基于XGBoost的北印度洋盐度剖面机器学习反演模型构建及其在海军作战中的应用价值

【编辑推荐】针对北印度洋(NIO)盐度观测稀疏问题，研究人员采用LightGBM、XGBoost和ANN三种机器学习算法，利用温度、深度等6参数构建盐度剖面估算模型。XGBoost以0.975的相关系数表现最优，为海军声速剖面计算提供高精度解决方案，显著提升XBT(投弃式温深仪)数据在复杂海域的实用性。

　　

盐度作为影响海洋密度层结的关键参数，直接调控着全球质量、热量和盐分的输送过程。然而在北印度洋(NIO)海域，盐度观测数据长期面临稀疏困境，这与温度数据的丰富度形成鲜明对比。这种数据失衡严重制约着海军水下作战中声速剖面计算的精度——当前依赖投弃式温深仪(XBT)点测量结合气候态盐度数据的传统方法，在阿拉伯海(AS)和孟加拉湾(BoB)等强盐度梯度海域存在显著误差。更棘手的是，盐度与温度的动力学关系存在显著区域特异性，大西洋和太平洋开发的模型难以直接移植到受季风系统支配的NIO海域。

为破解这一难题，国防科研机构的研究团队在《Ocean Modelling》发表创新研究，系统评估了LightGBM(轻量梯度提升机)、XGBoost(极限梯度提升)和ANN(人工神经网络)三种机器学习算法在NIO盐度剖面重建中的表现。研究突破性地将海表盐度(SSS)纳入特征参数体系，结合温度、深度、经纬度、年积日等变量，构建了适应NIO复杂海洋环境的区域化模型。

关键技术方法包括：1)整合WOD-2018和Copernicus海洋服务的Argo浮标、CTD(温盐深仪)等原位观测数据；2)采用SHAP值进行特征敏感性分析；3)通过独立浮标时间序列验证模型泛化能力。研究区域覆盖具有显著盐度差异的AS和BoB海域，重点考察近岸与开阔海域的性能差异。

【Results and discussions】章节揭示：XGBoost在测试集上取得0.975的相关系数和极低RMSE(均方根误差)，其树结构特性更适应盐度垂直分布的非线性特征。敏感性分析显示SSS和深度是影响盐度估算的最关键参数，这与Xie et al. (2023)提出的三维盐度场重建理论相符。模型在近岸区域的性能波动暴露出训练数据不足的短板，但在浮标数据填补测试中展现出卓越的实用价值。

【Conclusions】部分强调：该研究首次在NIO海域实现了基于XBT单点温度数据的高精度盐度剖面估算，其输入参数精简性特别适合海军作战场景。相比需要多卫星数据输入的CNN(卷积神经网络)模型，本方案仅需6个基础参数即可实现优于0.23psu的盐度估算精度。研究不仅为海洋声学应用提供新工具，其区域化建模思路更对全球其他数据稀缺海域具有示范意义。值得注意的是，模型在70m以浅深度的优异表现，恰好覆盖了海军声呐设备的主要工作深度范围，这使其作战应用价值得到进一步凸显。