2026-08-03 · 第 1 篇
我为什么要做「海洋 AI 数据」
今天定下了方向：用科普+行业观察切入，边学边输出。下一步是建立信息源（NOAA、Copernicus Marine、国家海洋信息中心）。
我是这块领域的小白，正在用「边学边写」的方式深耕海洋人工智能与数据。 这里的每一篇笔记，都是我弄懂一个概念的痕迹。
看看我学到了什么 →为什么存在，以及你会在这里看到什么。
从零开始系统学习海洋 AI 与数据：遥感、渔业、航运、环保……把学到的东西用大白话讲清楚。
概念科普、行业动态解读、好用的数据集与工具、以及一个小白真实的成长轨迹。
公开输出逼自己学扎实，也方便遇到同好和前辈。欢迎指正、欢迎一起学。
每周至少 1 篇。下面是已发布的笔记，复制一个 .note 块就能新增。
今天定下了方向：用科普+行业观察切入，边学边输出。下一步是建立信息源（NOAA、Copernicus Marine、国家海洋信息中心）。
——打开海洋的"天眼"
海洋遥感（Ocean Remote Sensing），顾名思义，就是利用遥感技术对海洋进行观测和研究的一门科学。它是指搭载在卫星、飞机、无人机等平台上的传感器，在不直接接触海面的情况下，通过接收和测量海洋表面辐射或反射的电磁波信号，来获取海洋各种物理、化学和生物参数信息的技术。
简单来说，海洋遥感就是给地球装上了"天眼"，让我们能够站在太空看海洋。
遥感的基本原理源于电磁波理论：不同的海洋要素（如海水温度、盐度、叶绿素浓度、海面高度等）会对特定波长的电磁波产生独特的辐射或反射特征。传感器捕捉这些信号后，经过数据处理和分析，就能反演出我们需要的海洋参数。
海洋遥感技术根据所使用的电磁波波段，主要分为以下几大类：
微波遥感是海洋遥感中最重要的技术手段，具有全天候、全天时的观测能力，不受云雨影响。
我国在海洋遥感领域已形成较为完善的卫星体系：海洋一号（HY-1）专注水色、海洋二号（HY-2）专注动力环境、海洋三号（HY-3）专注微波成像，实现了对海洋的多维度、立体化观测。
海洋遥感的应用领域极为广泛，几乎涵盖了海洋科学研究和海洋经济活动的方方面面：
随着人工智能和大数据技术的发展，海洋遥感正在经历一场深刻的智能化变革：
传统遥感反演依赖物理模型和统计方法。深度学习模型（如CNN、Transformer）可以从海量卫星数据中自动学习复杂特征，显著提升海洋参数反演的精度和效率。例如，利用神经网络从多源遥感数据融合中更精确地估算叶绿素浓度。
AI技术可以将卫星遥感数据与浮标、潜标、模式预报等多源数据进行智能融合，构建更精准的海洋环境场，为数值预报提供高质量的初始场。
利用长短期记忆网络（LSTM）等时序模型，结合历史遥感数据，实现对海表温度、海平面高度等要素的短期预测。
针对遥感数据量巨大的特点，AI可用于智能压缩和高效率重建，降低存储和传输成本。
这正是"海洋AI数据"致力于探索的方向——用人工智能释放海洋遥感数据的深层价值，让卫星获取的每一比特数据都能为认识海洋、经略海洋提供智慧支撑。
海洋遥感是20世纪最伟大的地球观测技术之一，它让我们第一次能够真正地"看见"全球海洋。从1978年美国Seasat卫星开启卫星海洋学时代，到今天中国拥有自主可控的海洋卫星星座，海洋遥感技术已经深刻改变了人类认识海洋的方式。
未来，随着更高分辨率的传感器、更智能的数据处理算法和更强大的计算能力的不断涌现，海洋遥感将与人工智能深度融合，在数字孪生海洋、智慧海洋预报、海洋碳汇核算等前沿领域发挥越来越重要的作用。
海洋遥感，不仅仅是科学家的工具，更是连接人类与海洋的数字桥梁。
——当"蓝色疆域"遇见"智能算法"
海洋覆盖了地球 71% 的表面积，却仍是人类了解最少的一片疆域。从古至今，人类对海洋的认知始终受限于观测手段——我们依靠浮标、卫星、声呐、科考船，一点一滴地拼凑着这片深蓝的全貌。而今天，人工智能（AI）正在重新定义这场探索的方式。
但 AI 与海洋数据的关系，远不止是"用算法处理数据"这么简单。它更像是一场双向奔赴：海洋数据为 AI 提供了极其丰富且极具挑战性的训练场，而 AI 则为海洋科学赋予了前所未有的洞察力和行动力。
要理解 AI 的价值，先要理解海洋数据本身有多"难搞"。
一颗海洋观测卫星每天产生的数据可达数 TB；全球数千个 Argo 浮标在过去二十年累积了超过 200 万条温度、盐度剖面。传统的统计方法和人工分析早已力不从心。
海洋数据来自卫星遥感、现场观测、数值模拟、船舶 AIS、水下滑翔机、海底传感器……时间分辨率从毫秒到年际，空间分辨率从厘米到千公里，格式更是五花八门。
海洋现象的时间尺度跨越潮汐（小时）到气候变化（百年），空间尺度跨越涡旋（公里）到洋流（全球）。单一模型很难同时捕捉这些跨尺度的动力学过程。
陆地观测站密集，而深海、远海的数据极为稀疏。这种空间不均匀性使得传统插值和外推方法误差巨大。
正是在这些"痛点"上，AI 展现出了独特的优势。
AI，尤其是深度学习，可以无缝融合多源异构数据。
将卫星遥感图像、Argo 浮标剖面、数值模式输出同时输入神经网络，让模型自己学习不同数据源之间的关联和权重。
利用生成对抗网络（GAN）或扩散模型，对稀疏观测区域进行高分辨率重构，把"数据荒漠"变成可用的信息地图。
传统海洋数值模式（如 HYCOM、ROMS）基于物理方程，计算成本极高，且对初始条件极其敏感。AI 提供了另一种路径：
用神经网络学习数值模式的输入-输出映射，在保持精度的同时，将预报速度提升数百倍。
直接从历史观测数据中学习海洋变量（如海表温度、叶绿素浓度）的演化规律，实现短期（几天到几周）的高精度预报。
AI 在识别台风、风暴潮、赤潮等极端事件的早期信号方面，已展现出超越传统阈值方法的灵敏度。
AI 正在改变"怎么采数据"：
水下滑翔机搭载 AI 算法，可以实时判断哪片海域的信息增益最大，自动调整航行路径，实现"哪里有趣去哪里"。
在浮标或海底观测站本地运行轻量级 AI 模型，只把"重要事件"传回岸基，大幅降低通信带宽和能耗。
水下机器人拍摄的影像，通过计算机视觉自动识别鱼群、珊瑚、微塑料，甚至发现新物种。
这是目前最前沿的方向。科学家不再满足于纯数据驱动的"黑箱"模型，而是将物理定律（如纳维-斯托克斯方程、热力学守恒）嵌入神经网络：
让网络在拟合数据的同时，也必须满足物理方程的约束。
让模型告诉我们，"它认为台风会转向，是因为注意到了哪个海温异常区"，从而反哺海洋科学认知。
很多人忽略了一个事实：海洋数据是检验和推动 AI 技术本身的绝佳试验场。
海洋变量的预测难度（高度非线性、多尺度耦合）远超许多传统 AI 基准测试。能在海洋领域做好预测的方法，往往能迁移到气象、能源、金融等时序预测场景。
海洋科学正在经历从"假设-验证"到"数据驱动发现"的转型。AI 帮助科学家发现了此前未知的海洋环流模式和中尺度涡旋规律。
全球海洋数字孪生（如欧盟的 Destination Earth）需要 AI 在实时数据同化、不确定性量化、交互式模拟等方面全面突破，这反过来推动了 AI 基础算法的进步。
| 领域 | AI + 海洋数据的应用 |
|---|---|
| 智慧渔业 | 通过海表温度、叶绿素、海流数据，AI 预测鱼类聚集区，优化捕捞路线，减少燃油消耗和过度捕捞。 |
| 海洋航运 | 结合气象-海洋预报与 AIS 数据，AI 为商船规划最优航线，避开恶劣天气，节省 5%-15% 燃料。 |
| 海上风电 | AI 分析海洋环境数据，优化风机选址、预测极端海况对结构的疲劳损伤。 |
| 海洋生态 | 通过卫星遥感 + AI 监测珊瑚白化、海草床退化、溢油扩散，实现大尺度的生态健康评估。 |
| 防灾减灾 | AI 融合多源数据，提前数小时至数天预警风暴潮、海浪、海啸，为沿海社区争取宝贵时间。 |
| 蓝碳核算 | AI 模型从遥感数据中估算海草床、红树林的碳储量，助力海洋碳汇交易和气候政策。 |
尽管前景广阔，AI 与海洋数据的结合仍面临诸多挑战：
数据质量与标注：海洋观测数据往往带有传感器误差、采样偏差，高质量的标注数据集仍然稀缺。
泛化能力：在一个海域训练好的模型，到了另一个海域可能完全失效——海洋的区域异质性比陆地更强。
可解释性与可信度：海洋科学界对"黑箱"模型仍有戒心，AI 预测需要附带不确定性估计，才能被决策者采纳。
算力与基础设施：训练全球尺度的海洋 AI 模型需要巨大的计算资源，这对许多机构仍是门槛。
跨学科鸿沟：海洋科学家和 AI 工程师说着不同的"语言"，真正的突破需要深度的协作，而不是简单的"拿数据套模型"。
AI 与海洋数据的关系，本质上是一种认知工具的升级。它不是要替代海洋科学数百年积累的物理直觉和领域知识，而是要成为科学家的"超级助手"——帮我们从海量噪声中提取信号，从复杂关联中发现因果，从局部观测中推演全局。
对于"海洋 AI 数据"这个交叉领域而言，核心价值也正在于此：让 AI 成为连接海洋数据与海洋洞察的桥梁。无论是为科研人员提供智能分析工具，还是为产业用户打造决策支持系统，我们都在参与一场关于"如何更好地理解我们的蓝色星球"的深刻变革。
—— 从 Google 一篇《Nature》说起
最近一直在琢磨"AI 到底怎么用在海洋和天气上"。前两天刷到一条大新闻：Google DeepMind 在 2026 年 8 月 6 日的《Nature》上发表了一个叫 WeatherNext 的模型，说在台风/飓风预报上拿到了"提前一整天"的精度提升。我顺着这条线，找了些资料恶补了一圈，发现这事儿比我想的有意思，也更和"海洋 AI 数据"沾边——所以记一篇。
传统做法是靠数值天气预报（NWP），用超算解流体力学方程。物理基础扎实，但贵、慢，遇到极端情况还容易翻车。拆开看，台风预报其实有三道关：
DeepMind 这篇的核心突破是：一个模型同时搞定路径、强度和风场结构，而且只用 28×28 公里这种"粗"数据（比传统精细模式粗 100 倍）就能把强度报准，直接挑战了"高精度必须高分辨率"的老认知。它用一种叫 FGN 的方法一次生成 1000 个预报成员，把"快速增强"这种小概率但要命的情况也兜住了。最关键是——已经开源，而且在 2025 年飓风季里帮美国飓风中心提前预警了飓风 Melissa 的快速增强。论文说这相当于"十年的气象学进步"。
华为的盘古气象大模型是首个精度超过传统数值预报的 AI 模型；复旦的伏羲、上海 AI 实验室的风乌也各有绝活。2026 年初，中国气象局还体系化部署了"风"系列五大模型（风清、风雷、风顺、风和、风源），分工协作，部分已经业务化。据公开报道，我国西北太平洋台风 24 小时路径误差已经做到比美日还小。
也不是谁取代谁。像 AI-TRANS 这种系统，让 AI 先给大尺度环流背景场"定调"，再让传统高分辨率区域模式精雕局部演变，在台风个例里把路径误差压到了几十公里级。这条路我觉得很务实。
风暴潮是台风把海水"堆"到岸上造成的增水，受路径、风、地形、潮汐一起非线性耦合，传统流体模拟一次要几千个 CPU 小时。AI 在这儿的打法主要两种：
几点体会：AI 不是来"取代"数值模式的，而是补齐它算得慢、算得贵的短板，俩是互补双驱。但坑也不少——极端事件样本太少、纯数据模型可能不守物理规律（比如质量守恒）、"黑箱"让预报员不敢全信。所以现在前沿都在搞"物理信息约束""AI+模式深度融合"。
回头看我这个站的主题——"海洋 AI 数据"，台风和风暴潮就是最直观的样板：数据又多又杂（卫星、浮标、雷达、数值模式），恰好是 AI 最擅长啃的硬骨头。这片"蓝色疆域"，确实值得继续深挖。
—— 摸清数据到底从哪来，是"深耕"的第一步
海洋数据的"全家福"，是指对海洋系统全要素、全时空尺度、全技术手段所产生数据的系统性全景视图。它既是海洋数据资产的清单，也是海洋数据治理体系的设计蓝图。
构建"全家福"的核心价值在于：打破学科壁垒与平台壁垒，使分散在物理、化学、生物、地质、气象及社会经济体中的海洋数据实现可发现、可互操作、可复用（FAIR 原则），从而支撑海洋科学研究、蓝色经济发展与海洋综合治理。
海洋数据可从三个相互正交的维度刻画：
| 平台 | 典型装备 | 代表数据 |
|---|---|---|
| 天基 | 海洋卫星星座（Jason 系列、Sentinel、HY-1/2/3 系列） | 高度、水色、SST、海风 |
| 空基 | 有人机、无人机 | 高光谱、近岸精细化观测 |
| 岸基/海基 | 岸站、浮标、潜标、Argo 剖面浮标、水下滑翔机 | 剖面温盐、海流、波浪 |
| 船基 | 科考船走航 CTD、ADCP、采水与生物采样 | 断面、同步综合观测 |
| 海底 | 海底观测网（ONC、ESONET、中国海底观测网） | 长期原位、实时连续观测 |
海洋数据的"全家福"不仅是一份技术清单，更是海洋数字治理能力的集中体现。唯有在标准统一、质控严谨、共享开放三位一体的基础上构建全景数据体系，才能充分释放海洋数据在科学发现、蓝色经济增长与全球海洋治理中的价值。
—— 从一套叫"海鹰 AI"的系统说起
第 5 篇我盘点了"海洋数据全家福"，其中"社会经济数据"这一支点到了渔业捕捞。这篇就戳这个口子：那些卫星、浮标、数值模式出来的数据，到底怎么真正落到渔民的船上和鱼塘里？顺便把第 3 篇表格里"智慧渔业"那一行（当时只有一句话）展开讲透。
先说底层逻辑——鱼群的分布，跟海表温度（SST）、叶绿素 a、海面高度异常（SLA）、海流强相关。哪里有上升流、哪里饵料多，鱼就往哪聚。所以只要把这些海洋环境变量喂给模型，它就能"猜"出鱼在哪。这正好是第 2 篇遥感、第 5 篇"全家福"里那些数据在养鱼人手里变现的例子。
这是中水集团远洋股份和上海海洋大学在 2024 年 4 月联合发布的我国首套金枪鱼智慧渔情预报系统。它用了长达 70 年的金枪鱼渔业数据 + 全球海洋环境数据，能实时给出气压、风场、海浪、海温、盐度、海面高度、流场、溶解氧、叶绿素、浮游生物、初级生产力等20 多种生境要素，再结合金枪鱼的生物学和渔场学知识，用深度学习做出"中心渔场预报"和"中长期资源量预测"。效果很实：2023 年在大西洋船队测试，单船捕捞量提高了 13.8%，现在已经装到中水集团所有金枪鱼渔船上。
同一个团队（上海海洋大学陈新军团队 + 中水集团）2025 年 11 月又上线了"苍鹭"AI 鱿鱼渔情预报系统，融合海洋遥感、地理信息、人工智能与大数据，能给全球大洋性鱿鱼作业海域提供未来 5 天的精准渔场预测，还有下一年度的资源丰度预报，预报准确率超过 85%。最夸张的一个数字：北太平洋西经海域的捕捞作业时间，从原来 7 月底就得转移，延长到了 11 月；截至 2025 年 10 月底，单船产量提高了 48%（历史约 330 吨 → 现在约 500 吨）。
其实这条路早就在走：上海远洋渔业 2014 年装船的"大洋性渔业海况信息与决策系统"，中心渔场预报精度就达到了 70%，节约燃油 8%、产量提高 10%——"苍鹭""海鹰"算是它的升级版。学界也没闲着：有研究用随机森林融合 SST、盐度、叶绿素、流场预测印度洋金枪鱼渔区，测试精度到 97%；上海海洋大学用深度学习模型做南太平洋长鳍金枪鱼中心渔场预测，召回率 90.3%。说明这事儿不是吹，是真有人在硬啃。
串起来看一条链路：卫星 SST/叶绿素 + Argo 浮标 + 渔船 AIS → 模型（随机森林 / LSTM / 深度学习）→ 在船载端或手机端推一张"渔情一张图"。这正好接回第 3 篇"防灾减灾/渔业"那一行——原来那行字背后，是这么一套东西。
找鱼是"往哪开"，养鱼是"怎么养"。传统养殖靠人天天看水看鱼，病了才发现就晚了，投喂全靠估算，饲料浪费严重。AI 进来后，技术栈大概是：水质多参数传感器（溶氧 / pH / 氨氮）+ AI 图像识别（看鱼群行为、量鱼体尺寸）+ 智能投喂 / 增氧。
真实案例（都是公开报道，不是我编的）：
两点体会：第一，AI 不是来取代老船长、老养殖户的，而是补齐"算得快、看得全"的短板——老船长的经验是"特征工程"，AI 是放大器和记忆体，俩是互补。第二，坑也不少：偏远海域数据稀疏、模型换个海域可能就失灵（呼应第 3 篇"泛化能力"）、小渔民用不起、而且效率太高反而可能伤资源（得靠配额管理兜底）。这和第 5 篇说的"开放与主权平衡"、第 3 篇列的"挑战"是一脉相承的。
回头看我这个站的主题——"海洋 AI 数据"，智慧渔业大概是离普通人最近、也最容易看到真金白银的一个落点：鱼在哪、该怎么养，本质都是把海洋数据变成可执行的决策。
我正在收集并验证的海洋 AI 数据相关资源，持续更新。
留个邮箱，更新时收到通知（接邮箱服务前先用表单占位）。
或直接在站点评论 / 社群里找我交流。