海平面在短时间内可能因多种因素出现波动，包括大气压力变化以及风暴引发的水体堆积。这类短期变化可能造成沿海社区洪涝风险上升，并对海事行业运行带来影响。提高短期海平面变化的预测精度、为相关区域提供更充足的预警时间，被认为是降低影响的重要环节。

用于刻画短期海平面变化的关键指标之一是海平面异常（SLA）。SLA反映绝对地转流异常，即近期海洋表层流相对长期平均状态的偏离程度。该指标主要来源于卫星高度测量观测，可在全球范围内提供海面高度变化的精确测量。

目前，数值模型仍是短期SLA预测的主要工具。通过结合卫星高度测量等观测信息，数值模型能够提供相对及时的预测结果。不过，相关模型在实际应用中仍面临持续偏差与计算成本较高等问题，促使研究人员探索新的模拟与预测路径，以支持海平面短期及中期变化的预报需求。

在此背景下，人工智能在数据驱动预测中的应用受到关注。相关大型人工智能模型在10天预测期内已表现出优于部分先进数值模型的能力。但全球海洋预报系统（GOFSs）通常面向全球尺度设计，在区域化应用时可能需要较高计算资源。因此，研究人员提出需要一种结合区域优化训练方案与观测数据的SLA预测模型。

中山大学、浙江海洋规划设计研究院和釜山国立大学的研究人员围绕北太平洋海平面预测开展研究，目标是在不增加人工智能模型结构复杂度的情况下提升预测准确性。相关成果于1月23日发表于《Ocean-Land-Atmosphere Research》（OLAR）。

论文第一作者、中山大学珠海校区海洋科学学院研究生何江南表示，研究重点在于通过优化训练策略实现高精度的短期和中期海平面异常预测，而非单纯增加模型复杂度。

研究团队将改进重点放在训练过程，以减轻时间积分预测中误差累积及模型固有局限性带来的影响。同时，团队将预测对象从SLA绝对值调整为SLA的日变化，以期提升预测表现。

论文通讯作者、中山大学海洋科学学院副教授陆文芳表示，团队提出两种训练策略并据此构建新的预测模型，预测准确度显著优于现有方法，且相关策略可推广至其他基于人工智能的预测任务。

据介绍，该SLA预测模型以Earthformer为基础，结合高度测量数据并针对北太平洋进行定制，采用可并行处理信息的深度学习框架。在训练策略上，团队进行了两方面优化：其一，将预测目标改为SLA的时间趋势，以表征SLA缓慢的长期变化；其二，针对训练与实际预测之间的差距，模型训练阶段仅学习预测下一天数据，并通过滚动与多步训练实现更长时间跨度的预测。

研究结果显示，团队训练的多步Earthformer模型在预测准确度上优于持续预测法（假设未来条件与当前或过去观测相同的简化方法）以及当前最先进的数值模型GLO12v4。研究还指出，用于训练多步Earthformer模型的策略可应用于其他人工智能模型，或有助于提升更多地球科学预测任务的表现。

在后续计划方面，研究团队表示将把模型应用与训练优化扩展至其他区域与学科。何江南称，下一步将研究区域扩展至全球海洋，并开发面向不同海洋区域的训练策略，最终目标是进一步优化相关方法，构建可靠的基于人工智能的全球海平面预测系统，以支持海洋监测与实际应用。

参与本项研究的人员还包括：浙江水利水电科学研究院（浙江海洋规划设计研究院）杭州分院刘勇，中山大学珠海校区海洋科学学院杨光宇，韩国釜山国立大学海洋学系及海洋研究所赵永贤，以及中山大学珠海校区海洋科学学院、广东南方海洋科学与工程广东实验室（珠海）及广州中山大学工业产品环境适应性国家重点实验室赖志刚。