近日，海洋所李晓峰研究团队基于多源遥感数据和实测数据，有机耦合人工智能技术与物理先验知识，突破了海洋实测数据时空分布稀疏的限制，显著提升了反演精度与模型的泛化能力，实现高时空分辨率的中尺度涡三维温盐结构重构。该研究成果在遥感领域国际期刊IEEE Transactions on Geoscience and Remote Sensing发表。

中尺度涡旋广泛存在于全球大洋和边缘海中，对海洋能量、热量、质量以及营养物质和化学元素的输送具有关键作用。深入研究中尺度涡的三维结构，对理解全球海洋的物质和能量输运、海洋动力过程及生态系统有重要意义。然而，由于海洋实测数据的稀缺，开展高时空分辨率的涡旋三维观测仍面临巨大挑战。人工智能具有其强大的特征提取和非线性表达能力，研究团队已在基于人工智能的中尺度涡的识别、分类等研究中取得了显著进展，为基于多源遥感数据的中尺度涡三维温盐结构反演提供了新的解决方案。

本研究中，团队创新性地开发了耦合物理先验知识和人工智能技术的中尺度涡三维温盐结构反演模型——3D-EddyNet（图1）。该模型通过多分支网络分别输入海表遥感数据和涡旋物理知识，并引入了CBAM注意力机制。研究表明，在模型中引入物理知识能够显著提升模型反演精度。与现有的温盐反演模型相比，3D-EddyNet的R²值提高了10%-20%，均方根误差（RMSE）降低了20%-40%（表1）。

图1. 嵌入物理先验知识的中尺度涡三维温盐结构反演模型

表1. 不同模型反演的反气旋涡和气旋涡温盐结构的R2和RMSE

基于训练完成的3D-EddyNet模型，研究团队对黑潮延伸体（KE）和亲潮（OC）区域中未包含Argo剖面的涡旋进行了深入分析，验证了模型的广泛适用性。3D-EddyNet模型反演的KE和OC区域内反气旋涡和气旋涡的温盐结构与已有研究结果高度一致，充分证明了该模型在准确捕捉涡旋内温盐垂向变化以及中心到边缘水平变化方面的优越性（图2）。此外，利用3D-EddyNet对2000至2015年KE和OC海域涡旋温盐结构进行重构，其结果与ARMOR3D再分析数据的重构结果具有较高一致性（图3），进一步表明3D-EddyNet在重建涡旋三维结构方面展现了出色的泛化能力。总体而言，3D-EddyNet为高时空分辨率的中尺度涡三维温盐结构研究提供了强有力的工具，能够有效帮助准确评估中尺度涡在全球海洋物质和能量输送中的作用，同时为其他海洋现象的数据重构和参数反演提供了新的方法与思路。

图2. 基于3D-EddyNet重构的黑潮延伸体（KE）反气旋涡（a-b）与气旋涡（c-d）三维温盐结构，以及亲潮海域（OC）反气旋涡（e-f）与气旋涡（g-h）三维温盐结构

图3. 黑潮延伸体（KE，a-b）和亲潮（OC，c-d）内气旋涡（蓝色）和反气旋涡（红色）平均温盐异常垂直剖面，其中实线表示基于3D-EddyNet反演的结果，虚线表示基于ARMOR3D重构的结果

论文第一作者为中国科学院海洋研究所助理研究员刘颖洁，通讯作者为李晓峰研究员，合作者包括中国科学院海洋研究所研究生王浩宇和姜菲、天津大学周圆教授。该研究得到国家自然科学基金山东省联合基金、国家自然科学青年基金、中国科学院B类先导专项等资助。

相关论文信息：

[1]Liu, Y., Wang, H., Jiang, F., Zhou, Y., & Li, X. (2024). Reconstructing Three-dimensional Thermohaline Structures for Mesoscale Eddies Using Satellite Observations and Deep Learning. IEEE Transactions on Geoscience and Remote Sensing, 62, 1-16, https://doi.org/10.1109/TGRS.2024.3373605.

[2] Liu, Y., & Li, X. (2023). Impact of surface and subsurface-intensified eddies on sea surface temperature and chlorophyll a in the northern Indian Ocean utilizing deep learning. Ocean Science, 19(6), 1579-1593,https://doi.org/10.5194/os-19-1579-2023.

[3] Liu, Y., Zheng, Q., & Li, X. (2021). Characteristics of global ocean abnormal mesoscale eddies derived from the fusion of sea surface height and temperature data by deep learning. Geophysical Research Letters, 48(17), e2021GL094772, https://doi.org/10.1029/2021GL094772.