基于深度学习的南海次表层温度结构高分辨率降尺度重构方法

本发明属于海洋次表层温度结构重构领域，具体说是一种基于深度学习的南海次表层温度结构高分辨率降尺度重构方法。

背景技术：

1、海洋温度是刻画海洋热状态与能量分布的关键物理量，其结构直接决定着海洋层结、环流系统以及海气相互作用。海洋温度的变化不仅反映了季风、热辐射与风应力等外界强迫驱动下的热力响应，还揭示了上升流、涡旋等内部动力过程的变化特征。南海地处热带与亚热带交汇区，受复杂季风系统和环流结构共同影响，其温度变化呈现出显著的时空非均一性。夏季在西南季风作用下，海表温度升高，形成显著的强层结结构；而冬季在东北季风主导下，表层冷却与垂向混合增强，导致温度垂向梯度明显减弱。这一季节性转变不仅调控着南海的海洋热含量（ocean heat content, ohc）的变化，还通过影响区域海气通量和能量再分配过程，对西太平洋气候变率产生深远影响。因此，系统揭示南海高分辨率温度场的时空演变特征，对于深化区域海洋热力学过程及其气候反馈机制的认识具有重要科学意义，并在气候变化背景下的区域海洋动力学研究中具有广泛应用前景。

2、在以往的研究中，海洋次表层温度结构的重构主要基于三类方法：观测驱动法、数值模拟法和统计学方法。第一种方法依赖浮标、ctd等实测资料，通过最优插值等客观分析手段获得网格化的海洋要素场。虽然这种方法能够直接反映观测数据，但由于观测资料在时空上的稀疏与不均匀分布，客观分析产品的空间分辨率较低，通常只有1°，难以解析中小尺度结构。第二类方法基于引入资料同化的海洋数值模式，通过求解海洋动力学与热力学控制方程模拟海洋内部流动与热盐输送过程，并通过资料同化将观测信息引入模式系统，从而重构高分辨率次表层温度。尽管数值模式在动力约束与物理可解释性方面具有优势，但其结果对初始场、边界条件及参数化方案高度敏感，且计算成本随分辨率提升显著增加，限制了其在长期与大范围应用中的可行性。第三类方法属于统计学方法，其基于历史资料学习海洋多要素之间的统计映射关系，以获取海洋次表层要素的连续时空分布。部分研究也通过构建大尺度或海表变量与区域/次表层结构之间的经验映射，实现对高分辨率信息的推断。这类方法计算效率较高，能在一定程度上弥补观测稀疏造成的数据缺口，但通常依赖线性和平稳性假设，难以捕捉海洋系统中复杂的非线性动力响应，特别是在南海等动力过程复杂的区域，其适用性受到限制。

3、近年来，随着机器学习和深度学习技术的迅速发展，海洋与大气领域的研究者开始逐步将这些先进方法应用于次表层温度重构和降尺度研究中。与基于线性假设的传统统计方法不同，深度学习方法通过表示学习与端到端优化，能够自动捕捉变量之间的高维非线性映射关系，在重构精度和泛化性方面展现出更大优势。因此，深度学习方法已逐渐成为海洋次表层重构的重要技术路径之一。

4、尽管深度学习在海洋降尺度任务中已取得显著进展，但仍面临两个关键挑战。首先，许多现有研究以“高分辨率”的插值数据、数值模式输出或再分析产品作为训练标签，而这些标签与真实次表层结构之间往往存在系统性偏差，进而可能将误差传递到模型学习的映射关系中；其次，将计算机视觉领域的超分辨率框架直接迁移至地球流体系统时，往往会忽略海洋过程的复杂物理约束与热力学特征，从而削弱结果的物理可信度。

技术实现思路

1、基于上述问题，本发明提出一种基于深度学习的南海次表层温度结构高分辨率降尺度重构方法：学习高分辨率海表要素与海洋次表层结构之间的映射关系，并在推理阶段加以应用，以实现三维温度结构的降尺度。为此，本发明提出了高效的海洋降尺度模型—ocean downscaling transformer (odt)。该模型融合多尺度特征提取与跨变量表征能力，能够有效捕捉高分辨率海表要素的空间结构，并实现对次表层温度结构的高精度重构。odt模型在不依赖高分辨率次表层数据集、且不使用图像超分辨率技术的前提下，利用1°分辨率的en4数据作为训练标签，实现了1/4°的南海次表层温度重构。该方法为南海次表层温度的降尺度提供了一种高效且可推广的技术路径，具有重要的科学与应用价值，可广泛服务于区域海洋动力过程和气候变率等相关研究。

2、本发明为实现上述目的所采用的技术方案是：

3、基于深度学习的南海次表层温度结构高分辨率降尺度重构方法，包括以下步骤：

4、1）分别获取南海海洋表层数据及次表层数据并对其进行预处理；

5、2）基于transformer架构构建海洋降尺度模型，并使用预处理后的数据对模型进行训练；

6、3）采用与训练阶段相同尺寸的输入窗口，并以1/4°步长对南海海表变量数据进行划分，通过将划分后的数据输入到训练好的海洋降尺度模型，进而得到海表对应空间位置上，分辨率为1/4°的次表层温度场。

7、所述步骤1）包括以下步骤：

8、2.1）将所有表层数据和次表层数据统一为月平均数据；

9、2.2）保持en4原始1°网格不变，通过插值方式构建一个与en4原始网格对应的1/4°目标网格，并将其作为统一的空间基准网格；

10、2.3）将所有海洋表层数据通过重采样方式统一至空间基准网格中；

11、2.4）剔除待重构区域内数据缺测值的格点，并将处理后的数据进行归一化处理。

12、所述海洋降尺度模型，包括：

13、空间特征提取层：通过二维卷积对预处理后的局地邻域数据进行空间特征提取，并将卷积后的二维空间特征重排为长度为的空间序列，再经线性映射与层归一化处理，得到空间序列表示，其中，表示批次大小，表示空间位置总数，表示模型特征维度，用于表示每个空间位置对应的嵌入特征向量长度；

14、变量交叉注意力层：基于多时空样本数据学习海表变量与次表层温度结构之间的映射规律，并利用注意力机制增强对局地窗口内非邻近空间位置关联特征的建模能力；

15、位置感知transformer编码层：通过相对位置编码对变量交叉注意力层得到的融合特征进行编码；

16、注意力聚合层：利用注意力聚合机制将编码后的特征矩阵转换为单点矩阵，并通过多层感知机进行逐点回归预测，输出目标深度层的温度估计值。

17、所述空间特征提取层执行以下步骤：

18、对预处理后的局地邻域海表多变量数据进行二维卷积操作，以提取局地空间特征：

19、

20、其中，表示输入海表多变量数据，表示批次大小，表示输入变量数，和分别表示局地邻域窗口的高和宽，表示卷积提取后的空间特征；

21、将卷积后的二维空间特征重排为长度为的空间序列表示：

22、

23、其中，表示重排后的空间序列特征，表示空间位置总数，表示卷积输出特征维度；

24、对空间序列特征进行线性映射和层归一化处理，得到空间序列表示：

25、

26、其中，表示线性映射权重矩阵，表示偏置项，表示空间特征提取层输出的空间序列表示，表示模型特征维度，用于表示每个空间位置对应的嵌入特征向量长度。

27、所述变量交叉注意力层执行以下步骤：

28、根据原始数据变量，计算变量权重：

29、

30、其中，表示第个输入变量在第个空间位置处的取值，表示第个变量的重要性系数；对空间序列表示分别进行变量线性映射，得到各变量对应的特征表示：

31、

32、其中，表示第个输入变量经线性映射后的特征表示，表示第个输入变量对应的线性映射权重矩阵；

33、根据权重对特征变量进行加权融合：

34、

35、其中，表示融合特征，为输入变量数；采用多头自注意力机制建模空间长距离依赖关系：

36、

37、其中，注意力机制参数由线性映射得到，表示键向量维度，对注意力输出特征进行线性变换，并与输入特征进行残差连接和层归一化处理，得到多变量交叉注意力模块的输出特征：

38、

39、其中，表示注意力输出对应的线性映射矩阵，表示多变量交叉注意力模块的输出特征。

40、所述位置感知transformer编码层执行以下步骤：

41、

42、其中，表示经位置感知transformer编码层处理后的编码特征，表示transformer编码模块，表示相对位置编码。

43、所述注意力聚合层执行以下步骤：

44、设聚合权重为：

45、

46、其中，表示聚合权重向量，表示可学习的注意力投影矩阵，表示中心位置偏置向量，表示可学习的偏置项，则单点空间表示为：

47、

48、其中，表示第个空间位置对应的编码特征，表示聚合后的单点空间特征；

49、通过多层感知机对聚合后的空间特征进行逐点回归预测：

50、

51、其中，表示预测结果，表示多层感知机。

52、所述使用预处理后的数据对模型进行训练，包括以下步骤：

53、基于en4网格数据确定其对应的海表输入位置，构建海表信息与次表层温度之间的映射关系，作为标签数据集；

54、基于海洋的目标深度构建复合加权损失函数；

55、使用标签数据集以及对海洋降尺度模型进行训练。

56、所述构建海表信息与次表层温度之间的映射关系，具体为：

57、（1）以每个en4网格点为中心，提取其周围7×7范围内的1/4°分辨率海表数据作为输入窗口，将对应位置的次表层温度作为标签值；

58、（2）将输入窗口以1°，即4个1/4°网格点的步长在空间上滑动，提取下一组“输入-标签”样本，依次滑动输入窗口并提取样本，直至覆盖全部en4次表层温度数据；

59、（3）使用提取到的样本构建海表输入与次表层温度标签数据集。

60、所述复合加权损失函数，具体为：

61、

62、其中，表示深度处的次表层温度真实值，表示模型的重构结果，为单点绝对误差，参数和表示用于控制两个加权因子的相对重要性的超参数，表示用于强化en4次表层温度剖面中的垂向梯度信息的垂向结构加权因子，表示基于海表空间变率的加权因子：

63、

64、

65、其中，表示相邻深度层之间的次表层温度标签值差分，表示相邻深度层之间的深度间隔，表示深度处温度垂向梯度的幅值，表示内水平梯度幅值的平均值，表示输入窗口内海表温度数据，和均表示归一化函数。

66、本发明具有以下有益效果及优点：

67、1.本发明能够在不依赖高分辨率次表层温度标签数据的条件下，实现南海次表层温度结构的高分辨率降尺度重构；

68、2.本发明能够有效提高南海次表层温度结构重构的精度和稳定性；

69、3.本发明在保持大尺度温度分布一致性的同时，能够增强对中尺度温度结构细节的表达能力；

70、4.本发明具有较好的物理一致性，可更合理地反映南海次表层温度结构的空间分布特征。