利用深度学习技术研究冬季东海浙闽沿岸锋面的时空变化

《Journal of Marine Systems》：Spatiotemporal variations in Zhe-Min Coastal Fronts in the East China Sea in winter by deep learning

海洋锋面遥感检测方法及东海浙江-福建沿岸锋时空变异研究。通过融合Belkin O'Reilly算法与Ringed Residual U-Net深度学习模型，有效检测东 China Sea Zhe-Min Coastal Front（ZMCF）的离散、断裂锋面特征，揭示冬季SST梯度、锋面概率及离岸距离的月际变化规律，结合EOF分析表明ZMCF跨岸移动与北方强风场显著相关，且在太平洋年代际振荡低相的La Ni?a年因强北风作用锋面位置更靠近岸线，而El Ni?o年呈现反向趋势。

　　海洋锋面在海洋生态和环境变化中扮演着至关重要的角色。这些锋面区域由于强烈的混合作用、高生产力以及丰富的渔业资源而备受关注。在本研究中，我们聚焦于东海的浙江-闽江沿海锋面（ZMCF），通过结合传统算法与深度学习模型，从遥感海表温度（SST）图像中识别出这一锋面，并克服了传统梯度算法在处理复杂锋面结构时的局限性。研究中所采用的环形残差U-Net网络（RRU-Net）在识别断续、破碎以及多分支锋面方面表现出色。在识别出ZMCF区域后，我们进一步分析了其冬季的月度变化，包括SST梯度、锋面概率以及锋面离岸距离的变化情况。为了揭示ZMCF概率在时空上的主导模式，我们采用了一种经验正交函数（EOF）方法，结果显示锋面的横跨海岸线移动与北方风的强度密切相关。

在太平洋年代际振荡（PDO）的低相位条件下，ZMCF在冬季表现出较强的活动性，其位置被强烈的北方风所限制，主要集中在沿海区域。这种现象在拉尼娜年更为显著，而在厄尔尼诺年则呈现出相反的趋势。这种气候现象的交替对海洋锋面的形成与演化产生了重要影响，从而改变了海洋生态系统中营养物质的分布、浮游生物的生长以及鱼类的繁殖与觅食行为。通过分析不同气候条件下的ZMCF变化，我们可以更好地理解其在不同时间尺度上的表现，并预测其对海洋环境的潜在影响。

在东海的沿海区域，海洋锋面的形成与多种因素密切相关。其中包括河流入海带来的淡水和陆源物质、上升流、潮汐混合以及海底地形的突然变化。这些因素共同作用，导致不同水团的交汇，从而形成锋面。例如，黄海沿岸流（YSCC）在冬季将来自黄海的冷水和低盐度水向南输送，与来自台湾暖流的暖水形成显著的温度梯度，进而形成沿海锋面。此外，长江入海口的淡水输入也导致了沿岸锋面的形成，这些锋面通常在近岸区域延伸，与更深海水的温度差异形成明显的过渡带。

在研究过程中，我们采用了多种方法来提取海洋锋面，包括基于SST梯度检测的传统算法、基于SST分布的统计分析方法以及基于熵的检测方法。这些方法各有其优势，梯度检测方法操作简便，适用于广泛区域；统计分析方法在处理大规模数据时表现稳定；而熵检测方法则擅长识别细微的锋面变化。其中，Belkin O'Reilly算法（BOA）作为一种主流的梯度检测方法，通过上下文中位滤波器有效去除噪声，同时保留锋面的梯度特征。BOA不仅适用于SST梯度锋面的识别，也能够用于其他类型的锋面，如与叶绿素和海表高度相关的锋面。

然而，传统梯度算法在设定阈值时存在一定的主观性，特别是在处理不同区域和不同空间分辨率的数据时，阈值的设定往往难以统一，导致识别结果出现碎片化现象。为了解决这一问题，近年来人工智能技术的发展为海洋锋面的识别提供了新的思路。深度学习模型因其强大的泛化能力，能够更有效地捕捉海洋锋面的整体模式。通过引入卷积神经网络（CNN）和注意力机制，深度学习网络在目标识别的准确性和效率方面有了显著提升。一些研究已经表明，深度学习模型在识别弱海洋锋面和未处理的L0卫星图像中的锋面时，表现优于传统方法。

在本研究中，我们提出了一种新的方法，即结合传统算法与深度学习模型的优势，将深度学习网络应用于SST梯度图像，而不是原始的SST图像。这种方法不仅能够有效识别ZMCF区域，还能够更好地捕捉其在不同时间尺度上的变化特征。我们还对冬季ZMCF的月度变化进行了详细分析，包括其空间分布和时间演变。通过对比拉尼娜年和厄尔尼诺年期间ZMCF的变化，我们进一步探讨了其在不同气候条件下的行为差异。研究结果表明，在PDO低相位条件下，ZMCF的强度和范围在拉尼娜年更为显著，而在厄尔尼诺年则有所减弱。

为了全面理解ZMCF的时空变化，我们还分析了其在不同季节和不同年份的演变情况。在冬季，ZMCF通常在10月开始形成，12月达到充分发展，2月达到最强，此时SST梯度和锋面概率均达到峰值，随后在3月逐渐减弱，并在夏季消散。这种季节性的变化模式与沿岸风和浮力强迫因素密切相关，这些因素在调节ZMCF的范围和强度方面起到了关键作用。此外，ZMCF的形成还受到河流入海和海洋环流的影响，这些因素共同塑造了海洋锋面的动态变化。

通过结合BOA算法和RRU-Net模型，我们成功识别了ZMCF区域，并验证了RRU-Net模型在处理复杂锋面结构时的优越性。这种方法不仅提高了识别的准确性，还增强了对海洋锋面变化的全面理解。在分析过程中，我们发现ZMCF的形成和移动与北方风的强度密切相关，这为研究海洋锋面的动态变化提供了新的视角。同时，研究还揭示了ZMCF在不同气候条件下的表现差异，例如在拉尼娜年和厄尔尼诺年期间，其活动范围和强度呈现出明显的不同。

本研究的意义在于，它不仅提供了对ZMCF更精确的识别方法，还揭示了其在不同时间尺度上的变化特征。这些发现有助于更好地理解海洋锋面对海洋生态系统和环境变化的影响，并为相关领域的研究提供理论支持。通过分析ZMCF的月度和季节性变化，我们可以更准确地预测其在不同气候条件下的行为，从而为海洋资源管理、生态保护和气候变化研究提供科学依据。此外，本研究还为深度学习模型在海洋学中的应用提供了新的案例，展示了其在处理复杂海洋数据时的潜力。

在研究过程中，我们采用了高分辨率的遥感SST数据，并结合多种分析方法，包括经验正交函数（EOF）和统计分析。这些方法的应用不仅提高了分析的精度，还增强了对海洋锋面变化的全面理解。通过对比不同气候条件下的ZMCF变化，我们发现其在冬季的表现尤为显著，尤其是在拉尼娜年期间，ZMCF的强度和范围明显增强，而在厄尔尼诺年则有所减弱。这种变化模式与北方风的强度密切相关，表明风对海洋锋面的形成和移动具有重要的影响。

此外，本研究还探讨了ZMCF的形成机制，包括其与沿岸流、上升流、潮汐混合以及海底地形的关系。这些因素共同作用，导致不同水团的交汇，从而形成锋面。通过分析这些因素的相互作用，我们可以更深入地理解海洋锋面的动态变化过程。同时，研究还揭示了ZMCF在不同季节和不同年份的变化特征，表明其变化具有一定的周期性和可预测性。

在数据处理方面，我们采用了L4级别的OSTIA数据，该数据具有较高的空间和时间分辨率，能够有效捕捉海洋锋面的细微变化。通过分析这些数据，我们能够更准确地识别ZMCF区域，并研究其在不同时间尺度上的变化特征。此外，研究还考虑了不同气候条件下的影响，例如PDO低相位条件下，ZMCF的活动范围和强度受到拉尼娜和厄尔尼诺事件的显著影响。

通过本研究，我们不仅提高了对ZMCF的识别能力，还揭示了其在不同气候条件下的变化规律。这些发现为海洋学研究提供了新的视角，并有助于更好地理解海洋锋面对海洋生态系统和环境变化的影响。同时，本研究也为深度学习模型在海洋学中的应用提供了新的案例，展示了其在处理复杂海洋数据时的潜力。未来的研究可以进一步探索这些模型在其他海洋区域的应用，并结合更多气候变量，以提高对海洋锋面变化的预测能力。

综上所述，本研究通过结合传统算法与深度学习模型，成功识别了东海的ZMCF区域，并分析了其在不同时间尺度上的变化特征。研究结果表明，ZMCF的形成和移动与北方风的强度密切相关，并在不同气候条件下表现出不同的行为。这些发现不仅有助于理解海洋锋面对海洋生态系统和环境变化的影响，也为相关领域的研究提供了科学依据。同时，本研究也为深度学习模型在海洋学中的应用提供了新的案例，展示了其在处理复杂海洋数据时的潜力。未来的研究可以进一步探索这些模型在其他海洋区域的应用，并结合更多气候变量，以提高对海洋锋面变化的预测能力。