海洋三维温盐预测

海洋是地球气候系统的关键组成部分，通过质量和能量的传输与交换，在调节和稳定气候 系统方面发挥着决定性作用。海洋三维温盐的精确预测在气候变化监测、海洋生态保护等领域具有重要意义。过去主要通过物理约束方程模拟海洋的热和动力学过程，以实现海洋的三维预测，但它们依赖于数值动力学和物理模型模拟技术，需要大量的计算资源，在实际应用中面临重大挑战。近年来人工智能技术的快速发展，为实现中层海洋遥感及其过程认知提供了难得的机遇。深度学习模型被引入海洋科学领域，展现了数据驱动方法的巨大优势。

海洋三维温盐的精确预测在气候变化监测、海洋生态保护等领域具有重要意义。然而由于海洋系统的复杂性，现有的传统数值模拟方法难以在效率与精度之间取得平衡。因此OceanNNEval构建了针对海洋三维温盐预测AI算法的全面评测方法，其核心目标是评估经典神经网络模型（如FNN、LSTM）以及海洋领域应用中表现优异的模型（如UNET、Earthformer等），共计6种AI算法在海洋三维温盐预测任务中的表现。OceanNNEval通过构建科学评测基准，为不同算法在海洋任务中的公平比较和优化提供了可靠支持，并为研究者提供创新模型和性能评估的统一平台。

OceanNNEval关注多个全球重点海域，包括高变异性的墨西哥湾（23°N-50°N, 30°W-80°W）、具有重要的气候调节功能的太平洋区域（140°E-110°W, 30°S-50°N）以及印度洋区域（25°E-120°E, 35°S-30°N）。为确保评测的科学性和数据的可靠性，OceanNNEval选取了多个关键遥感数据变量（显著波高 SWH、海面高度 SSH、海表温度 SST、海平面风速 UWND VWND、海表盐度 SSS、绝对动态地形 ADT）作为输入变量，并将高精度数值模拟数据（CORA 数据）作为标签。这些数据均来源于哥白尼海洋服务中心等权威平台，确保了评估数据的高可信度和广泛适用性。

OceanNNEval基于构建的挑战数据集，从多维度评估AI模型的性能，引入了常用的回归指标包括均方误差（MSE）、归一化均方误差（NRMSE）及拟合指标决定系数（R²），此外还测试了每个模型训练一个epoch的平均时间来检验AI模型的性能。