2023 年 1 月 19 日 | 作者 zhang nannan，中国科学院 | 原文链接：https://phys.org/news/2023-01-deep-learning-based-ai-infer-indonesian.html
深度学习结构示意图 来源：中国科学院海洋研究所（IOCAS）
中国科学院海洋研究所和南京信息工程大学的科学家们利用深度学习方法，成功构建了印尼贯流（ITF）推理预测系统，实现了对ITF的有效预测。
这项研究于1月16日发表在《海洋科学前沿》上
印度尼西亚海域是连接热带海洋盆地的唯一海洋通道，ITF是印度洋盆地与太平洋盆地之间交流的关键海洋动力因素。ITF具有很强的物质和能量传输能力，因此对印度洋及太平洋的物质和能量平衡以及区域和全球气候变化起着重要作用。然而，对ITF的预测主要依靠数值模拟系统，这些系统往往有明显的模型偏差和很大的不确定性。
有鉴于此，胡石坚教授领导的研究人员提出了将卫星观测与人工智能方法相结合，构建ITF推理与预测系统的想法，并对各种深度学习模型进行了实验。
印太压力梯度是ITF的主要驱动因素，因此研究人员利用印度洋和太平洋盆地之间的海面高度来推断和预测ITF运输的。他们利用耦合模型相互比较项目第六阶段模型和简单海洋数据同化数据集提供的大量数据训练卷积神经网络（CNN），并重建了ITF运输的时间序列。
训练结果显示，基于CNN模型的系统再现了ITF运输总方差的90%左右，表明该系统能够实现对ITF运输的有效推断。
研究人员进一步将该系统与1993年至2021年的卫星数据相结合，推断并构建了ITF的时间序列，发现该时间序列与国际知名的ITF实地观测数据相吻合。他们探索了用该人工智能系统预测ITF的可能性，结果显示该系统可以在领先7个月的时间内做出有效预测。
ITF人工智能推理和预测系统为开展印太海洋环流和气候变化研究提供了一个重要工具，这可能在一定程度上缓解实地海洋观测的压力，”胡教授说。
这篇文章最初发表在 Phys.org 上，经许可重新发布。由 Global Climate Media 翻译自英文原版。
