《A类赛题手册》下载地址：https://www.fwwb.org.cn/news/show/598

1.命题方向

企业服务+智能计算

2.题目类别

应用类

3. 题目名称

面向海洋环境现象识别与多要素智能分析系统

4. 背景说明

【整体背景】

随着全球海洋环境智能化分析技术的快速发展，数值模型、卫星遥感、浮标观测、水下传感器网络等设备已积累海量海洋环境 NetCDF数据（含温度、盐度、流速、风速、波高等多要素），为海洋科学研究与实际应用提供了数据基础。当前海洋环境分析正从 “数据采集” 向 “智能解读” 转型，亟需通过人工智能技术挖掘数据中隐藏的海洋现象规律与环境变化特征。然而，传统海洋数据分析依赖数学算法结合人工经验判断，存在效率低、主观性强、覆盖范围有限等问题，尤其在中尺度现象识别、短期环境预测及极端事件预警等场景中，难以满足精准化、实时化、规模化的应用需求。同时，海洋数据具有高维度、时序性、空间关联性强等特点，传统分析方法难以有效处理数据冗余与复杂关联，导致海洋环境信息的应用价值未能充分释放。

【公司背景】

中国移动通信集团山东有限公司，聚焦海洋大数据智能分析解决方案研发、海洋人工智能大模型构建、海洋孪生智能体开发等核心方向，业务覆盖海洋网络通信建设、海洋大数据处理、海洋智能装备研发等关键领域。实验室以“人工智能赋能海洋智能化转型”为发展目标，依托深厚的海洋数据资源储备与扎实的技术积累，构建集数据采集、智能分析、模型构建、决策支持于一体的全链条海洋科技服务体系，为海洋能源、港口航运、海洋工程等行业提供精准高效的技术支撑与解决方案。

【业务背景】

在海洋环境监测与应用场景中，中尺度涡旋海洋动力现象的动态变化、核心水文要素的短期波动及风-浪异常事件的发生，直接影响海洋资源开发、航运安全保障与海洋灾害防控。目前，现有分析方案在自动化识别精度、时序预测稳定性、多要素联合分析能力等方面存在不足，导致难以快速获取准确的海洋环境信息，制约了相关行业的决策效率与应对能力。通过构建基于人工智能的海洋环境智能分析系统，实现中尺度涡旋的精准识别、核心水文要素的短期预测及风-浪的异常评估，可为海洋环境监测与决策提供科学依据，推动海洋科技服务向智能化、精准化升级，具备重要的实践价值与应用前景。

5. 项目说明

【问题说明】

海洋环境智能分析是支撑海洋资源开发、港口航运、智慧养殖与生态保护的核心基础，受数据特性与技术能力限制，现有解决方案仍面临以下关键问题：

(1) 中尺度涡旋的边界定位与形态分割精度不足，统计依赖传统数学算法，识别效率低下；

(2) 海洋核心环境要素（温度、盐度、流速）的短期-长期预测模型泛化能力弱，预测效率低，难以基于历史时序数据精准预判未来变化趋势；

(3) 风-浪异常信号（风速突增、波高骤升）的识别滞后，与极端天气事件（台风）的关联分析不足，难以支撑快速有效的海洋灾害预警。

上述问题导致海洋环境数据的深层价值未能充分发挥，亟需一种兼顾技术可行性与场景适配性的智能化解决方案，提高识别的精度，降低计算的时间。

【用户期望】

命题方期望通过本项目，引导参赛团队落地实现海洋环境智能分析解决方案及配套算法，核心任务聚焦于基于人工智能技术对海洋环境NetCDF数据开展深度分析，并以此为基础构建覆盖 “现象识别—要素预测—异常预警”的全链路分析体系。参赛团队需重点完成从数据预处理、模型构建到验证测试的全流程算法实现，为海洋环境监测、资源开发等场景提供数据支撑与决策参考，充分彰显技术创新性、工程实用性与行业应用潜力。

6. 任务要求

【开发说明】

参赛学生团队需围绕完整解决方案开展项目设计与实现，重点包括：

(1) 从项目目标出发，设计清晰合理的海洋环境智能分析系统架构，明确数据层、算法层、应用层的功能划分与模块协同关系；

(2) 完成海洋环境NetCDF数据及图像的预处理，包括数据清洗、格式转换、特征提取，为后续分析提供高质量数据输入；

(3) 实现基于人工智能的中尺度涡旋的自动化识别模块，完成边界定位、形态分割；

(4) 构建黄渤海海域核心要素预测模型，基于历史多要素时序数据，实现未来72小时以上的海水温度、盐度、流速的预测；

(5) 实现风-浪异常识别与评估功能，构建正常风-浪模式基准，精准检测异常信号并关联历史台风事件数据，为灾害预警提供支撑；

(6) 结合项目实施过程，说明系统在算法优化、功能扩展及场景适配等方面的后续迭代方向。

项目实施应注重阶段目标明确、技术路线可行，能够在给定周期内完成可验证的成果交付（含核心模块演示与效果评估）。

【技术要求与指标】

(1) 技术方向：深度学习、计算机视觉、时序预测算法、时空数据挖掘、大语言模型等相关技术；

(2) 准确性要求：中尺度涡旋准确率≥75%；海洋多要素预测结果与真实值的均方误差≤15%；风－浪异常信号识别准确率≥80%。

(3) 分析能力要求：能够输出中尺度涡旋识别结果、海洋多要素预测结果及风-浪异常识别预警信息等核心成果；

(4) 完整性要求：项目成果需涵盖数据预处理、模型构建、功能实现、效果验证，体现技术的可行性与场景实用性。

【提交材料】

（1）项目概要介绍;

（2）项目简介PPT;

（3）项目详细方案;

（4）项目演示视频;

（5）企业要求提交的材料：

① 系统整体架构说明文档：详细阐述数据层、算法层、应用层的设计思路，说明核心模块（中尺度涡旋识别、水文要素预测、风-浪信号异常评估）的功能划分、技术路线及模块间数据流转逻辑；

② 系统运行效果展示材料：通过截图、动态图或视频片段展示各模块运行效果，包括中尺度涡旋识别结果、水文要素的预测曲线、风-浪异常预警界面等；附实验数据表格，展示各项指标的达标情况；

③ 应用场景与扩展方案说明：描述系统在海洋灾害预警、海洋资源开发、港口航运等实际场景中的应用方式与价值；

④ 技术方案：针对各功能模块所采用的核心算法进行详细说明，结合流程图、代码或公式，阐明算法原理、创新点及参数优化过程，列出实验数据集的规模、要素类型及场景分布；明确实验评估指标、对比方案及验证方法；

（6）团队自愿提交的其他补充材料。

【任务清单】

参赛学生团队需围绕本命题完成以下具体任务，任务难度逐级递进，最终成果以系统性与完整性为主要评价依据：

(1) 需求理解与方案设计任务：深入理解海洋环境智能分析的实际需求，梳理核心功能边界；完成系统整体方案设计，明确技术路线、实施步骤及阶段目标；

(2) 数据预处理任务：分析海洋NetCDF数据及图像数据，完成数据清洗、格式转换、特征提取等工作；

(3) 中尺度涡旋识别任务：构建人工智能模型，实现涡旋的边界定位与形态分割；

(4) 水文要素预测任务：构建人工智能模型，以历史多要素数据为输入，实现未来72小时以上温度、盐度和流场的预测；

(5) 风－浪异常识别与评估任务：实现智能化的异常信号检测，完成异常影响快速判断与预警；

(6) 系统验证与成果展示任务：设计实验验证各模块功能与指标达标情况；完成系统演示视频与展示材料制作，清晰呈现项目创新点、技术实现及应用前景。

【开发工具与数据接口】

（1）数据支持：命题企业将提供海洋环境NetCDF数据集及测试集（含温度、盐度、流速、风速、波高）以及涡旋图像数据集及测试集；

（2）开发工具：参赛团队需选择linux环境下 Python（基于PyTorch 框架）开发语言与工具，PyTorch选择2.5.1版本及以上，建议使用开源数据分析库（NetCDF4、xarray 等）处理NetCDF数据。

7.其他

7.1 相关海洋概念

（1）海洋环境要素定义与影响

温度：海水温度是海洋环境最基础的要素之一，指海水的冷热程度，单位通常为摄氏度（℃）。其分布受太阳辐射、洋流、海底地形、大气环流等多种因素影响，呈现显著的时空差异。水温直接影响海水密度、盐度的分布。

盐度：指海水中溶解物质的质量与海水质量的比值，单位通常为千分比（‰）或实用盐度单位（psu）。盐度主要由降水、蒸发、径流输入、洋流混合等过程调控，近岸海域受河流径流影响盐度较低，外海及副热带海域受蒸发旺盛影响盐度较高。盐度与温度共同决定海水密度，进而影响海洋垂直环流与水平运动。

流速：指海水流动的速度，单位通常为米/秒（m/s），其矢量特性包括大小（流速）和方向（流向）。洋流流速的分布受地转偏向力、气压梯度力、海底地形、风力等因素驱动。

风速：指空气相对于海面的流动速度，单位通常为米/秒（m/s）或千米/小时（km/h），是影响海浪形成与发展的核心驱动因素。风速的大小与持续时间直接决定海浪的波高、周期与能量，强风速（如台风过境时）易引发巨浪、风暴潮等灾害。

波高：指海浪波峰与波谷之间的垂直距离，单位通常为米（m），是衡量海浪强度的核心参数。波高分为有效波高（某时段内最大1/3波高的平均值）、最大波高（时段内出现的最大波峰波谷差）等类型，其大小由风速、风区（风作用的海域范围）、风时（风持续的时间）共同决定。

（2）中尺度海洋动力现象

涡旋：海洋中具有旋转运动特征的闭合环流系统，空间尺度通常为几十至几百公里，生命周期从几天到数月不等，分为气旋式涡旋（逆时针旋转，中心海水上升）和反气旋式涡旋（顺时针旋转，中心海水下沉）。涡旋是海洋能量传递的重要载体，能影响水温、盐度等要素的空间分布，对海洋生物聚集、污染物扩散及海洋资源开发具有显著调控作用。

（3）海洋数据与分析相关概念

NetCDF数据：NetCDF (network Common Data Form)网络通用数据格式，是海洋、气象等领域用于存储多维时空数据的标准格式，支持高效存储温度、盐度、流速等多要素的时空分布信息，具备跨平台、可扩展、自描述的特点，便于多源数据整合与智能分析算法调用。

8.参考信息

（1） Python气象应用编程（杨效业等编著）

（2）Sun X , Zhang M , Dong J ,et al.A Deep Framework for Eddy Detection and Tracking From Satellite Sea Surface Height Data[J].IEEE Transactions on Geoscience and Remote Sensing, 2020, PP(99):1-11.DOI:10.1109/ TGRS. 2020.3032523.

（3）Khachatrian, Eduard, Nikita Sandalyuk, and Pigi Lozou. "Eddy detection in the marginal ice zone with sentinel-1 data using YOLOv5." Remote Sensing 15.9 (2023): 2244

（4）Zi, Nannan, et al. "Ocean eddy detection based on YOLO deep learning algorithm by synthetic aperture radar data." Remote Sensing of Environment 307 (2024): 114139.

（5） Cui Y , Wu R , Zhang X ,et al.Forecasting the eddying ocean with a deep neural network[J].Nature Communications[2025-12-31].DOI:10.1038/s41467-025-57389-2.

（6）杨梦,孙伟富,张晓娟,等.基于U-Net改进的双通道南海海洋温度锋面检测方法研究[J].海洋通报,2025,44(04):458-468.

（7）张家灏,邓科峰,聂腾飞,等.基于机器学习的海洋中尺度涡检测识别研究综述[J].计算机工程与科学,2021,43(12):2115-2125.

9.评分要点

赛题评分要点见附件一：A类企业命题初赛统一评分标准。