《Journal of Marine Science and Engineering》：A Time Series Prediction Method for Ocean Sound Speed Profiles Based on Improved TCN Neural Network and Its Application in Seafloor Geodetic Positioning
编辑推荐：
海洋声速剖面（SSP）是水下声学探测、遥感及海底大地测量定位的关键参数，其时序预测对提升声学定位精度至关重要。传统直接测量方法效率低且空间稀疏，而统计与声学反演方法难以捕捉声速场的强非线性演化。现有时间序列模型中，LSTM作为循环网络缺乏显式感受野，而原始TC
海洋声速剖面（SSP）是水下声学探测、遥感及海底大地测量定位的关键参数，其时序预测对提升声学定位精度至关重要。传统直接测量方法效率低且空间稀疏，而统计与声学反演方法难以捕捉声速场的强非线性演化。现有时间序列模型中，LSTM作为循环网络缺乏显式感受野，而原始TCN（时间卷积网络）采用膨胀卷积，对局部精细结构捕获能力不足且过度依赖经验调参。为克服这些局限，研究人员提出一种改进TCN的SSP预测方法，并应用于海底大地测量定位。该方法首先通过一阶时间差分构建声速增量场，以去除全局趋势并突出局部变化；然后采用Optuna（版本4.9.0，基于贝叶斯采样的自动优化框架）在预设搜索空间内自动调优TCN关键参数，减少对人工调参的依赖；最后将预测的高分辨率声速时间序列用于声线跟踪定位，以提升海底大地测量精度。在GLORYS12V1再分析数据集上的实验表明，LSTM与原始TCN的均方根误差（RMSE）和平均绝对误差（MAE）分别为0.414和0.299 m/s，以及0.360和0.258 m/s，而改进TCN将其降至0.205和0.131 m/s，显著优于两者。在模拟全球导航卫星系统-声学（GNSS-A）海底定位中，三维定位RMSE降至约0.075 m，且稳定性提升。该方法为精确SSP时序预测和高精度海底大地测量提供了有效解决方案。
**论文解读：基于差分增强与贝叶斯优化TCN的海洋声速剖面预测及其在海底大地测量定位中的应用**
**研究背景与问题**
海洋声速剖面（SSP）是水下声学探测、遥感及海底大地测量定位的关键参数，其准确预测对提升声学定位精度至关重要。然而，SSP的获取面临两大挑战：一是直接测量（如CTD、XCTD）效率低、成本高、空间覆盖稀疏，难以实现高分辨率时序预测；二是间接反演方法（如统计EOF重构、匹配场处理、压缩感知）多为线性模型，无法捕捉声速场的强非线性演化，尤其在次中尺度涡旋和锋面等局部特征区域误差显著。现有时间序列模型方面，LSTM虽能捕捉长期依赖，但其循环结构并行效率低，超参数调优依赖经验；原始TCN（时间卷积网络）虽结合因果卷积、膨胀卷积和残差连接，可高效捕获长程与局部特征，但原始SSP中的全局趋势掩盖了局部细节，且超参数非线性耦合，手动或网格搜索易陷入局部最优。此外，改进TCN尚未应用于海底大地测量定位，存在预测与工程实践之间的鸿沟。为此，研究人员提出一种基于差分增强与贝叶斯优化的改进TCN模型，用于高分辨率SSP时序预测，并进一步验证其在海底大地测量定位中的提升效果。该研究发表在《Journal of Marine Science and Engineering》。
**主要技术方法**
本研究采用以下关键技术方法：1）基于一阶时间差分的声速增量场构建：对原始SSP时间序列进行前向差分，去除全局趋势（如深度方向整体变化、季节温跃层迁移），突出次中尺度涡旋和锋面引起的局部声速波动，并将增量场归一化至[0,1]区间。2）基于Optuna的贝叶斯超参数自动优化：在预设搜索空间内，以验证集均方误差（MSE）最小化为目标，采用树状结构Parzen估计器（TPE）智能采样，对TCN的7个关键超参数（隐藏层维度、层数、卷积核大小、丢弃率、学习率、批量大小、权重衰减）进行30次试验的自动搜索，并利用动态剪枝机制提前终止低效试验。3）基于预测SSP的声线跟踪定位：将预测的归一化增量反演为绝对声速剖面，采用声线跟踪法计算理论传播时间，建立观测方程，通过最小二乘迭代求解海底应答器坐标。数据来源：GLORYS12V1全球海洋再分析数据集（CMEMS发布，1日×1/12°×1/12°分辨率，50个标准层），提取2014年1月1日至2023年12月31日期间位置(114.5°E, 20.5°N)的温度、盐度数据，按TEOS-10标准计算声速，并按时间顺序以7:1:2比例划分为训练、验证、测试集，采用12天滑动窗口输入预测次日SSP。
**研究结果**
**3.1 数据与实验设置**
研究人员从GLORYS12V1数据集提取2014–2023年声速数据，采用StandardScaler标准化，并确保所有统计参数（均值、标准差、极值）仅基于训练集计算，模拟实际预测场景。模型训练采用MSE损失函数与Adam优化器，设置早停（patience=20）和学习率衰减（ReduceLROnPlateau，因子0.5），梯度裁剪最大范数0.5。对比模型包括LSTM、原始TCN（绝对声速输入）、TCN-Diff（差分输入）、TCN-Opt-Diff（差分+Optuna优化）。通过五次固定随机种子实验评估鲁棒性。
**3.2 声速场预测分析**
首先，比较不同深度层的预测误差：TCN-Diff与TCN-Opt-Diff在浅层至中层RMSE更低且曲线更平滑，表明差分建模有效表征SSP时序变化模式；随深度增加，所有模型误差下降，但差分模型保持稳定。其次，总体误差指标：LSTM-Abs的RMSE/MAE为0.414/0.299 m/s，TCN-Abs为0.360/0.258 m/s，TCN-Diff与TCN-Opt-Diff均降至0.205/0.131 m/s，差分策略显著提升精度。五次随机种子实验显示，TCN-Opt-Diff的RMSE标准差（0.0041 m/s）低于TCN-Diff（0.0145 m/s），表明Optuna提升训练稳定性，且自动优化比网格搜索降低调参成本70%以上。与持久性预报（以当日SSP预测次日）和月气候学比较，TCN-Diff的RMSE和MAE分别降低6.19%和4.90%，且远优于月气候学。在三个额外GLORYS12V1位置（不同水文条件）测试，温跃层内RMSE范围为0.1686–0.1887 m/s，MAE范围为0.1029–0.1243 m/s，验证了空间可迁移性。
**讨论与结论**
讨论部分重点分析SSP预测误差对GNSS-A海底定位的影响。研究人员设计模拟实验：以Munk声速剖面为参考，叠加各模型预测误差，采用圆形-十字组合船测轨迹（半径4500 m），声速发射间隔10 s，海底应答器坐标(0,0,-450) m，忽略其他误差源以隔离SSP误差影响。定位误差时间序列显示，LSTM-Abs产生最大定位误差，TCN-Abs有所改善，而TCN-Diff与TCN-Opt-Diff的误差曲线更稳定且波动幅度小。误差主要集中于垂直方向（U），水平方向（E、N）误差极小，源于SSP垂直分层特性与观测几何的强水平约束。三维定位RMSE：LSTM-Abs为0.1868 m，TCN-Abs为0.1442 m，TCN-Diff与TCN-Opt-Diff降至约0.075 m，表明差分策略有效抑制误差传播，但需注意此为理想化无噪声条件下的敏感性分析结果。
研究结论翻译如下：
为应对海洋声速场的强非线性与显著局部变异性，以及原始TCN模型特征捕获能力不足与超参数调优依赖经验的问题，本研究提出一种基于差分增强与贝叶斯优化TCN的SSP预测方法。通过一阶时间差分构建声速增量场，有效去除全局趋势并突出局部特征；同时采用Optuna自动超参数优化框架在预设TCN超参数空间内搜索，减少对人工调参的依赖，支持系统化模型选择。基于GLORYS12V1全球海洋再分析数据集的对比实验表明，改进TCN模型在SSP预测中达到最佳性能，RMSE与MAE分别降至0.205 m/s和0.131 m/s，显著低于LSTM与原始TCN模型，且在不同深度层保持稳定低误差。将预测声速场应用于GNSS-A海底大地测量定位模拟，结果表明改进模型能有效抑制SSP误差向定位结果传播，三维定位RMSE降至约0.075 m，定位波动更小、鲁棒性更强。这证实高分辨率声速预测可显著提升海底大地测量定位精度。该方法整合了时空特征学习、自适应超参数优化与工程应用实现，为近岸涡旋活跃且季节性温跃层变化显著的海洋环境下声速剖面精确时序预测及厘米级海底大地测量定位提供了有效技术方案。未来研究将选取多个典型海区（包括近岸浅水、开阔大洋、涡旋丰富区、强温跃层区）开展跨区域验证实验，进一步测试所提声速预测框架在不同海洋动力背景下的泛化性能，并拓展其适用工程场景。
