近日，中科院海洋所尹宝树研究团队在海洋三维温盐场反演重构方面取得新进展，研究成果在国际学术期刊FRONT MAR SCI（影响因子为5.24）发表。 

　　海洋三维温盐场是海洋动力学研究的基础，反映了海洋中水的密度分布和运动方式。准确估计海洋的温度和盐度结构有助于揭示海洋的环流系统、水团形成和运动路径，进而理解海洋动力学过程以及它们对气候变化、海洋生态系统和全球循环的影响。但由于观测技术的限制，目前仍难以实现三维高时空分辨率的温度结构的直接观测，而卫星遥感可以提供高时空覆盖率多种海洋动力环境参数。因此，如何利用高分辨率的卫星遥感资料结合Argo等观测数据反演海洋内部关键动力环境参数场已成为物理海洋学研究的重要内容之一。 

　　尹宝树研究团队基于多源卫星遥感表层数据（包括海表温度、海表盐度、海表高度和海表风场等）以及Argo实测数据，创新性地提出了一种基于Convolutional Block Attention Module-Convolutional Neural Network (CBAM-CNN)的新模型，能够同时反演重构出热带印度洋的三维温盐场。研究结果表明，CBAM-CNN模型在估计热带印度洋中的温盐场结构方面明显优于传统的卷积神经网络（CNN）模型，具备出色的性能。此外，研究团队通过与Argo观测数据的对比验证，证实了CBAM-CNN模型在不同深度上估计海洋温盐场的准确性，并展示该模型在利用海表数据捕捉观测特征方面的有效性。研究还证实CBAM-CNN模型在季节性应用方面表现出良好的适应性。该研究成果将为我们深入了解海洋动力学、推动海洋环境变化研究，以及应对全球气候变化等提供重要支持。 

热带印度洋三维温盐场反演重构模型示意图

　　该研究由中科院战略性先导科技专项和国家自然科学基金委等共同资助完成。中科院海洋所副研究员齐继峰为第一作者，研究员尹宝树为通讯作者，合作者包括中科院海洋所副研究员李德磊和中科院南海所副研究员池建伟等。 

　　论文链接： 

　　https://www.frontiersin.org/articles/10.3389/fmars.2023.1181182/full 

　　文章信息： 

Qi, J.; Xie, B.; Li, D.; Chi, J.; Yin, B.; Sun, G. Estimating thermohaline structures in the tropical Indian Ocean from surface parameters using an improved CNN model. Front. Mar. Sci. 2023, 10, 1181182. https://doi.org/10.3389/fmars.2023.1181182