基于度量学习的南海单点时间序列反演次表层温度场研究

《Frontiers in Marine Science》:Reconstructing subsurface temperature fields from single-point time series: a metric learning approach in the South China Sea

【字体: 大 中 小 】 时间:2026年09月23日 来源:Frontiers in Marine Science 3.4

编辑推荐:

  中文专业翻译(摘要部分) 次表层海洋观测因原位(in-situ)布放成本高昂且作业困难,其空间覆盖范围仍严重受限。尽管锚系浮标和剖面浮标能够在固定位置实现连续、分钟级采样,但其所记录的时间演化信息在现有框架中很大程度上未被充分利用——在这些框架中,点观测通常被

  
中文专业翻译(摘要部分) 次表层海洋观测因原位(in-situ)布放成本高昂且作业困难,其空间覆盖范围仍严重受限。尽管锚系浮标和剖面浮标能够在固定位置实现连续、分钟级采样,但其所记录的时间演化信息在现有框架中很大程度上未被充分利用——在这些框架中,点观测通常被降为日均值或仅作为静态插值节点。本研究探讨一个基本问题:单点时间序列能否编码足够的空间信息以重建周围温度场?为此,研究人员提出一种基于度量学习的框架,该框架在共享潜空间中学习将时间特征与空间模式对齐,从而实现从单点时间序列进行空间反演。该框架利用南海北部的100 m深度温度场(源自高分辨率再分析产品)进行验证。结果表明,当仅以重建为优化目标时,时间特征与空间特征之间不存在显著相关性;经过基于度量学习的联合调整后,二者在潜空间中形成清晰的簇结构。重建的空间场能够捕获海洋特征的主导模态,主要为与内波相关的空间模式,但细尺度细节仍有限。定量评估得出均方根误差(RMSE)为0.12 °C,决定系数(R2)为0.21,为“时间深度换取空间广度”策略的可行性提供了首个量化证据。这些发现表明,单点时间动态编码了有意义的空间信息,为稀疏观测下的海洋状态估计提供了新视角。

论文解读

一、研究背景与问题

海洋温度是理解全球热交换、能量输运和气候系统变化的基本变量。中尺度和次中尺度过程在热量的垂直与水平再分配中扮演关键角色,但其空间尺度较小,现有观测系统难以充分解析。卫星遥感能够提供高分辨率的海表温度测量,但次表层热信息仍高度依赖锚系浮标和次表层潜标等稀疏的原位观测平台。这些仪器通常部署在固定位置,能够以分钟级分辨率进行长时间连续采样,其时间序列中蕴含丰富的海洋热力动态特征。然而,在现有实践中,这些记录往往被降为日均值或仅作为插值控制点,丢弃了大量动态信息。由此形成一种悖论:次表层观测既稀缺又未被充分利用。因此,如何从单点时间序列中提取可能编码的空间信息,成为缓解当前观测瓶颈的关键方向。
早期海洋状态估计方法主要依赖最优插值和变分数据同化,通过将稀疏观测与统计相关性或基于物理的模型约束相结合来推断空间分布。这些方法的性能高度依赖于背景协方差或数值模型的准确性,而在动力复杂的区域往往难以保证。深度学习的兴起为海洋状态重建开辟了新途径,基于神经网络的方法被越来越多地用于学习从稀疏观测到全场的非线性映射。近年来的降阶建模框架进一步将高维观测压缩为低秩潜表示以进行状态估计和重建。然而,大多数现有重建方法仍需要多个同步空间输入,这在次表层观测极为稀疏的典型业务化海洋学场景中难以满足。此外,现有潜空间方法通常仅以数据重建为优化目标,未显式考虑观测数据与目标场之间的语义关联,因此难以提取对跨域映射(如从单点时间序列到空间温度场)具有针对性的特征。
基于上述分析,本研究提出一个基础性问题:单点温度时间序列是否包含关于周围空间温度分布的可学习信息?为此,研究人员引入度量学习框架,通过将相关表示在潜空间中拉近、不相关表示推远,学习具有语义意义的特征嵌入,并据此构建了基于度量学习的时空特征提取与反演框架。

二、研究内容与主要结论

本研究旨在评估单点时间序列对空间重建的贡献程度,而非追求最大重建精度的业务化产品。研究区域位于南海北部(116°E–118°E,18°N–20°N),处于陆坡与深海盆地的过渡带,该区域具有黑潮入侵和内波活动等多尺度复杂动力特征。数据来源于南海海洋数据中心提供的高分辨率南海再分析产品,水平分辨率为1/10°×1/10°,时间分辨率为1小时。研究聚焦1999年1月1日至2019年12月31日期间100 m深度的次表层温度,共21年(183,960个时次)连续数据。反演域设为2°×2°,覆盖20×20个网格点。为隔离与次中尺度和内波活动相关的热信号,研究人员通过减去气候态月平均并施加滑动平均滤波,去除了包括年际变率、季节循环和长期趋势在内的大尺度背景信号。采用5天滑动窗口且窗口间无重叠的方式,从21年单点记录中生成1,533个非重叠时间序列样本。每个样本的输入为5天窗口内的温度轨迹,目标为窗口起始时刻对应的20×20空间温度场。样本按时间顺序划分为训练集(前17年,1,241个样本)、验证集(随后2年,146个样本)和测试集(最后2年,146个样本),确保训练、验证和测试集之间无时间重叠。
研究得出三个主要结论:第一,时间信息与空间状态之间存在可学习的关系,但这种关系并非天然编码在原始重建优化的特征空间中——在仅以自编码重建为目标学习得到的特征空间中,时间与空间特征呈散乱分布且无显著对应关系,经度量学习后相同特征在潜空间中形成结构化簇,证实度量学习是主动重塑特征空间以揭示跨模态关联的有效机制。第二,时间特征对空间反演的效用并非在所有特征维度上均匀分布——特征重要性分析表明,部分时间特征对反演性能贡献显著,而另一些即使经过度量学习仍与空间结构相关性较弱,说明并非所有时间信息对空间重建同等有用。第三,定量评估表明所提方法优于最优插值,但整体重建精度受限于单点观测的固有信息含量——模型在测试集上达到RMSE为0.12 °C、R2为0.21,最佳情况下空间相关系数(SIM)达0.64。

三、关键技术方法

研究人员构建了包含三个核心模块的方法框架。第一,时空特征提取模块:采用卷积自编码器分别对空间场和时间序列进行降维压缩,空间编码器基于深度Inception风格卷积网络,包含四个卷积阶段并插入区域-全局关联(RGA)注意力模块,输出112维空间特征向量;时间编码器采用三个一维卷积层加全连接层的轻量架构,输出80维时间嵌入。第二,时空特征匹配模块:引入三元组损失(triplet loss),以时间特征为锚点,将同一时刻的空间特征作为正样本、不同时刻的空间特征作为负样本,在潜空间中拉近正样本对、推远负样本对,并附加正样本对距离惩罚构成融合损失(fusion loss),实现跨模态语义对齐。第三,时间驱动的空间反演模块:以Transformer编码器为骨干构建特征映射模块,将对齐后的时间特征转换为空间特征表示,再经预训练的空间解码器重建20×20温度场,采用两阶段训练策略分别优化特征变换和空间解码。数据来源为南海海洋数据中心高分辨率再分析产品。

四、研究结果

度量学习对特征空间对齐的评估。 通过对比度量学习前后测试集样本的时空特征分布发现:在度量学习前(Pre-ML),时间与空间特征呈散乱分布,线性相关系数介于?0.15至0.12之间,接近零,跨模态检索准确率仅为1%,表明仅以重建为目标的自编码器不会自然产生跨模态语义对应;在度量学习后(Post-ML),特征分布沿明确方向聚集形成结构化轨迹,多数特征组的皮尔逊相关系数绝对值显著提升(如第3组从0.12升至0.85),跨模态检索准确率从1%提升至45%,证实度量学习成功建立了语义对齐。值得注意的是,并非所有时间特征均同等受益,部分特征(如ZT31和ZT55)即使经过对齐仍与空间特征相关性较弱,说明部分时间模式携带的空间信息有限。
反演能力的定量评估。 在测试集上,所提模型(Post-ML)在RMSE、R2和SIM三项指标上均明显优于最优插值(OI)和无三元组损失的消融模型(No-TL)。OI方法的RMSE为0.14 ± 0.04 °C、R2为?0.04 ± 0.11、SIM为0.12 ± 0.18;No-TL的RMSE为0.18 ± 0.04 °C、R2为?0.86 ± 0.66、SIM为0.12 ± 0.23;Post-ML的RMSE为0.12 ± 0.04 °C、R2为0.21 ± 0.29、SIM为0.50 ± 0.17。Post-ML优于OI证实单点时间序列包含超越瞬时值的信息,时间演化轨迹提供了静态协方差统计无法捕获的动态线索;No-TL表现最差则证实度量学习在提取时间序列中空间相关信息方面发挥关键作用。进一步按SIM将测试样本分为高、中、低三组进行特征重要性分析发现:高质量反演组的顶部特征同时具有高重要性和高特征幅值,而低质量反演组的顶部特征虽敏感性高但幅值普遍较低,说明反演成功不仅取决于模型能否识别相关时间模式,还取决于这些模式在输入信号中是否足够显著。
反演性能的案例分析与特征级解释。 选取三个代表不同内波活动状态的时间时刻进行详细对比分析:在t2时刻(SIM = 0.64),五个最重要时间特征大多具有较大幅值,反演效果最佳;在t3时刻(SIM = 0.44),相同特征的幅值普遍较弱,反演结果中细尺度细节较少;在t1时刻(SIM = 0.55),特征幅值介于两者之间,反演质量居中。三个案例中,所提方法均一致优于OI——OI结果的空间结构在不同时刻基本不变,仅整体幅值变化,反映其依赖静态空间协方差和瞬时点值的固有局限;而所提方法能够恢复与内波传播相关的不同空间分布模式。

五、讨论与结论

本研究的核心意义在于:长期、高密度单点仪器(如锚系浮标)的时间序列不仅可用于气候统计,还可作为感知周围空间动态的补充信息源。研究提供了初步但量化的证据,表明“时间深度换取空间广度”策略具有可行性。但研究也揭示了固有约束:单点观测相对于20×20网格的完整空间场(400个网格点)包含的信息本质上有限,模型只能提取输入中已有的信息,无法创造输入中不存在的信息,因此细尺度结构、精确振幅和多波细节的重建仍具挑战。该方法并非用于实时因果预报,而是为延迟模式数据处理中的空间信息利用提供概念验证。未来工作可纳入更多观测约束、采用更先进的生成模型或引入物理先验以提升重建保真度和泛化能力。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号