在传统的现场方法中，高部署成本、空间覆盖不足以及对风暴条件的敏感性都是面临的挑战。本文提出了一种基于视频和高性能计算（HPC）的视频深度学习框架，旨在无传感器地联合估计五个海岸波参数：显著波高（Hs）、最大波高（Hmax）、峰值周期（Tp）、零过越周期（Tz）和波向（theta）。
该架构包括一个自监督的 V-JEPA ViT Small 主干，用于在视觉挑战场景中进行稳健的时空特征提取，双流 SlowFast 时间编码器用于在水动力破碎和涌浪状态下广泛表示波动的运动，基于 Farneback 光流算法的光流流用于为结构添加显著性信息，强调波的水动力活跃波长带，最后是一个带有色散约束的多任务回归层（Airy 波色散 \lambda_p = 0.1）。
模型在 NVIDIA DGX A100 集群上训练，早停于第 31 轮，达成了显著波高、最大波高、峰值周期、零过越周期和波向的皮尔逊相关系数分别为 0.451、0.578、0.643、0.680 和 0.832，且具有对地理多样的测试数据集的泛化能力。在数据有限的情况下（仅 6 个标注训练场景），该框架展示了统计显著的时间相关性（PCC 从 0.451 到 0.832），确认了概念验证的可行性；R2 值（最大为 0.246）表明随着标注数据集的增大，方差捕获能力将改善。
博主点评： 该研究展示了高性能计算与深度学习结合的潜力，尤其在传统方法无法覆盖的海洋监测领域。这一框架不仅提升了波参数估计的准确性，也为未来的海洋研究提供了新的视角和工具。