近日，南京信息工程大学海洋科学学院董昌明教授团队在人工智能预报中加入因果分析，并应用于海浪预报中取得新进展，相关成果以“An interpretable significant wave height forecasting model using a causal AI framework with error correction”为题，发表于海洋工程类顶刊《Ocean Engineering》。论文第一作者为2023级硕士研究生谢明深，通讯作者为孙文金副教授，合作作者包括我院董昌明教授和武汉纺织大学韩莹教授。

有效浪高的准确预报对海洋灾害预警至关重要。然而，现有的人工智能方法往往缺少对领域先验知识的融合，限制了预测的准确性和可靠性。为克服这一局限，本研究提出了一种用于有效波高预报的因果序列到序列模型，并结合极端梯度提升模型以订正其预报误差（图1）。该因果序列到序列架构通过因果结构与因果加权单元，引入了基于PCMCI因果推断所得的因果知识，从而能够同时捕捉时间依赖性与因果关系。此外，本研究分别采用贝叶斯优化与三折随机搜索交叉验证对预报模型和误差订正模型的超参数进行优化。相较于长短期记忆网络基准模型，融合因果序列到序列与极端梯度提升的集成模型在1至24小时的预报时效内均实现了显著的均方根误差改进（图2）。具体而言，在妈祖浮标站的均方根误差提升了1.08%–18.68%，在花莲浮标站提升了1.34%–4.85%。这些结果表明，在时间序列预报框架中引入因果机制与误差订正机制，能够显著增强预测能力。

该研究的核心创新点在于将PCMCI因果推断方法提取的环境变量间因果关系，与长短期记忆网络的渐进记忆更新机制相结合，并且在预报模型的基础上增加了残差订正模型。通过融合因果推断方法与人工智能模型的优势，不仅增强了人工智能预报的可解释性（图3），也提高了时间序列的预报精度。本研究得到了国家重点研发项目和国家自然科学基金项目的支持。

图1.实验设计的流程图。

图2.在台风“格美”和“康妮”影响期间，1小时预报时效下的预报模型与订正模型时间序列。(a)站点“花莲”（台风“格美”）；(b)站点“妈祖”（台风“格美”）；(c)站点“花莲”（台风“康妮”）；(d)站点“妈祖”（台风“康妮”）。(e)绿色与黄色散点分别代表台风“格美”与“康妮”的路径。

图3.基于SHAP分析的C-Seq2Seq模型输入特征对有效波高预报的贡献。(a)站点“花莲”, (b)站点“妈祖”。

论文信息

Mingshen Xie, Wenjin Sun, Ying Han, Changming Dong,An interpretable significant wave height forecasting model using a causal AI framework with error correction,

Ocean Engineering,Volume 348,2026,124135,ISSN 0029-8018,https://doi.org/10.1016/j.oceaneng.2025.124135

作者简介

谢明深，男，南京信息工程大学硕士研究生，导师为海洋科学学院孙文金副教授。主要研究方向为海洋要素的智能预报。目前已在Ocean Engineering、Journal of Oceanology and Limnology、RemoteSensing、Journal of Marine Science and Engineering等期刊发表4篇学术论文。

孙文金，男，南京信息工程大学海洋科学学院副教授，博士毕业于河海大学物理海洋学专业。主要从事海洋热浪、海洋中尺度涡旋、人工智能海洋学等相关研究。先后主持国家自然科学基金青年基金1项，省部级项目3项，骨干参与科技部重点研发项目2项，基金委重大项目1项；先后在GRL、JGR-Oceans、Deep Sea Research Part I、Part II、Ocean Modelling、OceanEngineering、Acta Oceanologica Sinica等国内外专业期刊发表SCI论文40余篇。