基于深度学习多变量降尺度方法重建高分辨率沿海水质数据 刘晓宇、 王轩、 童一聪、 李伟、 韩贵军

《Remote Sensing》：Reconstructing High-Resolution Coastal Water Quality Data Based on a Deep Learning Multivariate Downscaling Approach Xiaoyu Liu, Xuan Wang, Yicong Tong, Wei Li and Guijun Han

　　**亮点**
主要发现是什么？
将空间模式作为训练输入可以提升降尺度性能，相比直接的时间序列学习方法，因为它能够有效捕捉内在的空间特征。降尺度后的场展示了原始卫星观测中不可见的细尺度梯度和连续结构。

这一主要发现的意义是什么？
预训练的时间不变空间模式可以直接从低分辨率卫星观测数据中重建出统计上一致的高分辨率海洋场，适用于任何独立的测试。通过有效捕捉内在空间特征，所提出的方法生成了有意义的子网格信息，从而克服了标准海岸遥感数据的分辨率限制，并增强了其适用性。

**摘要**
高分辨率海洋数据的可用性对于基于证据的沿海环境管理和气候适应性规划至关重要，但仍然受到观测空白和精细尺度水动力建模高昂计算成本的制约。虽然降尺度技术提供了一条可行的途径，但目前的数据驱动方法往往缺乏统计物理关联，忽略了多变量环境相互作用，并且难以表示复杂的海岸地形。为了解决这些问题，我们提出了MEOFGAN——一个结合了多变量经验正交函数（MEOF）分解和生成对抗网络（GAN）的环境感知降尺度框架。该模型提取了耦合海洋变量的物理可解释空间模式，通过对抗训练学习它们的跨尺度转换，并系统地结合高分辨率水深信息作为静态环境约束，以提高空间保真度。当应用于渤海时，MEOFGAN成功将海表温度（SST）和海表高度（SSH）从1/4°降尺度到1/12°，与基准方法相比误差减少了30-68%，同时保持了生态相关的结构模式（SSIM > 0.92）。该框架通过重建渤海湾500米分辨率的叶绿素-a（Chl-a）、溶解氧（DO）和盐度分布，展示了强大的泛化能力，捕捉到了记录中的藻类繁殖事件期间的细尺度环境梯度。这项工作建立了一个方法论框架，可以作为生成高分辨率海岸数据集的范例。该框架不是作为一个普遍可转移的预训练模型，而是需要特定区域的训练和应用。以这种方式生成的数据可以直接支持水质监测、富营养化评估、栖息地制图和区域定制的气候适应策略。

**1. 引言**
沿海地区是陆地和海洋之间的动态区域，潮汐、沉积物的流动以及污染都在这里发生。所有这些过程都在更细的空间尺度上进行。这些过程对于沿海地区管理、洪水风险评估、风暴潮预测以及理解气候变化对脆弱海岸线的影响至关重要[1,2]。因此，在这些区域获取高分辨率数据对于准确的模拟、预测和明智的决策至关重要。

然而，获取此类高分辨率数据受到多种限制。尽管标准的现场测量提供了有价值的信息，但它们往往分布稀疏且维护成本高昂，因此无法提供全面的覆盖[3]。卫星遥感具有广泛的空间覆盖范围，但其重复访问频率、空间分辨率和对大气干扰（如云层覆盖）的敏感性存在固有限制[4]。此外，不同的海洋变量（如温度、盐度和叶绿素-a（Chl-a）具有不同的物理特性，这影响了数据集之间的可实现分辨率。高分辨率数值建模提供了一个理论解决方案，但在尝试解析精细尺度特征时，尤其是具有复杂水深和地形的沿海地区，其计算成本和资源需求变得非常高昂[5,6]。鉴于上述考虑，降尺度方法作为一种有效的技术途径应运而生，通过整合粗糙数据来高效生成高分辨率海洋数据[5,6]。

当前的降尺度方法通常可以分为动态降尺度、统计降尺度（SD）和组合方法[7]。动态降尺度利用物理机制，并使用高分辨率的数值模型，这些模型通常由大尺度低分辨率数据作为边界条件驱动[8,9,10]。Giorgi[11]证明，嵌套的高分辨率区域气候模型可以更好地模拟区域气候特征。Jacob和Stanev[12]使用7公里边界条件在沿海地区实现了50米分辨率的水动力模拟。通过建立与相关物理定律的对应关系，该程序可以识别导致观测现象的动态机制。然而，这在计算上非常昂贵，并且对边界条件的不确定性敏感。例如，高分辨率区域海洋建模通常每年需要数千到数万小时的CPU时间，具体取决于模型的复杂性和分辨率[13,14]。相比之下，统计降尺度建立了从低分辨率和高分辨率数据计算的关系，具有计算资源需求低且应用更简单的优势[15,16]。传统技术包括双线性插值、多元线性回归[17]和分位数扰动方法[18]。然而，这些方法高度依赖于长期的高质量观测数据来构建合适的统计模型[19]，这限制了它们在数据稀缺地区的性能。

近年来，随着人工智能（AI）方法的发展，深度学习（DL）方法因其能够执行非线性映射和表示特征而被应用于许多科学和工程目的[20,21]。超分辨率（SR）技术在图像处理方面非常著名，包括基于卷积神经网络的SRCNN[22]、基于残差学习的EDSR[23]和集成元学习的零样本超分辨率模型MZSR[24]，这些方法被用于从低分辨率图像中重建高分辨率细节。这些方法与上述SD方法不同。SD方法在不同尺度上建立地球物理场之间的非线性映射关系，而SR方法则专注于恢复由信息传播过程引起的图像退化。基于DL的降尺度方法已广泛应用于重建海表温度（SST）[25,26,27,28,29]、海表高度（SSH）[30,31]和海洋波场[32,33,34]。这些研究表明，DL可以轻松提取多尺度海洋特征。例如，Thiria等人[35]开发了一个多尺度卷积神经网络，将北大西洋的SSH和表面流场从1°降尺度到1/8°，解析了中尺度涡旋的精细结构。Zhang等人[36]使用生成对抗网络（GAN）实现了1/12°分辨率的全球SSH重建；该网络更准确地估计了海洋动能谱。然而，虽然一些方法在开阔海域的表现令人满意，但在应用到地形复杂的沿海水域时面临巨大挑战，因为那里的环境在多个尺度上涉及耦合的动态过程[37]。基于计算机视觉的SR模型的直接开发有几个局限性：首先，它们缺乏可解释性和与物理机制的一致性。大多数基于DL的降尺度模型就像典型的“黑箱”，低分辨率到高分辨率的映射缺乏物理解释[38]。这些方法主要学习数据中的统计模式，而不是实际的物理机制。此外，多变量的协同重建仍然不足。海洋参数（如SST、SSH和SSS）通过物理关系紧密耦合。尽管如此，大多数现有的降尺度方法仍然独立重建单个变量，导致重建场的物理一致性不足。例如，生成的SSH和表面流场可能不满足地转平衡，限制了它们在数据同化和海洋预测中的实用性[39]。此外，它们不适合复杂的海岸地形。沿海地区受到水深、海岸线不规则性和浅水效应的显著影响，而这些在标准SR模型中都没有得到解决。研究表明，在坡度陡峭、海峡和岛屿众多的地区，不考虑地形的SR模型在重建动态特征时会产生较大误差[40]。它们特别不适合表示涡旋脱落、上升流和地形引起的潮汐混合等关键过程。

为了满足沿海水域对高分辨率重建日益增长的需求，并解决现有数据驱动方案的局限性，本研究提出了一种新的混合降尺度方案——MEOFGAN（基于多变量经验正交函数的生成对抗网络），它整合了来自多个来源的现有数据来重建高分辨率海洋场。该方案通过利用多变量海洋变量的共同特征以及地形信息，建立了一个平衡准确性和物理合理性的方法论框架。重要的是，该框架并不是作为一个普遍可转移的预训练模型设计的；相反，它需要特定区域的训练和应用，因此将其范围定义为一种可转移的范例，而不是直接可部署的模型。MEOFGAN架构由两个协调的模块组成。首先，通过从MEOF中提取的主导空间模式（EOFs）来表征空间结构。第二个模块设计了一个GAN架构，以学习从低分辨率到高分辨率的空间映射，在训练过程中结合水深数据作为额外的静态信息，以增强空间结构学习。为了评估所提方法的有效性，选择了渤海和渤海湾作为研究区域，因为它们具有半封闭的性质和复杂的海岸线。鉴于SST和SSH之间的良好相关性以及它们与MEOF框架的兼容性[41,42]，首先在渤海进行了这两个变量的降尺度实验。除了统计相关性外，它们的物理耦合提供了基于过程的合理性：SST通过热膨胀影响SSH，而由SSH梯度驱动的地转电流调节水平热传输。因此，联合降尺度保持了这种热力学-动态一致性。

此外，Chl-a、DO和盐度是沿海生态系统健康的关键指标[43]，它们的物理-生物地球化学耦合证明了联合降尺度的必要性。Chl-a代表浮游植物生物量，通过光合作用产生氧气和氧化分解直接调节DO动态。盐度影响密度分层和水团分布，从而控制垂直交换效率、底栖营养物再生和向上营养物供应——间接调节浮游植物生物量和相关的氧气消耗。为此，这三个变量被整合到一个统一的降尺度框架中，以保持耦合的垂直交换-生产力-氧气消耗过程。因此，在渤海湾进行了Chl-a、DO和盐度的降尺度实验，以评估所提方法在空间细节保真度和时间稳定性方面的表现。

本文的其余部分组织如下：第2节描述研究区域和数据集，第3节详细介绍了所提出的方法和实验设置，第4节展示了结果和讨论，第5节总结了整个研究。

**2. 研究区域和数据**
**2.1. 研究区域**
本研究关注中国渤海——一个位于36°–42°N和116°–124°E之间的半封闭盆地，如图1所示。该地区位于温暖的东亚季风带，平均深度为18米。这里经历四个明显的季节，海洋环境条件表现出强烈的季节性变化。冬季SST可降至约1°C，夏季超过20°C。这些热条件导致强烈的季节性温跃层，以及不同海洋元素（如SST和SSH）的强烈时空变化。考虑到物理过程、生化过程之间的复杂相互作用以及周围地区大量的人口，渤海被选为基于现有数据进行多变量降尺度研究的区域。

**2.2. 数据：CMEMS海洋再分析数据**
SST、SSH和SSS数据来自两种空间分辨率的海洋再分析产品。高分辨率数据（1/12°）来自Copernicus海洋和环境监测服务（CMEMS）提供的全球海洋物理再分析产品（GLORYS12V1）。低分辨率数据（1/4°）来自CMEMS全球海洋集合物理再分析产品。后者通过多成员集合方法量化海洋状态估计的不确定性，并同化多源观测数据，包括多代卫星高度计，提供物理一致的大尺度动态场信息。该数据集从1993年1月起提供连续覆盖；本研究选择了1993–2020年这一时期。DO数据来自CMEMS发布的全球海洋生物地球化学回溯数据集。该数据集基于一个耦合的物理-生物地球化学模型，该模型受到历史大气场的影响，旨在再现生物地球化学变量的长期变化和气候特征，从而为机制研究提供物理上一致的模拟场。其原始空间分辨率为1/4°。

2.3. 数据：卫星遥感数据
卫星衍生的叶绿素-a浓度数据来源于CMEMS发布的“全球海洋颜色生物地球化学L4”产品。该产品通过合并多颗卫星的海洋颜色观测数据并应用最优插值算法，生成空间上完整的每日叶绿素-a浓度场，原始空间分辨率约为4公里。为了将这些数据整合到一个统一的分析框架中，并便于与再分析和模拟数据进行比较验证，卫星产品也被重新网格化和重采样到标准的1/12°网格。这种处理方式保留了卫星数据在捕捉近岸和海湾区域藻类生物量空间异质性方面的优势，同时确保所有数据集之间的空间参考一致性。1997年至2020年的重采样数据被用来支持渤海长期生态演变的特征分析和研究。

2.4. 数据：Delft3D模拟数据
为了解决现有卫星和再分析数据在捕捉近岸生态动态过程细尺度结构方面的局限性，本研究采用了物理驱动的Delft3D建模框架来构建渤海的高分辨率水动力-生物化学参考场。该模型使用与地理坐标对齐的曲线网格系统，空间分辨率为500米。模型的开放边界受到大尺度渤海再分析数据的驱动。水质模块根据渤海的环境特征进行了专门参数化，可以模拟超过23个变量，如营养物质、Chl-a、DO等。基于上述设置，获得了2016年全年的高分辨率模拟输出，每小时一个样本，每个变量共有8784个有效样本。为了构建和客观评估降尺度模型，我们重点关注三个关键表面变量：Chl-a、DO和盐度。1月至8月的数据被指定为训练集（5856个样本，占66.7%），用于参数构建和训练。9月至12月的数据被保留为独立测试集（2928个样本，占33.3%），以检验模型在验证期间的泛化能力和稳定性。该数据集为评估亚公里尺度降尺度方法的性能提供了可靠的“准真实”基准。

2.5. 数据：静态水深数据
有许多因素影响海洋元素，其中水深是一个重要因素。可以假设，在相同水深位置的水元素变化表现出一定的内在规律性。因此，在降尺度的深度学习中，水深可以作为约束，加强具有相似水深的网格点之间海洋元素的相关性。水深数据来自最新版本的《世界海洋一般水深图》（GEBCO）。该数据集整合了多源测量数据，包括船载测深和卫星衍生的水深数据，提供了15弧秒间隔的高分辨率全球高程网格（大约463米）。为了与数值实验设置相匹配，原始数据被裁剪到研究区域，并重新采样到与高分辨率和低分辨率海洋再分析数据集相同的网格中。这个静态水深场作为关键的底部边界条件输入到神经网络中，作为表示地形约束的静态变量，帮助模型在降尺度过程中更好地理解和保持海洋动态过程与海底地形之间的物理关系。

3. 方法
本研究开发了一种混合深度学习降尺度方案，结合了MEOF分解和GAN方法的优点，以实现准确的多变量联合降尺度。如图2所示，在MEOFGAN的主要降尺度程序之前，构建了一个关键的数据预处理模块，其中海底地形数据通过插值重新网格化到目标分辨率（见第3.1节）。随后，高分辨率和低分辨率数据集按相同比例分为训练集和测试集。然后通过MEOF进行分解，以获得多变量联合演化时间序列和空间模式，为后续的降尺度结构奠定基础（见第3.2节）。在此基础上，构建了一个包含生成器和鉴别器的对抗网络模型，在训练集上进行训练，并在测试集上进行验证（见第3.3节）。MEOFGAN的主要降尺度框架采用模块化架构，整合了三个核心组件——先验模型模块、映射模块和重建模块，形成一个完整的工作流程（见第3.4节）。为了验证不同变量在降尺度训练过程中的协同效应以及所提出框架的有效性，设计了一系列比较实验。这些实验首先在数据覆盖完整的渤海区域验证该方法，然后将其扩展到更精细的渤海海域，以检验该方法在不同地理尺度上的适用性（见第3.5节）。

3.1. 数据预处理
如第2节所述，水深数据是影响海洋元素的因素之一，其观测分辨率比海表面变量高。为了有效地将海底地形融入我们的模型，我们对水深数据集实施了必要的预处理程序。预处理工作流程首先通过消除陆地数据来提取纯海洋地形，这大大减少了计算负担并提高了处理效率。随后，使用最近邻插值（NNI）将海洋水深重新采样到1/12°和1/4°的目标分辨率，确保与降尺度框架的空间一致性。重要的是，与每日变化的SST和SSHA不同，水深被视为静态的、时间不变的场。为了后续MEOF分析中的矩阵构建，这个静态场在概念上在所有时间步骤中重复，作为恒定的空间背景约束。对于其他海洋变量，我们执行了严格的数据预处理协议，以保证分析的可靠性。该协议包括两个关键步骤：（1）去除气候信号以隔离年际变化模式；（2）标准化以消除多变量数据集之间的维度差异。这些程序不仅有效抑制了季节性偏差和单位不一致性，还显著增强了检测海洋异常信号的能力。预处理后，静态水深网格和SST/SSHA的动态异常场在空间上对齐，准备好进行联合矩阵构建。

3.2. MEOF分析
EOF分解最初由Pearson引入，后来由Lorenz适应于气象应用，是一种广泛应用于气候和海洋学研究中的强大统计工具，用于分析地球物理场的空间和时间变异性[44]。EOF分析的主要目标是将一个变量场分解为一组正交的空间模式（称为EOFs）及其对应的时间系数（称为主成分PCs）。这种分解允许提取主导的变异模式，这些模式通常代表潜在的物理过程或现象。MEOF分析的计算过程与传统的EOF方法基本相似，核心区别在于初始矩阵的构建方法。根据第3.1节描述的预处理，我们通过连接标准化的SST异常值、标准化的SSHA异常值和静态标准化水深场来构建联合异常矩阵：
（1）
其中，分别是第天空间网格点上的SST异常值、SSHA异常值和水深的标准化值。矩阵的维度为（其中n表示每个变量的空间点数量，表示所有变量的空间点数量，表示时间长度）。然后，矩阵的协方差矩阵可以计算为：
（2）
矩阵的特征值（）和特征向量可以表示为：
（3）
（4）
其中按降序排列。每个非零特征值对应于一列特征向量，也称为空间模式。例如，对应于的特征向量称为第一个空间模式（即的第一列），依此类推。空间模式被投影到矩阵上，以获得对应于特征向量的PCs：
（5）
通过MEOF分析，研究区域的高分辨率训练数据集和验证数据集都被分解为EOFs及其对应的PCs。中的每一行的数据对应于特征向量的每一列的PCs。第一个空间模式的PC对应于的第一行，依此类推。通过选择解释了99%方差的空间和时间成分，我们可以表示变量的主要联合演化模式，显著减少了数据量，同时保留了关键信息。为了清晰起见，高分辨率数据的空间模式缩写为，而低分辨率数据的空间模式缩写为。

3.3. GAN模型
完成MEOF分解后，我们获得了包含多个海洋变量联合信息的空间模式。为了建立高分辨率和低分辨率数据集之间的映射关系，我们开发了一个由两个核心组件组成的GAN架构：生成器和鉴别器（图3）。
图3. 对抗神经网络的架构。三个点（…）表示为了简洁省略了某些重复结构。生成器网络以低分辨率空间模式为输入，并采用深度残差架构来最大程度地捕获输入模式中的潜在信息。输入层使用3 × 3卷积核和LeakyReLU激活函数（α = 0.2）处理低分辨率场，随后是一系列残差模块。每个残差模块包含两个卷积层（Conv）和批量归一化（BatchNorm）以及ReLU激活函数，以增强非线性特征提取。在高分辨率重建期间的特征求和操作是一个关键设计元素，它不仅增强了特征层之间的信息传递效率，还减少了通过深度卷积操作稀释关键信息的风险。该架构通过上采样层逐步提高输出特征图的分辨率，确保生成的高分辨率输出准确保留了原始高分辨率图像中的详细信息。
鉴别器旨在区分真实的高分辨率图像（HR）和生成器产生的样本（SR）。其架构利用卷积层和密集（Dense）层，LeakyReLU激活函数进一步增强了了对细微特征的敏感性。多个卷积层使得从输入数据中提取深度特征成为可能，而最终的Sigmoid激活函数产生二分类输出，以确定图像的真实性。鉴别器还遵循分层卷积设计理念，动态调整特征图分辨率，以便更精确地分析复杂的输入特征。

3.4. MEOFGAN框架设计
为了有效实现多变量降尺度，我们提出了一个以对抗神经网络为中心的标准化工作流程。该框架采用模块化设计，整合了三个核心组件：（a）数据处理、（b）映射和（c）降尺度和重建（图4）。
图4. 标准化降尺度工作流程：（a）数据处理模块，（b）映射模块，（c）降尺度和重建模块。
（1）数据处理模块：该模块[图4a]预处理并从多种类型的海洋再分析数据和水深数据中提取特征，供下游模块使用。流程如下：首先，将1993年至2015年的数据连接并重新组织。然后，根据原始分辨率将数据分为两组，并进行MEOF分解以提取联合演化模式。尽管水深是时间不变的，但在MEOF中包含它是数学上有效的，因为MEOF作用于变量之间的联合空间协方差矩阵，而不仅仅是时间协方差。静态水深向量通过其空间模式对这个矩阵的非对角块有所贡献，捕捉水深与海表面温度（SST）和海表面高度异常（SSHA）的空间协变关系。鉴于水深的显著空间异质性，这些交叉协方差是非零的，允许联合模式自然编码受水深条件影响的SST–SSHA耦合。从机制上讲，加入水深增强了MEOF的可解释性和重建性能。虽然SST–SSH组合捕获了表面变量之间的统计协变性，但它们缺乏空间锚定。添加静态水深重新构建了协方差矩阵，以编码表面动态和海底地形之间的耦合。由此产生的空间模式将SST–SSHA的协变性与特定的地形特征联系起来。在重建阶段，这些空间模式作为空间锚定模板，有助于将低分辨率场中隐含的动态信息更准确地转换为具有统计物理关联的高分辨率结构，并位于适当的地形位置。图中显示了数据分解前后维度的变化，而产生的时空组件将被存储以供后续模块调用。

（2）映射模块：该模块[图4b]构成了整个框架的核心。它旨在通过对抗神经网络学习从低分辨率到高分辨率空间模式的特征映射。在这里，映射作为生成器的输入，而前一个模块生成的映射则作为监督训练的真实值。在初始训练阶段，由于参数随机初始化，生成器的输出包含大量噪声和系统偏差。生成器的输出及其对应的映射都被输入到鉴别器中进行比较分析。鉴别器将缺乏真实分布特征的结果识别为“假样本”，并将这种鉴别信号反馈给生成器，驱动其调整参数并改进后续输出。通过多次对抗迭代，生成器的输出质量不断提高。一旦鉴别器的准确率接近50%，并且对抗损失函数收敛到一个稳定区间并持续一段时间，训练就会自动终止，之后保存最优模型权重。经过广泛的参数优化，最终确定训练配置如下。模型使用SGD进行优化，生成器的学习率为0.001，鉴别器的学习率为0.01，生成器在每次鉴别器更新时更新两次。训练进行1000个周期，批量大小为10。损失函数结合了像素级的MSE损失、对抗损失和基于VGG-19的感知损失（使用前3层）。所有实验都在NVIDIA GPU上进行，权重初始化和数据分割使用固定的随机种子（42）。

（3）降采样和重建模块：该模块[图4c]负责根据低分辨率数据生成目标高分辨率数据。该模块首先对低分辨率数据执行MEOF分解，并保留由此产生的时间分量。然后将空间分解的模式输入到预训练的最佳权重模型中，以获得相应的高分辨率空间模式。最后，将这些高分辨率空间模式与MEOF分解中保留的时间分量结合，重建每日高分辨率的多变量海洋场。

3.5. 实验设置
为了了解不同元素在降采样训练期间是否相互支持，本研究讨论了模型对单个海洋变量的降采样性能，以及多个海洋变量的联合降采样。基于四种选定的模型架构——即SRGAN、EOFGAN（将EOF分解与SRGAN结合）、U-NetGAN和MEOFGAN（将MEOF分解与SRGAN结合）——设计了五组实验，如表1所总结。表1. 波海不同实验的设置。实验1使用SRGAN作为训练模块，构建了一个直接从低分辨率（1/4°）过渡到高分辨率（1/12°）的框架，分别针对SST和SSH；实验2保持与实验1相同的输入和输出，但首先基于EOF方法对每个海洋元素进行时空分解，然后使用EOFGAN作为核心神经网络模块模拟不同分辨率下的空间模式传递关系。实验3的设置与实验1相同，但用U-NetGAN替换了核心训练模块，以评估不同超分辨率网络架构对降采样性能的影响。实验4在实验2的基础上，对所有变量一起进行多变量时空分解，构建包含多变量信息和空间尺度的空间模式，然后使用MEOFGAN作为核心来学习不同分辨率之间的关系。考虑到在学习空间分辨率变化时地形条件是相关的，实验5在实验4中添加了水深数据，以增强空间模式在分辨率传递学习中的作用。

考虑到渤海地区数据集的相对完整性，本研究最初对该地区的特定降采样方法进行了实验。所有实验都使用1993年至2015年的数据集进行，而2016年至2020年的数据集用于独立验证。所有数据集都经过统一处理，以实现每日时间分辨率和空间对齐。在此基础上，随后探索了该方法在更精细地理区域的应用性。渤海（38°–39.4°N, 117.5°–119°E）作为一个重要的经济和生态区域，由于其复杂性、动态性和多尺度特征，在收集高分辨率环境数据方面面临重大挑战。因此，我们在渤海进一步测试和应用了我们提出的降采样方法来模拟Chl-a和DO等环境因素。因此，本研究同时准备了遥感数据、再分析数据和高分辨率数值模型输出。考虑到数据的可用性，该地区的低分辨率观测数据来自多个渠道：Chl-a来自卫星观测，DO和盐度来自再分析产品，水深来自海洋一般水深图（GEBCO）。所有输入数据集都被标准化为1/12°的共同空间分辨率。由于该地区遥感数据的精度有限，高分辨率训练数据的基础空间模式是从2016年构建的先前研究的数值模型结果中得出的。具体来说，高分辨率（500米）的目标数据来自2016年的校准Delft3D数值模型[45]。利用空间模式的时不变特性，训练后的模型被应用于2017年的数据，从而能够从当年的低分辨率遥感数据中重建相应的高分辨率数据。实验设置见表2。

4. 结果
4.1. 评估指标
为了进行全面性能评估，我们建立了一个多维度评估框架。均方根误差（RMSE）和平均绝对误差（MAE）用于量化模型的重建精度。通过两个广泛采用的指标来评估重建场的空间保真度和高分辨率细节的保留情况，即峰值信噪比（PSNR）和结构相似性指数（SSIM）。这些指标在像素级精度评估的场重建任务中得到了广泛使用，其数学公式如下：
PSNR定义为最大信号功率与破坏噪声功率之间的对数比，是评估超分辨率性能的广泛采用的指标。然而，它依赖于简单的像素级差异计算，无法充分反映人类视觉感知。为了解决这一限制，我们结合了SSIM，它与人眼视觉系统（HVS）对结构模式的敏感性相一致。通过联合使用PSNR和SSIM，我们的评估框架全面评估了模型降采样结果的像素级保真度和感知质量。数学公式如下：
在PSNR和SSIM计算之前，我们将气象场归一化到[0, 255]范围内。SSIM计算在整个场中使用滑动窗口方法，最终指标是通过平均所有局部窗口测量值获得的，以确保全面的空间评估。PSNR的单位是dB，数值越高表示失真越小。SSIM的范围在0到1之间，数值越高表示两个场之间的相似性越大。

4.2. 关于系统偏差传播的理想化实验
在基于机器学习的降采样中，大规模输入数据通常包含系统偏差。这些偏差源于观测误差、不完美的模型参数化或同化策略的局限性，并表现为低分辨率物理变量中的固定、非随机趋势。如果不对这些偏差进行适当约束，它们可能会被模型传播甚至放大到小尺度输出。海洋学研究中充分记录了卫星和现场测量之间的系统差异。正如Boutin等人[46]所展示的，这些差异主要来源于近表面分层和亚像素尺度的变异性。根据卫星和Argo海表盐度数据之间的比较，开阔海域的均方根偏差（RMSD）约为0.2 psu，而在沿海地区观察到的偏差显著更大[47]。为了定量评估这种偏差传播的风险，我们专门为SST设计了以下理想化偏差测试。首先，我们在低分辨率SST数据中人为引入了一个确定性和均匀的系统偏差：
在引入系统偏差后，带有偏差的数据和无偏差的数据分别输入到不同的模型中，以比较使用空间模式作为空间锚定模板并结合静态水深作为约束是否可以减轻系统偏差的传播。为了量化误差传播的程度，定义了误差放大因子（EF）如下：
该指标侧重于评估由输入系统偏差引起的输出偏差，而不考虑模型本身的固有误差，因为测试是理想化的。当EF=0时，不确定性被忠实传递；当EF>1时，不确定性被放大；当EF<0时，不确定性被抑制，EF值越小，抑制效果越显著。表3展示了在不同偏差幅度下SRGAN、EOFGAN和MEOFGAN（以SST和水深为输入）模型的EF值。所有三个模型的EF值都低于1，表明模型抑制而不是放大了输入的系统偏差。EF随增加而单调减小，反映了输出RMSE的增长速度比输入偏差幅度慢，显示出有利的误差抑制特性。在所有偏差幅度下，MEOFGAN始终实现最低的EF。在=0.5 °C时，MEOFGAN的EF为0.3387，相比之下EOFGAN为0.3506，SRGAN为0.3625。在=5.0 °C时，MEOFGAN的EF为0.1635，相比之下EOFGAN为0.1643，SRGAN为0.1660。MEOFGAN在所有值下都保持最低的EF，其优势在幅度上虽然不大，但在方向上是一致的。这些结果证实，结合EOF空间模式作为锚定模板以及静态水深约束可以有效减轻系统偏差的传播，MEOFGAN对输入不确定性的抑制效果最强。

4.3. 波海地区的降采样性能评估
4.3.1. 降采样性能的时间和空间评估
图5展示了测试期间五个提出的实验的降采样结果的RMSE的空间平均值。为了比较目的，还包括了传统双线性插值方法的结果。如图5a所示，实验1和实验2估计的SST误差与通过双线性插值获得的误差大致相当，波动在0.35左右。这表明分别训练每个单独元素进行降采样的效果有限，类似于直接应用双线性插值的传统方法。然而，仔细检查实验1和实验2的结果发现，实验2的误差小于实验1的误差。这表明直接使用每个海洋元素的原始时间序列数据在不同分辨率下进行训练的效果不如对相应数据执行EOF分解并学习它们的空间模式。这突显了海洋元素的空间分辨率变化主要取决于其内在的空间特性。有效分离这些空间特征有助于分析潜在的空间结构，从而增强对空间分辨率结构变化的理解。图5显示了2016–2020年渤海（a）SST和（b）SSH的降采样RMSE空间平均值的变化。实验3用U-NetGAN替换了核心训练模块，同时保持了与实验1相同的输入-输出设置，在整个测试期间，空间平均RMSE降低了约0.26，取得了显著的误差减少。这一改进表明，具有对称跳跃连接的U-Net架构在降尺度过程中比SRGAN更有效地保留了空间细节。值得注意的是，在某些时期，实验3的误差甚至略低于实验4（实验4没有整合水深信息而仅使用了MEOF分解方法），这展示了设计良好的单一网络架构的竞争力。实验4和5的结果显示，与其他三个实验相比，误差有显著减少。在实验4中，整个测试期间的空间平均RMSE约为0.25。这一发现表明，整合多个海洋因素进行联合降尺度学习能够有效捕捉它们在不同空间分辨率下的变化模式，从而减少估计误差。这种改进可能源于对多个海洋元素的联合EOF分解，该分解生成的空间模式不仅包含了每个元素的空间结构信息，还包含了它们之间的相互关系。这些相互关系在提高空间分辨率的过程中为每个元素提供了更多内在信息，从而更全面地反映了高频或短波长数据信号特征的变化。在实验5中，误差在整个测试期间稳定在0.2左右，其结果比实验4的误差更小。这一有趣的结果表明，将水深数据整合到多变量空间模式中有效地结合了每个因素的相互关系和空间信息。尽管水深信息本身随时间保持不变，但其空间模式在理论上与每个因素的空间模式信息重叠。然而，在将空间模式从一个尺度转换到另一个尺度时，包含更明确的水深信息有助于更有效地连接不同分辨率下的每个元素的空间结构，从而提高了降尺度学习的准确性和效率。图5b中也观察到了类似的发现，其中显示了所提实验中SSH的空间平均RMSE。实验5的表现最佳，这证实了多个元素的组合以及水深数据的整合有助于学习不同分辨率空间结构之间的转换规则。

为了进一步阐明各种降尺度方法之间的性能差异，我们计算了所有五个实验在测试期间非陆地网格点上的降尺度结果的时间平均RMSE。如图6所示，实验1的降尺度SST和SSH结果在整个研究区域显示出相对较大的平均误差，特别是在靠近海岸线的区域误差显著增加并达到最大值。这表明仅使用SRGAN网络进行降尺度在渤海的效果有限。观察到的空间误差模式可能归因于SRGAN模型的学习机制。这类对抗性训练的模型倾向于优先捕捉大尺度、低频信号，而它们准确表示高频细节和小尺度特征的能力相对较弱，这些特征在沿海区域通常较为明显。这种差异导致这些区域的误差积累。在本研究中，研究区域复杂的细尺度海岸线进一步挑战了模型解析详细信息的能力，导致近岸区域的误差更高。相比之下，远海区域更为开阔且数据丰富，使得模型能够更有效地捕捉和表示这些特征，从而降低了误差。图6显示了渤海降尺度SST（a–e）和SSH（f–j）的时间平均RMSE。实验3用U-NetGAN替代了SRGAN作为核心训练模块，与实验1和2相比，降尺度误差进一步减少。这表明，具有对称跳跃连接的U-Net架构能够更有效地保留空间细节。与实验1和2相比，实验3在近岸区域的误差改进尤为明显。值得注意的是，实验3的整体性能接近甚至优于实验4（实验4没有使用水深数据而仅使用了MEOF分解方法），进一步证明了U-Net架构在单变量降尺度任务中的竞争力。与前四个实验相比，实验5的误差显著减少，表明通过MEOF分解整合多个海洋因素能够更有效地捕捉它们在不同空间分辨率下的变化模式，从而减少估计误差。尽管在实验5中加入水深数据降低了SST的平均误差，但最大误差和标准差有所下降（图6e）。具体来说，最大误差从实验4的0.57增加到实验5的1.49，而标准差从0.07增加到0.16。这种现象表明，水深信息的整合并非在所有空间位置都产生积极效果。此外，SST和SSH对水深数据的加入反应不同：SSH在所有指标上都有所改善，而SST的最大误差和标准差则有所增加。这种差异可以归因于它们与地形的物理耦合机制的根本差异。SSH的动态场受到水深的直接和线性约束（例如，地转平衡、浅水波传播），而水深数据的加入有效地增强了SSH空间模式的物理一致性。相比之下，水深对SST的影响主要是间接和非线性的，通过垂直混合和上升流等过程介导，并且具有很强的局部性。当MEOFGAN试图将静态水深模板与高度动态的SST模式强制关联时，在水深梯度较大的区域（例如，海岸角落）可能会发生过拟合或信号误解，导致局部误差放大。

图7系统地统计评估了2016年至2020年期间五个实验组在SST和SSH降尺度任务上的误差和相似性指标。图7显示了五种实验配置（实验1-5）中SST（a,c,e）和SSH（b,d,f）重建的定量评估指标，包括MAE、PSNR和SSIM。对于SSH降尺度，年度指标（MAE、PSNR、SSIM）在所有年份都表现出稳定的性能，表明这五个实验之间的时间可靠性一致。与实验2-5相比，实验1中的SRGAN方案倾向于产生视觉上合理的输出，但结构准确性较低。这表明从原始数据中提取不同尺度的空间信息并不一定能产生稳定的结果。每个海洋学元素的原始数据包含了该区域内的空间变化和随时间的时间演变。在降尺度模型中，主要作用的是随时间保持不变的空间信息。因此，在实验2-5中分别学习其空间模式通过EOF分解得到了明显更好的结果。尽管实验2使用EOFGAN优于实验1，但由于其单变量设计的限制，它仍然不能像实验4-5那样有效地捕捉SST和SSH之间的变量间依赖性。实验3的MAE高于实验4；尽管如此，它仍然获得了同样有利的PSNR和SSIM值，强调了其在保留空间细节方面的能力。实验4的MAE为0.02米，优于使用EOF方法的实验2。这表明，整合SST和SSH可以通过相关元素的相互连接提供更大的空间连贯性，有助于在空间模态中纳入更有效的空间信息。值得注意的是，实验5通过整合地形约束，相对于实验4和实验2分别减少了大约68%和63%的误差。其平均PSNR达到43分贝，SSIM约为0.92，强调了其在细节保留方面的有效性。这验证了整合水深信息可以更有效地连接不同尺度下的空间模式。在SST降尺度结果中也观察到了类似的发现，实验5的MAE低于0.2°C，分别比实验4和实验2减少了约30%和50%。PSNR始终保持在40分贝左右，而SSIM达到0.92，表明空间结构的重建效果更佳。

图8展示了实验5在渤海的SST和SSH降尺度结果，分辨率从1/4°（约25公里）提高到1/12°（约8公里）。通过放大渤海湾的视图，展示了MEOFGAN在解析细尺度海岸特征方面的能力。与低分辨率场相比，MEOFGAN方案成功重建了空间连续的SST和SSH分布，特别是在近岸区域，原始粗网格数据由于陆海混合而包含无效值。例如，在海岸线非常不规则的渤海湾和莱州湾，降尺度结果清晰地捕捉到了春季变暖期间的陆海温差和海岸锋面结构，这些在低分辨率输入中是缺失的。在半封闭的渤海湾，所提出的MEOFGAN方案解析了更细尺度的SST梯度和SSH变化，反映了浅水地形、季节性淡水排放和沉积物输送的综合效应。降尺度SSH场还揭示了渤海海峡附近的中小尺度模式，这与该区域的已知环流特征一致。与高分辨率参考数据相比，实验5的结果保留了SST和SSH的空间连贯性，并增加了物理上合理的细节。MEOF分解的整合使模型能够利用SST和SSH之间的耦合变异性，从而更一致地重建多变量结构。此外，高分辨率水深的整合还有助于在浅海沿海区域保持流动和温度分布的地形约束。

如前所述，构建的降尺度模型也在渤海进行了测试，以生成更高分辨率的数据。作为一个被工业城市环绕的海湾，这项研究不仅关注该区域的物理元素，还对该区域存在的低分辨率Chl-a和DO数据进行了降尺度学习。实验3的MAE高于实验4；尽管如此，它仍然获得了同样有利的PSNR和SSIM值，强调了其在保留空间细节方面的能力。实验4的MAE为0.02米，优于使用EOF方法的实验2。这表明，整合SST和SSH可以通过相关元素的相互连接提供更大的空间连贯性，有助于在空间模态中纳入更有效的空间信息。值得注意的是，实验5通过整合地形约束，相对于实验4和实验2分别减少了大约68%和63%的误差。其平均PSNR达到43分贝，SSIM约为0.92，强调了其在细节保留方面的有效性。这验证了整合水深信息可以更有效地连接不同尺度下的空间模式。这种连接有助于将信息从低分辨率空间模式传递到高空间模式。在SST降尺度结果中也观察到了类似的发现，实验5的MAE低于0.2°C，分别比实验4和实验2减少了大约30%和50%。PSNR始终保持在40分贝左右，而SSIM达到0.92，表明空间结构的重建效果更佳。

图8展示了实验5在渤海的SST和SSH降尺度结果，分辨率从1/4°（约25公里）提高到1/12°（约8公里）。放大渤海湾的视图展示了MEOFGAN在解析细尺度海岸特征方面的能力。与低分辨率场相比，MEOFGAN方案成功重建了空间连续的SST和SSH分布，特别是在近岸区域，原始粗网格数据由于陆海混合而包含无效值。例如，在海岸线非常不规则的渤海湾和莱州湾，降尺度结果清晰地捕捉到了春季变暖期间的陆海温差和海岸锋面结构。在半封闭的渤海湾，所提出的MEOFGAN方案解析了更细尺度的SST梯度和SSH变化，反映了浅水地形、季节性淡水排放和沉积物输送的综合效应。降尺度SSH场还揭示了渤海海峡附近的中小尺度模式，这与该区域的已知环流特征一致。与高分辨率参考数据相比，实验5的结果保留了SST和SSH的空间连贯性，并增加了物理上合理的细节。MEOF分解的整合使模型能够利用SST和SSH之间的耦合变异性，从而更一致地重建多变量结构。此外，高分辨率水深的整合还有助于在浅海沿海区域保持流动和温度分布的地形约束。

如前所述，构建的降尺度模型也在渤海进行了测试，以生成更高分辨率的数据。作为一个被工业城市环绕的海湾，这项研究不仅关注该区域的物理元素，还对这一区域的低分辨率Chl-a和DO数据进行了降尺度学习。在2016年的测试期间，所提出的MEOFGAN降尺度方案在渤海进行了测试，生成了空间分辨率为500米的高分辨率数据集。这些结果与独立的高分辨率目标数据进行了比较，图9显示了表层Chl-a、DO和盐度的RMSE。如图9所示，由于这些空间模式的时不变性质，这种空间信息的架构表示在整个独立测试期间都是适用的。因此，在此期间，仅凭稀疏的低分辨率卫星数据就可以重建该区域的高分辨率空间模式。随后可以将这些生成的空间模式投影到时间序列上，有效地重建了一组与目标数据集相当的高分辨率海洋元素数据。如图9所示，所提出的EOFGAN方案在渤海的降尺度过程中成功生成了500米分辨率的元素信息。Chl-a和DO的误差分别控制在0.2–0.3 μg/L和mg/L范围内，而盐度的准确性更高，最小误差区域RMSE仅为0.05。这表明在训练阶段使用的两种空间模式能够有效地在两种不同的分辨率下传递空间信息，并且这种空间信息在整个测试期间都保持有效。如图9所示，误差通常会向海岸线方向增加。除了GAN模型对大尺度地形信号的偏好外，这种现象的更深层次原因在于数据本身的空间不匹配。模拟数据和卫星数据都是基于规则网格提供的，而实际的海岸线是一条连续的曲线。当海岸线穿过或紧邻一个网格单元时，该单元通常同时包含水域和陆地，从而无法在网格点上唯一地分配变量。在标准的质量控制程序中，这样的混合网格单元通常会被移除，导致靠近海岸线的区域系统性地缺乏有效数据。因此，即使模型具有足够的能力，近岸区域训练数据的稀疏性和缺乏代表性仍然会加剧误差的累积；相比之下，开阔海域的数据是连续的且地形广阔，使模型能够充分学习大尺度特征，从而产生较小的误差。

4.4.2. 亚公里级降尺度结果的回溯
为了评估所开发的降尺度框架和训练出的空间模式在任意时间点的适用性，该方法被应用于只有低分辨率实时卫星观测数据可用的情况。然后使用这些实时观测数据以及预训练的空间模式来重建高分辨率场。根据年度报告，2017年3月21日至4月12日期间，渤海发生了赤潮事件。因此，本研究选择了这一时期的卫星观测数据来进行降尺度实验。考虑到赤潮的潜在影响，选择了三个代表性变量——DO、Chl-a和盐度——进行降尺度分析。3月28日的降尺度结果如图10所示，同时展示了原始卫星数据以供比较。图10. 模型降尺度性能比较：(a–c) Chl-a浓度，(d,e) DO，(f,g) 盐度。与原始的4公里卫星产品相比，500米降尺度的叶绿素场显示出显著增强的空间异质性（图10a–c）。粗分辨率观测显示出的模式较为粗糙，无法区分靠近海岸的细微结构，如河流排放特征。相比之下，降尺度结果能够解析出更强的水平梯度和更连贯的斑块，特别是在浅海水域和河口周围。这些特征与赤潮事件的典型小尺度和斑块性质一致。在赤潮期间，降尺度产品更清晰地描绘了高叶绿素核心的位置和范围。与4公里数据相比，重建的500米场增强了与陆地输入和潮汐混合相关的沿海梯度。进一步检查高叶绿素区域可以发现，500米场能够呈现更集中的高值区域，而不会过度扩散，揭示出反映藻类分布破碎的多个次级斑块。在图10d,e中也可以观察到类似的结果：与粗分辨率观测相比，重建的DO结果显示出更清晰的水平梯度以及更复杂和连续的结构。降低的DO值与东北部的叶绿素高值区域相吻合，反映了藻类呼吸和有机物降解导致的氧气消耗。在一些叶绿素不高的区域中部，DO值较低；这可能是由于这些地方的有机物降解程度较高。从生物地球化学的角度来看，低DO和极高叶绿素斑块之间的分离在生态上是合理的。在赤潮的成熟或衰退阶段，衰老的藻类细胞会下沉并聚集，导致表层以下或底部的微生物强烈降解，这可能与表面叶绿素最大值不完全一致。盐度的分布受到南部河流排放的显著影响。如图10f,g所示，降尺度的500米盐度场清楚地显示了从海岸线向开阔海域的明显梯度。近岸区域的盐度值显著较低，并逐渐向海洋中部增加，形成了一个连贯的横向过渡带。这种模式在物理上与沿海河流和河口的淡水排放影响一致，后者稀释了表层水并产生了典型的河流羽流结构。相比之下，在原始粗分辨率再分析数据中观察到的羽流边界难以识别。降尺度后，观察到的沿海和海洋水体之间的明显锋面区有效地反映了由潮汐和环流驱动的混合过程。

这些实验的结果表明，训练出的空间模式具有良好的泛化能力。只要有卫星观测数据，我们提出的降尺度模型就能够从低分辨率观测数据中构建出具有物理意义的子网格信息。

5. 讨论
本研究旨在通过整合多源数据集来构建多变量降尺度方案，以开发高分辨率的沿海数据。在其首次应用于渤海时，多变量联合降尺度方法（MEOFGAN）将水深数据整合到多变量空间模式中，并优于其他实验。其优越的性能突显了使用空间模式作为训练模板时深度学习降尺度方法的潜力，相比于直接对原始时间序列数据进行训练。这强调了海洋元素的分辨率变化本质上是由其独特的空间属性决定的。清晰地分离这些空间特征对于分析潜在的空间结构至关重要，从而提高了我们对空间分辨率如何变化的理解。此外，添加详细的水深信息改善了不同分辨率之间空间结构的联系。这增强了小尺度细节，并使降尺度学习更加准确和高效。

在数据稀疏的沿海地区，由于长期高分辨率观测数据往往不可用，应用监督降尺度方法面临重大挑战。在这项研究中，我们使用1993年至2020年28年的每日再分析数据对渤海进行了降尺度模型训练。这些数据来自CMEMS全球再分析产品（GLORYS12V1），该产品融合了多源卫星观测数据（包括多代高度计）并提供了物理上一致的大尺度动态场。该数据集的一个主要优势在于它覆盖了所有全球海洋区域，包括沿海地区，并具有出色的时空连续性。我们的方法本质上是一种监督学习方法。像大多数监督降尺度模型一样，其性能高度依赖于训练数据的质量和分辨率。为了解决这一依赖性问题，公开可用的高分辨率再分析产品可以作为沿海地区的有效训练目标，提供足够多年的数据以获得稳定的空间模式。此外，当现有产品无法满足特定需求时，可以采用数值模拟来生成定制的高分辨率数据。事实上，许多机构和项目已经发布了高质量、空间范围广泛的高分辨率公共数据产品，可以直接用作降尺度模型的训练目标。同时，国内和国际上对海洋和气象数据共享的持续推广将进一步缓解未来的数据稀缺问题。

MEOFGAN框架并不是一个适用于所有近岸区域的通用模型；而是一个可以灵活部署在任何感兴趣的目标区域的通用方法论框架。其最初的设计目标并不是实现零样本跨区域转移，而是旨在为不同的沿海区域提供轻量级、高效且可独立部署的降尺度解决方案。通过基于空间模式进行训练，该框架大大减少了计算资源需求，同时提高了计算效率。在这项研究中，对时空矩阵的特征分解在配备双Intel Xeon Gold 6148 CPU（40核）和NVIDIA RTX A5000 GPU的标准工作站上大约需要12分钟。随后的GAN训练利用GPU并行计算实现了快速收敛。与SRGAN等方法不同，后者直接在原始时空场上进行超分辨率重建，通常需要数天的训练才能达到稳定收敛，MEOFGAN显著缩短了训练时间。具体来说，在整个渤海范围内同时处理两个变量时，训练时间大约为14小时。当扩展到三个变量时，由于输入数据的维度增加，训练时间增加到约40小时。如果将研究区域缩小到渤海湾，模型训练时间可以进一步减少到几小时。这些结果表明，尽管MEOFGAN的计算成本随着变量数量和空间范围的增加而增加，但仍然在可接受的范围内。此外，通过并行化策略，其扩展到更大区域的能力还可以进一步提高[48]。

在MEOFGAN框架内，MEOF分解将时空场分离为时间不变的空间模式和时变的主成分（PCs）。空间模式代表了研究期间的统计最优协方差结构，并且不会随时间变化；所有动态变化都完全由PCs捕获。具体来说，任何给定时间的空间场都是同一组空间模式的线性叠加，权重由相应的PC值决定。这一基本原理支撑了广泛的海洋预测研究，在这些研究中，使用长短期记忆网络（LSTM）[49]等模型来预测PCs的演变，而无需频繁重新计算空间模式。然而，应该注意的是，虽然极端事件或罕见的气候变化导致空间模式本身发生根本性变化的可能性很低，但并非为零。在这种情况下，当前框架需要重新计算和更新空间模式。

基于上述原理，我们模型的降尺度结果在统计上保留了多个变量之间的经验物理关系（例如，协方差和相关结构），但并不追求完全满足海洋原始方程或守恒定律的严格动态一致性。这种统计关系受益于两个方面：再分析数据通过数据同化过程在变量之间嵌入了物理约束，而MEOF方法在统计上和明确地约束了多变量协方差结构。相比之下，主流的深度学习模型基本上是纯粹的数据驱动的“黑箱”，通常缺乏物理可解释性。尽管我们的方法没有实现动态一致性，但已经在统计层面上显著超越了传统深度学习的做法。未来的工作将致力于明确纳入物理约束，如动量和热量，以实现真正的动态一致性。

6. 结论
本研究整合了来自多个来源的数据，提出了一种基于深度学习的降尺度方案MEOFGAN，以解决在复杂沿海地区重建高分辨率海洋变量的挑战。该模型提取了耦合海洋变量的物理可解释的空间模式，通过对抗性训练学习它们的跨尺度转换，并系统地结合高分辨率水深数据作为静态环境约束以提高空间保真度。在应用于渤海时，该模型使用SST和SSH的再分析数据进行了训练，从1/4°的低分辨率输入生成了相应的1/12°场。结果表明，多变量空间模式成功捕捉了SST和SSH之间的耦合变异性。此外，水深数据的整合进一步增强了跨尺度的一致性。结合我们的基于深度学习的降尺度技术，该方案提高了现有多变量数据集的分辨率。该方案进一步应用于渤海湾，将Chl-a、DO和盐度数据从1/12°降尺度到500米分辨率。尽管数据来源和变量类型有所不同，MEOFGAN框架成功重建了在原始卫星数据中无法辨识的细尺度空间梯度和连续结构。该方法的一个关键优势在于它能够识别多个变量之间的内在协变模式，同时通过时空正交基函数实现高效的维度降低，从而显著提高了处理大规模海洋数据集的计算效率。这种能力充分利用了现有数据的潜力，弥补了沿海遥感的分辨率限制，并提供了沿海环境应用所需的细尺度信息。总体而言，MEOFGAN方案为重建高分辨率沿海海洋元素提供了一种轻量级且高效的途径，直接解决了动态近岸区域观测能力不足的挑战。该方法不仅提升了现有低分辨率数据集的实用性，还为构建更高精度的海岸数据集提供了一条可扩展的技术途径，从而有力地支持了高级应用，如区域预测、生态系统管理以及高风险海域的气候适应规划。