近日，中国科学院海洋研究所大洋西边界流动力学研究组发表关于西太平洋三维温盐场实时智能重构的最新研究成果。依托深度神经网络与迁移学习技术，研究团队构建了注意力增强3D-U-Net++模型，可利用实时获取的海表温度（SST）、海面高度（SSH）卫星观测数据，实现西太平洋上2000米三维温盐场逐日分辨率的历史重构和实时反演，并形成了1993年至今的格点化数据产品和实时反演系统。相较国际主流再分析产品，新数据产品与现场观测一致性显著提升，可为海洋动力过程与气候变化研究提供全新高时效数据支撑。相关成果发表发表在国际期刊Earth System Science Data。

三维温盐场是刻画海洋环境最核心的基础参数，是解析海洋环流、中尺度涡以及气候变化现象的关键基础。然而海洋温盐垂直剖面观测的时空分布非常稀疏，难以分辨广泛存在的中尺度涡现象。卫星观测虽然从时空分辨率上弥补了这种不足，但只有海表面信息。如何有效结合温盐剖面观测和卫星观测，得到可靠的涡时空分辨率三维温盐场是学界关注的重要科学和技术问题。近年来许多团队基于人工智能技术开展了相关研究，但多以学习同化数据产品为抓手，难以规避同化数据产品自身的误差。特别是对西太平洋这种多垂直形态中尺度过程变化剧烈的海域，同化数据产品本身就存在很大偏差，而这些偏差的消除很大程度上依赖于算法是否能够准确解析复杂的多尺度动力过程。

图1 注意力增强的3D-U-Net++三维温盐场重构模型

针对上述问题，团队在基于观测获得的热带西太平洋多形态中尺度物理过程认知的基础上，创新搭建了注意力增强3D-U-Net++智能重构框架，在嵌套密集跳跃连接的三维编解码网络中嵌入CBAM卷积注意力模块，通过通道、空间双重注意力实现跨尺度特征聚合与信息筛选，自动强化与次表层变化强相关的时序表层特征，抑制噪声扩散与过度平滑，更好地保留垂向温盐梯度、锋面结构等关键细节。

为破解单时刻表层数据信息不足的难题，模型将连续时序海表温度、海面高度作为联合输入，大幅降低三维结构反演的非唯一性。同时研究建立两阶段迁移学习训练策略，既能通过观测数据学习大尺度季节背景、低频时空相关与稳定垂向层结，又能学习高分辨率再分析数据，捕捉涡旋、锋面等高频中尺度动态过程。

图2 1993~2023年西太平洋200米深度的温盐重构数据、GLORYS2V4数据与WOD观测温盐数据的散点对比图

客观评估显示，相比于GLORYS2V4、HYCOM、ORAS5等国内外多套常用同化数据产品，团队构建的数据产品更加接近现场观测数据，在全时段、全深度上表现出与现场观测更好的一致性，比学界公认最优的同化数据产品GLORYS2V4误差降低超过10%。同时，模型具备极强的跨时段泛化能力，可利用实时获取的卫星观测数据，实现对西太平洋三维温盐场的高精度反演。

团队已将1993~2023年西太平洋逐日三维温盐重构数据集公开发布，科研人员可通过中国科学院海洋研究所大数据中心（http://dx.doi.org/10.12157/IOCAS.20251119.001）或科学数据库（https://doi.org/10.57760/sciencedb.31950）获取。该数据产品和技术已在国内相关单位实现应用，表现出优异的技术性能。

研究第一作者为青岛科技大学与中国科学院海洋研究所联合培养博士生王浩，通讯作者为中国科学院海洋研究所张林林研究员，合作者包含青岛科技大学杨树国教授等。研究得到国家自然科学基金等项目支持。

论文信息：

Wang, H., Zhang, L.*, Yang, S., Yan, X., and Li, Z., 2026, Attention enhanced 3D-U-Net+ +  ocean temperature and salinity reconstruction in the northwestern Pacific based on transfer learning, Earth Syst. Sci. Data, 18, 4617-4638, https://doi.org/10.5194/essd-18-4617-2026