在气象预报领域，以WaveWatch III为代表的传统波浪预报模型是重要工具，它基于物理能量守恒方程构建，但计算成本高昂，进行波浪预报时需处理大量数据和复杂物理过程，实际应用受限。
与此同时，现有AI气象模型凭借强大计算和数据处理能力，在气象预报上速度快，能短时间处理海量气象数据并快速生成预报结果，但在长期预报中存在能量衰减问题，影响预报准确性。
面对上述痛点，中国海洋大学携手，基于“DeepAI深算智能引擎+国产GPU加速卡”联合研发深度学习海洋波浪预报模型——OceanCastNet（以下简称：OCN），相关成果已在全球知名在线研究存储库arXiv公开，并于近日被journal of advances in modeling earth systems期刊接收。
OCN模型在保持高效计算的同时，显著提升了长期预报的稳定性与能量守恒特性，标志着AI在海洋气象预报领域迈出关键一步：
OCN采用多时序风场与波浪场作为输入，结合自适应傅里叶神经算子和掩码损失函数，实现了能量动态平衡，有效抑制长期模拟中的能量耗散。
实验显示，OCN在ERA5数据集上表现优异。其短期预报精度超越WaveWatch III，平均绝对误差仅0.14米，异常相关系数达0.99。即便在极端天气下，误差控制与能量保持能力也优于传统模型。
OCN展现出对波浪生成机制的物理理解。即使从零波高开始，仅凭风场输入即可生成与实际高度吻合的波场，ACC最终稳定在0.85以上，具备自校正能力。
团队还构建了简化版气象模型OCN-wind，引入太阳辐射作为能量输入。对比实验表明，该模型在长期预报中未出现如FourCastNet等模型中的能量崩溃现象，再次验证能量平衡对提升AI预报性能的关键作用。
OceanCastNet的成功研发，不仅是双方在AI计算融合创新上的重要成果，也为中国海洋大学在海洋科学与人工智能交叉研究方面树立了标杆。该模型未来有望应用于远洋导航、海上作业安全、防灾减灾等多个领域，推动海洋气象预报从“经验驱动”迈向“智能驱动”。
