本人从事海洋动力模拟、气候预测与人工智能交叉融合研究，主要涵盖海洋环境数值模拟与预报、耦合资料同化与气候预测、人工智能海洋学三大方向。研究既注重经典海洋数值模式与海–气耦合系统的理论与应用，也深度融合机器学习、数据同化与高性能计算，非常适合计算机基础扎实、对编程与数值模型感兴趣的同学。

        团队科研经费充足，科研条件完善。本人坚持因材施教、尊重学生兴趣与发展规划的培养理念，注重个性化指导与科研能力系统训练，鼓励学生在数值模拟、气候预测、AI 海洋交叉等方向自由探索。热忱欢迎对海洋科学、人工智能与气候研究感兴趣的考生报考研究生，共同开展前沿科研工作，携手共同成长。

研究方向一：海洋环境数值模拟和预报（海洋环境安全保障）

        以近岸海域为主要研究对象，开展海洋潮汐、环流动力过程的精细化模拟与预报研究。基于典型区域海洋数值模式，构建适配近岸复杂地形与岸线特征的高分辨率数值模型，精准刻画潮汐、风生流、陆架环流等多动力过程的耦合作用。通过模式优化、参数化方案改进与观测数据同化，提升近岸潮汐环流模拟精度与预报可靠性，为近岸海洋环境预警、海洋工程安全、海岸带资源开发及海洋防灾减灾等应用场景，提供科学的数值支撑与技术保障。

研究方向二：耦合资料同化和气候预测

     本方向围绕耦合资料同化与气候预测开展研究，主要依托GFDL CM2.1、CESM等国际主流海-气耦合模式，构建适用于热带太平洋等关键海区的耦合同化与预测系统。通过将海洋、大气多源观测资料融入耦合模式，优化初始场误差，提升气候系统状态的再现能力。重点面向ENSO等年际气候信号开展机理分析与预报研究，探索耦合过程中海洋-大气相互作用对可预报性的影响，发展适用于季节-年际尺度的气候预测方法，为短期气候异常研判、极端气候事件预警提供理论依据与模式技术支撑。

研究方向三：人工智能海洋学

       面向海洋科学与人工智能的交叉前沿，聚焦AI在海洋动力过程与气候预测中的应用研究。围绕海洋多源异构观测数据（卫星、Argo、雷达、模式输出等），利用深度学习、数据同化与机器学习方法，开展海洋动力场重构、关键物理过程参数化改进、海气耦合特征提取等研究。重点探索基于AI的ENSO等气候事件智能预报、海洋中尺度/亚中尺度过程识别、数值模式误差订正，构建数据驱动与物理约束相结合的海洋预测模型，为提升海洋环境模拟精度、气候异常预警能力提供新方法与新技术支撑。