近日，中国科学院海洋研究所人工智能海洋学研究组在全球海气热通量数据构建领域取得新进展，提出并发布DeepFlux——基于深度学习的全球开阔海域逐日湍流热通量数据集，覆盖1992年1月至2020年12月，空间分辨率为 1°×1°，为全球海气相互作用、气候诊断、模式评估和过程研究提供了新的长期观测约束资料。相关研究成果发表于国际期刊Earth System Science Data (JCR 1区，IF=11.6) 。

海气湍流热通量主要包括潜热通量和感热通量，是连接海洋与大气能量、水汽交换的关键物理量，对海表温度变化、大气边界层过程、海洋环流以及气候异常演变具有重要影响。传统热通量估算通常依赖海表温度、海面风速、近海面气温和比湿等输入变量，其中近海面气温和比湿难以由卫星直接观测获得；同时，卫星轨道覆盖间隙、云雨影响等问题会造成输入数据缺测，并进一步向热通量估算过程传播误差。

图1 DeepFlux 数据生产流程图

针对上述问题，研究团队构建了“数据补全—参数反演—热通量订正”的深度学习流程。首先，利用通用数据补全模型 GDCM 对 SSM/I–SSMIS 卫星观测中的海面风速、云液态水、整层水汽和降水率等关键变量进行缺测补全，形成时空连续的遥感输入场；随后，结合 OISST 海表温度数据，利用矩阵—点融合网络 MPFNet 反演近海面气温和比湿；最后，通过 COARE 3.6 体积空气动力学算法计算感热通量和潜热通量，并进一步采用订正模型降低卫星风速误差等输入不确定性对最终通量结果的影响。

验证结果显示，DeepFlux 与浮标实测资料具有较高一致性。在独立测试集中，DeepFlux 的近海面气温、比湿、感热通量和潜热通量均方根误差分别为 0.53°C、0.70g/kg、5.53W/m² 和 25.28W/m²。与NCEP、ERA5、OHF-CDR、IFREMER和 OAFlux等主流热通量产品相比，DeepFlux在多项指标上表现出更低误差和更高相关性，尤其在热带海域及关键动力区域展现出较强的观测一致性。

图2 DeepFlux与主流热通量产品2018年年平均感热通量和潜热通量的全球空间分布

（左侧列显示感热通量，右侧列显示潜热通量）

研究团队还选取NTAS、Stratus 和 WHOTS 三个独立浮标站点开展长期月平均时间序列评估。结果表明，DeepFlux在不同海区和不同气候背景下均能够稳定刻画近海面气温、比湿以及海气热通量的变化特征，证明其在复杂海洋环境中的鲁棒性和适用性。

基于 DeepFlux数据集，研究进一步分析了 1992~2020 年全球海洋感热通量和潜热通量的长期变化。结果显示，全球感热通量整体变化相对较弱，而潜热通量在黑潮、湾流、巴西暖流、东澳大利亚暖流和厄加勒斯流等西边界流区域呈现更显著的增强趋势，表明这些动力活跃海区的海洋向大气释放水汽和能量过程正在加强。

DeepFlux v1.0 已开放共享，可为全球海气相互作用研究、海洋热收支分析、气候变化诊断、极端海洋事件研究以及气候模式评估提供重要基础数据。论文第一作者为中国科学院海洋研究所王浩宇博士后和王梦娇博士，通讯作者为李晓峰研究员。

论文信息：

Wang, H., Wang, M., & Li, X.* (2026). Global open-ocean daily turbulent heat flux dataset (1992–2020) from SSM/I via deep learning. Earth System Science Data, 18, 2929–2950. https://doi.org/10.5194/essd-18-2929-2026

数据集：

DeepFlux v1.0，https://doi.org/10.12157/IOCAS.20250823.001