近日，海洋科学学院物理海洋与数值模拟研究所在利用可解释的机器学习模型预报南海夏季海洋热浪方面取得新进展，相关文章《Forecasting Summer Marine Heatwaves in the South China Sea Using Explainable Machine Learning Models》发表于海洋科学领域权威期刊《Deep Sea Research Part I: Oceanographic Research Papers》。论文第一作者为我院硕士研究生宓朝荣，通讯作者为教师单海霞副教授，合作者包括我院本科生易安、硕士研究生薛静远以及董昌明教授。该成果得到了基金委重大项目子课题《洋际相互作用对西北太平洋海洋热浪的影响及其机理》等课题的支持。

作为一类极端海水温度异常事件，海洋热浪因其对海洋生态系统的严重破坏性影响，近年来已成为物理海洋学领域的研究热点。然而，使用人工智能模型直接预报海洋热浪事件的发生尚未见报道。本研究采用了岭模型和随机森林模型，预报普通和极端MHWs。研究表明，RFC是分类预报中表现最好的模型，与普通MHWs相比，其预报极端MHWs的能力更强（图1）。接着，本文分别用重要性计算方法和SHAP方法分析了预报因子的重要性。重要性计算方法的结果显示，SSTA和IOBW指数在MHWs预报中起核心作用。SSTA对短期（1周内）预测精度起决定性影响，而随着预测时效延长，IOBW和西太副高面积指数的重要性显著提升；在极端热浪事件预测中，SSTA与IOBW共同主导，其贡献度略高于后者。SHAP方法指出，SSTA和IOBW对海洋热浪作正向驱动作用，而风速和IEP指数则呈负贡献。其物理机制涉及印度洋增暖通过激发反Walker环流增强菲律宾反气旋，导致夏季西南季风减弱及南海上升流衰退，同时低风速抑制海水蒸发散热，热带太平洋类拉尼娜模态促使暖水西传，共同促进热浪事件发生（图3）。

本研究采用多种机器学习算法预报南海夏季海表温度异常和海洋热浪，发现随机森林模型在分类预报中表现最优，尤其对极端热浪事件具有更强的预测能力；研究通过特征重要性分析和SHAP算法揭示了SSTA和IOBW指数是最关键的影响因子，为南海海洋热浪预警系统的建立及海洋生态保护提供了重要科学依据。

图1不同提前期分类模型的评估指标。图板（a）和（b）表示普通MHWs的情况，图板（c）和（d）表示极端MHWs的情况。面板（a）和（c）显示的是SEDI指标，面板（b）和（d）显示的是TPR和FPR指标。由于气候态预报作为参考状态，其TPR和FPR在所有提前期均为零。误差条代表预测的不确定性，使用集合的标准偏差计算。

图2.所有提前期下SHAP值最高的10个预报因子的SHAP汇总图。每个点表示该预报因子值大小及对应的SHAP值大小，点的颜色越偏红色表明因子值越大，点位置越靠近右侧表明SHAP值越大，对MHWs发生的贡献度越大。

论文引用：

Mi, C., Yi, A., Xue, J., Dong, C., & Shan, H. (2025). Forecasting Summer Marine Heatwaves in the South China Sea Using Explainable Machine Learning Models.Deep Sea Research Part I: Oceanographic Research Papers, 104457.https://doi.org/10.1016/j.dsr.2025.104457

作者简介：

单海霞，海洋科学学院副教授，中国海洋学会人工智能海洋学专业委员会委员，博士毕业于兰州大学气象学专业。主要从事海气相互作用、区域海洋数值模拟、人工智能海洋学等相关研究。近年来以第一作者和通讯作者发表论文10余篇，主持国家自然基金2项，江苏省自然科学基金1项，作为项目骨干参与国家自然基金重大项目1项、科技部国家重点研发计划项目2项。