海洋所在基于人工智能的溫躍層降尺度研究方面取得重要進(jìn)展
近日,中國(guó)科學(xué)院海洋研究所尹寶樹(shù)研究團(tuán)隊(duì)在基于可解釋性深度學(xué)習(xí)模型的溫躍層深度降尺度研究方面取得新進(jìn)展,相關(guān)成果發(fā)表在海洋科學(xué)領(lǐng)域國(guó)際學(xué)術(shù)期刊Ocean Modelling(JCR1區(qū))。
溫躍層是海洋中溫度隨深度急劇變化的水層,其存在顯著增強(qiáng)了上層海洋的層結(jié)穩(wěn)定性,這種獨(dú)特的熱力結(jié)構(gòu)使其與海洋環(huán)流、內(nèi)波、水團(tuán)分布及海氣交換等緊密關(guān)聯(lián),在海洋動(dòng)力學(xué)和氣候系統(tǒng)中具有重要作用。然而,由于觀測(cè)技術(shù)的局限性,目前獲取高質(zhì)量的海洋溫躍層結(jié)構(gòu)實(shí)測(cè)數(shù)據(jù)仍然具有挑戰(zhàn)。因此,如何建立高分辨率的衛(wèi)星遙感資料與海洋次表層結(jié)構(gòu)(如溫躍層結(jié)構(gòu))的映射關(guān)系,已經(jīng)成為物理海洋學(xué)研究中的一項(xiàng)重要課題。

EBAM-CNN模型結(jié)構(gòu)以及降尺度過(guò)程示意圖
針對(duì)這一問(wèn)題,研究團(tuán)隊(duì)通過(guò)利用海表溫度(SST)、絕對(duì)動(dòng)力地形(ADT)和海表風(fēng)場(chǎng)(SSW)等關(guān)鍵海表環(huán)境要素,結(jié)合EN4觀測(cè)數(shù)據(jù),提出了一種基于Enhanced Block Attention Module-Convolutional Neural Network(EBAM-CNN)模型的降尺度方法,該方法能夠有效利用高分辨率海表觀測(cè)數(shù)據(jù)重構(gòu)次表層中尺度結(jié)構(gòu)特征。此外,研究團(tuán)隊(duì)通過(guò)SHAP可解釋性算法量化了輸入特征的貢獻(xiàn)值,揭示了SST、ADT和緯度信息是影響溫躍層深度的關(guān)鍵因子,有助于進(jìn)一步理解溫躍層的形成及變化機(jī)制。該研究成果為其他高分辨率次表層要素的重構(gòu)提供了新的方法和思路,在海洋動(dòng)力學(xué)研究和海洋環(huán)境變化分析等方面具有重要意義,具有顯著的學(xué)術(shù)價(jià)值和廣泛的實(shí)際應(yīng)用前景。

CNN與EBAM-CNN模型重構(gòu)結(jié)果對(duì)比(a,b)以及輸入變量貢獻(xiàn)的定量分析(c)
中國(guó)科學(xué)院海洋研究所與青島科技大學(xué)聯(lián)培研究生馮忠琨為第一作者,中國(guó)科學(xué)院海洋研究所齊繼峰研究員為共同第一作者、通訊作者。合作者包括嶗山實(shí)驗(yàn)室李德磊研究員、中國(guó)科學(xué)院海洋研究所尹寶樹(shù)研究員,青島科技大學(xué)楊樹(shù)國(guó)教授等。該研究得到了國(guó)家自然科學(xué)基金、中國(guó)科學(xué)院戰(zhàn)略性先導(dǎo)科技專項(xiàng)和國(guó)家重點(diǎn)研發(fā)計(jì)劃的共同資助。
論文信息:
Feng,Z.1,Qi,J.1*,Li,D.,Xie,B.,Sun,G.,Yin,B.,& Yang,S. (2025). Attention-enhanced deep learning model for reconstruction and downscaling of thermocline depth in the tropical Indian Ocean. Ocean Modelling,https://doi.org/10.1016/j.ocemod.2025.102537
附件下載:
魯公網(wǎng)安備37020202001323號(hào) | 古鎮(zhèn)口園區(qū)地址:青島市西海岸新區(qū)海軍路88號(hào) 南海路園區(qū)地址:青島市市南區(qū)南海路7號(hào) 科考船碼頭基地:青島市西海岸新區(qū)長(zhǎng)江東路8號(hào) |
郵編:266000 郵件:iocas@qdio.ac.cn 電話:0532-82898611 傳真:0532-82898612 |
