YingLan：一种用于从异构观测中进行统一表征学习的多模态海洋基础模型

由于卫星影像、网格化海洋学场和浮标观测在数据结构、物理语义及时空特征方面存在显著异质性，多模态海洋建模仍面临诸多挑战。现有方法主要聚焦于面向特定任务的海洋建模，而如何从异构观测中学习可迁移表征仍是一个开放问题。为应对这一挑战，我们提出了 YingLan，一种融合物理属性条件动态编码、时空增量耦合（Spatiotemporal Increment Coupling，STIC）以及海洋状态演化感知预训练的多模态海洋基础模型。具体而言，动态编码机制根据物理语义和观测特征生成自适应输入投影，从而实现对异构海洋变量的灵活表征。STIC 通过潜在时间增量的跨尺度交互，对多尺度时空依赖关系进行建模。预训练策略进一步结合掩码观测重构与时间演化目标，促进模型在不同预测时长下学习连贯的海洋状态表征。YingLan 基于 MindSpore 实现，并在 Huawei Ascend 910B NPUs 上完成训练，展现了其与国产 AI 计算基础设施的兼容性。在深圳近海开展的七天海面盐度（SSS）预报任务中，YingLan 达到 0.687508 PSU 的平均 RMSE；与 LangYa、XiHe 和 GloNet2 相比，其相对误差分别降低了 0.58%、5.31% 和 12.42%。这些结果初步证明了该模型在区域海洋预报中的有效性，但仍需开展更广泛的跨任务和跨区域评估，以进一步检验其泛化能力。