《Applied Computing and Geosciences》：Prediction of the temperature profiles using the generative model and the stacking ensemble method in a marginal sea
编辑推荐：
本文针对陆缘海（如日本/东海）因观测数据稀疏导致传统机器学习模型难以准确预测次表层温度剖面的难题，提出了一种结合生成式模型与堆叠集成方法的创新框架。研究利用Triplet-based VAE、CTGAN和CopulaGAN生成物理一致的合成数据以扩充仅有31条实测剖面的稀疏数据集，并构建了以KNNR、SVR、RFR为基础模型、线性回归为元学习器的堆叠集成预测模型。结果表明，通过数据增强，模型在2月和8月的预测RMSE分别从2.51、3.60显著降低至1.20、2.45，性能优于HYCOM再分析数据。该研究为解决数据稀缺海域的次表层温度精准预测提供了有效方案，对理解海洋热结构、支持海洋生态与气候研究具有重要科学价值。
海洋，这个覆盖地球约71%表面的巨大水体，是地球气候系统最关键的能量储存库。它吸收了约93%的全球变暖额外热量，其中的温度分布深刻影响着全球的洋流、天气模式乃至生态系统的健康。然而，我们对海洋的理解常常止于“表面”——借助卫星，我们可以方便地获取大范围的海表温度(SST)和海面高度(SSH)信息。要探知海面之下，温度如何随深度变化，则困难得多。获取次表层温度数据依赖昂贵的船载观测、浮标或Argo浮标网络，不仅成本高昂，且数据在时间和空间上都极为稀疏。在靠近大陆、水动力过程复杂的陆缘海，如东亚的日本/东海，情况更加严峻。这里存在强烈的中尺度涡旋（如郁陵暖涡UWE）、显著的季节性温跃层变化以及复杂的边界流，使得次表层温度剖面展现出极高的时空变异性。传统的海洋数值模型在此类海域往往力有不逮，而依赖大数据训练的机器学习方法，又苦于“无米之炊”——缺乏足够的高质量观测数据用于模型训练。
为了破解这一难题，由首尔国立大学地球与环境科学学院的Kwangwoog Jung、Yang-Ki Cho和Myeong-Taek Kwak组成的研究团队，在《Applied Computing and Geosciences》期刊上发表了一项创新性研究。他们并未试图获取更多难以企及的实测数据，而是另辟蹊径，提出了一个“从无到有，以少生多”的两阶段智能框架。这个框架的核心思想是：首先，利用先进的生成式人工智能，基于极其有限的实测次表层温度剖面，“学习”其内在的统计分布与物理特征，并生成大量物理上合理、统计上相似的“合成”温度剖面数据，从而极大扩充训练数据集。然后，在这个增强后的数据集上，训练一个强大的堆叠集成机器学习模型，该模型能够仅凭容易获取的海表卫星数据（SST和SSH），就精准预测出从海面到500米深度的完整温度剖面。这项研究不仅显著提升了在数据稀缺的陆缘海进行次表层温度预测的准确性，更开创性地为地球科学中普遍存在的数据匮乏问题提供了一种可推广的智能化解决方案。
为了开展这项研究，作者们采用了几个关键的技术方法。首先，是数据增强技术：他们评估了三种专门为表格数据设计的生成式模型——Triplet-based变分自编码器(TVAE)、条件表格生成对抗网络(CTGAN)和CopulaGAN，用以从日本海郁陵暖涡区域一个固定观测站（37.06°N, 130.31°E）在1993-2012年间仅有的31条有效温度剖面中，学习并生成约4000条合成剖面。生成的合成数据经过了严格的统计检验（如p值检验）和物理一致性筛查（如合理的温度范围、垂直稳定性）。其次，是堆叠集成建模：在预测阶段，研究构建了一个两层的堆叠集成模型。第一层是三个异质的基础回归模型：K-最近邻回归(KNNR)、支持向量回归(SVR)和随机森林回归(RFR)。第二层是一个多输出线性回归模型作为元学习器，负责学习如何最优地组合三个基础模型的预测结果。最后，是多源数据融合：模型输入整合了来自AVHRR传感器的海表温度数据、来自CMEMS的海面高度数据以及时间（月份）信息，输出则是14个标准深度层的温度，构建了一个多输出回归任务。研究使用了1993-2012年的增强数据训练，并用2013-2017年的独立实测数据进行验证。
研究结果显示，作者提出的方法在数据生成和模型预测两个方面都取得了显著成效。
4.1. 数据生成
生成的合成数据在统计分布上与实测数据高度相似。通过直方图与核密度估计对比可见，无论是在代表冬季混合层特征的2月，还是在代表夏季强温跃层特征的8月，合成数据（红色）的分布都能很好地覆盖和匹配实测数据（蓝色）的分布。 差异矩阵图进一步显示，合成与实测数据在大部分深度和温度区间的差异很小，最大值不超过0.3°C。统计显著性检验（p值测试）也表明，在大部分深度上，合成数据与实测数据在99%的置信水平下无显著差异，证明了生成数据的可靠性。
4.2. 模型预测
使用增强数据训练的堆叠集成模型，在2013-2017年的独立测试期表现优异。模型成功捕捉了日本海典型的季节性变化：在冬季（2月），预测出了从海面至约200米深度接近均一的温度结构，对应郁陵暖涡的特征；在夏季（8月），则准确再现了强烈的温跃层。 与广泛使用的HYCOM海洋再分析数据相比，该集成模型在2月的预测均方根误差(RMSE)从HYCOM的3.72显著降低至1.20，平均绝对误差(MAE)从1.48降至0.96，显示出更高的精度。
4.3. 模型工作效率分析
数据增强对各个基础模型性能提升效果明显。例如，在2月，KNNR模型使用合成数据后，MAE从1.96降至1.03，RMSE从2.51降至1.67；SVR模型的MAE从1.49降至0.98，RMSE从2.43降至1.70。在8月，提升同样显著。最终的堆叠集成模型综合了各基础模型的优势，其预测准确性（MAE: 0.96和1.92；RMSE: 1.20和2.45；相关系数r: 0.93和0.97）均优于任何单一的基础模型，证明了集成学习的有效性。
结论与讨论部分对研究的价值和未来方向进行了深入阐述。本研究成功证明了生成式数据增强与堆叠集成学习相结合的策略，能够有效解决陆缘海次表层温度预测中的数据稀缺瓶颈。所生成的合成数据不仅统计特性逼真，而且蕴含了关键的物理过程信息（如季节性温跃层、涡旋结构），使得机器学习模型能够学习到更丰富、更稳健的海表-次表层关系。
其重要意义体现在多个层面：在方法论上，它为解决地球科学乃至其他数据稀缺领域的建模问题提供了一个可扩展的框架，即“生成-增强-集成”的范式。在科学认知上，提升的预测能力有助于更精确地刻画陆缘海的热结构变化，这对于理解区域海洋热输运、生态系统动力学（郁陵暖涡是重要的高生产力区）以及气候变异至关重要。在应用价值上，该模型能够以较低成本、较高频率提供次表层温度信息，有望支持渔业管理、海洋工程和军事海洋学等实际应用，其性能甚至优于复杂的物理海洋模型（HYCOM）在区域尺度的表现。
当然，研究也存在局限性并为未来方向指明了道路。模型在2015年8月异常情况（次表层残留暖涡）下的预测略有偏差，提示需要进一步提升生成式模型对罕见或极端事件的表征能力。未来的工作可以扩展到多变量（如温度-盐度联合）的合成与预测，以确保物理关系的一致性；也可以将框架应用于更长的时间尺度，以研究年代际变异和气候变化影响。此外，将该框架与更广泛的基线模型（如神经网络、多元线性回归）进行系统对比，将有助于更全面地评估其普适性和最优模型选择。
总而言之，这项研究如同一把钥匙，打开了利用人工智能“创造”数据、从而深化我们对复杂自然系统认知的新大门。它表明，在数据匮乏的挑战面前，人类并非束手无策，通过智能算法的巧妙设计，我们能够从有限的“已知”中，发掘出更深、更广的“未知”，为可持续地探索和利用海洋资源贡献了宝贵的智慧方案。
