文章系统综述了机器学习（ML）在海洋科学中的创新应用。在化学海洋学领域，ML模型成功预测了全球溶解氧分布、二氧化碳分压和氮循环动态，显著提升了传统方法的精度。生物海洋学中，ML实现了浮游生物的自动化图像分类、叶绿素浓度卫星遥感估算，以及基于声学数据的海洋哺乳动物识别。特别强调了ML在预测缺氧事件和有害藻华中的预警价值，为海洋生态系统保护和资源管理提供了新范式。
海洋覆盖地球71%的表面积，其复杂的物理化学过程直接影响全球生物地球化学循环。传统数值方法难以处理海洋监测产生的大规模异构数据，而机器学习（ML）通过算法自适应学习高维非线性关系，为海洋科学研究提供了突破性工具。本文聚焦ML在化学与生物海洋学中的关键应用，涵盖从微观浮游生物识别到全球碳通量预测的全尺度创新。
溶解氧（DO）浓度变化直接关联海洋酸化与生态系统健康。研究采用随机森林回归（RFR）结合Argo浮标数据，成功重建南大洋150米深度的DO空间分布（误差降低42%）。针对近岸缺氧预警，混合模型M-DJINN融合树模型与神经网络，将预测均方误差降至17.6%，显著优于传统方法。
海表pCO₂的卫星反演长期受多参数耦合干扰。通过自组织映射（SOM）神经网络整合温度、叶绿素和盐度数据，北大西洋pCO₂预测均方根误差降至11.6 μatm。集成学习方法RFRE进一步突破区域模型迁移瓶颈，在墨西哥湾实现9.1 μatm的预测精度，揭示海表温度对碳通量的主导影响。
基于随机森林的全球固氮速率预测（68–90 Tg N/年）表明，次表层最小氧浓度是固氮菌分布的关键限制因子。ML模型还量化了海底沉积碳酸盐的生成机制，证实77%的碳酸盐由厌氧甲烷氧化驱动，修正了传统地化模型的认知偏差。
针对浮游植物显微图像的类间不平衡问题，迁移学习驱动的CNN架构结合类别归一化，将分类准确率提升至93.7%。ZooplanktonNet系统通过数据增强解决稀有物种样本匮乏问题，实现对64类浮游动物的实时检测（速度9.1帧/秒）。
支持向量回归（SVR）模型利用GOCI卫星数据，将韩国西岸叶绿素浓度预测R²提高至0.91。针对有害藻华预警，随机森林模型整合水温、盐度等多参数，对菲律宾海域鱼类死亡事件的预测准确率达96.1%，为生态风险管理提供决策支持。
卷积神经网络成功解码抹香鲸声学信号，实现个体识别准确率99.4%和方言分类准确率97.5%。水下机器人搭载的YOLOv3模型对珊瑚礁鱼类识别精度达94.5%，显著优于传统特征工程方法。
当前ML模型在跨区域迁移和小样本物种识别中仍存在局限。未来需开发跨模态学习框架，整合遥感、声学和原位传感数据；同时结合单细胞拉曼光谱技术，实现深海微生物的快速分类。这些进展将推动海洋科学进入智能化观测新时代。