物理过程建模与数据驱动机器学习融合的海洋中尺度涡旋三维结构重构研究

针对海洋中尺度涡旋精细三维(3D)结构获取难题，研究人员创新性地结合物理过程模型与数据驱动机器学习，构建了涡旋温度、盐度和密度的3D重构模型。通过西北太平洋气旋/反气旋涡案例验证，重建结果与观测数据高度吻合（RMSE<0.372°C/0.0904 PSU/0.144 kg/m3，R>0.98），较传统方法(ARMOR 3D/MODAS)精度提升显著，物理约束使机器学习重建误差降低40%-60%，为海洋动力过程研究提供了高分辨率新范式。

　　

海洋中尺度涡旋如同海洋中的"台风"，其三维结构直接影响能量输运与生态过程。然而受限于观测手段，这些直径100-300公里的旋转水体始终蒙着神秘面纱——卫星仅能捕捉表面信号，而Argo浮标等剖面数据又过于稀疏。传统重建方法如合成分析只能获得区域平均态，动力重建(SQG理论)则受限于正压模态假设，统计方法(如EddyNet)虽能映射海表-内部关系但精度有限。这种认知空白严重制约着对涡旋生命史、能量级联等关键科学问题的理解。

针对这一挑战，中国研究人员在《Ocean Modelling》发表创新成果，首次将物理过程模型与随机森林等机器学习算法深度融合，构建了涡旋三维结构的"双引擎"重建框架。研究团队首先基于涡旋普适结构理论，利用卫星高度计与单点Argo剖面重建密度场；随后以密度剖面、涡旋要素(极性/半径/中心位置)和海表参数(SST/SSS/DH)为输入，通过数据驱动算法重构温度盐度场。关键技术包括：1) 多源数据融合(卫星-Argo同步约束)；2) 物理模型引导的随机森林优化；3) 西北太平洋涡旋案例验证体系(含15个Argo剖面)。

【主步骤】研究证实物理-数据双驱动模式显著优于单一方法。反气旋涡案例中，温度盐度密度重建RMSE分别达0.361°C、0.0271 PSU和0.0570 kg/m³，较纯机器学习误差降低42.3%-61.8%。

【反气旋涡验证】通过最接近涡心的Argo 2901559号浮标约束，重建剖面成功捕捉到80-200米层的暖核特征(温差>3°C)，150米以浅盐度异常梯度与观测吻合度达98%。

【物理约束影响】对比实验显示，引入密度场物理重建作为先验知识后，机器学习温度预测R值从0.962提升至0.988，盐度R值从0.941跃升至0.991，证明物理规律可有效纠正数据驱动的系统性偏差。

【结论与意义】该研究开创了"物理机理+AI"的海洋涡旋解析新范式：1) 首次实现单涡米级分辨率重建，突破ARMOR 3D数据0.25°网格限制；2) 揭示动力过程约束可显著提升机器学习泛化能力，为AI在海洋领域的物理可解释性提供范例；3) 构建的开放框架可兼容XCTD、滑翔机等新型观测数据。这项成果不仅为涡旋能量耗散机制研究提供关键工具，其方法论对台风内核结构重建等气象学难题也具有重要启示。