由欧洲-地中海气候变化中心研究人员主导的一项研究，通过将人工智能与传统数值海洋模型相结合，改进了石油泄漏轨迹预测。该研究展示了如何获取更准确、更及时的预测结果，进而实现更快速的分析和情景测试——这一成果可能成为应急响应工作中的关键进展。
 
石油泄漏可能是最具破坏性的环境灾难之一，不仅可能严重破坏海洋生态系统、扰乱沿海社区生活，还会造成长期的经济损失。MEDSLIK-II等传统数值模型虽能模拟海水中石油颗粒的移动与转化过程，但其准确性却因关键物理参数的调优需依赖专家判断而受到限制。这种人工校准流程尽管依托经验开展，却未必能完全捕捉现实中海洋与大气环境的复杂性及多变性。
 
这项发表在《生态信息学》期刊上、题为《利用贝叶斯优化改进油膜轨迹模拟》的新研究，通过引入贝叶斯优化技术解决了这一难题。贝叶斯优化是一种人工智能技术，能够通过卫星观测数据自主学习，进而调整模型的物理参数。这种混合方法得以将物理基模型的可靠性，与人工智能的高效性和适应性相结合。
 
欧洲-地中海气候变化中心及哥伦比亚大学研究员、该研究的主要作者加布里埃尔・阿卡里诺表示：“这项研究在缩小传统数值海洋模型与人工智能方法之间的差距方面迈出了重要一步，证明混合解决方案能有效融合两者的优势。通过将贝叶斯优化框架与广泛应用的社区型MEDSLIK-II石油泄漏模型及卫星观测数据相结合，我们为下一代业务化预报系统搭建了原型。”
 
实际应用场景
 
欧洲-地中海气候变化中心研究员、该研究的合著者马可・德卡洛表示：“石油泄漏对生态系统和人类活动均会产生严重影响，而预测其扩散变化趋势，对于开展有效的干预行动至关重要。传统数值模型虽有一定作用，但依赖人工选取参数，这可能会引入不确定性。我们提出的混合方法并非要取代物理模型，而是对其进行补充——既能提升模拟结果的真实性与可靠性，即便在数据稀缺的情况下，也能保持良好的表现。”
 
研究团队以2021年叙利亚巴尼亚斯石油泄漏事件为案例，验证了这种混合方法的有效性。在该事件中，超过1.2万立方米的石油泄漏至地中海（见图1）。此次应用得出的结果表明，预报准确性获得了显著提升：在与卫星观测到的油膜形态及扩散范围的匹配度上，空间精度最高提升了20%；与标准模型预测相比，位置追踪精度最高提升了25%；而综合技能评分（用于将石油泄漏的空间分布与卫星观测等“真实基准”进行对比的指标）相较于对照模拟，平均从7.97%提升至20.66%。
 
图 1  2021年8月24日至27日选取的、针对叙利亚巴尼亚斯石油泄漏事件的油膜图像。每个子图均依据卫星反演数据及卫星重访时间，呈现了油膜演变的连续阶段。
 
这些改进在多个时间步长中均保持稳定，尤其在漂移变异性增强的时段表现突出，这表明该方法在动态环境条件下依然有效。这一成果为石油泄漏事件中的应急响应部门带来了显著益处：更精准的轨迹预测能帮助有关部门更高效地部署应急行动，从而有可能避免海洋生态系统遭受进一步破坏。
 
该方法的另一重要优势在于，经过训练的机器学习模型可通过高效校准数值模型的参数来加快其运行速度，进而实现更快速的分析与情景测试。
 
德卡洛表示：“随着新观测数据的获取，该方法还能实现实时更新；且其框架具备可迁移性与可部署性，可应用于不同地理区域或其他场景，例如大气建模或海洋建模。这使其不仅是一款研究工具，更成为适用于实际业务的解决方案，能在环境突发事件中为快速决策提供支持。”
 
欧洲-地中海气候变化中心研究员、该研究的合著者伊戈尔・鲁伊斯・阿塔克表示：“作为一名专注于海洋污染模拟的海洋学家，我深知建模者的经验对于成功还原石油泄漏这类事件的模拟结果至关重要。对目标区域和模拟工具的了解越深入，得到的结果就越精准。而我们欧洲-地中海气候变化中心的跨学科团队开发的这套新方法，能够自动寻找石油泄漏模型的最优调优参数。”
 
我们得出的研究结果仍需在其他真实石油泄漏事件中接受检验。不过，从目前的研究发现来看，我们预计该方法能节省专家的时间——让他们无需将精力耗费在问题的技术细节上，转而可以更深入地从整体层面了解泄漏事件。在海洋应急事件中，时间至关重要。
 
除石油泄漏应急响应之外，这一创新框架还具备在其他环境预报系统中应用的巨大潜力——这些系统同样面临不确定性高、观测数据有限的类似挑战。例如，该方法也可应用于大气模型及通用海洋环流模型，有望减少长期存在的模型偏差，并改进对小尺度物理过程的模拟效果。
 
阿卡里诺表示：“从这个角度而言，这项研究不仅提供了一项新颖的技术成果，更指向了环境预报领域的一种范式转变——在这种新范式下，融入物理知识的人工智能将成为业务化风险管理及气候适应力策略的核心基础。”
 
随着气候变化持续改变海洋与大气环境状况，此类人工智能增强型建模系统等创新方法，对于保护海洋环境及沿海社区免受环境灾害影响而言，正变得愈发关键。
 
该研究成果表明，将人工智能与传统环境建模相融合，能够带来切实可行的改进——这些改进不仅有助于深化科学认知，也能提升现实场景中的应急响应能力。
 
该研究中所用的模拟运算依托欧洲-地中海气候变化中心的JUNO混合计算集群完成，该集群是欧洲用于气候与环境研究的最先进计算设施之一。优化工作流程的设计由欧洲-地中海气候变化中心研究人员主导，他们同时整合了机器学习组件，并通过卫星数据对研究结果进行了验证。