近日，中国科学院海洋研究所人工智能海洋学研究组在 Journal of Geophysical Research: Machine Learning and Computation 上发表最新研究成果，揭示了动态卫星海表盐度对东赤道太平洋热带不稳定波相关海温预报的重要约束作用。研究表明，海表盐度不仅能够提高海温预报精度，还可为热带不稳定波尺度上的海温变化提供具有物理意义的先导信息。

热带不稳定波是东赤道太平洋典型的中尺度海洋现象，可调节赤道冷舌结构、重新分配上层海洋热量，并影响厄尔尼诺—南方涛动的发展演变。现有基于卫星观测和深度学习的预报方法大多以海表温度为主要输入，对海表盐度信息的利用相对有限，难以充分表征上层海洋层结、混合和淡水变化对海温演变的影响。

针对这一问题，研究团队构建了双分支时空深度学习模型，以连续卫星海表温度和海表盐度场为输入，预测未来海表温度分布。模型通过趋势感知分支提取缓慢变化的大尺度背景特征，并利用扰动感知分支和相邻时刻场差，突出热带不稳定波快速演变的扰动信息。研究还引入平均偏差损失函数，强化模型对赤道冷舌、热带不稳定波三角区及强海温异常区域的学习能力。

图1 双分支时空深度学习模型框架

研究设置了实际动态盐度、训练时期月平均盐度气候态和恒定盐度场三种试验方案，以区分不同盐度信息对预报的贡献。结果显示，与仅使用海表温度的模型相比，引入动态卫星盐度后，单步5天海温预报均方根误差由0.30℃降低至0.27℃。在不使用未来盐度观测的情况下，采用训练时期构建的月平均盐度气候态，均方根误差仍可达到0.28℃，与实际盐度诊断结果仅相差0.01℃。不同海表盐度输入方案下多步递归海温预报误差的空间演变结果表明，具有真实时空结构的盐度信息能够有效减缓预报误差的累积与扩展，其中月平均盐度气候态在不依赖未来盐度观测的情况下仍保持了较好的预报稳定性。

图2 不同海表盐度输入方案下多步递归海温预报误差的空间演变

（三列依次表示递归预报继续延长5天、15天和25天后的海表温度均方根误差，三行依次为观测动态盐度、训练期月平均盐度气候态和恒定盐度场方案）

研究进一步通过交叉频谱和时滞回归分析发现，在热带不稳定波时间尺度上，具有相干空间结构的海表盐度异常通常领先海表温度异常约5~12天。这说明盐度变化能够通过调节上层海洋密度层结和垂向混合，为后续海温演变提供先导信息。该研究凸显了卫星盐度观测在热带不稳定波监测与预测中的应用价值，也为发展融合多源卫星观测的海洋智能预报方法提供了新思路。

论文第一作者为中国科学院海洋研究所博士研究生周寅飞，通讯作者为海洋所李晓峰研究员、博士后王浩宇博士。研究获得国家自然科学基金和山东省自然科学基金等项目资助。

论文信息：

Zhou, Y., Wang, H.*, & Li, X.* (2026). Joint satellite SST and dynamic SSS as key constraints on the thermodynamics of tropical instability wave variability in the eastern equatorial Pacific. Journal of Geophysical Research: Machine Learning and Computation, 3, e2025JH001169.https://doi.org/10.1029/2025JH001169