深度学习融合物理机制的中尺度涡旋三维温盐结构层序预测模型研究

针对现有中尺度涡旋三维重建技术多聚焦剖面而忽视立体结构刻画的问题，研究人员创新性地提出混合涡旋识别算法，结合海洋再分析数据构建层深序列预测模型，并融入全球统一的涡旋垂向压力异常结构作为物理约束机制。通过深度学习技术实现了中尺度涡旋温度场和盐度场的三维重建，模型在KE和STCC区域表现出优异的泛化能力，为海洋数据挖掘提供了新范式。

　　

海洋中尺度涡旋是影响全球热盐结构和能量传输的关键动力系统，其三维结构的精确重建长期受限于观测数据碎片化和传统方法的维度局限性。现有技术多依赖多源数据融合，但往往仅能呈现二维剖面特征，难以刻画涡旋的立体动力学过程。尤其在西北太平洋黑潮延伸体(KE)和副热带逆流(STCC)等涡旋活跃区，缺乏高效的三维重建手段制约了对涡旋热输运和生物地球化学过程的深入理解。

针对这一挑战，中国研究人员创新性地提出"层深序列预测"框架，将中尺度涡旋三维重建问题转化为深度学习驱动的序列预测任务。研究首先开发了融合流场几何与闭合轮廓的混合识别算法，识别准确率达88.32%(AE)和80.17%(CE)。基于JCOPE2M和HYCOM再分析数据，构建包含98万组涡旋样本的层深序列数据集，将0-1000米水层划分为10-20个典型层位。核心模型采用改进的PredRNN时空预测网络，创新性地引入Flierl拉伸坐标系下的全球涡旋压力异常结构(G(Z_s
)=H₀
·sin(k·Z_s
+θ₀
)+H_ave
)作为物理约束模块，并通过注意力机制动态加权不同通道的贡献。

关键技术包括：1) 基于Mahalanobis距离的数据清洗方法，剔除超过3σ的异常网格；2) 采用ST-LSTM单元构建层深序列预测器，通过水平-垂直双记忆流(C^l
_t
和M^l
_t
)捕捉热盐场时空特征；3) 利用TEOS-10海水状态方程计算位势密度，以1000米为基准面反演压力异常结构；4) 使用Pearson相关系数(r)和RMSE多指标验证。

研究结果显示：在KE区域验证中，模型对温度场和盐度场的重建RMSE分别低至0.90°C和0.43psu，显著优于传统Conv-LSTM(1.59°C/0.92psu)。压力异常结构重建平均误差58.75Pa，相关系数r达0.71，证明物理约束有效提升了结构保真度。跨区域测试表明，模型在STCC区域的温度场预测RMSE为1.92°C，虽略高于训练区但仍保持可用精度。特别值得注意的是，对7754组Argo浮标数据的验证显示，涡核盐度结构的相关系数达0.6512(CE)/0.6385(AE)，证实模型具备实际观测数据的适配能力。

该研究的突破性在于：首次将中尺度涡旋三维重建转化为层深序列预测问题，通过物理机制与深度学习的融合，解决了传统方法在垂向结构刻画上的不足。提出的G(Z_s
)约束模块使模型能够自动学习全球统一的涡旋动力框架，而注意力机制则有效平衡了海表遥感信号与深层热盐特征的贡献权重。尽管在涡旋倾斜结构和极端海洋环境下的适应性仍需完善，但这项发表于《Journal of Sea Research》的工作为海洋涡旋三维建模提供了新范式，对海洋环流研究、声学传播预测和生态系统模拟具有重要应用价值。未来研究可进一步整合涡旋倾斜参数，并探索更精细的物理约束表达方式。