利用微地震测量和机器学习方法重建海浪数据
内容提要
该文综述机器学习在海洋波浪与海平面预测中的应用，包括：利用物理波浪模型生成数据训练U-Net和Fourier神经算子重建雷达波浪场；结合神经网络与符号回归发现巨浪模型；用物理信息神经网络由水下监测数据重建海面高度；用变分同化与深度学习恢复风速；由船舶运动谱估计波高周期；用卫星测高与气候模型训练全连接网络预测海平面上升，并验证分区建模效果。
延伸解读
物理模型与机器学习结合的关键路径
文章展示了多种将物理模型与机器学习结合的方法：用物理波浪模型生成合成数据训练U-Net和Fourier神经算子，以重建雷达波浪场；用物理信息神经网络从水下监测数据反演海面高度；用变分同化与深度学习恢复风速。这些方法的共同点是利用物理模型提供先验或生成训练数据，弥补观测稀疏或计算成本高的问题，而非完全依赖纯数据驱动。
从黑箱到可解释：符号回归的价值
在巨浪建模案例中，作者先用浮标数据训练神经网络，再通过符号回归将黑箱模型转化为数学方程，并在现有波浪理论框架下解释。这种做法兼顾预测性能与因果不变性，使模型不仅能拟合数据，还能生成可校准的概率并在未见数据上取得更好准确性。对于罕见巨浪这类样本稀少的事件，可解释性有助于验证模型是否捕捉到物理机制。
海平面预测中的分区建模策略
海平面预测部分采用全连接神经网络融合卫星测高与气候模型模拟，以30年为期限进行2度分辨率预测，并评估不确定性。文章特别比较了两种空间分割策略，发现将数据集分段成有意义的聚类并为每个区域学习独立模型，能改进预测能力。这提示在空间异质性强的海洋问题中，分区建模可能比全局单一模型更有效，但分割方式的选择会影响结果。
应用场景多样但数据依赖明显
综述涵盖雷达波浪重建、巨浪发现、水下监测反演、风速恢复、船舶运动估计波高周期以及海平面预测等多个场景，方法包括U-Net、Fourier神经算子、物理信息神经网络、变分同化和符号回归等。这些应用多依赖高质量的训练数据或物理模拟数据，且部分方法（如船舶运动谱估计）仍处于方法验证阶段。读者需注意不同场景的数据条件和验证范围差异较大。
Q&A
如何利用机器学习从雷达数据中重建高精度的波浪场？
该研究使用物理波浪模型生成合成训练数据，采用U-Net和Fourier神经算子（FNO）架构，利用时空雷达数据进行训练。FNO在傅里叶空间中全局学习输入与输出的映射，表现更佳，能准确重建相位分辨的波浪条件，并对不同海况有良好泛化能力。
怎样用机器学习发现和预测海洋中的罕见巨浪？
通过因果分析、深度学习和符号回归，基于大量浮标观测数据训练人工神经网络，再将黑盒模型转化为数学方程，在现有波浪理论框架下解释。该模型能重现已知行为、生成良好校准的概率，并在未见数据上提高预测准确性。
物理信息神经网络如何用于从水下监测数据重建海面高度？
该研究提出在水下安装少量监测仪器，利用物理信息神经网络（PINN）通过测量数据重建表面高度的时空范围，解决了常规数值方法难以处理的数据同化问题，并成功应用于确定性波浪预测方法的改进。
如何利用船舶运动数据估计海浪的波高和周期？
使用神经网络对船舶作为波浪浮标类比法的海浪状态进行建模，利用船舶运动响应的谱数据，可以高精度地估计明显波高和平均波周期，是一种有应用前景的海浪状态评估方法。
机器学习如何预测未来全球海平面上升趋势？
结合卫星测高观测和气候模型模拟数据，利用全连接神经网络（FCNN）进行非线性融合，预测测高仪数值（1993-2019年），再将学习到的FCNN应用于未来气候模型预测，以30年为期限进行2度分辨率的海平面上升预测，并提供不确定性评估。
在预测海平面时，对空间数据进行分区建模有什么好处？
将空间数据集分段成有意义的聚类，并为每个分割区域学习独立的机器学习模型，有助于改进模型的预测能力，研究比较了两种分割策略的结果，验证了分区建模的有效性。
