传统的数值模式（如WAM）在台风等强天气过程中容易出现高幅度偏差，特别是在风–波相互作用剧烈区域。为此，本研究聚焦于极端天气条件下数值波浪模式在显著波高（SWH）预测中的系统性误差问题，提出了一种基于Fortran–Python耦合框架的实时误差修正系统，将空间—时间注意力神经网络与WAM模式深度融合，实现了对极端条件下波浪模拟误差的智能纠正。系统以CFOSAT卫星观测为训练基准，结合台风路径与季节时间等物理先验信息，训练构建了空间—时间注意力神经网络（ECN）。其核心架构通过QKV机制动态关注误差关键区域，并通过嵌入式Fortran–Python接口实现与WAM模式的实时耦合。在每6小时的模拟步长内，模型自动识别并纠正预测误差，实现高时效性与高精度的协同模拟。
结果显示：ECN模型在WAM基础上使显著波高的RMSE下降24.6%，结构相似性指数（SSIM）提升26.3%；在新事件上的泛化精度进一步提升RMSE达47%，SSIM提升超30%。特别是在极端波浪条件下，修正系统对谱能量分布和传播方向的拟合能力大幅增强。该研究展示了一种可嵌入现有数值模式、具备实时性、轻量级且具物理一致性的智能纠错框架，为未来的极端海况实时预报与智能耦合建模提供了新范式。
实时误差修正系统结构图
核心PI
李晓峰 |
中国科学院
|
1、中科院****（A类）-基于大数据的人工智能海洋学研究, 主持, 部委级, 2019-04--2022-04
2、基于人工智能-数值模拟耦合系统的黄海有害藻华生物量信息提取及动态分析研究, 主持, 国家级, 2021-01--2024-12
文章信息：
上述研究成果发表于国际权威期刊《Ocean Modelling》。中国科学院海洋研究所博士研究生刘蔼栎为论文第一作者，沈栋梁博士后为文章通讯作者，合作者包括李晓峰研究员。该研究工作得到国家自然科学基金创新研究群体项目、国家资助博士后研究人员计划、国家自然科学基金重大基金与青岛市科技惠民专项等项目的支持。
论文发表：
Aiyue Liu, Xiaofeng Li, Dongliang Shen*, Real-Time Wave Model Error Correction via Coupled Neural Networks and WAM under Extreme Weather, Ocean Modelling (2025).
点击文末“阅读原文”可查看相关原文。