近日，中国科学院海洋研究所尹宝树研究团队在基于可解释性深度学习模型的温跃层深度降尺度研究方面取得新进展，相关成果发表在海洋科学领域国际学术期刊Ocean Modelling（JCR1区）。

温跃层是海洋中温度随深度急剧变化的水层，其存在显著增强了上层海洋的层结稳定性，这种独特的热力结构使其与海洋环流、内波、水团分布及海气交换等紧密关联，在海洋动力学和气候系统中具有重要作用。然而，由于观测技术的局限性，目前获取高质量的海洋温跃层结构实测数据仍然具有挑战。因此，如何建立高分辨率的卫星遥感资料与海洋次表层结构（如温跃层结构）的映射关系，已经成为物理海洋学研究中的一项重要课题。

EBAM-CNN模型结构以及降尺度过程示意图

针对这一问题，研究团队通过利用海表温度（SST）、绝对动力地形（ADT）和海表风场（SSW）等关键海表环境要素，结合EN4观测数据，提出了一种基于Enhanced Block Attention Module-Convolutional Neural Network（EBAM-CNN）模型的降尺度方法，该方法能够有效利用高分辨率海表观测数据重构次表层中尺度结构特征。此外，研究团队通过SHAP可解释性算法量化了输入特征的贡献值，揭示了SST、ADT和纬度信息是影响温跃层深度的关键因子，有助于进一步理解温跃层的形成及变化机制。该研究成果为其他高分辨率次表层要素的重构提供了新的方法和思路，在海洋动力学研究和海洋环境变化分析等方面具有重要意义，具有显著的学术价值和广泛的实际应用前景。

CNN与EBAM-CNN模型重构结果对比（a,b）以及输入变量贡献的定量分析（c）

中国科学院海洋研究所与青岛科技大学联培研究生冯忠琨为第一作者，中国科学院海洋研究所齐继峰研究员为共同第一作者、通讯作者。合作者包括崂山实验室李德磊研究员、中国科学院海洋研究所尹宝树研究员，青岛科技大学杨树国教授等。该研究得到了国家自然科学基金、中国科学院战略性先导科技专项和国家重点研发计划的共同资助。

论文信息：

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