的新范式。
该团队近期还在National Science Review上揭橥综述论文Deep-Learning-Based Information Mining From Ocean Remote Sensing Imagery，系统论述了深度学习在海洋遥感影像信息挖掘方面的前沿进展。

干系研究得到中科院海洋大科学研究中央、中科院计策性先导科技专项、山东省重点研发操持项目、国家自然科学基金等帮助。

基于海洋遥感大数据的深度学习预报模型架构

卫星不雅观测的热带不稳定波海表温度场（A至C）和深度学习预报的海表温度场（D至F）的时空演化

来源：中国科学院海洋研究所