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
林鹏飞研究员在2025 CCF全球高性能计算大会上介绍了其团队研发的CoTCN深度学习模型，该模型结合了Transformer与CNN，显著提高了全球海表面温度短期预报的精度。研究表明，CoTCN在复杂海域的预报误差降低了15-60%，并能在国产算力平台上高效训练，展示了其先进性和重要性。
关键要点
-
林鹏飞研究员在2025 CCF全球高性能计算大会上介绍了CoTCN深度学习模型。
-
CoTCN模型结合了Transformer与CNN，显著提高了全球海表面温度短期预报的精度。
-
研究表明，CoTCN在复杂海域的预报误差降低了15-60%。
-
CoTCN模型在国产算力平台上高效训练，训练效率优于多种主流模型。
-
该模型在预报精度方面表现稳定，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采用双分支并行架构，融合了全局建模能力和局部特征提取优势。
-
林鹏飞研究员在海洋模式研发与应用研究方面有丰富经验，发表了50余篇论文。
延伸解读
CoTCN模型的创新架构
CoTCN模型采用双分支并行架构，结合了Transformer的全局建模能力和CNN的局部特征提取优势。这种设计有效解决了传统模型在复杂海域预报中的局限性，尤其是在涡旋活跃区域，显著降低了预报误差。
国产算力平台的优势
CoTCN模型的训练完全基于国产DCU算力平台，显示了国产技术在高性能计算领域的潜力。与其他主流模型相比，CoTCN在训练效率上表现优异，证明了架构设计的重要性，超越了单纯增加参数量的传统思路。
海洋预报的实际应用
海表温度的准确预报对远洋航运、渔业生态和环境监测至关重要。CoTCN模型的提升不仅有助于科学研究，也为相关行业提供了更可靠的决策支持，尤其是在气候变化日益严峻的背景下。
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，采用双分支并行架构，融合了全局建模能力和局部特征提取优势。
CoTCN模型在海表温度预报中的表现如何？
CoTCN模型在1天预报的均方根误差约为0.2°C，且在复杂海域的预报误差降低了15-60%。
CoTCN模型的训练效率如何？
CoTCN在68M参数规模下仅需5.93小时完成训练，训练效率优于多种主流模型。
CoTCN模型的应用场景有哪些？
该模型可用于海洋环境监测、远洋航运安全和海洋渔业生态等领域的短期温度预报。
林鹏飞研究员在海洋模式研发方面有哪些成就？
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模型与其他主流模型相比有什么优势？
CoTCN在均方根误差、平均绝对误差等评估指标上表现稳定，尤其在复杂海域的预报精度显著优于其他模型。
