基于深度学习的地中海北部亚得里亚海海岸带降尺度模拟研究

针对区域海洋业务化系统分辨率不足导致海岸带动态特征缺失的问题，意大利研究团队提出基于UNet架构的深度学习降尺度方法。该方法以750米分辨率重建地中海北部亚得里亚海物理-生物地球化学场，成功恢复河流输入影响的盐度、营养盐等精细特征，计算效率较传统数值模型提升3600倍，为海岸带精准预测提供AI新范式。

　　

海洋数值模型的"分辨率困境"长期制约着海岸带精细化研究。在地中海北部的亚得里亚海，密集的河流输入（特别是波河）形成复杂的盐度梯度和营养盐分布，但现有业务化系统如Copernicus Marine Service的4.5公里分辨率产品难以捕捉这些特征。传统嵌套建模虽能提高分辨率，但MITgcm-BFM耦合模型需要95个CPU运行1小时才能完成3天预测，严重限制业务化应用。

意大利国家海洋研究所团队在《Ocean Modelling》发表研究，创新性地将医学图像领域的UNet架构引入海洋降尺度领域。他们以2006-2017年CADEAU项目的高分辨率（750米）再分析数据为训练集，输入Copernicus低分辨率数据，构建三维UNet-like神经网络。关键技术包括：蒙特卡洛Dropout不确定性评估、物理-生物地球化学多变量联合训练、亚得里亚海分区验证策略（沿岸/开阔海），并引入卫星遥感和原位观测数据双重验证体系。

【Comparison with the CADEAU reanalysis】
UNetR模型在测试集上表现最优，对表层盐度的均方根误差（RMSE）较传统插值法降低62%，成功重建河流羽流影响的低盐度区。生物地球化学变量如叶绿素在近岸区域的相关系数达0.89，显著优于原始Copernicus数据。

【Comparison with in situ climatology】
对比2013-2017年原位数据，神经网络在波河河口50公里范围内将盐度预测误差从1.2 psu降至0.4 psu，营养盐浓度空间格局与观测吻合度达75%，验证了其对陆源输入响应的捕捉能力。

【Uncertainty estimation】
蒙特卡洛Dropout显示模型不确定性存在明显时空异质性：冬季预测不确定性比夏季高30%，河流锋面区的标准差是开阔海的2倍，反映动态过程复杂性对模型的影响。

该研究开创性地证明深度学习可突破传统海洋模型的"分辨率-计算成本"权衡，单GPU即可实现秒级业务化降尺度。其意义不仅限于亚得里亚海案例，所提框架可推广至其他边缘海研究，为"数字孪生海洋"建设提供关键技术支撑。作者在讨论中指出，未来需融合数据同化技术以进一步提升对极端事件的预测能力，并建议将方法扩展至海气相互作用过程模拟。