内部波是稳定分层海洋内部常见的现象(Alpers., 1985)。在传播过程中,内部波会引起局部海水的垂直混合,促进能量和营养物质的垂直交换,并改变温盐结构和分层稳定性(Cai et al., 2012)。同时,内部波引起的强剪切流对潜艇航行、海上平台建设等活动构成不可忽视的威胁(Li et al., 2021)。因此,对海洋内部波进行预测研究对于海洋资源开发与利用、海洋军事行动及海洋工程具有重要意义(Zhang et al., 2023)。
南海北部是全球海洋中内部波活动最频繁和最显著的区域之一(Zhang & Yang., 2021)。这些内部波主要源于潮汐与吕宋海峡海底地形之间的相互作用。它们沿大陆坡向西传播至南海北部盆地,然后继续向大陆架方向传播(Cai & Xie., 2010)。如图1所示,其传播路径清晰且具有很强的重复性(Wang et al., 2013)。
内部波的空间分布和传播方向可以通过MODIS卫星图像获得,通过多幅图像可以相对准确地追踪内部波的传播速度和路径变化(Zhang et al., 2021)。目前,内部波的传播主要依赖数值模拟和经验模型进行预测。对于南海北部的内部波,一种常见的预测方法是使用高分辨率海洋数值模型来模拟其生成和传播过程。然而,这种方法耗时较长,需要高精度输入数据,计算需求大,并且泛化能力较差(Gong et al., 2023)。
随着机器学习技术的发展,越来越多的研究人员开始将机器学习作为传统模型的补充或替代方案(Gong et al., 2025)。与数值模拟等技术相比,机器学习展现了巨大的潜力。近年来,机器学习技术已越来越多地应用于内部波研究。深度学习框架已成功应用于内部波的自动检测和长期数据集的构建(Jiang et al., 2023; Zhang & Li., 2024),基于深度学习的模型还表现出从SAR图像中提取内部波条纹和传播方向的强大能力(Cui et al., 2025)。这些研究表明,机器学习是处理内部波复杂多维特征的有效工具。不过,其应用目前主要集中在内部波的识别和特征描述上。除了图像级分析外,机器学习也逐渐被引入到内部波传播预测领域。Zhang et al.(2021)开发了一个基于BP神经网络的安达曼海内部波传播预测模型,Huang et al.(2025)实现了苏禄海内部孤立波的长期实时预测。这些研究验证了机器学习方法在特定区域预测内部波传播的可行性。南海北部内部波频繁发生且强度较大(Zhang & Yang., 2021)。尽管研究人员已经使用数值模拟和理论分析详细研究了其生成机制和传播过程(Simmons et al., 2011; Cai et al., 2012; Gong et al., 2023),但针对该区域内部波传播的系统性机器学习方法仍较为罕见。
因此,本文开发了一个基于BP神经网络的南海北部内部波传播预测模型,即内部波传播预测模型(IW-PPM),旨在根据内部波的初始位置预测其传播路径。
海洋内部波的生成和传播受到多种因素的影响,如温盐结构和海水深度,使得这一过程具有高度非线性(Zhao et al., 2004)。BP神经网络作为一种多层前馈结构,具有强大的非线性映射能力(Hornik et al., 1989)。这一特性为使用BP神经网络预测内部波传播提供了理论基础。
本文的结构如下:第2节描述了模型所需的数据提取过程、模型构建方法及相关的实验设计;第3节展示了模型预测结果;第4节讨论并分析了研究结果;第5节给出了结论。