在海浪预报技术领域，有效波高时空预测作为海洋工程、航运安全与灾害预警的关键组成部分，一直面临着同时捕捉多尺度动态特征与实现高精度短临预报的双重挑战。随着人工智能、大数据驱动的海洋环境监测需求激增，传统数值模型难以高效处理海量多维感知数据并进行智能推演，单一架构的深度学习方法已无法满足日益复杂的海洋动力学需求。在主流CNN或GCN架构中，CNN受限于感受野难以有效建模全局尺度涌浪传播，而GCN虽能捕捉全局尺度以及非欧式空间关系，却在局部风浪快速响应与时间敏感性上存在明显不足，导致短时高动态海况下基于多维感知数据的智能推演精度显著下降。两者得混合架构虽被视为潜在突破方向，但传统单路径集成方法因缺乏面向多维感知数据智能推演的针对性全局-局部特征融合，面临着尺度适应性瓶颈与极端条件下的鲁棒性挑战。

针对上述挑战，山东省智能感知芯片与系统重点实验室研究团队联合中国电子科技集团公司第22研究所、国防科技大学气象与海洋学院，基于多维感知数据智能推演思想，提出一种新型双路径混合卷积神经网络（DHCNN）。该技术通过地球物理引导的双路径架构，实现全局涌浪动态（GDSTCFE路径，含GGGC图构建与SSTCFE时空相关提取）与局部风浪动态（LDSTCFE路径，含WIGDC风引导网格构建与WSTCFE时空LSTM提取）的自适应融合，并可通过多模块融合（MMF）机制进一步强化多维感知数据智能推演的多尺度表征能力。测试结果表明，该双路径混合模型在EAWPR数据集上24小时RMSE较最优CNN基线（MA-ConvLSTM）降低5.68%，PCC提升0.58%；在NPR数据集上RMSE降低21.31%，兼具高性能与高鲁棒性。基于该模型的极端海况下的有效波高时空预测，实现了全局轮廓与局部细节的高保真重构，显著提升了多维感知数据智能推演的时间保持性与预测精度，为海洋工程安全提供关键技术支撑。

本研究以“Dual-path modeling of global swell and local wave features for short-term significant wave height spatio-temporal forecasting using hybrid convolutional networks”为题发表在Applied Ocean Research期刊上，山东省智能感知芯片实验室朱秀博士生、杨当亚硕士生为共同第一作者，山东省智能感知芯片实验室温琦主任为唯一通讯作者。本研究得到山东省重点研发计划、青岛市关键技术研发及产业化示范项目的资助支持。

论文链接：https://www.sciencedirect.com/science/article/pii/S0141118726000544?via%3

图1基于双路径混合卷积神经网络的有效波高时空预报模型

图2 24小时预报结果可视化对比