大气所研发 CoTCN 模型显著提升全球海表温度预报精度, 1 天 SST 预报误差仅 0.2°C
内容提要
中国科学院大气物理研究所的林鹏飞团队在2025 CCF全球高性能计算大会上发布了CoTCN深度学习模型，该模型结合了Transformer与CNN，显著提升了全球海表面温度的短期预报精度，尤其在涡旋活跃区误差降低了15-60%。该模型在国产DCU平台上训练，展现出优越的训练效率和预报性能。
关键要点
-
中国科学院大气物理研究所林鹏飞团队在2025 CCF全球高性能计算大会上发布了CoTCN深度学习模型。
-
CoTCN模型结合了Transformer与CNN，显著提升了全球海表面温度的短期预报精度。
-
在涡旋活跃区，CoTCN模型的误差降低了15-60%。
-
CoTCN采用双分支并行架构，融合了Transformer的全局建模能力和CNN的局部特征提取优势。
-
模型在国产DCU平台上训练，展现出优越的训练效率和预报性能。
-
CoTCN在预报精度方面表现优异，1天预报均方根误差约为0.2°C，10天预报相关系数保持在0.8以上。
-
CoTCN在复杂海域的表现尤为突出，尤其是在黑潮和墨西哥湾流等涡旋活跃区域。
-
该研究完全基于国产DCU进行训练和验证，训练效率高于多种主流模型。
-
林鹏飞研究员在海洋模式研发与应用研究方面有显著贡献，发表了50余篇论文。
延伸问答
CoTCN模型的主要创新点是什么？
CoTCN模型结合了Transformer与CNN的优势，采用双分支并行架构，提升了全球海表面温度的短期预报精度。
CoTCN模型在海表温度预报中的表现如何？
CoTCN模型的1天预报均方根误差约为0.2°C，10天预报相关系数保持在0.8以上，尤其在涡旋活跃区表现优异。
CoTCN模型的训练效率如何？
CoTCN在32张DCU上训练，68M参数规模下仅需5.93小时完成训练，效率高于多种主流模型。
CoTCN模型在复杂海域的表现如何？
在黑潮和墨西哥湾流等涡旋活跃区域，CoTCN模型的预报误差降低了15-60%。
林鹏飞研究员在海洋模式研发方面有哪些贡献？
林鹏飞研究员研发了国产全球海洋环流模式LICOM，并在相关领域发表了50余篇论文。
CoTCN模型的架构设计有什么优势？
CoTCN模型通过融合全局建模能力和局部特征提取，能够自适应判断在不同海域和尺度下的建模需求。
