科研进展 | 利用机器学习实现全球海洋次表层高分辨率（0.25°×0.25°）盐度重建 - 海洋观测技术创新

' N/ q9 b2 [; F1 q- k4 x K+ J

海洋盐度是海水最重要的物理参数之一，是海洋环流的关键调节因子，也是全球水循环的指标，盐度的分布与变化在全球气候和生态系统中扮演着重要的角色。构建高分辨率的、具有全球覆盖的海洋盐度格点数据，对深入开展气候变化和海洋学研究具有重要意义。然而，受观测技术的限制，现场盐度观测数据稀疏，仅基于现场观测数据生成的盐度格点产品的水平分辨率多为1°×1°，在一些区域最多能达到0.5°×0.5°，难以满足更小尺度海洋信息研究的需求，更高分辨率的数据对于理解中尺度和中尺度以下的海洋过程至关重要。

5 `* b3 \" ]- C I |; x) ]

, ]1 q5 r; [. x C

2022年11月18日，《地球系统科学数据》（Earth System Science Data）（2021年影响因子：11.815）发表了题为“Reconstructing ocean subsurface salinity at high resolution using a machine learning approach”论文，论文利用机器学习方法，结合多源高分辨率遥感数据，构建了一套1993-2018年（月平均）覆盖海洋上层2000米的高分辨率（0.25°×0.25°）盐度数据集，该数据集称为IAP0.25°。

2 O: J: ^, i( u6 m

研究团队使用前馈神经网络（FFNN）方法，将卫星遥感获得的全球尺度的高分辨率海表绝对动力地形（ADT）、海表温度（SST）以及海表风场（SSW）等参数信息与海洋现场盐度观测数据、1°×1°分辨率的IAP格点观测数据进行融合，构建了一套0.25°×0.25°的覆盖海洋上层2000米的跨度26年（1993-2018）长时间序列的逐月盐度格点数据集。IAP0.25°数据集在大尺度的信号上维持了IAP1°格点数据的优势，能够准确重建大尺度变率，相比较粗分辨率的数据又能够更好的重现海洋中小尺度信号，例如湾流、黑潮、南大洋等涡旋活动较为丰富区域的海洋变率。

新论文也对机器学习重构的可解释性进行了一些探索，使用SHAP方法评估了不同输入对FFNN模型重建IAP0.25°的影响，结果表明：在海表，位置参数是最重要的输入，这可能与近海面盐度的强烈空间变异有关。在100-700米范围，ADT比其他遥感信息更为重要，这是因为盐度和ADT都与温跃层变化密切相关。对于1-2000米平均，遥感数据累计贡献率约为20%，IAP1°约为26%，IAP1°的贡献明显大于遥感数据，这是因为在深海中中尺度变率较少，大尺度变率在海洋次表层变得更重要。该数据集已在科学数据中心（http://doi.org/10.57760/sciencedb.o00122.00001）、海洋科学大数据中心（http://dx.doi.org/10.12157/IOCAS.20220711.001）、大气所海洋和气候团队网站（http://www.ocean.iap.ac.cn/）公开发布，欢迎大家使用。

研究第一作者田天是国防科技大学和中科院大气物理研究所联合培养的博士生；论文通讯作者为中科院大气物理研究所成里京研究员。其余作者包括王公杰博士、John Abraham博士，魏旺栩博士，任诗鹤研究员，朱江研究员，宋君强院士和冷洪泽副教授。

论文得到了中国科学院战略重点研究项目(XDB42040402)、国家自然科学基金(42122046、42076202)以及中国科学院青年创新促进会(2020-077))的资助。

7 q1 }- P) m1 v4 s0 N

点击“阅读原文”查看文章

, |% D p& B: e1 e4 u3 w. U' P/ T p: W, S! c& y z( ]4 N" A ' b9 t7 q% j/ ]9 P1 W