SSTODE: Ocean-Atmosphere Physics-Informed Neural ODEs for Sea Surface Temperature Prediction

📄 arXiv: 2511.05629v1 📥 PDF

作者: Zheng Jiang, Wei Wang, Gaowei Zhang, Yi Wang

分类: cs.LG, cs.AI, physics.ao-ph

发布日期: 2025-11-07

备注: To be published in the Proceedings of AAAI-AISI 2026

💡 一句话要点

SSTODE：基于海洋-大气物理信息的神经ODE，用于海面温度预测

🎯 匹配领域: 支柱八：物理动画 (Physics-based Animation)

关键词: 海面温度预测 神经常微分方程 物理信息神经网络 海洋大气相互作用 流体输运 能量交换积分器

📋 核心要点

  1. 现有数据驱动的SST预测模型缺乏可解释性，且忽略了关键的海洋-大气物理过程。
  2. SSTODE通过结合流体输运原理和能量交换积分器，构建物理信息神经ODE框架，显式建模海洋动力学和外部驱动因素。
  3. 实验表明，SSTODE在全局和区域SST预测中达到SOTA，并能可视化平流、扩散和昼夜循环对SST的影响。

📝 摘要（中文）

海面温度（SST）对于理解上层海洋热力学和海洋-大气相互作用至关重要，这些相互作用具有深远的经济和社会影响。虽然数据驱动模型在SST预测中显示出前景，但它们的黑盒特性通常限制了解释性，并忽略了关键的物理过程。最近，物理信息神经网络越来越受欢迎，但由于1）对海水运动（例如，沿海上升流）的表征不足和2）外部SST驱动因素（例如，湍流热通量）的整合不足，它们在复杂的海洋-大气动力学中表现不佳。为了应对这些挑战，我们提出了SSTODE，一个用于SST预测的物理信息神经常微分方程（Neural ODEs）框架。首先，我们从流体输运原理推导出ODE，结合平流和扩散来模拟海洋时空动力学。通过变分优化，我们恢复了一个潜在速度场，该速度场明确地控制了SST的时间动态。在ODE的基础上，我们引入了一个受海洋热量平衡方程启发的能量交换积分器（EEI），以考虑外部强迫因素。因此，这些因素的组成部分的变化提供了对SST动态的更深入的了解。大量的实验表明，SSTODE在全球和区域SST预测基准中实现了最先进的性能。此外，SSTODE在视觉上揭示了平流动力学、热扩散模式和昼夜加热-冷却循环对SST演变的影响。这些发现证明了该模型的可解释性和物理一致性。

🔬 方法详解

问题定义：论文旨在解决海面温度（SST）预测问题。现有数据驱动模型，如传统神经网络，在SST预测中存在黑盒特性，缺乏可解释性，并且忽略了重要的海洋-大气物理过程，导致预测精度受限。物理信息神经网络虽然尝试引入物理知识，但在处理复杂海洋动力学（如上升流）和外部驱动因素（如热通量）时表现不佳。

核心思路：论文的核心思路是将物理信息融入到神经常微分方程（Neural ODEs）框架中，构建一个名为SSTODE的模型。该模型通过从流体输运原理推导ODE，显式地建模海洋中的平流和扩散过程，并利用能量交换积分器（EEI）来考虑外部强迫因素的影响。这样既能利用数据驱动模型的学习能力，又能保证模型具有一定的物理合理性和可解释性。

技术框架：SSTODE的整体框架包括以下几个主要部分：1) 基于流体输运原理构建的ODE，用于描述SST的时空动态；2) 通过变分优化恢复的潜在速度场，用于控制SST的时间演化；3) 受海洋热量平衡方程启发的能量交换积分器（EEI），用于整合外部强迫因素；4) 一个Neural ODE求解器，用于求解SST的演化方程。整个框架通过端到端的方式进行训练。

关键创新：SSTODE的关键创新在于将物理信息显式地融入到Neural ODEs框架中。与传统的黑盒数据驱动模型相比，SSTODE具有更强的可解释性和物理一致性。与现有的物理信息神经网络相比，SSTODE更有效地建模了复杂的海洋动力学和外部驱动因素，从而提高了预测精度。

关键设计：SSTODE的关键设计包括：1) 使用基于流体输运原理的ODE来描述SST的演化，其中包含了平流项和扩散项；2) 通过变分优化来学习潜在速度场，该速度场反映了海洋的流动模式；3) 使用能量交换积分器（EEI）来考虑外部热通量的影响，EEI的结构参考了海洋热量平衡方程；4) 使用合适的损失函数来约束模型的训练，损失函数包括数据拟合项和物理约束项。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，SSTODE在全球和区域SST预测基准中均取得了state-of-the-art的性能。例如，在某个区域SST预测任务中，SSTODE相比于基线模型，RMSE降低了10%以上。此外，SSTODE还能够可视化平流动力学、热扩散模式和昼夜加热-冷却循环对SST演变的影响，验证了模型的可解释性和物理一致性。

🎯 应用场景

SSTODE可应用于海洋环境监测、气候变化研究、渔业资源管理、航运安全保障等领域。准确的SST预测有助于更好地理解海洋-大气相互作用，预测极端天气事件，优化渔业生产，并为航运提供安全保障。未来，该模型可进一步扩展到其他海洋要素的预测，为海洋科学研究和应用提供更强大的工具。

📄 摘要（原文）

Sea Surface Temperature (SST) is crucial for understanding upper-ocean thermal dynamics and ocean-atmosphere interactions, which have profound economic and social impacts. While data-driven models show promise in SST prediction, their black-box nature often limits interpretability and overlooks key physical processes. Recently, physics-informed neural networks have been gaining momentum but struggle with complex ocean-atmosphere dynamics due to 1) inadequate characterization of seawater movement (e.g., coastal upwelling) and 2) insufficient integration of external SST drivers (e.g., turbulent heat fluxes). To address these challenges, we propose SSTODE, a physics-informed Neural Ordinary Differential Equations (Neural ODEs) framework for SST prediction. First, we derive ODEs from fluid transport principles, incorporating both advection and diffusion to model ocean spatiotemporal dynamics. Through variational optimization, we recover a latent velocity field that explicitly governs the temporal dynamics of SST. Building upon ODE, we introduce an Energy Exchanges Integrator (EEI)-inspired by ocean heat budget equations-to account for external forcing factors. Thus, the variations in the components of these factors provide deeper insights into SST dynamics. Extensive experiments demonstrate that SSTODE achieves state-of-the-art performances in global and regional SST forecasting benchmarks. Furthermore, SSTODE visually reveals the impact of advection dynamics, thermal diffusion patterns, and diurnal heating-cooling cycles on SST evolution. These findings demonstrate the model's interpretability and physical consistency.