1、研究动机

现有的数据驱动海洋预报模型，局限于日分辨率，无法适应海洋变量的多尺度时间动态；垂直覆盖不足（大多≤700m）。

为此，作者构建 FuXi-Ocean ，首个数据驱动的全球海洋预报模型，实现6 小时时间分辨率、1/12° 涡旋分辨率、0-1500m 深度覆盖，解决亚日尺度预报的误差累积与多尺度时间动态建模问题。

2、模型特性

• 时空覆盖能力： 6 小时时间步长（符合业务预报标准）、1/12° 全球网格（2160×4320 像素）、20 个深度层（0-1500m，表层加密以捕捉海气相互作用）。
• 预报变量： 温度（T）、盐度（S）、海流纬向 / 经向分量（U/V）、海面高度（SSH），共 81 个通道（4 个变量 ×20 个深度层 + SSH）。

3、核心贡献

（1）自适应多尺度时间动态建模架构： 针对不同海洋变量的时间演化差异（如海面温度的日周期 vs 深海海流的慢演化），设计自回归架构，无需统一处理所有变量，而是为每个变量和区域自适应学习时间上下文。

（2）Mixture-of-Time（MoT）模块： 通过通道级自适应选择，融合多个时间窗口的预测结果，减轻序列预报中的误差累积。实现机制：

（3）高数据效率设计： 仅使用 9 年训练数据（2006-2014 年 HYCOM 再分析数据），远少于同类模型需求。通过物理约束整合与空间连贯性利用，在有限数据下避免过拟合，实现高性能预报。

4、整体架构

如下图所示，模型的输入是连续 4 个时间步的全球海洋状态数据（对应 $X^{t-3},X^{t-2},X^{t-1},X^t$），每个时间步间隔 6 小时，覆盖 24 小时的历史上下文（用于捕捉日周期、惯性振荡等关键海洋动态）。数入数据维度为CxHxW，其中 C=81通道（4个核心变量X 20个深度层+1个海面高度SSH），H =2160、W =4320 对应 1/12° 全球网格。

图中的 M 为先验信息网络，提取并编码与海洋预测相关的 “时空先验信息”，为后续特征提取提供辅助上下文，帮助模型区分区域特异性模式（如西边界流、季节性混合层）。输入 S 包含时间信息、空间信息。输出$F_s$为融合后的时空上下文特征张量，用于调制后续编码器的权重。

共享编码器E为卷积神经网络，将原始海洋状态（如温度、盐度的原始数值）转化为具有物理意义的低维 latent 特征。卷积参数会和$F_s$融合，让编码器E对不同区域、不同时间的海洋模式更敏感。编码器输出的特征拼接输入到 Prediction Module。

Prediction module 的结构如下图所示，是N个 attention + FFN + AdaLN 的模块，输出 初步的预测特征。AdaLN 是一个核心改进， 让层归一化的 $\gamma$ 和 $\beta$ 由时空先验特征 $F_s$ 动态生成，实现”上下文感知的归一化“。

解码器的输出，经过 Mixture-of-Time（MoT）模块处理，得到预测结果。MoT模块的结构如下图所示。海洋表面变量 存在明显的日周期，需要长时序上下文捕捉昼夜变化规律；海洋深层变量（如 1000m 处的海流）演化缓慢，更依赖近期观测数据捕捉即时流场变化。MoT 模块通过 “变量特异性的时间窗口选择与融合”，解决这个问题。首先计算得到4个预测结果，再计算其与真实值的 MAE 误差，然后进行pooling 和Softmax，得到矩阵 V。如果 $V(c,i)$ 越小，表明第 $c$ 个通道在第 $i$ 个时间窗口的预测越可靠。MoT通过 Top-K 选择最可靠的 K 个时间窗口，再加权生成最终预测。

实验中也发现，对海面温度（需日周期信息），MoT 会选择覆盖 24 小时的长时序窗口。对深层海流（依赖近期观测），MoT 会侧重近期时间窗口，实现 “按需选择上下文”。通过动态选择高可靠性时间窗口，MoT 避免了单一时间上下文的误差传递，使模型在多步自回归预报中（如连续预测多个 6 小时步长），误差增长速率显著低于传统模型。