机器学习偏差订正把 Ina-Flows 海表温度预报误差在 Karimun Jawa 降低 29.83%、在 Bira 降低 26.10%，且最优算法随地点不同
核心概要
该研究用 MAWS 观测评估 BMKG Ina-Flows 海表温度预报的偏差，并在 Karimun Jawa 与 Bira 两个站点比较 SVR、LSTM、Bi-LSTM 三种机器学习偏差订正算法，发现 Ina-Flows 在两处均存在暖偏差，Karimun Jawa 以 LSTM 最优（RMSE 0.207、MAE 0.182、MBE -0.171，RMSE 降低 29.83%），Bira 以 Bi-LSTM 最优（RMSE 0.218、MAE 0.173、MBE 0.011，RMSE 降低 26.10%），说明订正效果依赖地点、算法选择需依据本地验证。
深度剖析
研究确认 BMKG Ina-Flows 海表温度预报在 Karimun Jawa 与 Bira 两个 MAWS 站点均存在系统性暖偏差。 此前对 Ina-Flows 输出偏差的评估未在这两个具体站点展开，该工作把偏差诊断落到本地观测上。 基于 2023 年 12 月 1 日至 2024 年 12 月 7 日的 Ina-Flows 输出与 MAWS 观测配对数据，以 MBE 等指标量化偏差方向。
机器学习偏差订正能显著降低 Ina-Flows 的 SST 预报误差：Karimun Jawa 用 LSTM 使 RMSE 降至 0.207（降低 29.83%），Bira 用 Bi-LSTM 使 RMSE 降至 0.218（降低 26.10%）。 该工作在同一数据框架下并列比较 SVR、LSTM、Bi-LSTM 三种算法，给出各站点的最优选择，而非只报告单一模型。 以 2024 年 12 月 1—7 日作为独立测试期，用 RMSE、MAE、MBE 三项指标评估，训练与验证使用 2024 年 11 月 30 日之前的数据。
偏差订正的最优算法随地点变化：Karimun Jawa 适合 LSTM，Bira 适合 Bi-LSTM，说明订正效果依赖地点特征。 这一对比把“算法选择需本地验证”作为可操作结论提出，而非假定某一算法普遍最优。 两个站点在同一时间窗口、同一指标集下呈现不同的最优算法与不同的 MBE 符号（Karimun Jawa 为 -0.171，Bira 为 0.011）。
启示与展望
该结果面向使用 Ina-Flows 输出与 MAWS 观测的业务与研究人员，适用于 Karimun Jawa 与 Bira 两个站点、2023 年 12 月至 2024 年 12 月的数据条件。它支持的做法是：在本地观测基础上训练机器学习订正模型，并按站点分别选择算法，而不是把某一算法当作通用最优解。对希望把订正流程推广到其他 MAWS 站点的团队，这一工作提供了可复制的评估框架与指标组合。
测试期仅为 2024 年 12 月 1—7 日，订正效果在更长时段与不同季节是否稳定，尚待观察。两个站点的结论是否适用于其他海域或 MAWS 站点，需要更多本地验证。此外，本次可获取的文本为摘要与参考文献，缺少正文中的特征构造、超参数设置与逐站点误差分解等细节，因此对方法细节的复现性判断仍属开放问题。