arXiv cs.AI· Sen Jia, Siqi Wei, Junyu Wang, Zijun Lv, Pan Liu, Meng Xu, Xiyou Fu, Yuxi Sun, Qiang Liu, Shuyu Zhang, Lin Mu·· 12 小时前AI 评分23
YingLan：面向异构观测统一表征学习的多模态海洋基础模型
YingLan: A Multimodal Ocean Foundation Model for Unified Representation Learning from Heterogeneous Observations
AI 导读
研究团队提出多模态海洋基础模型 YingLan，融合物理属性条件动态编码、时空增量耦合（STIC）与海洋状态演化感知预训练，统一处理卫星影像、网格海洋场和浮标观测等异构数据。
正文 · AI 翻译
作者：Sen Jia、Siqi Wei、Junyu Wang、Zijun Lv、Pan Liu、Meng Xu、Xiyou Fu、Yuxi Sun、Qiang Liu、Shuyu Zhang、Lin Mu
摘要：多模态海洋建模仍面临挑战，原因在于卫星影像、网格化海洋学场和浮标观测在数据结构、物理语义和时空特征上存在显著异质性。现有方法大多聚焦于特定任务的海洋建模，而从异质观测中学习可迁移表示仍是一个开放问题。为应对这一挑战，我们提出 YingLan，一种多模态海洋基础模型，它集成了物理属性条件动态编码、时空增量耦合（STIC）和海洋状态演化感知预训练。具体而言，动态编码机制以物理语义和观测特征为条件生成自适应输入投影，从而能够灵活表示异质海洋变量。STIC 通过潜在时间增量的跨尺度交互来建模多尺度时空依赖关系。预训练策略进一步将掩码观测重建与时间演化目标相结合，以促进在不同预测时域上学习连贯的海洋状态表示。YingLan 使用 MindSpore 实现，并在华为昇腾 910B NPU 上训练，展示了其与国产 AI 计算基础设施的兼容性。在深圳近岸海域开展的为期七天的海表盐度（SSS）预报任务中，YingLan 的平均 RMSE 达到 0.687508 PSU，与 LangYa、XiHe 和 GloNet2 相比，相对误差分别降低 0.58%、5.31% 和 12.42%。这些结果为该模型在区域海洋预报中的有效性提供了初步证据，但仍需开展更广泛的跨任务和跨区域评估，以衡量其泛化能力。
| 学科： | 机器学习（cs.LG）；人工智能（cs.AI） |
| 引用为： | arXiv:2610.29313 [cs.LG] |
| （或 arXiv:2610.29313v1 [cs.LG] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.29313 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Sen Jia [查看邮箱]
[v1]
2026年10月21日星期三 07:09:14 UTC（4,052 KB）
来源：arXiv cs.AI · arxiv.org