随着全球气候变化和海平面上升，海洋灾害频发，对人类生命财产安全构成了严重威胁。对海洋灾害环境目标的识别和预测，传统数值模式预报方法受spin-up等问题的限制，难以对持续时间短、空间尺度小的灾害目标进行有效预警。近年来，随着深度学习技术的快速发展，人工智能在海洋灾害环境预警领域展现出强大的应用潜力。然而，当前大多数深度神网络模型依赖自然场景图像的预训练权重，其在海洋观测数据解译任务中的性能和普适性有待进一步提升。

针对这些挑战，团队联合深圳大学生命与海洋科学学院牟林教授团队联合研发了以海洋观测数据驱动的新一代人工智能大模型“瀛澜·海洋”。“瀛澜·海洋”大模型以实现多模态、多尺度海洋数据的统一建模与深度理解为目标，在模型设计、策略优化和效率提升等方面取得了显著突破，支持温度、盐度、海面高度、风场、海浪、海流等关键海洋要素的智能预报，大幅提升了多尺度海洋过程的预报精度。同时，“瀛澜·海洋”大模型在研究海洋环境的动态演变、监测气候变化影响及评估生态系统状态方面也展现出重要价值。通过其对多源海洋数据的深度融合与解译能力，该模型能够为海洋防灾减灾、海洋资源开发、生态保护和科学研究提供智能化、轻量化的解决方案，全面提升滨海特大城市海洋灾害应急响应能力，产生了明显的业务效益。

实现全球多源海洋数据的高效整合、智能化质控与管理

“瀛澜·海洋”大模型的多源海洋大数据资源池系统是基于实测海洋剖面数据、卫星及多源观测数据、海洋再分析数据等资源发布共享服务的门户窗口，将不同来源的海洋观测数据经过统一标准化和高效融合，汇聚至一个集成化的数据平台中，为海洋大数据挖掘及关键技术建模提供数据支撑。

“瀛澜·海洋”大模型的海洋数据智能质控模型，通过物理约束与人工智能相结合对多源观测数据进行质量控制，将海洋物理规律和海域地理特征纳入深度学习模型的迭代推理框架中，增强了智能质控的物理准确性和空间一致性，为海洋环境预报和灾害预警等决策支持提供更可靠的数据基础。

构建多尺度、多要素融合的海洋环境智能预报系统

“瀛澜·海洋”大模型的水下三维温盐重构和预报模型，集成温盐空间分布规律和时序变化的多维信息，建立了海表要素与水下温盐之间的复杂非线性推演关系，可实现水下温度和盐度的高分辨率、高精度重构和多尺度动态预报，助力海洋环境变化监测、水下作业保障以及气候变化预测。

“瀛澜·海洋”大模型的海洋动力要素预报模型，结合了深度学习技术与传统海洋动力学模型，从大规模历史观测数据中自动学习海洋要素的时空规律与动力约束，可对温度、盐度、海面高度、风场、海浪、海流等多个海洋动力要素开展短期和中长期预报，为海洋防灾减灾、海上搜救溢油事故应急、海洋资源开发等多种应用场景提供精确的动力环境预报服务。

“瀛澜·海洋”大模型，融合多源海洋观测历史数据形成海洋大数据资源池，可实现观测数据的智能质控与大数据管理；构建了针对多种应用场景的海洋通用人工智能模型，结合多源数据与海洋知识，实现关键海洋动力过程和生态系统的多尺度智能预报，满足海洋环境预报保障需求，推动了海洋大模型在多领域的应用与发展，进一步提升对海洋灾害等复杂海洋现象的预报能力，为海洋环境安全保障、海洋大数据管理、海洋资源开发、军事国防保障等提供大模型支撑。