近日，我中心科研团队在面向海表温度的时序预测模型方面取得新进展，研究成果《A Long-Term Forecasting Model for Sea Surface Temperature Based on Wavelet Decomposition and Adaptive Fusion》发表于海洋科学领域著名期刊《Journal of Sea Research》。

海表温度（Sea Surface Temperature，SST）是表征海气热量交换和海洋生态过程的重要物理量，其时间序列通常呈现出显著的非平稳性和多尺度耦合特征。现有方法在长期预测任务中，难以同时兼顾多尺度特征建模能力与计算效率，从而限制了其在业务化应用中的实用性。针对上述问题，本文提出了一种面向SST长时序预测的多尺度建模框架WFNet。该方法通过引入注意力机制来增强不同区域SST之间的关联建模能力，并结合多级小波分解将原始序列解耦为具有不同时间尺度特征的分量。在此基础上，采用多分支MLP架构对各尺度分量进行独立建模，并通过噪声抑制与自适应加权融合策略，实现多尺度信息的有效整合，从而在降低模型复杂度的同时提升预测稳定性。

为验证模型的有效性，在中国北黄海海域四个典型渔场的日均SST数据集上开展了预测实验，并与LSTM、DLinear、TCN、iTransformer和xPatch等主流模型进行了系统对比。实验结果表明，1）在六种预测时长（30–360天）下，WFNet在RMSE和MAE指标上均优于对比基线模型，整体表现出更高的预测精度与一致性。相较于次优模型，WFNet在不同预测场景下的误差降低幅度约为10.3%–73.4%，表明其在短期与长期预测任务中均具有较强的适用性。2）在计算效率方面，WFNet的推理成本约为1.148 GFLOPs，显著低于基于自注意力机制的模型，同时在精度上保持优势，体现了多分支MLP架构在预测性能与计算复杂度之间的良好折中。3）消融实验结果显示，移除小波分解模块会导致预测误差显著上升，说明多尺度分解与特征聚合在提升模型预测稳定性方面发挥了关键作用，也验证了WFNet各组成模块协同设计的有效性。

论文第一作者为我中心副研究员陈晓，第二作者为我中心和数信学院联培的硕士研究生刘涛，刘志亮研究员为通讯作者。研究得到了国家自然科学基金（42306218、62172352）、河北省自然科学基金（F2023407003）、河北省海洋动力过程与资源环境重点实验室开放基金（HBHY2301）的资助。

论文信息：Xiao Chen, Tao Liu, Miangang Song, Zuozuo Ma, ZhiLiang Liu. A Long-Term Forecasting Model for Sea Surface Temperature Based on Wavelet Decomposition and Adaptive Fusion. Journal of Sea Research, 2026, 211: 102696. https://doi.org/10.1016/j.seares.2026.102696

图1 研究区域

图2  WFNet模型架构图

图3 六个模型的平均性能对比图

图4 未来360天的预测效果

图5 预测效果与计算效率对比结果

图6 消融实验结果