PRUF-SST：面向不确定性引导预测的云遮挡海表温度概率性重建

《ISPRS JOURNAL OF PHOTOGRAMMETRY AND REMOTE SENSING》：PRUF-SST: probabilistic reconstruction of cloud-obscured sea surface temperature for uncertainty-guided forecasting

　　云污染干扰卫星海表温度（SST）观测，而传统的重建-预测工作流往往将所有重建值视为同等可靠，导致局部误差传播到多步预测中。为解决这一问题，我们提出PRUF-SST，一个用于云遮挡SST概率重建和不确定性引导预测的统一框架。在概率重建方面，我们设计了一个物理嵌入贝叶斯神经场（PE-BNF），该模型在每个历史窗口内仅利用无云观测独立拟合。PE-BNF将海平面异常作为动力学协变量嵌入，从深度集成构建逐像素高斯混合预测分布，并应用自动最优分位数选择生成逐日特定确定性重建。在可靠性感知预测方面，我们进一步设计了相对不确定性引导调制模块（RUGM），将重建可靠性传递到ConvLSTM编码器中。训练集稀疏化评估相对不确定性是否能有效排序重建误差风险；当得到支持时，RUGM衰减高不确定性重建特征，否则采用恒等门控。在南海，PRUF-SST在对比方法中取得了最佳整体预测性能，MAE为0.239°C，相较于最强基线降低约3.6%，同时从第+1天到第+3天保持最低MAE。沿所采用的顺序消融路径，与基于PE-BNF的重建增强和RUGM相关的增量收益分别占总MAE减少的41.7%和58.3%，以及总PSNR提升的48.8%和51.2%。南海实验支持可靠的不确定性校准和基于相对不确定性的有效误差排序，而墨西哥湾流的自然云测试以及独立的Argo验证支持该框架的跨区域适用性。这些结果为云遮挡SST提供了一个集成的概率重建和可靠性感知预测框架，并突显了概率深度学习在不确定性感知海洋遥感应用中的潜力。

引言

海表温度（SST）是理解和预测海洋-气候动力学的重要气候变量，因为它调节全球能量平衡、介导海气相互作用并塑造海洋生态系统过程（Kessler等，2022；Müller等，2025；Terhaar等，2025）。卫星遥感，特别是来自MODIS、AVHRR和VIIRS等传感器的热红外观测，以高空间分辨率和频繁的时间覆盖提供了全球SST观测（Jia和Minnett，2020；Liang和Ignatov，2013）。

然而，红外SST反演受到大气干扰的强烈影响，尤其是云覆盖（Cai等，2025）。由于云对热红外辐射的不透明性，持续的云污染会遮挡大面积海洋表面，在卫星SST产品中产生广泛而不规则的间隙（Shi等，2024b）。这些间隙阻碍了海洋学分析、数据同化和环境监测，同时也降低了依赖空间连续历史SST序列的预测模型性能。

在实际应用中，预测模型通常需要空间完整的历史SST序列。因此，常见的工作流首先重建云遮挡的SST场，然后利用完整序列预测未来海洋状态（Zhang等，2025a）。这种重建-预测范式将缺失数据恢复与后续时空预测联系起来。然而，重建的SST值是估计值，具有空间异质性的可靠性，而非均匀可信的观测。将所有重建值视为同等可靠可能导致局部重建误差传播到下游预测中。因此，预测可靠性不仅取决于预测模型本身，还取决于重建不确定性如何被表征和利用。

传统SST重建方法主要包括地统计插值方法，如克里金法（Rossi等，1994），以及基于分解的方法，如数据插值经验正交函数（DINEOF）（Beckers和Rixen，2003）。由于其鲁棒性和可解释性，这些方法在海洋学应用中仍被广泛使用（Alvera-Azcárate等，2016；Castant等，2024）。然而，平稳协方差、线性表示或低秩结构的假设可能抑制高频变异性，并产生过度平滑的重建结果，特别是在热锋和中尺度特征附近（Barth等，2020）。基于深度学习的方法因其表示复杂非线性关系的能力而成为强有力的替代方案（Dong等，2023；Fan等，2025；Wang和Li，2023）。卷积神经网络已被用于通过利用局部空间结构和时间连续性恢复多变量数据间隙（Wang等，2025a），而生成对抗网络、基于Transformer的模型和扩散模型已显示出恢复精细尺度结构和捕获长程依赖的潜力（Li等，2025；Xu等，2022；Zhang等，2025a）。针对SST特定重建，DINCAE引入了卷积神经网络方法，在重建不完整卫星SST的同时提供逐像素误差估计（Barth等，2020）。最近，SGD-SST采用深度时空融合生成无缝全球每日SST场，SGD-SST 2.0通过自适应时空建模进一步将该策略扩展到长期跨传感器SST重建（Wang等，2025c；Wang等，2026）。然而，依赖训练期间空间完整目标场的监督重建方法在真实云条件下难以部署，因为持续云层下的真实SST不可得。

为提高数据驱动重建的物理相关性，海洋学知识日益通过物理损失函数、网络架构和具有动力学意义的辅助变量被纳入。准地转关系、日变化热力学过程和跨模态物理一致性已被引入地球物理场重建中（Dai等，2025；Martin等，2023；Young等，2024）。这些发展可以提高确定性重建精度和结构真实性，但许多方法仍主要产生单一确定性估计。仅凭平均重建精度无法揭示单个重建像素是否同等可靠，特别是在观测约束稀疏或SST场包含强梯度和复杂中尺度变异性的情况下。

概率深度学习提供了一种自然的方式来表征重建可靠性，通过将重建结果表示为预测分布而非单一确定性场（Price等，2025）。因此，变分自编码器、贝叶斯神经网络和基于集成的方法已被越来越多地探索，以在重建值旁边生成逐像素不确定性估计（Akitsu和Nasahara，2022；Saad等，2024；Santos-Fernandez等，2025；Zhang等，2025b）。然而，生成不确定性估计的能力并不一定意味着这些估计可靠地反映实际重建误差或可以直接用于后续预测。因此，在概率SST重建中仍存在若干挑战。海洋动力学协变量并不总是被明确纳入概率表示；逐像素不确定性与实际重建误差风险之间的关系很少被直接评估；不确定性估计通常保留用于可视化、预测区间报告或事后质量评估，而非用于调节下游任务（Werther等，2025；Xu等，2025）。因此，对于概率SST重建，关键问题不仅在于能否估计不确定性，还在于它是否提供关于重建误差风险的可靠信息，以及该信息能否进一步被利用。

这一问题在重建-预测应用中尤为重要。短期SST预测日益采用循环和注意力架构，包括ConvLSTM、PredRNN和基于Transformer的模型，以从历史海洋观测中学习非线性时空演化（He等，2026；Wang等，2025b；Wang和Jiang，2024；Zhang等，2022）。尽管这些模型显著推进了多步SST预测，但许多模型假设空间完整的历史输入或未明确考虑直接观测SST值与重建SST值之间的可靠性差异。一旦重建场被引入历史输入，局部重建误差可能扭曲提取的时空特征，并随后传播到未来预测中。因此，在重建-预测工作流中，仅提高重建精度可能不足；重建信息的贡献也应根据其估计可靠性进行调节。

一个相关的视角已在更广泛的机器学习和计算机视觉文献中出现，其中不确定性感知学习不仅用于表征预测可靠性，还用于选择可靠信息、抑制不确定预测的影响以及指导后续学习或推断（Ji等，2023；Kaya等，2022；Wang等，2021）。最近的研究也证明了不确定性信息在可靠性敏感的海洋遥感应用中的潜在价值。例如，在海洋锋面检测中，不确定性估计可为识别动力学重要结构提供补充信息（Gao等，2026）。这些进展表明，不确定性可以从被动诊断输出转变为下游学习的任务相关信息。然而，在海洋变量预测中，重建不确定性如何首先被评估其反映实际重建误差风险的能力，然后在具有信息量时用于调节重建输入的贡献，仍未得到充分探索。概率重建和SST预测在很大程度上是作为独立组件发展的，从逐像素重建不确定性到重建误差风险评估再到下游预测调节的完整路径尚不清晰。

综合来看，这些局限性揭示了两个耦合的方法论缺口。首先，云遮挡SST重建需要一种能够从不完整观测中学习、纳入海洋动力学信息并提供空间分辨重建可靠性指标的概率表示。其次，所得不确定性必须评估其反映实际重建误差风险的能力，并且仅在具有信息量时转换为调节重建信息对下游预测贡献的操作信号。仅解决第一个缺口可能使不确定性主要作为诊断输出而不直接影响预测过程，而忽视重建可靠性则允许不确定的重建值以与可靠观测相同的方式影响预测。因此，需要一个连接概率重建、可靠性评估和不确定性引导预测的统一框架。

为解决这些耦合缺口，我们提出PRUF-SST，一个统一的将云遮挡SST概率重建与可靠性感知短期预测联系起来的阶段框架。在第一阶段，所提出的物理嵌入贝叶斯神经场（PE-BNF）仅利用可用无云观测进行窗口式概率重建，并生成空间完整的SST场以及逐像素相对不确定性（RU）场。在第二阶段，训练数据信息驱动的稀疏化分析首先评估RU是否能有效排序重建误差风险。当该关系得到支持时，所提出的相对不确定性引导调制模块（RUGM）将RU转换为ConvLSTM编码器内的空间特征门控；否则采用恒等门控。PRUF-SST因此允许重建信息根据经验评估的重建可靠性对第+1天至第+3天预测做出贡献。

本研究的贡献有三个方面。第一，PRUF-SST建立了从概率SST重建到下游预测的明确可靠性路径，将重建、不确定性评估和预测整合起来，而非将它们视为独立任务。第二，我们设计了PE-BNF作为窗口式概率重建策略，该策略在操作时不使用云层下的隐藏SST值，将SLA作为海洋动力学协变量纳入，并提供空间完整的SST场和基于逐像素不确定性的可靠性指标。第三，我们引入了训练数据信息驱动的可靠性评估以及RUGM，该模块仅在误差排序能力得到经验支持时，有条件地将重建不确定性从诊断输出转换为空间特征调制信号。该框架在受控和自然云条件下通过重建和不确定性分析、多步预测比较、消融研究、跨区域评估和独立Argo验证进行系统评估。

本文其余部分组织如下。第2节介绍研究区域和数据集，并呈现完整的PRUF-SST方法。第3节呈现受控南海实验的重建、不确定性可靠性和预测结果。第4节在墨西哥湾流区域的真实云条件下评估该框架，并讨论其物理解释、计算特性、局限性和未来研究方向。最后，第5节总结主要结论。

章节片段

研究区域

选取两个代表性海洋区域——南海（SCS）和墨西哥湾流（GS）——分别用于在受控和自然云条件下评估所提出的PRUF-SST框架（图1）。

南海研究区域跨越107°E–121°E和8°N–25°N，是模型开发、受控评估和消融分析的主要区域。该区域表现出明显的季节性变化、中尺度结构和频繁的云污染，提供了

结果

本节沿完整重建-预测工作流评估PRUF-SST。分析解决三个连续问题：（1）PE-BNF能否在提供概率输出的同时准确重建云遮挡SST；（2）所得RU场能否有效排序重建误差风险；（3）RUGM能否利用该可靠性信息改善从第+1天到第+3天的SST预测。

墨西哥湾流区域的跨区域适用性

为评估PRUF-SST的方法设计在动力学特征不同的海洋区域是否仍然有效，我们进一步在自然不完整卫星观测下检验其在墨西哥湾流的重建和预测性能。相同整体框架独立应用于墨西哥湾流数据，不转移在南海训练的参数。因此，该实验代表了一个涉及变化的复合跨区域适用性测试
结论
本研究提出了PRUF-SST，一种统一的概率重建到预测框架，从可靠性感知的角度处理受云影响的海表温度预测。PRUF-SST不是仅仅通过更精确的确定性重建或越来越复杂的预测架构来寻求预测改进，而是研究与重建历史输入相关的不确定性是否可以被量化、评估，并用于指导下游预测。
CRediT 作者贡献声明
Luochuan Xu：写作—审阅与编辑，写作—初稿，可视化，验证，监督，软件，资源，方法学，调查，形式分析，数据管理，概念化。Jian Xu：写作—审阅与编辑，写作—初稿，资金获取。Anmin Zhang：写作—审阅与编辑，写作—初稿，可视化，概念化。Yaorong Zhang：写作—审阅与编辑，写作—初稿。Dan Chen：写作—初稿。
利益冲突声明
作者声明，他们没有已知的、可能影响本文所报告工作的竞争性经济利益或个人关系。
致谢
本研究得到了中国国家自然科学基金[资助号 41706106]的资助。
代码可用性声明
PEBNF重建和RUGM预测模块的源代码公开可用。（https://github.com/xuluochuan340-hub/PRUF-SST）
Luochuan Xu | Jian Xu | Anmin Zhang | Yaorong Zhang | Dan Chen | Linglong Chen | Jiyao Qiao | Ziye Deng | Yifan Meng | Onn Yee Yoanna Tan