自然资源部海洋一所在海浪波高智能降尺度模型方面取得新进展！

近日，自然资源部第一海洋研究所海洋环境科学与数值模拟重点实验室（MASNUM）联合山东大学软件学院、华为北冥实验室等单位在海浪波高智能降尺度模型方面取得新进展，发展了一个全球海浪波高深度学习降尺度模型GSDNet（Global location-Specific transformation Downscaling Network），能以高精度将空间低分辨率波高数据快速映射到高分辨率网格。相关研究成果以“GSDNet: A deep learning model for downscaling the significant wave height based on NAFnet”为题发表在学术期刊《Journal of Sea Research》上（https://doi.org/10.1016/j.seares.2024.102482）。
目前高分辨率已成为海浪模拟和预报的主要发展趋势之一。然而，在追求精细化模拟和预报的同时，如何平衡高分辨率模拟和预报的计算效率和时效性成为一个关键问题。将粗分辨率映射到高分辨率的降尺度方法是目前常用的一个解决方案，传统插值降尺度计算简单，但精度不足，特别是大值的处理；而动力降尺度精度高但是计算复杂。最近流行的深度学习方法为高精度高性能的降尺度带来了契机和挑战。
+ t1 o, e. V' ]7 {# f$ x, `针对全球海浪波高高精度高性能的降尺度需求，我所模式研发团队基于NAFNet（Non-Autoregressive Fusion Network）模型，引入海陆分布标识，设计了一种针对海陆分布的全球位置信息变换算法，使得模型能够捕获复杂区域的精细特征，从而提高模型在海陆边界的降尺度能力，并在损失函数中剔除所有陆地点来进一步提高整体模型的精度，进而建立了全球海浪波高深度学习降尺度模型GSDNet。
2 x8 u- D1 u  y结果表明，与双线性插值、距离反比作为权重插值、双三次插值等诸多传统数值插值方法相比，GSDNet模型能将全球平均均方误差（MAE）降低了77%以上；与FourCastNet（FCN）、Koopman neural operator (KNO)、经验残差降尺度（DL4DS_Resnet）、原始NAFNet等多种主流深度学习方法相比，MAE至少下降了21%。尤其是由于引入了发展的海陆分布的全球位置信息变换算法，GSDNet模型在海陆边界以及最大值的降尺度能力上明显优于其它主流降尺度方法。比如，在地形复杂的印太交汇处的岸界区域，GSDNet的MAE较传统数值插值方法下降97%以上，较文中提到的其他深度学习方法下降60%以上。此外，GSDNet还具有较好的泛化性，能通过低计算成本的微调策略（冻结底层权重，仅仅保留特定的层进行训练几个epoch）广泛应用于任意相同降尺度比例的低分辨率数据集到高分辨率数据集的映射任务。
该探索性工作为高分辨率海浪以及海洋环境的精准模拟和预报提供了一个有效的解决方案，也有力促进了人工智能和海洋模拟的深度融合。目前，模式研发团队已经实现了MASNUM海浪模式（水平1/2度分辨率）和GSDNet模型（4倍降尺度）的在线耦合，在达到全球1/8度海浪模拟效果的同时，计算时间缩短了12倍。
/ W- G; {# x+ g8 P海洋一所与山东大学联合培养的硕士研究生吴晓雨和赵睿为论文第一和第二作者，海洋一所宋振亚研究员为通讯作者。该研究得到崂山实验室科技创新项目、国家自然科学基金优秀青年科学基金等的支持。
1 j& q. ?6 E- P+ I论文链接：
' z3 L8 J' w+ }& t5 iWu, X., R. Zhao, H. Chen, Z. Wang, C. Yu, X. Jiang, W. Liu, and Z. Song* (2024), GSDNet: A deep learning model for downscaling the significant wave height based on NAFNet, J. Sea Res., 198, 102482. doi:10.1016/j.seares.2024.102482
' @8 @8 B+ ^1 y. {$ e+ {

                               
登录/注册后可看大图

2 g: U  v# g# g
图1. 全球海浪降尺度模型GSDNet结构示意图
$ J, G# X: {; G8 Q

                               
登录/注册后可看大图

2 t# G" W; s0 }: W9 g
图2. 不同全球海浪降尺度模型的全球平均均方误差（MAE）

) ]# K7 s9 Z3 J2 I! L
信息来源：自然资源部海洋一所。