《Deep Sea Research Part II: Topical Studies in Oceanography》:A Prior-Knowledge-Integrated Downscaling Approach for Subsurface Thermal Structure Reconstruction in the Tropical Indian Ocean
编辑推荐:
海洋表层热结构(OSTS)高分辨率重建方法研究。提出基于Transformer的DSVIT模型,整合地理先验和物理损失函数,利用SST、ADT、WSC及时空气候数据,实现1°EN4数据到1/4°的降尺度,RMSE达0.29°C,R2为0.9962,优于传统RNN/CNN模型,SHAP分析表明气候数据和SST是主要预测因子。
冯中坤|齐继峰|谢博文|曹源|李德雷|刘传宇|尹宝树
中国科学院海洋研究所海洋观测与预报重点实验室及海洋环流与波浪实验室,中国青岛266071
摘要
准确获取高分辨率的海洋次表层热结构(OSTS)对于解析热带印度洋(TIO)的中尺度动力学至关重要,然而现有观测数据仍然稀少且分布不均。我们提出了一种基于Transformer的神经网络模型——降尺度视觉Transformer(DSVIT),该模型整合了先验知识以重建TIO的高分辨率OSTS。输入数据包括海表温度(SST)、绝对动态地形(ADT)和风应力旋度(WSC),以及时间、地理和气候信息。DSVIT通过添加地理位置先验和强调温跃层及表面变异性的物理感知损失函数,增强了标准视觉Transformer(ViT)的性能。在独立测试集上,DSVIT重建的次表层温度的均方根误差(RMSE)为0.29°C,决定系数(R2)为0.9962,优于传统的循环神经网络(RNN)和卷积神经网络(CNN)模型。此外,本研究的一个关键创新在于其新颖的降尺度策略,通过改变输入分割方式,有效将EN4次表层温度的分辨率从1°提高到了1/4°。与传统的插值方法相比,DSVIT的降尺度输出具有更低的RMSE和更高的R2,表明其物理一致性和中尺度表示能力得到了提升。Shapley加性解释(SHAP)分析进一步表明,气候和SST是主要预测因子,其次是ADT。本研究为OSTS的降尺度提供了一种新方法,并为推进海洋和气候研究提供了宝贵的见解。
引言
海洋温度是海洋系统的基本状态变量,控制着海洋热含量(OHC)、分层和环流(Abraham等人,2013;Li等人,2006)。其变化直接影响海洋和大气过程,如海洋热浪(Zhang等人,2024a)、海洋垂直结构的变化(Boccaletti等人,2005)、温盐环流(Rahmstorf,2006)以及厄尔尼诺现象(Yu等人,2011)。随着全球变暖的加剧,作为气候系统最大热库的海洋吸收了大量热量,导致海洋温度和热含量持续上升(Cheng等人,2017;Cheng等人,2024)。这些影响在热带印度洋(TIO)尤为明显,那里的季风强迫、赤道动力学和印度洋偶极子(IOD)变异性形成了一个动态复杂的环境(图1a),并与全球气候系统有很强的耦合(Saji和Yamagata,2003;Luo等人,2012)。因此,TIO的高分辨率海洋次表层热结构(OSTS)对于诊断区域环流、天气变率和生态系统响应至关重要(Trenberth和Caron,2001;Roxy等人,2020)。
尽管OSTS在TIO中非常重要,但由于Argo浮标、固定观测点和船基测量等观测系统在空间和时间上的采样不均,现场覆盖范围仍然有限。因此,大多数基于观测的客观分析只能提供约1°的分辨率(Roemmich等人,2009),这样的粗网格难以解析对海洋能量平衡、物质输送、海洋生态系统动力学和气候系统变率至关重要的关键中尺度特征。为了解决这些限制,人们广泛采用了降尺度方法来提高现有海洋学数据集的空间分辨率。传统上,降尺度方法分为两类:动力降尺度和统计降尺度(Wilby等人,1998;Benestad等人,2008;Li等人,2016;von Storch等人,2017)。动力降尺度将高分辨率的区域海洋模型嵌套在较粗的海洋模型中,从而显式解析中尺度过程和复杂相互作用(Adachi和Tomita,2020;Chen等人,2025;Wang等人,2013)。例如,Rahaman等人(2014)通过将高分辨率的印度洋模型嵌套在全球MOM4p1模拟中,改善了上层海洋结构和沿岸流的表示。然而,这些方法严重依赖数值模型,且控制方程的复杂性导致高分辨率模拟的计算成本高昂、处理时间漫长,并且随着分辨率的提高会出现系统偏差。相比之下,统计降尺度方法通过将经验关系拟合到历史数据中来推断局部场(Benestad等人,2008),已被用于次表层温盐重建和高分辨率波浪估计,具有高效性和易于实现的优点(Guinehut等人,2012;Zhao等人,2024)。虽然统计方法计算效率高且相对容易实现,但它们通常受到关于稳定性和线性的假设限制,这可能过于简化了海洋本质上复杂和非线性的动态。
为了解决这些限制,数据驱动的机器学习(ML)越来越多地应用于降尺度。经典的ML方法,如随机森林(Sulaiman等人,2022)、支持向量机(Sa’adi等人,2020)和简单的人工神经网络(Laddimath和Patil,2019),在降尺度任务中表现出色。最近,随着海洋科学和算法技术的快速发展,基于多层神经网络的深度学习(DL)作为ML框架,在降尺度研究中受到了广泛关注,因为它在特征提取和表示方面具有强大能力(Wang等人,2024;Feng等人,2025;Han等人,2025)。例如,前馈网络用于重建高分辨率的次表层盐度(Tian等人,2022),残差/注意力架构用于复杂地形上的温度重建(Tie等人,2022),混合U-Net/视觉Transformer(ViT)模型用于从表面数据估计三维海洋状态(Xie等人,2025),以及生成对抗网络(GAN)用于涡旋解析的温度和盐度重建(Wang等人,2025)。尽管取得了这些进展,但仍存在两个问题。首先,许多研究使用“高分辨率”的插值、再分析或模型产品作为标签进行训练;这些标签可能包含相对于真实次表层结构的系统偏差,ML模型可能会继承这些偏差。其次,直接采用计算机视觉超分辨率技术可能会忽略物理约束和变量间的耦合,从而限制了在地球物理流体上的应用效果(Kim等人,2023;Sun等人,2024;Han等人,2025)。受这些限制的启发,我们将问题重新定义为在推理时学习表面-次表层映射。
在本文中,我们提出了降尺度视觉Transformer(DSVIT),这是一种基于Transformer架构的新模型,它结合了强大的多尺度特征提取能力,能够有效捕捉空间分布模式并准确重建OSTS。该框架无需使用高分辨率标签或超分辨率技术,即可从1° EN4训练标签生成1/4°的次表层场,为OSTS重建和降尺度提供了一种高效方法,并支持区域海洋动力学和气候变异性的研究。
本文的结构如下。第2节详细介绍了数据集、预处理和DSVIT框架。第3节介绍了所使用模型的评估。第4节总结并讨论了本研究。
数据
本研究使用了一组海表变量作为预测因子,以重建和降尺度TIO的OSTS。基于以往的研究(Chu等人,2000;Xie等人,2022),我们选择了绝对动态地形(ADT)、SST、风应力旋度(WSC),以及地理坐标(纬度和经度)、时间信息和气候场作为模型输入。ADT数据来自欧洲哥白尼海洋环境监测服务(CMEMS)卫星测高数据
DSVIT与基于RNN和CNN的模型的性能比较
为了系统评估DSVIT在TIO重建OSTS方面的性能,我们使用2022年的数据将其与基于RNN和CNN的模型进行了基准测试。在相同的 数据集和实验设置下进行了比较实验,以系统地评估三种模型的性能差异。图5、图6a-c显示了相对于EN4的均方根误差(RMSE)和决定系数(R2)。比较结果表明DSVIT的性能更优
总结与讨论
高分辨率的OSTS对于诊断TIO中的中尺度动力学、热量储存和海气耦合至关重要。为了解决现有客观分析的分辨率限制(通常为约1°),我们开发了DSVIT,这是一种利用先验知识的ViT,它从1/4°的表面预测因子(SST、ADT、WSC)以及地理、季节性和气候信息中学习表面-次表层映射。由于全局自注意力和地球物理先验,DSVIT在准确性和
CRediT作者贡献声明
冯中坤:撰写——初稿、可视化、验证、软件、方法论、调查、正式分析、数据整理。齐继峰:撰写——审稿与编辑、撰写——初稿、验证、监督、资源管理、项目协调、方法论、资金获取、概念化。谢博文:撰写——审稿与编辑、可视化、验证、软件、方法论。曹源:撰写——审稿与编辑、验证、资源管理、方法论。李德雷:撰写——
未引用参考文献
Schott和McCreary Jr, 2001.
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会影响本文所述的工作。
致谢
本研究得到了国家自然科学基金(编号42476024和42176010)、中国科学院的战略重点研究计划(编号XDA0370301)以及国家重点研发计划(编号2022YFF0801400)的支持。