案例类别：人工智能+专业课程
课程名称：海洋大气动力学 适用专业：海洋技术
开课学院：海洋技术与测绘学院 主讲教师：乔文丽
技术类型：深度学习
应用场景：海洋-大气系统的热力异常识别
案例简介
传统大气能量学与气候异常的课堂教学多停留在公式与图表层面，学生对实际海气耦合环境中的异常现象难以直观理解。为此，本案例基于Google Earth Engine（GEE，https://earthengine.google.com/）平台，调用全球海表温度与气候再分析数据，并结合人工智能分类与预测算法，实现海洋-大气热力异常（如ENSO事件相关的SSTA、区域热浪）的自动识别与动态可视化。教学中，学生通过GEE界面操作即可获取时序影像，并利用AI模型训练异常检测结果。该方法突破了传统教学数据匮乏、处理复杂的限制，直观展示了热力异常的空间分布与演变过程，提升了学生的实践动手能力和跨学科应用能力。
一、背景
1. 传统教学局限
作为一门将物理与数学深度融合的课程，海洋大气动力学理论性强，学习过程相对枯燥。传统教学存在明显局限性，主要表现在五个方面：首先，教学过于静态，依赖教材示意图、板书推导和固定实例，使学生难以直观理解大气与海洋热力异常（如厄尔尼诺、海热浪）的时空演变；其次，数据来源有限且更新滞后，学生难以接触实时或近年的观测与再分析数据，导致理论学习与科研实践脱节；再次，计算与验证环节缺失，公式多停留在纸面上，学生缺少操作真实数据的机会，无法深入理解物理机制和应用方法；此外，学生参与度不足，课堂互动和探究性弱，缺少利用数据解决实际问题的实践经验；最后，跨学科能力培养不足，教学通常局限于气象和物理，缺乏与数学、计算机及大数据方法的融合，从而限制了学生综合分析能力和数智化能力的提升。
2.引入AI与GEE的必要性
为增加课程趣味性，对传统枯燥的公式等进行数据可视化显得尤为必要。GEE平台相比传统数据处理软件如MATLAB优势明显：它内置海量遥感与再分析数据，支持云端高效计算和动态可视化，易与AI模型结合，且通过少量代码即可完成大尺度数据处理，显著简化了传统繁琐的下载、循环计算与存储流程。将其引入教学中，可作为案例教学的重要工具，通过真实数据操作增强学生实践能力和直观理解，有助于提升课堂互动性与学习效果。通过提高学生参与度与探究性，学生可主动操作数据和模型，激发学习兴趣与创新思维，此外培养跨学科综合能力，使学生在掌握大气动力学的同时，学习数据科学与人工智能方法，提升科研与工程实践能力。
二、案例实施情况
1. 案例设计
播放近几年全球或中国近海出现的海洋热浪（Marine Heatwave, MHW）新闻报道或卫星观测视频，让学生直观感受海表温度异常升高的现象，同时提出问题：“这些海域高温背后的驱动力是什么？会对海洋生态和沿海气候产生怎样的影响？”
2. 知识点讲解
形成机制：讲解海洋热浪的成因，包括大气高压阻塞、海洋表层温度积累、风场减弱及海流异常等因素；重点介绍热力异常如何在空间和时间上演变。
大气—海洋联系：结合典型案例（如2013年西北太平洋热浪、2020年澳洲东海岸海温异常），讲解异常海温如何通过改变大气环流模式（如副热带高压位置、季风强度）影响沿岸气候与天气事件。
生态与社会影响：简要说明海洋热浪对珊瑚礁、渔业、海洋生态系统以及沿岸经济活动的影响。
图1 受海洋热浪影响的灾害事件（来源于网络）
3. 数据分析实践（GEE与AI结合）
数据准备：在GEE调用 NOAA OISST SST 数据，获取全球/区域海温场。学生需要自行注册GEE账号，方可登录该平台，以下为该平台主页显示内容。
图2 GEE平台页面
AI建模准备：在GEE或外部Colab环境中，网上收集学习机器学习算法（如K-means聚类、LSTM预测），方便后续对热力异常区进行识别。
实践环节：
（1）学生在GEE平台加载NINO3.4海区SSTA数据，查看海表面温度异常事件，然后扩大研究区域，探索温度异常事件背后的驱动机制。
图3 基于GEE平台的运行展示一
（2）学生利用AI模型自动识别太平洋某一年海温异常分布。
本身不支持直接训练复杂深度学习模型（如 LSTM），但可以通过 GEE 导出时间序列数据，然后在 Python（TensorFlow/PyTorch）中训练 LSTM，再把预测结果导入 GEE 可视化。K-means 聚类 可以直接在 GEE 内对图像或像元时间序列进行聚类，识别异常区域。
图4 基于GEE平台的运行展示二
学生通过操作GEE平台，在15分钟内即可获取全球SST分布，大大缩短了数据收集和处理的时间。通过AI分类模型，学生能够自动识别厄尔尼诺事件的SSTA区域，使学生对“海气相互作用”形成感性认识。课程结束后，学生能独立使用GEE与AI工具，完成一个小型大气能量学/气候异常分析任务，提升了跨学科创新能力。
三、案例创新突破
（1）主要创新内容。将课堂中的抽象公式（能量异常、海温方程）与真实大数据平台结合，实现理论—数据—AI模型的完整链条。
（2）技术突破内容（若有）。GEE+AI实现了热力异常的自动识别与动态预测，突破了传统教学数据处理复杂、学生难以上手的瓶颈。
（3）应用实践突破内容。学生不仅能理解ENSO、SSTA在气候中的作用，还能掌握GEE与AI的结合使用，具备科研与工程应用的技能。
四、推广价值
该案例可推广至《海洋科学导论》《海岸沉积动力学》《海洋遥感》等海洋技术和大气专业本科生及研究生等课程，实现“理论+大数据+AI”的跨学科教学模式，对培养学生的科研创新能力与工程应用能力具有积极意义。
