近日，中國科學院海洋研究所齊繼峰研究員團隊在基于可解釋性深度學習模型的溫躍層深度降尺度研究方面取得新進展，相關成果發(fā)表在海洋科學領域國際學術(shù)期刊Ocean Modelling（JCR1區(qū)）。
研究背景：
溫躍層是海洋中溫度隨深度急劇變化的水層，其存在顯著增強了上層海洋的層結(jié)穩(wěn)定性，這種獨特的熱力結(jié)構(gòu)使其與海洋環(huán)流、內(nèi)波、水團分布及海氣交換等緊密關聯(lián)，在海洋動力學和氣候系統(tǒng)中具有重要作用。然而，由于觀測技術(shù)的局限性，目前獲取高質(zhì)量的海洋溫躍層結(jié)構(gòu)實測數(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)）的映射關系，已經(jīng)成為物理海洋學研究中的一項重要課題。
研究內(nèi)容：
齊繼峰研究員團隊提出了一種基于Enhanced Block Attention Module-Convolutional Neural Network（EBAM-CNN）模型的降尺度方法。該方法利用海表溫度（SST）、絕對動力地形（ADT）和海表風場（SSW）等關鍵海表環(huán)境要素，結(jié)合EN4觀測數(shù)據(jù)，實現(xiàn)了對溫躍層深度的精確重構(gòu)。如下圖所示，所提出的模型由EBAM模塊、卷積層、全連接層、激活層和全局平均池化層組成。這種設計使模型能夠有效捕捉多尺度依賴關系和變量間的交互作用，從而顯著提升了多源數(shù)據(jù)融合與多尺度特征提取能力，最終實現(xiàn)對復雜海洋次表層結(jié)構(gòu)（如溫躍層深度）的高精度重構(gòu)。
圖 EBAM-CNN模型結(jié)構(gòu)以及降尺度過程示意圖
在模型訓練過程中，研究團隊首先通過EN4網(wǎng)格數(shù)據(jù)確定對應海表輸入變量的位置，來構(gòu)建輸入信息與溫躍層深度之間的映射關系。具體而言，以EN4每個網(wǎng)格點為中心提取周圍7×7范圍的1/4°分辨率海表數(shù)據(jù)作為模型輸入，同時將中心位置的溫躍層深度作為對應標簽值（下圖a）。在降尺度處理過程中，選取與訓練過程中相同尺寸的窗口，采用1/4°的滑動步長在海表變量上進行輸入數(shù)據(jù)的劃分。通過依次向模型中輸入劃分后的海表數(shù)據(jù)，可輸出對應空間分辨率為1/4°的網(wǎng)格數(shù)據(jù)，實現(xiàn)溫躍層深度的降尺度（下圖b）。
圖 模型擬合過程（a）和降尺度過程（b）
為驗證模型性能，研究團隊對2022年EN4數(shù)據(jù)（1°分辨率）與降尺度結(jié)果（1/4°分辨率）進行了對比分析。結(jié)果表明，原始的1°分辨率數(shù)據(jù)（下圖a、c）雖然能夠反映大尺度動力特征，但在部分海域存在明顯的不連續(xù)性，這主要是由于低分辨率數(shù)據(jù)對溫躍層深度復雜梯度變化的解析能力有限。相比之下，降尺度結(jié)果（下圖b、d）不僅與EN4數(shù)據(jù)保持了大尺度上的高度一致，還表現(xiàn)出了更多的溫躍層深度分布的細節(jié)特征，有效刻畫中尺度海洋過程的精細結(jié)構(gòu)，顯著提升了復雜動力過程的解析能力。
圖 2022年熱帶印度洋溫躍層深度降尺度前后對比
此外，研究團隊采用SHapley Additive exPlanations（SHAP）方法對各輸入特征的重要性進行了定量評估（見下圖）。分析結(jié)果表明，緯度、SST和ADT顯著影響溫躍層深度變化，而SSW影響較小。這可能是由于SST通過調(diào)節(jié)表層加熱和冷卻過程，顯著影響熱帶印度洋區(qū)域的溫躍層深度分布；ADT則通過反映大尺度動力過程，影響海表面高度異常，進而調(diào)控溫躍層深度。值得注意的是，緯度的貢獻度明顯高于經(jīng)度，這可能與太陽輻射的經(jīng)向變化有關。而SSW主要通過風驅(qū)動海水混合過程間接影響溫躍層深度，相較于SST和ADT，其貢獻較弱。這些發(fā)現(xiàn)不僅增強了模型的可解釋性，也為理解溫躍層的形成機制及其時空變化提供了重要科學依據(jù)。
圖 輸入變量貢獻的定量分析
研究結(jié)論：
1.本研究提出的EBAM-CNN降尺度模型在不同海域均表現(xiàn)出穩(wěn)健的性能。
2.所使用的降尺度方法在精度上顯著優(yōu)于傳統(tǒng)的線性插值、三次樣條插值和克里金插值方法。
3.SHAP可解釋性結(jié)果表明，緯度、SST和ADT是影響溫躍層深度變化的關鍵變量，而SSW貢獻較小。
未來展望：
1.引入物理約束：在模型架構(gòu)或損失函數(shù)中嵌入海洋動力學方程，提升對復雜動力過程的學習能力。
2.提高數(shù)據(jù)分辨率：采用更高分辨率的衛(wèi)星或再分析數(shù)據(jù)，以解析亞中尺度特征。
3.拓展研究范圍：將該方法擴展至其他海域和海洋次表層參數(shù)（如溫鹽場）的降尺度。
作者與資助信息：
中國科學院海洋研究所研究生馮忠琨為第一作者，中國科學院海洋研究所齊繼峰研究員為共同第一作者、通訊作者。合作者包括嶗山實驗室李德磊研究員、中國科學院海洋研究所尹寶樹研究員，青島科技大學楊樹國教授等。該研究得到了國家自然科學基金、中國科學院戰(zhàn)略性先導科技專項和國家重點研發(fā)計劃的共同資助。
論文引用：
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
Attention-enhanced deep learning model for reconstruction and downscaling of thermocline depth in the tropical Indian Ocean.pdf
信息來源：中國科學院海洋所。
轉(zhuǎn)載請注明信息來源及海洋知圈編排。
熱門跟貼