近日，中科院海洋所胡敦欣院士团队、王凡研究员团队与南京信息工程大学董昌明教授团队合作，利用深度学习方法，成功构建了印尼贯穿流的反演和预测系统，实现了对印尼贯穿流流量的有效预测。相关成果在海洋领域学术期刊Frontiers in Marine Science发表。
$ M6 g- f; e0 I/ V; o2 Q! H6 x / m C6 _" r+ [5 c$ D, Z
印尼海域是连接热带大洋海盆的唯一海洋通道，印尼贯穿流是印度洋海盆和太平洋海盆之间跨洋盆相互作用的主要海洋动力因子，印尼贯穿流通过强烈的物质能量输运，对印太物质能量平衡、区域乃至全球气候变化产生极其重要的作用。长期以来，国际学术界对印尼贯穿流给予了大量关注，尤其是为了对印尼贯穿流开展观测投入了大量精力。但是，对印尼贯穿流的长期观测却非常困难；而对印尼贯穿流的预测则主要依赖数值模拟系统，往往存在显著模拟偏差，不确定性较大。为了解决这一难题，海洋所科研人员提出将长期稳定的卫星观测数据与人工智能方法结合起来、构建印尼贯穿流反演和预测系统的设想，并结合多种深度学习模型进行了试验。
: w* `) |8 M: I0 R
t2 i2 j/ q. p: l+ | 已有研究表明，印-太压力梯度是印尼贯穿流的主要驱动因素。为此，研究团队利用印度洋和太平洋海盆的海表面高度来反演和预测印尼贯穿流的体积输送。研究团队使用CMIP6模式和SODA等数据集提供的海量数据对卷积神经网络(CNN)进行训练，并输出重建了印尼贯穿流流量时间序列。训练结果表明，基于CNN模型的反演预测系统能够重现高达90%的印尼贯穿流流量变化，表明该系统可以实现对印尼贯穿流流量的有效反演。
9 W; `- Z/ C1 y, E* a% H 0 J' E& c8 u; W; C- o; P
研究团队进一步将该系统与1993年至2021年的卫星实测资料结合，反演构建了印尼贯穿流流量的时间序列，并发现该时间序列与MITF、INSTANT和IX1等国际知名的印尼贯穿流现场观测数据资料吻合较好。研究团队利用该系统进一步探索了对印尼贯穿流流量进行预测的可能性，结果表明该系统能够实现超前7个月对印尼贯穿流流量的有效预测。研究团队建立的印尼贯穿流人工智能反演和预测系统为开展印太海洋环流与气候变化研究提供了重要手段，或可在一定程度上减轻现场海洋观测的压力。
0 J2 c% A$ A) |9 B! q ; W1 f# {4 }6 w! K
中科院海洋所硕士研究生辛林超为论文第一作者，胡石建研究员为论文通讯作者。研究得到了山东省自然科学基金、中科院战略先导科技专项等项目资助。
6 Z7 z2 O2 j( W8 O( N& @
9 L2 k: n \) G# {0 \ 论文信息：
4 O2 V' Z% d# _% z3 Z9 W
' N, P& K% _2 Z |* i4 O- d$ j Xin, L., S. Hu*, F. Wang, W. Xie, D. Hu, and C. Dong (2023), Making use of a deep learning approach to infer and forecast Indonesian Throughflow transport from sea surface height, Frontiers in Marine Science, doi:10.3389/fmars.2023.1079286.
/ v* g9 m2 V& d 4 s2 o& a6 O0 U; E! ?
 3 w% E+ V' h' L, g1 g# Z" ~* r2 P6 N& ]2 T
登录/注册后可看大图
) s3 v2 \6 Y/ z' w9 K9 n# ?* H) a图1 深度学习模型结构图7 ]/ {0 W( `* f( k* p* S" h
7 @9 y8 C( c% _" M7 q6 e
图2 深度学习模型预测值与CMIP模拟的对比
% \7 Y3 {7 y# y5 Z; y ! N1 a# `5 t2 G6 L- _7 P0 B6 p5 n
) `) `, Y- x( m! V4 q
图3 深度学习模型预测值与实际观测值的对比
- v/ f, G( f3 R4 j6 U' a |
