人工智能方法重建印-太交汇区次表层三维洋流取得新进展

　　

中国科学院南海海洋研究所热带海洋环境与岛礁生态全国重点实验室海洋动力热力过程及其环境效应研究团队在印-太交汇区（Indo-Pacific Convergence Zone, IPCZ）次表层三维洋流重建方面取得新进展。相关研究成果以“AI-Based Reconstruction of Eddy-Resolved Subsurface Currents in the Indo-Pacific Convergence Zone”为题，发表在IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing期刊上。

研究背景

海洋次表层洋流在能量传递、物质输运和湍流混合中发挥着重要作用，但受观测资料稀缺和数值模式不确定性等因素制约，其高精度重建仍面临挑战。传统动力重建依赖地转平衡，缺乏非平衡态过程的刻画能力，数值模拟和资料同化方法往往消耗大量机时，存在时间延迟问题且会引入模型误差，深度学习能够充分利用海表信息快速重建次表层洋流，在突破非平衡态海流重构方面有着显著的优势。为此，研究团队开发了基于深度学习的次表层流重建模型DLSCR。该模型采用Swin-Unet架构，以海表流速、海表高度、温度、盐度及风应力等7个海表变量为输入，实现了印-太交汇区（IPCZ）1/12°分辨率、最深约643 m的三维次表层洋流重建（图1）。模型基于1993—2022年GLORYS12和ERA5逐日再分析数据进行训练与评估，为高分辨率海洋次表层流场重建提供了新方法。

图1 DLSCR次表层流重建模型流程及印-太交汇区三维重建结果示意图。

研究结果

在2020—2022年独立测试中，DLSCR重建的纬向和经向流速平均均方根误差分别为0.060 m/s和0.056 m/s，整体精度优于U-Net和TransUNet等基线模型，尤其在100—200 m温跃层表现突出。ADCP实测及HYCOM跨数据集检验进一步验证了模型的可靠性和泛化能力。在海洋动力过程重建方面，模型能够较好再现黑潮脱落反气旋涡的传播过程及其三维流速结构，并准确刻画北赤道流和黑潮的流速分布与流轴位置，展现了重建复杂三维海洋环流的能力。

为揭示AI模型的物理可解释性，研究团队开展了60天低通滤波输入扰动和变量消融实验。结果表明，海表流速（U/V）是次表层洋流重建最关键的信息来源，海表高度（SSH）次之。替换表层纬向流速 U（经向流速 V），会使次表层 U（V）的均方根误差均值大幅上升，增幅达 9.2%（11.0%）；替换海面高度 SSH 带来的误差增幅为 2.9%（3.9%）。其余变量的影响可忽略不计。其中，海表流速的影响主要集中在混合层（0—50 m），而SSH在温跃层（50—150 m）的作用更为突出（图2）。

该研究揭示了深度学习重建次表层洋流所依赖的关键海表信息，为海洋三维流场的高精度重建提供了新方法，并具有向其他海域乃至全球推广的潜力。

图2 海表输入变量对次表层洋流重建误差的相对重要性。

研究团队及资助

该论文第一作者为博士研究生段钦，通讯作者为研究员杜岩和研究员张玉红。其他合作者包括同单位的硕士研究生李鑫龙、博士研究生郑宇航、副研究员王闵杨、助理研究员夏一凡、博士后吴炜、副研究员张莹、助理研究员张涟漪，以及南方海洋科学与工程广东省实验室（广州）的孙启伟博士。该研究得到国家自然科学基金、广东省自然科学基金杰出青年项目、中国科学院战略性先导科技专项及广东省高层次人才发展计划的联合资助。研究所需的数值计算资源由中国科学院南海海洋研究所高性能计算中心提供支持。

论文信息：

Duan, Q., Li, X., Zhang, Y., Zheng, Y., Wang, M., Xia, Y., Wu, W., Zhang, Y., Sun, Q., Zhang, L., & Du, Y. (2026). AI-based reconstruction of eddy-resolved subsurface currents in the Indo-Pacific Convergence Zone. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing.

原文链接：

https://doi.org/10.1109/JSTARS.2026.3740366