具有物理感知能力的深度学习技术，用于重建南海无间隙的海表温度数据

《ISPRS JOURNAL OF PHOTOGRAMMETRY AND REMOTE SENSING》：Physically-aware deep learning for reconstructing gap-free sea surface temperature in the South China Sea

　　

苏长伟|陈思宇|赵俊

中山大学海洋科学学院，工业产品环境适应性国家重点实验室，暨南海洋科学与工程广东实验室（珠海），中国广东省珠海市519000

摘要

由于云层覆盖、传感器限制和轨道间隙导致的缺失数据，仍然是许多卫星衍生地球物理产品的根本挑战，这限制了它们在环境监测和气候研究中的实用性。为了解决这个问题，我们提出了一个基于物理知识的深度学习框架——周边特征辅助傅里叶变换卷积双向LSTM（PFTCBiLSTM），用于从不完整的遥感图像中重建时空连贯的场。该模型结合了傅里叶域卷积层（捕获空间频率特征）和双向循环单元（表示非线性时间依赖性），同时辅助地球物理驱动因素为海气相互作用提供物理背景。以南海地区的地球静止卫星观测数据作为测试案例，PFTCBiLSTM相比先进的基线模型显示出显著改进。最终配置将平均绝对误差（MAE）从FTC-LSTM的0.33°C降低到0.21°C，均方根误差（RMSE）从0.51°C降低到0.35°C，同时将结构相似性指数（SSIM）提高到0.98，并保持R2=0.98。通过与NOAA iQuam实地观测的独立验证，确认了其在深盆地和沿海地区的稳健性能，特别是在云层较多和动态复杂的区域。敏感性实验、Shapley加性解释（SHAP）和使用投影梯度下降（PGD）的对抗性鲁棒性测试进一步突出了模型的稳定性和可解释性。尽管这里展示的是用于海洋学应用，但所提出的框架可以为遥感图像重建提供可转移的解决方案。其设计可以轻松扩展到其他卫星衍生变量，包括叶绿素-a浓度、气溶胶光学深度和盐度，为推进各种地球观测领域的时空数据恢复提供了一种多功能方法。

引言

海表温度（SST）是海洋学和气候观测系统中的一个基本变量，对大气环流、天气模式和海洋生态系统有显著影响（Donlon等人，2012年）。它在研究气候变异性、海气相互作用和海洋生态过程方面起着核心作用（Trenberth等人，2007年）。特别是日变化SST，对于调节大尺度海洋-大气现象至关重要，包括厄尔尼诺-南方涛动（ENSO）、马登-朱利安涛动（MJO）和云形成（Chen和Houze，1997年；Fallmann等人，2017年；Yang等人，2023年）。在当前的卫星平台中，Himawari-8地球静止卫星特别值得注意，因为它提供了高时间分辨率的观测数据，时间间隔从10分钟到每日合成数据不等，覆盖亚太地区（Bessho等人，2016年）。尽管有这些优势，但由于云层覆盖、太阳反射、邻近效应、大气校正误差和极端观测几何形状，卫星衍生的SST产品的质量和可用性经常受到影响（Dong等人，2019年；Li等人，2022年）。这些因素造成了显著的空间和时间间隙，从而限制了SST产品在下游分析中的应用，如海洋热浪（MHW）研究、ENSO监测和海洋灾害预测。

由于问题的不适定性，重建缺失的SST数据本质上具有挑战性（Young等人，2024年）。传统的插值技术，如最优插值（OI）和数据插值经验正交函数（DINEOF），依赖于平滑性假设，难以再现尖锐的梯度和细尺度结构（Alvera-Azcárate等人，2005年；Alvera-Azcárate等人，2009年）。相比之下，深度学习方法由于能够从大型数据集中学习非线性、多尺度的时空模式而显示出巨大潜力（Baker等人，2023年；Barth等人，2020年；Jang等人，2024年）。卷积神经网络（CNNs）已被证明能有效提取复杂的空间特征（Cui等人，2025年；Hong等人，2023年；Wang和Li，2024年；Yang等人，2025年；Zhao等人，2017年），而循环神经网络（RNNs）和混合架构增强了时间连贯场的重建（Chen等人，2025年；Qiao等人，2025年；Xu等人，2022年）。值得注意的进展包括部分卷积（Lops等人，2021年）和快速傅里叶卷积（FFC）（Ou等人，2025年），它们分别改善了对不规则缺失区域的处理和频率域特征的捕捉。对于时空重建，模型如ConvLSTM（Zhou等人，2024年）、DINCAE（Barth等人，2022年）、基于注意力的时间融合网络（Su等人，2024年）和SGD-SM、SGD-SM2.0（Wang等人，2025b；Zhang等人，2022年；Zhang等人，2021年）成功地利用了空间结构和时间动态。

将卷积编码器与基于循环或变换器的时间解码器结合的混合架构进一步提高了动态地球观测数据集中的间隙填充精度（Moreno-Martínez等人，2020年；Wang等人，2025c）。生成对抗网络（GANs）也被应用于生成视觉上逼真的SST重建（Hirahara等人，2022年；Jung等人，2025年）。然而，高视觉真实性并不保证物理准确性，基于GAN的方法可能会生成伪影或不稳定的输出（Wang等人，2023年）。在实践中，尤其是在像南海（SCS）这样动态复杂的区域，在持续云层覆盖下准确重建SST仍然特别具有挑战性，那里强烈的海气相互作用和中尺度变异性进一步增加了重建难度。当时间序列被严重遮挡时，所提出方法捕捉突然变化的能力会减弱，长期的数据丢失通常会导致过度平滑和精度下降（Chen等人，2024年）。尽管最近的时空深度学习进展显著提高了SST重建性能，但这些数据驱动的方法仍然严重依赖于SST观测的可用性和连续性。在持续云层覆盖下，输入序列变得高度碎片化，即使复杂的模型也可能难以恢复物理上一致的结构并准确捕捉快速的热变化。此外，卫星衍生的SST产品通常包含观测噪声，这会进一步降低仅依赖数据驱动学习的重建质量。为了应对这些挑战，辅助环境变量提供了不受云层污染直接影响的宝贵物理信息。短波辐射（SWR）和海表风速（SSW）是日变化SST变性的关键驱动因素（Hihara等人，2015年；Yan等人，2023年）。在晴朗的天空和弱风条件下，强烈的SWR输入可以产生日变暖层，使SST比清晨值升高2-3°C（Pimentel等人，2008年）。相反，较强的风会增强垂直混合，减少日变化SST的幅度。将这些周边特征整合到SST重建模型中可以改善对快速变化的捕捉，并在高云条件下提高重建的保真度。

为了解决这些挑战，我们提出了一个周边特征辅助傅里叶变换卷积双向LSTM（PFTCBiLSTM）模型，该模型基于傅里叶变换卷积LSTM（FTCLSTM）框架（Chen等人，2024年）构建。PFTCBiLSTM集成了一个周边特征辅助的编码器-解码器来模拟辅助变量（SWR、SSW、纬度、经度、一年中的日期）与SST之间的关系，一个FTC-BiLSTM编码器-解码器从SST时间序列中提取空间特征和时间依赖性，以及一个融合机制，即使在广泛的云层覆盖下也能重建SST。特别是，FTC模块在频率域中操作，提供了一个有效的全局感受野，使模型能够从严重碎片化的观测数据中恢复大尺度连贯结构。同时，BiLSTM结构捕获了双向时间依赖性，允许模型利用过去和未来的上下文信息来提高在持续云层覆盖条件下的重建一致性。此外，光谱过滤和时间聚合的结合有助于抑制观测噪声，进一步提高重建SST场的稳健性。我们的目标有三个：（1）开发PFTCBiLSTM架构，在SCS上生成无间隙的SST；（2）将其性能与最先进模型进行定量比较；（3）通过消融和敏感性分析评估其稳健性和可解释性。尽管这里是用海表温度来展示的，但所提出的框架解决了一个通用的遥感问题——从不完整图像中重建时空连贯的场——这对于陆地表面温度、叶绿素浓度、气溶胶光学深度和其他地球物理参数同样相关。

章节片段

研究区域

南海（SCS）位于西太平洋（图1），是一个具有重大气候、生态和地缘政治意义的区域。它包含了从珊瑚礁和海草床到深盆地和大陆架的各种海洋生态系统，支持高生物多样性和大量的初级生产力。该盆地的海洋动力学受到季风驱动的洋流、中尺度涡旋和季节性上升流的复杂相互作用的影响

消融分析和最佳架构选择

通过系统地改变时空分支（Encoder1–Decoder1）中的FTC-LSTM层数量和周边特征分支（Encoder2–Decoder2）中的FTC块数量进行了消融分析，同时保持参数总数在±0.5%以内以确保公平比较。所有配置都在初始数据集（2020年1月–2024年6月）上进行了训练，并使用独立数据集（2024年6月–2025年5月）进行了验证，以评估真正的泛化能力。

基于PGD的敏感性测试

基于PGD的扰动实验定量评估了PFTCBiLSTM对观测噪声的鲁棒性，包括主要SST序列和辅助驱动因素（SSW和SWR）。扰动按每个变量动态范围的分数（ε）进行缩放，结果揭示了明显的敏感性层次结构（图12）。在预测时间步骤对SST进行的扰动导致稳定性最快丧失：ε=5%使盆地范围的MAE从0.21°C增加到大约

结论和未来工作

本研究开发并评估了一个基于物理知识的深度学习框架PFTCBiLSTM，用于在严重云层污染下从地球静止卫星观测数据中重建无间隙的海表温度场。通过集成傅里叶域卷积层、双向循环单元和辅助地球物理驱动因素，该模型捕获了频率域结构和非线性时间动态，实现了在准确性和稳健性方面的显著改进

CRediT作者贡献声明

苏长伟：撰写 – 审稿与编辑，撰写 – 原始草稿，可视化，验证，数据管理，概念化。陈思宇：撰写 – 审稿与编辑，撰写 – 原始草稿。赵俊：撰写 – 审稿与编辑，撰写 – 原始草稿，资金获取，概念化。

利益冲突声明

作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文报告的工作。

致谢

本研究的资金支持来自暨南海洋科学与工程广东实验室（珠海）（资助编号#SML2024SP029）、国家自然科学基金（资助编号#42176173和#42476168）以及暨南海洋科学与工程广东实验室的创新小组项目（资助编号#311020004）。作者感谢日本宇宙航空研究开发机构（JAXA）、欧洲中期天气预报中心（ECMWF）和