近日，厦门大学海洋与地球学院、海洋生物地球化学全国重点实验室薛惠洁教授团队在海洋环流与人工智能交叉领域取得重要突破。团队创新性地将深度学习与观测系统模拟实验（Observing System Simulation Experiments）相结合，系统揭示了印尼贯穿流（Indonesian Throughflow）的关键动力学特征，并指出马鲁古海峡（Maluku Strait）在该洋流系统变化中的核心调控作用。

该成果以“Deep Learning Models and Observing System Simulation Experiments of the Indonesian Throughflow”为题，发表于Journal of Geophysical Research: Machine Learning and Computation，并被选为AGU期刊Eos研究亮点，受到学术界广泛关注。

研究背景

印尼贯穿流是连接太平洋与印度洋的唯一低纬度通道，其热量与淡水输送对全球海洋环流、温盐分布及气候系统具有深远影响。然而，受复杂海底地形及观测手段限制，该洋流系统的全面监测一直面临挑战。为此，研究团队构建了一种融合卷积神经网络（CNN）与循环神经网络（RNN）的深度学习模型，利用海表高度数据和环流数值模拟结果，成功训练了模型以预报各海峡洋流的通量。

研究结果

研究结果表明，海表面高度能够有效预测部分浅水海峡的流量变化，而马鲁古海峡的动力特征则显示出对提升深水海峡流量预报的关键作用，应作为未来监测布设的优先区域。研究进一步表明，若在模型中纳入哈马黑拉海（Halmahera Sea）等其他关键通道的观测数据，可进一步提升对系统整体的预报能力。该方法相比传统基于动力数值模拟的观测系统模拟实验，大幅降低了计算成本，为难以直接观测的海洋过程研究提供了高效、可靠的新途径。

图1. 太平洋和北印度洋模型（蓝线）与原始深度学习模型（橙线）以及单通道（马鲁古）观测系统模拟实验模型（深紫线）在通道6（帝汶）和通道7（翁拜）的输运量（Sv）对比。正值表示向东和向北输运。

表1. 观测系统模拟实验中加入单/双海峡输运信息后机器学习模型的均方误差MSE

该工作不仅深化了对印尼贯穿流动力机制的科学认知，也为人工智能在海洋环流预报、观测系统优化等领域的应用提供了重要范式。团队将继续推进人工智能与海洋动力学的融合研究，为我国在全球海洋与气候预报领域的前沿探索提供科技支撑。

研究团队及资助

该论文第一作者为厦门大学2022级硕士生王子濠，通讯作者为薛惠洁教授，共同作者为博士后王渊。该研究获得国家自然科学基金（42330401，42206009）中科院战略性先导专项（B类，XDB42000000）和海洋生物地球化学全国重点实验室优秀博士后等项目的联合资助。

论文来源及链接

Wang, Z, Wang, Y, Xue, H (2025). Deep Learning Models and Observing System Simulation Experiments of the Indonesian Throughflow. Journal of Geophysical Research: Machine Learning and Computation. doi：10.1029/2025JH000808

https://doi.org/10.1029/2025JH000808

供稿：薛惠洁教授团队

编辑：朱佳 苏颖

审核：白晓林 吕柯伟