基于物理约束的流动学习方法通过地球静止卫星观测数据揭示了日变性的亚中尺度海表流特征
《ISPRS JOURNAL OF PHOTOGRAMMETRY AND REMOTE SENSING》:Physically-constrained flow learning reveals diurnal submesoscale surface currents from geostationary satellite observations
【字体:
大
中
小
】
时间:2025年12月22日
来源:ISPRS JOURNAL OF PHOTOGRAMMETRY AND REMOTE SENSING 12.2
编辑推荐:
丁晓松|何贤强|卡特里·赫曼特|李佳佳|叶峰|李浩|赵敏|方功
中国浙江大学海洋学院,舟山316021
**摘要**
亚中尺度过程(长度尺度为0.1–10公里)在海洋能量耗散和质量传输中起着关键作用,然而传统的卫星高度计数据具有较粗的空间(约25公里)和时间(每日)
丁晓松|何贤强|卡特里·赫曼特|李佳佳|叶峰|李浩|赵敏|方功
中国浙江大学海洋学院,舟山316021
**摘要**
亚中尺度过程(长度尺度为0.1–10公里)在海洋能量耗散和质量传输中起着关键作用,然而传统的卫星高度计数据具有较粗的空间(约25公里)和时间(每日)分辨率,不足以解析其动态。像GOCI-II这样的地球静止卫星海洋颜色成像仪可以每小时以250米的分辨率进行观测,但表面示踪剂的复杂演变使得从图像序列中推断当前情况变得困难。在这里,我们开发了BAPDE-RAFT,这是一种基于泊松方程的、考虑边界条件的、接近无散度的RAFT光流网络扩展,可以从连续图像中检索像素级的海表面速度,有效估计出物理上规则化的、无散度(旋转)的表面流分量。与标准的最大互相关(MCC)方法相比,BAPDE-RAFT将终点误差和角度误差分别降低了44%和38%。波数分析表明,模型误差超过信号的关键尺度为λc ≈ 4.0公里——比传统MCC算法的60–80公里限制精细一个数量级,这证实了只有BAPDE-RAFT能够在1–10公里的亚中尺度过程中保留光谱能量。当应用于日本海/东海的GOCI-II叶绿素-a图像时,该模型再现了日变化流速以及预期的双重级联效应:一个向上的动能通量(约k?3)和一个向下的示踪剂级联(约k?1)。我们注意到,接近无散度的约束可能会减弱强烈收敛/发散的非地转运动;尽管受到云层覆盖的影响,这些结果仍然表明,高频率的地球静止卫星海洋颜色观测可以生成物理上一致的高精度细尺度表面流速图,为卫星研究海洋动力学和细尺度质量传输开辟了新的途径。
**引言**
亚中尺度运动的特点是水平尺度在0.1到10公里之间,介于中尺度涡旋和小尺度湍流之间。这些运动在上层海洋中普遍存在,是较大尺度平衡动力学与较小尺度非平衡湍流之间的关键中介,代表了物理海洋学的前沿研究领域(McWilliams, 2016; Taylor and Thompson, 2023)。目前,亚中尺度运动理论的研究和模型参数化的进步在很大程度上依赖于观测技术的发展,并受到其限制(Zhang and Qiu, 2018; Zhang et al., 2024b)。过去20年中开发的新一代高度计卫星数据、表层水和海洋地形(SWOT)将海洋动力场数据的空间分辨率提高到了大约2公里,标志着海洋亚中尺度研究的一个新时代(Durand et al., 2010; Fu and Ubelmann, 2014)。然而,SWOT大约20天的重访周期限制了其捕捉每小时到每天时间尺度上发生的亚中尺度快速变化的能力(Durand et al., 2010; He et al., 2024; Le Traon et al., 2015)。
地球静止海洋颜色卫星以其高频观测(时间尺度≤1小时)而闻名,已成为研究中尺度和亚中尺度过程中的日变化质量和能量传输的关键工具(Choi et al., 2019; Ding et al., 2024; Ye et al., 2024)。世界上第一颗地球静止海洋颜色卫星GOCI在2010–2020年间提供了相对较高的空间分辨率(500米)海洋颜色产品,每天进行八次观测(00:30–07:30 UTC)(Son et al., 2015)。其继任者GOCI-II从2020年开始提供更高的空间分辨率(250米)和延长的每小时观测时间(10:30–08:30 UTC)(Yu and Suh, 2023)。GOCI/GOCI-II对表层叶绿素-a(Chl-a)浓度的每小时观测揭示了显著的亚中尺度动态和水平传输(Choi et al., 2019; Hu et al., 2024)。然而,由于亚中尺度过程的高度旋转和扭曲特性,从Chl-a产品中检索海表面速度场仍然是一个重大的技术挑战。
传统的速度场检索算法通过识别连续图像之间查询窗口的最大互相关(MCC)系数来估计位移(Choi et al., 2019; Hu et al., 2019; Hu et al., 2024; Zhang and Piggott, 2020)。MCC方法是许多粒子图像测速(PIV)工作流程的基础,并已在OpenPIV等开源工具包中实现(Mordvintsev and Abid, 2014)。然而,传统的PIV公式本质上假设局部均匀平移,同时忽略了流线的曲率,导致在强烈旋转或剪切流中产生系统偏差(K?ufer et al., 2021; Lee and Mei, 2022)。因此,尽管MCC方法具有计算效率和易于实现的特点,但它难以准确解析复杂的丝状结构,特别是中尺度涡旋(Ding et al., 2025; Liu et al., 2017)。最近的研究量化了这些限制:Hu et al.(2024)报告称,从GOCI叶绿素-a产品中得到的日本海/东海的位移速度的平均误差为1.17米/秒,角度误差为74.0°。Ye et al.(2024)采用基于去相关尺度分析(DSOI)的最优插值方法,提高了精度,Kuroshio扩展区域的速度误差为0.76 ± 0.08米/秒,角度误差为34.11 ± 5.41°。替代方法,特别是四维变分(4D-Var)同化技术,可以同时估计速度和示踪剂场;然而,它们需要三张或更多连续图像来约束时间演化,这使得它们不适用于两张图像的检索场景(Aleskerova et al., 2021; Korotaev et al., 2008; Li et al., 2021; Volkov and Negahdaripour, 2023)。这些固有的限制严重阻碍了海表面位移速度的操作性检索,大大限制了数十年来GOCI和GOCI-II观测在中尺度和亚中尺度海洋学研究中的有效利用(Chen et al., 2019; Hong et al., 2023)。
计算机视觉中深度学习技术的发展为解决类似MCC的问题提供了一种新方法(Ding et al., 2024; Lagemann et al., 2021; Zhang and Piggott, 2020)。受到密集光流算法成功的启发,研究人员提出了深度神经网络架构来处理来自粒子示踪剂图像的位移速度检索(Hui et al., 2018; Ilg et al., 2017; Sun et al., 2018)。这些架构在效率、精度和空间分辨率方面已经开始匹配甚至超越了最先进的经典算法(Lagemann et al., 2021)。最近,利用公开可用的粒子图像测速(PIV)数据集(Cai et al., 2019),我们提出了一种用于光流学习的神经网络架构——具体来说是循环全对场变换(RAFT)(Teed and Deng, 2020)——基于GOCI观测数据开发了一种每小时反演技术,用于重建简单中尺度涡旋结构中的表面位移速度(Ding et al., 2024)。与传统的手动方法不同,RAFT方法是半自动的,并产生密集的流速估计(Lagemann et al., 2021)。然而,在上层海洋中,亚中尺度运动的动态比以前估计的更为复杂,即使是保守的方法也是如此(Taylor and Thompson, 2023)。因此,RAFT架构必须考虑亚中尺度运动的地球物理流体动力学特性(Ding et al., 2024)。
在这项研究中,我们解决了当前遥感算法在海表面速度场反演方面的不足。与之前基于PIV数据集的RAFT算法(Ding et al., 2024)不同,这里我们采用MITgcm LLC4320数据集来构建RAFT架构。LLC4320数据集来源于麻省理工学院通用环流模型(MITgcm),在纬度-经度极地帽(LLC)网格上,具有1/48度的水平分辨率和1小时的时间分辨率,覆盖了2011年9月13日至2012年11月14日的全球海洋(Su et al., 2018)。MITgcm LLC4320数据集已被广泛用于亚中尺度过程的研究(Dong et al., 2020; Khatri et al., 2021; Lin et al., 2020)。因此,MITgcm LLC4320数据集是训练RAFT架构的理想资源,能够准确捕捉亚中尺度运动的物理特性。这种方法利用GOCI/GOCI-II观测的高时空分辨率Chl-a产品以及深度卷积神经网络来研究亚中尺度运动的细尺度位移速度检索技术。总体而言,我们的目标是克服在高精度遥感反演复杂速度场中的技术挑战。这项工作为研究中尺度和亚中尺度过程中的日变化质量和能量传输提供了必要的技术支持。
**BAPDE-RAFT架构用于位移速度场**
所提出的基于边界条件和泊松方程的消散消除改进型循环全对场变换(BAPDE-RAFT)架构(图1-ii)建立在最初为光流估计开发的循环全对场变换(RAFT)架构之上,并通过RAFT-PIV(Lagemann et al., 2021)和RAFT-MesoEddy(Ding et al., 2024)进一步增强,用于流体运动分析。与依赖粗到细图像的传统光流网络不同:
1) 假设BAPDE-RAFT架构输出一个初始位移速度场:
upred = ux, vy
其中(x, y)表示图像平面上的一个位置。
2) 计算散度
为了量化违反不可压缩条件(??u = 0)的流场部分,我们计算其散度。使用数值近似(这里使用Sobel算子),u和v的空间导数估计为:
divupredx,y = ?ux,y/?x + ?vx,y/?y
3) 通过雅可比方法离散化和迭代求解
为了校正流场,我们引入一个势函数?(x,y),使其梯度可以从初始流场中减去:
ucorr = upred - ??
为了使校正后的流场满足不可压缩性,我们需要:
?·ucorr = ?·upred - ?? = ?·upred - Δ? = 0
其中Δ表示拉普拉斯算子。因此,势函数?必须满足泊松方程:
Δ? = ?·upred
在这项研究中,拉普拉斯算子使用离散核近似为:
KΔ = 0.1/0.1/0.1
因此,离散拉普拉斯算子为:
Δ?x,y ≈
4) 潜势和流校正的梯度
使用相同的Sobel算子,?的梯度计算为:
??x,y = ??x,y/?x + ??x,y/?y ≈ Kx??x,y + Ky??x,y
然后,校正后的流场表示为:
ucorr(x,y) = upred(x,y) - ??(x,y)
在当前的实现中,施加了一个二维无散度约束,以抑制由云层遮挡、示踪剂信号的生物变异性以及光流估计中的离散化噪声引起的虚假散度伪影。尽管这提高了Mitgcm LLC4320产品的稳定性和鲁棒性,
**MITgcm LLC4320产品**
MITgcm LLC4320模拟产品可在NASA的ECCO数据门户(https://data.nas.nasa.gov/ecco)获得,基于MITgcm和LLC网格配置,提供名义上的1/48度(约2公里)水平分辨率和1小时的时间分辨率。LLC4320模拟包括90个垂直层,提供了表面大约1米和向下至500米的垂直分辨率,以优化上层海洋过程的分辨率(Dong et al., 2020; Khatri et al., 2021; Su et al.,
**BPDE-RAFT架构的准确性验证**
最近的研究强调了RAFT架构作为估计逐像素位移速度的传统方法的有希望的替代方案(Lagemann et al., 2021; Teed and Deng, 2020);然而,其在亚中尺度海表面速度场估计中的应用仍需进一步探索(Ding et al., 2024)。在这里,我们将提出的BAPDE-RAFT架构与传统的MCC和DSOI算法进行了比较,以从连续卫星图像中检索亚中尺度近表面位移速度。
**结论**
理解海洋质量和能量传输需要从日变化的地球静止卫星观测中准确估计亚中尺度表面速度场。在这里,我们介绍了BAPDE-RAFT,这是一种考虑边界条件、受散度约束的深度学习架构,可以将连续的卫星图像转换为像素级的表面速度。与MITgcm LLC4320基准相比,该网络分别将终点误差和角度误差降低了44%和38%,并提高了可解析的波长范围。
**作者贡献声明**
丁晓松:撰写——审阅与编辑、撰写——原始草稿、可视化、方法论、资金获取、正式分析。
何贤强:撰写——审阅与编辑、撰写——原始草稿、监督、方法论、资金获取、概念化。
卡特里·赫曼特:撰写——原始草稿、可视化、正式分析。
李佳佳:可视化、软件、调查。
叶峰:软件、数据管理。
李浩:可视化、概念化。
赵敏:方法论、数据
**利益冲突声明**
作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文报告的工作。
**致谢**
本研究得到了中国国家重点研发计划(项目编号#2023YFC3108101)、国家自然科学基金(项目编号#U23A2037、#U22B2012、#42176177和42576184)、浙江省自然科学基金(项目编号#LDT23D06021D06)、浙江省“先锋”研发计划(项目编号#2023C03011)、浙江省自然科学基金(项目编号#LMS25D060004)和中国博士后科学基金(项目编号#2024)的资助。