综述：海洋深度学习模型的可预测性研究：以黑潮入侵南海为例

《Ocean Modelling》：The predictability study of oceanic deep learning models: taking Kuroshio intrusion into South China Sea as an example

黑潮侵入南海预测的可预测性研究，基于Unet构建的深度学习模型能14天预测黑潮侵入路径，通过CNOP方法分析输入数据误差的影响，发现正/负海面高度异常误差（CNOP1/CNOP2）分别导致黑潮增强/减弱入侵，吕宋海峡附近为敏感区，修正该区域数据误差可使预测精度提升超20%。

　　在现代海洋科学研究中，预测能力一直是关键议题。大气和海洋数值模型的预测能力已经被广泛研究，这些研究对于指导和改进预测具有重要意义。然而，随着深度学习技术的迅猛发展，其在海洋和气候预测中的应用也逐渐增多，但关于深度学习模型预测能力的研究却相对较少。本研究旨在通过分析深度学习模型的预测能力，探索其在预测黑潮入侵（KI）进入南海（SCS）过程中的表现，并利用条件非线性最优扰动（CNOP）方法来识别模型对输入数据的敏感区域。

深度学习技术近年来取得了显著进展，得益于计算能力的提升、核心算法的突破以及海量数据的支持。人工智能，特别是深度学习，已被广泛应用于大气和海洋预报领域，成为当前研究的热点。深度学习在天气预报中的应用尤为突出，其预测精度可以与传统数值模型相媲美，甚至更高，但计算成本却显著降低。例如，某些深度学习模型在预测天气时表现出色，能够以较低的资源消耗实现较高的准确性。

在海洋和气候预测方面，深度学习同样展现出巨大的潜力。它已被成功应用于预测典型的海表温度（SST）异常分布，包括厄尔尼诺-南方涛动（ENSO）事件和印度洋偶极子（IOD）事件。这些模型在预测能力上优于大多数传统数值模型。此外，深度学习还被用于预测海表高度（SSH）场、黑潮路径及其体积输运，并且能够重建三维的海洋温度、盐度和流速场。这些成果表明，深度学习模型在提升海洋现象预测能力和理解方面具有重要作用。

然而，深度学习模型的预测能力仍然存在诸多未解之谜。首先，深度学习模型的预测结果严重依赖于输入数据的质量，而海洋观测数据本身不可避免地存在误差。因此，如何评估输入数据误差对预测结果的影响成为一个重要问题。其次，哪些特定的输入数据误差会对预测结果产生最大的影响？这些问题在传统数值模型的研究中已经被深入探讨，但目前在深度学习模型中的研究仍显不足。

近年来，一些研究开始关注深度学习模型的预测能力。例如，Selz和Craig（2023）基于Pangu模型发现，初始数据误差在深度学习模型中可能不会迅速增长，从而对预测结果的影响有限。然而，Bülte等人（2024）则通过同一模型指出，初始数据中的扰动仍然可能对预测结果产生显著影响。这表明，深度学习模型的预测能力问题仍需进一步研究。

在深度学习模型中，研究预测能力的方法主要包括热图分析和遮挡敏感性分析。热图分析基于梯度加权类激活映射（Grad-CAM）技术，通过计算预测输出相对于输入数据的梯度来评估模型的敏感性。这种方法本质上是一种线性近似，难以全面考虑非线性因素的影响。遮挡敏感性分析则通过在特定网格点上遮挡输入数据，观察预测结果的变化来评估该网格点的重要性。这种方法虽然能够识别单个网格点的敏感性，但对于大规模的网格数据来说，需要进行大量重复计算，且无法考虑不同网格点之间的相互作用。

为了解决上述方法的局限性，本研究提出将CNOP方法引入深度学习模型，以进行预测能力和敏感性分析。CNOP方法最初由Mu等人（2003）提出，用于数值模型的预测能力研究。该方法是一种优化方法，能够全面考虑大气和海洋非线性过程对预测结果的影响。此外，CNOP方法仅需一次优化计算即可识别预测结果最敏感的因素，这对于提升预测能力具有重要意义。

本研究以黑潮入侵（KI）进入南海（SCS）为例，探讨深度学习模型的预测能力。黑潮是一种重要的海洋现象，其在 Luzon 海峡的入侵路径有多种状态，包括跳跃式、环流式和泄漏式。这些不同的入侵路径对南海的环流、生态系统和气候具有重要影响。因此，准确预测黑潮的入侵路径对于理解南海的海洋动力学和气候变化具有重要意义。

为了构建深度学习模型，我们选择了一组合适的卫星测高数据。这些数据能够有效区分黑潮的不同入侵状态。我们使用了来自Archiving, Validation, and Interpolation of Satellite Oceanographic dataset（AVISO）的每日海表高度（SSH）测高数据，该数据具有0.25°×0.25°的高空间分辨率，并涵盖了从1993年1月1日到2021年12月31日的长期观测数据。通过训练深度学习模型，我们能够准确预测黑潮入侵的路径状态。

在模型训练和测试过程中，我们发现基于Unet的深度学习模型在预测黑潮入侵方面表现出色，能够实现长达14天的预测。为了进一步分析模型的预测能力，我们引入了CNOP方法，计算了两种类型的CNOP误差：一种是正海表高度异常（SSHA）误差，称为CNOP1；另一种是负SSHA误差，称为CNOP2。这两种误差能够迅速增长，并对黑潮入侵预测产生显著影响。CNOP1倾向于产生反气旋式的SSHA误差，这与黑潮的环流路径相吻合，从而增强其入侵。而CNOP2则几乎具有相反的效果。

通过分析CNOP误差的空间结构，我们识别了模型对输入数据最敏感的区域，主要集中在Luzon海峡附近。这一发现表明，减少Luzon海峡区域的输入数据误差将对黑潮入侵预测产生更显著的改善。与遮挡方法或其他人工确定的敏感区域相比，CNOP方法能够更准确地识别出对预测结果至关重要的输入数据区域，从而提升预测能力。

此外，我们还分析了深度学习模型的预测结果，包括预测与观测之间的异常相关系数（ACC）、均方根误差（RMSE）以及分类准确率（CA）。结果表明，基于Unet的深度学习模型在预测黑潮入侵方面具有较高的准确性，其预测能力优于PredRNN和持续预测（persistence）模型。这进一步验证了深度学习模型在海洋预测中的有效性。

本研究的成果对于提升深度学习模型在海洋预测中的应用具有重要意义。通过引入CNOP方法，我们能够更全面地评估深度学习模型的预测能力，并识别出对预测结果影响最大的输入数据区域。这不仅有助于提高预测的准确性，还为未来的海洋预测研究提供了新的思路和方法。

在实际应用中，深度学习模型的预测能力评估和敏感性分析对于优化数据输入和模型结构具有重要价值。例如，在海洋观测数据存在误差的情况下，通过识别敏感区域，可以有针对性地提高数据质量，从而提升预测的可靠性。此外，对于深度学习模型的优化和改进，CNOP方法能够提供重要的指导，帮助研究者更有效地调整模型参数和结构，以提高其在复杂海洋环境中的表现。

总体而言，本研究通过引入CNOP方法，探索了深度学习模型在预测黑潮入侵方面的潜力，并揭示了输入数据误差对预测结果的影响。研究结果表明，CNOP方法能够有效识别深度学习模型的敏感区域，从而提升预测能力。这不仅为深度学习在海洋预测中的应用提供了新的视角，也为未来的研究提供了重要的参考价值。通过不断优化和改进深度学习模型，我们有望在海洋和气候预测领域取得更大的突破。