基于神經(jīng)網(wǎng)絡(luò)的全球三維溫鹽場重構(gòu)技術(shù)研究

聶旺琛, 王喜冬,2, 陳志強, 何子康, 范開桂

1. 河海大學(xué), 自然資源部海洋災(zāi)害預(yù)報技術(shù)重點實驗室, 江蘇 南京 2010098;

2. 南方海洋科學(xué)與工程廣東省實驗室(珠海), 廣東 珠海 519000

海洋三維溫鹽結(jié)構(gòu)顯著地影響著海氣相互作用、海洋環(huán)流和氣候變化, 因此準(zhǔn)確掌握海洋三維溫鹽結(jié)構(gòu)對于科學(xué)研究和業(yè)務(wù)應(yīng)用至關(guān)重要。雖然通過科學(xué)考察船調(diào)查和浮標(biāo)、錨系陣列等觀測手段所得的溫鹽剖面資料在逐年增加, 但目前積累的現(xiàn)場觀測資料仍不足以實時描述海洋內(nèi)部結(jié)構(gòu)和變化規(guī)律, 不能完全分辨海洋的中尺度過程和海洋上層的熱鹽結(jié)構(gòu)。另一方面, 衛(wèi)星遙感技術(shù)的迅猛發(fā)展,提供了豐富的覆蓋面積廣、高精度、高分辨率的海表觀測數(shù)據(jù)。如何有效利用衛(wèi)星遙感所提供的海表實時和準(zhǔn)實時觀測數(shù)據(jù), 實現(xiàn)溫鹽剖面的垂向投影,是海洋三維溫鹽實況分析和快速預(yù)報等領(lǐng)域中急需解決的前沿難題。

自20 世紀(jì)80 年代以來, 海洋學(xué)家已經(jīng)提出了多種利用海面信息重構(gòu)溫鹽剖面的方法, 包括統(tǒng)計方法、變分法(e.g. Fujii et al, 2003; Han et al, 2004;Helber et al, 2013)以及動力學(xué)方法(e.g. Isernfontanet et al, 2006, 2008; Klein et al, 2008; Wang et al, 2013; Chen et al, 2020)。其中主要的統(tǒng)計方法有:多元回歸(Guinehut et al, 2004; Ballabrera-Poy et al,2009; Goes et al, 2018)、正交函數(shù)分解(empirical orthogonal function, EOF)重構(gòu)(Nardelli et al, 2010;Chang et al, 2011; Yang et al, 2015)和耦合模態(tài)重構(gòu)(Nardelli et al, 2004; Nardelli et al, 2010)。近些年, 遺傳算法也被應(yīng)用于三維溫鹽重構(gòu)領(lǐng)域, 例如: 使用單隱含層神經(jīng)網(wǎng)絡(luò)模型和Argo 數(shù)據(jù)對東北大西洋鹽度剖面進行重構(gòu)(Ballabrera-Poy et al, 2009); 改進自組織映射神經(jīng)網(wǎng)絡(luò)(self-organizing feature map,SOM)反演北大西洋的鹽度剖面(Gueye et al, 2014);鮑森亮等(2018)基于果蠅優(yōu)化廣義回歸神經(jīng)網(wǎng)絡(luò)方法FOAGRNN (fruit fly optimization algorithm, FOA;generalized regression neural net-work, GRNN), 利用多種海表信息[海面溫度(sea surface temperature,SST)、海面鹽度(sea surface salinity, SSS)、海面高度(sea surface height, SSH)、經(jīng)緯坐標(biāo)]重構(gòu)了太平洋黑潮延伸體的鹽度剖面, 結(jié)果表明在渦旋等鹽度存在劇烈變化的區(qū)域, FOAGRNN 方法重構(gòu)性能優(yōu)于多元線性回歸。其中所涉廣義回歸神經(jīng)網(wǎng)絡(luò) GRNN(Specht, 1991), 具有很強的非線性映射能力和高容錯性, 適用于解決非線性問題, 且在樣本數(shù)據(jù)較少時也能較好預(yù)測, 具有較好的泛化性能。該方法無需傳統(tǒng)回歸分析方法的明確函數(shù)形式, 配合適量樣本數(shù)據(jù)即可以概率密度函數(shù)方式實現(xiàn)快速映射。果蠅優(yōu)化算法FOA 具有計算過程簡單, 能應(yīng)用于參數(shù)尋優(yōu)過程(潘文超, 2011)。二者結(jié)合優(yōu)勢互補, 具備非常理想的應(yīng)用前景。

由于鮑森亮等(2018)采用EN4.1.1 數(shù)據(jù)集(英國氣象局哈德利中心提供)月均數(shù)據(jù)訓(xùn)練鹽度剖面重構(gòu)模型, 且將經(jīng)緯坐標(biāo)信息作為預(yù)測因子加入訓(xùn)練,整片黑潮延伸體區(qū)域共用同一個重構(gòu)模型和訓(xùn)練參數(shù), 忽略了逐月變化和區(qū)域差異對模型訓(xùn)練的影響。本文將訓(xùn)練數(shù)據(jù)替換為時空連續(xù)性較好的SODA (simple ocean data assimilation)再分析數(shù)據(jù)集,按月對每一水平網(wǎng)格點單獨建模, 旨在利用再分析數(shù)據(jù)集的海表信息(SSH、SST、SSS)配合FOAGRNN方法建立全球網(wǎng)格化的重構(gòu)模型。本文通過利用獨立的SODA 海表數(shù)據(jù)作為模型輸入進行理想試驗,驗證該方法的可行性; 繼而利用衛(wèi)星遙感資料進行重構(gòu), 評估模型的實際應(yīng)用性能。

1 數(shù)據(jù)

1.1 數(shù)據(jù)

本文模型所用的訓(xùn)練數(shù)據(jù)為美國馬里蘭大學(xué)開發(fā)的SODA 3.7.2 版再分析數(shù)據(jù)集, 其溫鹽場數(shù)據(jù)和SSH 數(shù)據(jù)時空分辨率為 0.5°×0.5°, 5d 平均(http://dsrs.atmos.umd.edu/DATA/soda3.7.2/REGRID ED/ocean/)。取1993—2015 年的SODA 數(shù)據(jù)用于模型訓(xùn)練, 而2016 年的數(shù)據(jù)作為獨立資料用于理想重構(gòu)試驗, 并且使用世界海洋圖集 WOA13 (World Ocean Atlas)月均氣候態(tài)數(shù)據(jù)作對比分析。

實際應(yīng)用試驗采用2016 年衛(wèi)星遙感資料作為輸入數(shù)據(jù)。文中使用的衛(wèi)星高度計資料為法國衛(wèi)星海洋存檔數(shù)據(jù)中心(Archivings Validation and Interpretation of Satellite Oceanographic Data, AVISO,http://www.aviso.oceanobs.com)提供的0.25°×0.25°網(wǎng)格化日均海平面異常(sea level anomaly, SLA)數(shù)據(jù), 該數(shù)據(jù)融合了TOPEX/POSEIDON、JASON1/2和ERS1/2 等衛(wèi)星資料; 同分辨率的SST 數(shù)據(jù)來自美國國家海洋和大氣局(National Oceanic and Atmospheric Administration, NOAA)數(shù)據(jù)中心, 由高分辨率輻射計(advanced very high resolution radiometer, AVHRR) 和微波輻射計(advanced microwave scanning radiometer, AMSR)觀測融合得到, 并通過每日最優(yōu)插值填充了船舶浮標(biāo)觀測值(ftp://eclipse.ncdc.noaa.gov/pub/OI-daily-v2/); SSS 數(shù)據(jù)為SMAP 輻射計提供的V4.0 版L3 級網(wǎng)格產(chǎn)品,由 L2C 數(shù)據(jù)通過質(zhì)量控制和 8 日滑動平均所得(Soil-Moisture Active Passion, http://www.remss.com/missions/smap/salinity/)。對于重構(gòu)結(jié)果的誤差檢驗,使用的實測資料為中國Argo 實時資料中心整理的2016 年 Argo 溫鹽剖面數(shù)據(jù)(ftp://data.argo.org.cn/pub/ARGO/), 同時利用WOA13 數(shù)據(jù)進行對比分析。

1.2 數(shù)據(jù)處理

將SODA 三維溫鹽剖面(5～1152m)分段多項式pchip 插值為26 個垂向標(biāo)準(zhǔn)層(0、5、10、15、20、25、30、35、50、75、100、125、150、175、200、250、300、350、400、450、500、600、700、800、900、1000 m, 對0m 層進行外插); WOA13 氣候態(tài)數(shù)據(jù)空間分辨率為0.25°×0.25°, 需插值至0.5°空間分辨率和垂向標(biāo)準(zhǔn)層; 衛(wèi)星觀測數(shù)據(jù)同樣需水平插值至0.5°×0.5°, 同時將日均SLA 數(shù)據(jù)與SODA 多年SSH 平均場相加得到SSH 數(shù)據(jù)(該數(shù)據(jù)用于第4 節(jié)衛(wèi)星數(shù)據(jù)應(yīng)用重構(gòu), 1993—2015 年SODA 的SSH 數(shù)據(jù)用于第2 節(jié)模型訓(xùn)練, 2016 年SODA 的SSH 數(shù)據(jù)用于第3 節(jié)理想試驗)。Argo 資料需進行嚴(yán)格的質(zhì)量控制(只保留質(zhì)量標(biāo)記<2 的數(shù)據(jù)), 包括: 重復(fù)檢查、深度檢查、位置檢查和梯度檢查, 篩選后得到可用Argo 剖面137311 個, 再垂向插值至標(biāo)準(zhǔn)層。此外在檢驗過程中, 利用反向距離加權(quán)插值(Inverse Distance Weighted, IDW)將網(wǎng)格化數(shù)據(jù)插值至Argo剖面位置。

2 方法

GRNN 理論基礎(chǔ)是非線性回歸分析, 因變量Y相對于獨立變量X1,X2的回歸分析實際是計算最大概率值。通過構(gòu)建聯(lián)合概率密度函數(shù), 已知X1,X2的觀測值為x1,x2, 則Y的回歸值化簡為:式中:Y為輸入為x1,x2條件下的映射輸出,x1,x2為需反演位置對應(yīng)時刻的海面高度和海表溫度數(shù)據(jù);SSH(i), SST(i)為對應(yīng)位置的海表訓(xùn)練樣本歷史序列;T(i)為因變量Y的訓(xùn)練樣本歷史序列, 此處為對應(yīng)標(biāo)準(zhǔn)層的水下溫度;n為訓(xùn)練樣本長度;PSSH和PSST為高斯函數(shù)的寬度系數(shù), 分別與SSH(i)和SST(i)訓(xùn)練樣本序列對應(yīng), 在此稱為光滑因子參數(shù)spread (一般在0～1 范圍內(nèi)取隨機值, 初始默認(rèn)值為1)(范良 等,2013), 反演鹽度時替換所有與溫度相關(guān)的量即可。光滑因子決定了GRNN 網(wǎng)絡(luò)的預(yù)測準(zhǔn)確度和泛化能力, 因此相比于其他神經(jīng)網(wǎng)絡(luò)算法, GRNN 只需調(diào)節(jié)spread 參數(shù)。GRNN 網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練過程就是從默認(rèn)spread 值開始, 于上代基礎(chǔ)上生成隨機參數(shù), 通過不斷迭代使反演誤差減小來尋找最佳spread 值,而果繩優(yōu)化算法能自動高效提速該過程, 快速實現(xiàn)參數(shù)全局尋優(yōu)。根據(jù)果蠅的覓食特性, FOA 參數(shù)尋優(yōu)可分為幾個步驟, 見圖1a。步驟 1, 在40×40 的空間內(nèi)以中心為原點建立坐標(biāo)系(后續(xù)過程果蠅可離開該區(qū)域), 隨機初始化果蠅群落的位置, 并設(shè)定群落大小為10。步驟2, 每只果蠅從群落位置出發(fā),隨機分配一個方向和距離來尋找食物, 并計算果蠅與原點距離的倒數(shù)得到氣味濃度判斷值S。步驟3,將S值代入氣味濃度判斷函數(shù)(或稱適應(yīng)度函數(shù)fitness function), 得到10 個氣味濃度Smell。步驟 4,確定具有最大氣味濃度的果蠅個體, 記錄果蠅位置和Smell 值。步驟 5, 判斷Smell 是否優(yōu)于上次迭代結(jié)果(第1 代跳過), 若是則果蠅利用視覺向記錄坐標(biāo)移動, 形成新的群落位置。步驟 6, 進入迭代尋優(yōu),重復(fù)步驟2～5。最后, 當(dāng)滿足迭代次數(shù)或氣味濃度達(dá)標(biāo)時, 循環(huán)停止并輸出最終S值為最優(yōu)參數(shù), 本文設(shè)置最大迭代次數(shù)為70。

圖1 果蠅算法參數(shù)優(yōu)化流程(a)和FOAGRNN 重構(gòu)溫鹽場流程(b)圖a 流程為圖b 流程中的FOA 優(yōu)化小循環(huán), S 值對應(yīng)spread 參數(shù), Smell 對應(yīng)重構(gòu)結(jié)果與訓(xùn)練樣本的均方根誤差(RMSE), 滿足條件結(jié)束循環(huán)輸出最優(yōu)spread 參數(shù)。SSH: 海面高度; SST: 海面溫度; GRNN: 廣義回歸神經(jīng)網(wǎng)絡(luò)模型Fig. 1 The process of FOA and the process of FOAGRNN reconstruction of temperature and salinity field. The flow chart on the left corresponds to the FOA optimization mini-cycle on the right, S value corresponds to spread parameter, Smell corresponds to RMSE of reconstruction results and training samples; When condition is met, the end of the cycle, and outputs the optimal parameters of spread

參考鮑森亮等(2 0 1 8)的思路, 本文對FOAGRNN 方法進行了適當(dāng)改進, 由此建立了一個全球三維溫鹽重構(gòu)模型。原方法選取多種海表信息(SSH、SST、SSS、經(jīng)度LON、緯度LAT)作為輸入數(shù)據(jù), 集合全海區(qū)全部剖面資料對每個標(biāo)準(zhǔn)層建立單個反演關(guān)系, 在重構(gòu)時能充分利用周圍剖面資料,有效擴充訓(xùn)練樣本長度。但單一模型承擔(dān)整層重構(gòu)任務(wù)也影響了spread 參數(shù)的靈活性, 削弱了區(qū)域差異, 以及無關(guān)訓(xùn)練樣本(相距較遠(yuǎn)的剖面資料)可能對重構(gòu)產(chǎn)生干擾。同時利用EN4.11 月均數(shù)據(jù)訓(xùn)練模型卻未增加時間方面的預(yù)測因子, 忽視了季節(jié)差異對模型的干擾。而本文將訓(xùn)練數(shù)據(jù)替換為SODA 再分析數(shù)據(jù), 考慮到樣本的季節(jié)代表性, 按月分開訓(xùn)練, 并且對每個水平網(wǎng)格點單獨建模, 拓展到全球范圍。雖然構(gòu)準(zhǔn)確性受再分析數(shù)據(jù)的影響, 但訓(xùn)練樣本充足, 時空分辨率得到了提升, 重構(gòu)模型也精簡提高了優(yōu)化上限。

基于FOAGRNN 思路的重構(gòu)模型構(gòu)建流程如圖1b 所示。第一步為模型訓(xùn)練, 將1993—2015 年的SODA 數(shù)據(jù)按月分割, 由于2 月份數(shù)據(jù)長度為131,因此統(tǒng)一取各月前130 個數(shù)據(jù)作為樣本, 然后交錯拆分成訓(xùn)練樣本數(shù)據(jù)和誤差檢驗數(shù)據(jù)(按135、246時間順序拆分, 以避免數(shù)據(jù)前后劇變造成的誤差,兩部分在迭代過程中進行交替)。然后利用FOA 算法對GRNN 模型進行參數(shù)尋優(yōu): 將氣味濃度判斷值S代入spread 參數(shù), 同檢驗數(shù)據(jù)的海表部分輸入到GRNN 模型中獲得網(wǎng)絡(luò)輸出, 再通過計算模型輸出和實際值這兩組時間序列之間的均方根誤差(root mean square error, RMSE)得到氣味濃度Smell。最后不斷迭代, 在尋找最佳氣味濃度值過程中得到最優(yōu)spread 參數(shù), 從而將RMSE 調(diào)整到最小。另外, 在訓(xùn)練過程中將SODA 數(shù)據(jù)自身存在缺陷的區(qū)域舍去(如地中海800～1000m 處極大的SODA 鹽度梯度)。

第二步為重構(gòu)應(yīng)用, 將2016 年SODA 海表信息(SSH、SST/SSS)輸入FOAGRNN 模型重構(gòu)全球溫鹽剖面, 再與實際值、氣候態(tài)資料比較, 于第3 節(jié)討論模型的理想性能, 在第4 節(jié)中將2016 年的衛(wèi)星遙感資料(AVISO 的SLA+SOAD 年平均SSH、AVHRR SST/SMAP SSS)輸入模型來檢驗其實際應(yīng)用性能。具體檢驗過程中, 采用RMSE 誤差統(tǒng)計來評價模型性能:

式中:n為檢驗區(qū)域內(nèi)單一時刻單一標(biāo)準(zhǔn)層上所有樣本的個數(shù)值;xi代表第i個坐標(biāo)的重構(gòu)值,xo代表第i個坐標(biāo)的氣候態(tài)值或觀測值。在第3 節(jié)中, 溫鹽場結(jié)果比較前先做月均處理, 單一時刻對應(yīng)2016 年各月; 在第4 節(jié)中, 由于Argo 浮標(biāo)零散分布, 不做月均處理, 單一時刻為2016 年各月天數(shù)之和。計算所得RMSE 能很好地反映選定區(qū)域內(nèi)模型重構(gòu)性能在垂向上的變化, 然后垂向25 層標(biāo)準(zhǔn)層再做平均得到平均均方根誤差(MRMSE)來反映區(qū)域總誤差[未作說明時, 默認(rèn)進行了 2016 年年平均處理, 結(jié)果分析參考王喜冬等(2011)、He等(2021)]。

3 FOAGRNN 重構(gòu)模型性能評估

通過迭代訓(xùn)練得到了全球三維溫鹽重構(gòu)模型,為了證明該方法的可行性, 使用獨立的 2016 年SODA 數(shù)據(jù)進行理想試驗。將SODA 海面溫鹽和SSH 數(shù)據(jù)作為模型輸入得到重構(gòu)場, 再分別計算原始場相對重構(gòu)場、WOA13 氣候態(tài)、SODA 多年氣候態(tài)的平均RMSE, 進行比較分析。對誤差結(jié)果按月份和位置(圖2)進行統(tǒng)計分析, 并選取6 個代表區(qū)域(圖3)作深入評估。

圖2 SODA 原始場與SODA 溫鹽重構(gòu)結(jié)果以及氣候態(tài)資料之間的誤差比較a. 2016 年原始場與其他溫度場的平均RMSE; b. 2016 年原始場與其他鹽度場的平均RMSE; c. 在南/北半球1/7 月, SODA 原始場與重構(gòu)結(jié)果之間的溫度場 RMSE; d. 在南/北半球 1/7 月,SODA 原始場與重構(gòu)結(jié)果之間的鹽度場RMSEFig. 2 The changes of RMSE error between original field and SODA reconstruction results/climate state data with water depth. (a) Temperature field, in the worldwide scale and 2016 average; (b) salinity field, in the worldwide scale and 2016 average; (c) RMSE of temperature field between SODA original field and reconstructed results in the Northern/Southern Hemisphere and January/July; (d) RMSE of salinity field between SODA original field and reconstructed results in the Northern/Southern Hemisphere and January/July

圖2 給出了SODA 重構(gòu)場、WOA 氣候態(tài)和SODA 月均氣候態(tài)相對于SODA 原始數(shù)據(jù)的區(qū)域RMSE 垂直分布(圖2a、2b 為全球范圍內(nèi)作2016 年平均)。由圖2 可見, 全球重構(gòu)溫鹽MRMSE 分別為0.36℃和0.08‰ (圖2a、2b 中紅色曲線取垂向平均),重構(gòu)結(jié)果顯著優(yōu)于WOA 和SODA 氣候態(tài)。具體而言: 重構(gòu)溫度RMSE 從海表向下迅速增大, 到100m附近達(dá)到峰值0.59℃, 再向下又逐漸減小, 最后基本保持穩(wěn)定。根據(jù)誤差數(shù)值比較, 重構(gòu)溫度RMSE明顯小于氣候態(tài) RMSE, 淺層峰值區(qū)大約減小40%～50%。由于混合層一般處于0～200m 層, 海水特征變化不規(guī)律, 因此上層重構(gòu)誤差較大, 而200m以下一般處于躍層, 海水變化規(guī)律隨深度增加而穩(wěn)定。在鹽度統(tǒng)計結(jié)果中, 重構(gòu)RMSE 垂向變化趨勢相似, 但極大值位于35m 附近, 為0.14‰; 各深度上同樣小于氣候態(tài)RMSE, 混合層以內(nèi)相比減小約40%～60%。此外, 從季節(jié)和地域來看, 在混合層內(nèi),溫度重構(gòu)誤差冬季小夏季大, 南半球小北半球大,鹽度場類似; 200m 躍層及以下深度, 溫鹽重構(gòu)誤差受半球位置和季節(jié)影響不明顯。

選取6 處代表區(qū)域進行誤差統(tǒng)計分析[圖3, 區(qū)域選取參考Chang 等(2011)], 進一步檢驗?zāi)Ｐ椭貥?gòu)性能, 結(jié)果見表1, 前5 個海區(qū)的統(tǒng)計數(shù)據(jù)樣本量為24 萬, 南大洋海區(qū)的樣本量為72 萬; 此外取2016 年1 月29 日的緯向截面進行重構(gòu)結(jié)果展示(圖4、圖5)。從表1 可以看出, 兩種氣候態(tài)資料誤差基本相近,各區(qū)域溫度場、鹽度場重構(gòu)性能均顯著優(yōu)于氣候態(tài),重構(gòu)場MRMSE 相比氣候態(tài)分別減小50%和60%。其中北大西洋的重構(gòu)結(jié)果最差, 最大重構(gòu)誤差為0.41℃和0.07‰, 其次是北太平洋和赤道區(qū)域, 南印度洋相對較小, 南大洋區(qū)域誤差最小。上述結(jié)果進一步表明, 在理想情況下, 利用SODA 海表信息所得的重構(gòu)場明顯比氣候態(tài)更能夠表征海水溫鹽特征。此外根據(jù)垂向RMSE 變化對比可知, 各區(qū)域之間存在明顯的差異, 而且北太平洋和南印度洋區(qū)域還存在顯著的季節(jié)差異。但總的來說, 6 處區(qū)域的重構(gòu)溫度RMSE 均小于1.00℃, 200m 以下小于0.80℃, 鹽度RMSE 整體小于0.15‰, 200m 以下小于0.08‰。

表1 各區(qū)域SODA 原始場與重構(gòu)場以及氣候態(tài)的垂向平均均方根誤差(MRMSE)Tab. 1 Vertical MRMSE between original and reconstructed SODA field/ climate state in each region

圖3 選取代表區(qū)域和Argo 浮標(biāo)軌跡NP (北太平洋): 150°—170°E, 30°—40°N; NA (北大西洋): 40°—20°W, 40°—50°N; EQWP (赤道西太平洋): 170°E—170°W, 10°S—0;EQEP (赤道東太平洋): 110°—90°W, 10°S—0; SI (南印度洋): 50°—70°E, 40°—30°S; ANT (南大洋): 120°—60°W, 65°—55°S。Argo 浮標(biāo)編號: (1) 5902460, (2) 5903130, (3) 5905167, (4) 5904090, (5) 2902653, (6) 6901584; 紅色曲線為Argo 浮標(biāo)軌跡, 黑點為軌跡起點, 每個浮標(biāo)剖面數(shù)量在72～146 之間。該圖基于國家測繪地理信息局標(biāo)準(zhǔn)地圖服務(wù)網(wǎng)站下載的審圖號為GS(2016)1611 的標(biāo)準(zhǔn)地圖制作Fig. 3 The selected representative area and Argo floats tracks. NP (North Pacific): 150°—170°E, 30°—40°N; NA (North Atlantic): 40°—20°W, 40°—50°N; EQWP (Equatorial Western Pacific): 170°—170°W, 10°S—0; EQEP (Equatorial Eastern Pacific): 110°—90°W, 10°S—0; SI (Southern indian Ocean): 50°—70°E, 40°—30°S; ANT (Antarctic Ocean): 120°—60°W,65°—55°S. Argo float ID numbers: (1) 5902460, (2) 5903130, (3) 5905167, (4) 5904090, (5) 2902653, and (6) 6901584. These red curves are the Argo buoy track, and these black dots are the starting point of the tracks; the number of float profiles is between 72 and 146

圖4 和圖5 分別為經(jīng)過赤道和南大洋的緯向SODA 溫鹽斷面(圖4、圖5a、5b)、重構(gòu)溫鹽斷面(圖4、圖5c、5d), 以及二者的差異(圖4、圖5e、5f)。圖4 中重構(gòu)場再現(xiàn)了太平洋西側(cè)暖池垂向結(jié)構(gòu)特征,以及在太平洋100m 深度處, 赤道潛流自西向東流動引起的高鹽水平流現(xiàn)象。相應(yīng)的重構(gòu)誤差最大值也集中在潛流區(qū)域, 溫鹽誤差分別在2℃和0.5‰以內(nèi)。圖5 中則很好地再現(xiàn)了南極繞極流(Antarctic Circumpolar Current, ACC)影響下的表層海水溫、鹽躍層變化, 在160°E 至60°W 之間, ACC 整體相對靠南, 造成水團相對高溫低鹽; 而在160°W 至120°W,ACC 又受洋中脊地形作用北翹導(dǎo)致水團變成相對低溫高鹽的狀態(tài)。重構(gòu)誤差極值深度與圖4 相近, 主要分布在50m 左右。上述檢驗均表明重構(gòu)場能有效捕捉不同海區(qū)的溫鹽結(jié)構(gòu)特征, 由此可見FOAGRNN 方法重構(gòu)三維溫鹽場具有可行性。

圖4 溫、鹽場緯向截面分布a 和d. SODA 重構(gòu)溫鹽截面; b 和e. SODA 原始數(shù)據(jù)溫鹽截面; c. 溫度差值; f. 鹽度差值。截面為經(jīng)過00°15′E 緯線, 時間為2016 年1月29 日, 圖中空白表示陸地Fig. 4 Distribution of temperature and salinity field in a zonal section. (a) and (d). SODA reconstructed temperature/salt profiles; (b) and (e). SODA raw data temperature/salt profiles; (c) and (f). their difference. The cross profile is along a latitude passing 00°15′E, and the time is January 29, 2016. The blank space represents land

圖5 溫、鹽場緯向截面分布a 和d. SODA 重構(gòu)溫鹽截面; b 和e. SODA 原始數(shù)據(jù)溫鹽截面; c. 溫度差值; f. 鹽度差值。截面為經(jīng)過60°S 緯線, 時間為2016 年1 月29 日Fig. 5 Distribution of temperature and salinity field in a zonal section. (a) and (d). SODA reconstructed temperature/salt profiles; (b) and (e). SODA raw data temperature/salt profiles; (c) and (f). their difference. The cross profile is along a latitude passing 60°S, and the time is January 29, 2016

4 衛(wèi)星觀測數(shù)據(jù)應(yīng)用性能評估

為了更加客觀地檢驗?zāi)Ｐ椭貥?gòu)性能, 本研究利用2016 年的衛(wèi)星觀測數(shù)據(jù)進行實際應(yīng)用試驗, 計算重構(gòu)結(jié)果與Argo 觀測剖面的RMSE, 并與WOA13氣候態(tài)數(shù)據(jù)進行對比分析, 全球統(tǒng)計結(jié)果如圖6。此外跟蹤圖3 中6 個Argo 浮標(biāo)軌跡進行比較分析, 并繼續(xù)對6 個代表區(qū)域的水團統(tǒng)計分析, 進一步檢驗重構(gòu)模型。

由圖6 可見, 實際應(yīng)用情況下Argo 表層資料與遙感數(shù)據(jù)存在一定偏差, 海表重構(gòu)誤差具有初始值,但溫度場重構(gòu)結(jié)果仍顯著優(yōu)于WOA 氣候態(tài), 鹽度場重構(gòu)結(jié)果在混合層得到了明顯的改善。全球重構(gòu)溫鹽MRMSE 分別為0.79℃和0.16‰, 相比WOA氣候態(tài)減小27%和11%。從RMSE 垂向變化來看, 重構(gòu)溫度RMSE 變化趨勢與理想試驗類似, 從海表0.61℃向下迅速增大, 在100m 深度達(dá)到最大值1.35℃,然后在進入溫躍層前迅速回落至0.81℃, 再往下趨于穩(wěn)定縮減。從誤差數(shù)值來看, 0～1000m 重構(gòu)溫度RMSE 均小于氣候態(tài), 在混合層內(nèi)相比減小約20%～50%。鹽度場重構(gòu)RMSE 從海表至1000m 基本全程隨深度減小, 僅從海表處的0.24‰到25m 附近的峰值有略微增大。在150m 以淺的混合層內(nèi)重構(gòu)結(jié)果相對 WOA 氣候態(tài)存在優(yōu)勢, 誤差減小約 10%～30%。此外在混合層以內(nèi), 重構(gòu)溫鹽場誤差具有和理想試驗相同的季節(jié)和南北半球差異。

圖6 Argo 剖面觀測資料分別與衛(wèi)星數(shù)據(jù)溫鹽重構(gòu)剖面以及WOA 氣候態(tài)資料之間的RMSE 隨水深的變化a. 2016 年Argo 數(shù)據(jù)與重構(gòu)場/WOA 氣候態(tài)溫度場的平均RMSE;b. 2016 年Argo 數(shù)據(jù)與重構(gòu)場/WOA 氣候態(tài)鹽度場的平均RMSE;c. 南/北半球1/7 月溫度場重構(gòu)誤差; d. 南/北半球1/7 月鹽度場重構(gòu)誤差Fig. 6 Changes of RMSE between Argo field observation data, satellite data reconstruction results/WOA climate state data with water depth. (a) Temperature field, in the worldwide scale and 2016 average; (b) salinity field, in the worldwide scale and 2016 average; (c) temperature field reconstruction error, in the Northern/Southern Hemisphere and January/July;(d) salinity field reconstruction error, in the Northern/Southern Hemisphere and January/July

由于模型輸入為海表溫鹽和海面高度資料, 因此浮標(biāo)選取也適當(dāng)參考了海表信息年際變率高的海區(qū)。全球SST 變率最大的區(qū)域在30°—60°N 之間的北太平洋西部和北大西洋西部, 在相應(yīng)區(qū)域選取浮標(biāo)進行跟蹤分析(浮標(biāo)軌跡和背景場見圖7)。圖8 (北大西洋)中選取的浮標(biāo)沿北大西洋流向西北螺旋移動, 經(jīng)過亞北極鋒進入拉布拉多海水影響區(qū)域, 從暖而咸的亞熱帶海水變?yōu)槔涠母睒O地海水, 途經(jīng)數(shù)個渦旋, 這些特征均可從躍層和比容高度劇烈變化看出, 相應(yīng)細(xì)節(jié)也均在重構(gòu)剖面中再現(xiàn)。重構(gòu)溫度RMSE 從海表0.90℃迅速增大至200m 處的峰值2.10℃, 相比WOA 減小0.60℃, 然后隨深度逐漸減小, 且在100～600m 之間溫躍層所處深度顯著優(yōu)于氣候態(tài), 這在溫度剖面上也有體現(xiàn); 鹽度RMSE則一直隨深度增加而減小, 極大值出現(xiàn)在表層, 為0.45‰。此外重構(gòu)場與實測場計算所得的比容海面高度(從900m 積分)之間相關(guān)系數(shù)為0.84, RMSE 為9.4cm。在北太平洋區(qū)域, 圖9 中浮標(biāo)開始位于黑潮延伸體主支, 在數(shù)個暖渦和冷渦作用下“S 型”向北靠近親潮流系。重構(gòu)場后段海表溫鹽降低, 深層等值線整體抬升表明浮標(biāo)進入了親潮流域。圖中渦旋作用深度很淺, 躍層集中在200m 以上, 對應(yīng)深度范圍內(nèi)重構(gòu)溫度 RMSE 顯著小于氣候態(tài)RMSE, 大約減小40%。重構(gòu)誤差基本隨深度都在減小, 海表重構(gòu)溫鹽極大值誤差分別為 1.42℃、0.36‰, 比容海面高度RMSE 為7.5cm。從溫鹽剖面來看, 混合層溫度重構(gòu)良好, 鹽度重構(gòu)一般。上述結(jié)果表明, 對于 SST 高變率海區(qū), 重構(gòu)場仍能較好地反映上層海洋的溫鹽信號, 有效刻畫海洋內(nèi)部變化特征。

圖7 Argo 浮標(biāo)軌跡及背景場分圖號代表Argo 浮標(biāo)編號: a. 5902460; b. 5904090; c. 5903130; d. 6901584; e. 5905167; f. 2902653。紅色曲線為浮標(biāo)軌跡, 藍(lán)叉為軌跡起點, 黑叉為表層流場和海平面異常(SLA)所對應(yīng)時刻Fig. 7 Argo float track and background field. Argo float number. (a) 5902460; (b) 5904090; (c) 5903130; (d) 6901584; (e)5905167; (f) 2902653. The red curve is float track, and the blue cross is the starting point of the track, and black cross is the corresponding moment of the surface flow field and SLA

圖8 Argo 浮標(biāo)5902460 (位于北大西洋)數(shù)據(jù)圖像a. Argo 觀測溫度場; b. 衛(wèi)星數(shù)據(jù)重構(gòu)溫度場; c. Argo 觀測鹽度場; d. 衛(wèi)星重構(gòu)鹽度場; e. 圖a 中虛線對應(yīng)時刻的Argo/衛(wèi)星重構(gòu)/WOA13 溫度剖面; f. 鹽度場; g. 觀測溫度場與衛(wèi)星重構(gòu)/WOA13 氣候態(tài)的RMSE; h. 鹽度場; i. Argo 剖面和重構(gòu)剖面計算的比容海面高度。圖a 中的紅色豎線為圖7 中黑叉對應(yīng)時刻Fig. 8 Argo float 5902460, located in the North Atlantic Ocean. (a) Argo observed temperature field; (b) satellite data reconstruction temperature field; (c) Argo observed salinity field; (d) satellite data reconstruction salinity field; (e) The Argo/satellite reconstruction/WOA13 temperature profile at the time corresponding to the dotted line in fig. a; (f) salinity field; (g)RMSE of observed temperature field and reconstructed temperature field/WOA13 climate state; (h) salinity field; (i) steric height calculated by Argo profile and reconstructed profile. The red vertical line in fig. a is the corresponding time of the black cross in fig. 7

圖9 Argo 浮標(biāo)5904090 (位于黑潮延伸體)數(shù)據(jù)圖像a. Argo 觀測溫度場; b. 衛(wèi)星數(shù)據(jù)重構(gòu)溫度場; c. Argo 觀測鹽度場; d. 衛(wèi)星重構(gòu)鹽度場; e. 圖a 中虛線對應(yīng)時刻的Argo/衛(wèi)星重構(gòu)/WOA13 溫度剖面; f. 鹽度場; g. 觀測溫度場與衛(wèi)星重構(gòu)/WOA13 氣候態(tài)的RMSE; h. 鹽度場; i. Argo 剖面和重構(gòu)剖面計算的比容海面高度。圖a 中的紅色豎線為圖7 中黑叉對應(yīng)時刻Fig. 9 Argo float 5904090, located in the Kuroshio extension. (a) Argo observed temperature field; (b) satellite data reconstruction temperature field; (c) Argo observed salinity field; (d) satellite data reconstruction salinity field; (e) The Argo/satellite reconstruction/WOA13 temperature profile at the time corresponding to the dotted line in fig. a; (f) salinity field; (g) RMSE of observed temperature field and reconstructed temperature field/WOA13 climate state; (h) salinity field; (i) steric height calculated by Argo profile and reconstructed profile. The red vertical line in fig. a is the corresponding time of the black cross in fig. 7

海面高度與溫度、鹽度及海流等都有關(guān)系, 其變率分布比SST 復(fù)雜。在南北半球的西邊界流附近以及南極繞極流附近, SLA 變率最大, 圖10 和圖11為對應(yīng)區(qū)域選取的浮標(biāo)分析結(jié)果。圖10 (南大西洋)中浮標(biāo)位于阿根廷海盆東側(cè), 由于受當(dāng)?shù)貜?fù)雜渦旋作用, 其軌跡在海盆內(nèi)來回徘徊, 途中明顯被數(shù)個冷暖渦所捕獲, 對重構(gòu)剖面的躍層變化進行分析可以得知。例如, 1—3 月對應(yīng)浮標(biāo)被暖渦捕獲, 等值線下凹, 浮標(biāo)軌跡也呈逆時針漂移以及SLA 和比容海面高度出現(xiàn)正異常; 10 月浮標(biāo)被冷渦捕獲, 躍層變化和SLA 時間序列等出現(xiàn)相反情況。圖10 中重構(gòu)溫度RMSE 峰值為250m 處的2.33℃, 相比WOA 小0.90℃, 同深度重構(gòu)鹽度RMSE 極大值為0.43‰, 比容高度RMSE 為8.8cm。在100～600m 躍層變化范圍內(nèi), 誤差明顯增大, 但重構(gòu)場仍顯著優(yōu)于氣候態(tài),重構(gòu)溫鹽剖面也相應(yīng)比WOA 更貼近Argo 資料曲線。圖11 (南印度洋)中浮標(biāo)跟隨厄加勒斯回流攜帶的渦旋向東漂移, 表層海水信號活躍, 溫鹽躍層也集中在200m 以上。7 月之后被大型暖渦捕獲, 于原地逆時針旋轉(zhuǎn), 渦旋混合深度能達(dá)500m, 12 月之后靠近渦心區(qū)域, 表層溫鹽增大。這些現(xiàn)象均被重構(gòu)場有效再現(xiàn)。重構(gòu)溫度RMSE 基本不隨深度變化,在0.60～1.10℃間波動, 整體比WOA 小30%～50%;鹽度RMSE 隨深度增加而減小, 僅在躍層變化范圍內(nèi)略優(yōu)于WOA, 比容高度RMSE 為7.6cm。根據(jù)剖面變化也能發(fā)現(xiàn), 重構(gòu)溫度曲線明顯比WOA 更符合實測規(guī)律。由分析結(jié)果可知海面高度對剖面躍層重構(gòu)的重要性, 這可用一層半海洋模式粗略解釋,以及再次表明了模型能有效再現(xiàn)實際海洋上層溫鹽結(jié)構(gòu)的變化情況。

圖10 Argo 浮標(biāo)5903130 (位于南大西洋)數(shù)據(jù)圖像a. Argo 觀測溫度場; b. 衛(wèi)星數(shù)據(jù)重構(gòu)溫度場; c. Argo 觀測鹽度場; d. 衛(wèi)星重構(gòu)鹽度場; e. 圖a 中虛線對應(yīng)時刻的Argo/衛(wèi)星重構(gòu)/WOA13 溫度剖面; f. 鹽度場; g. 觀測溫度場與衛(wèi)星重構(gòu)/WOA13 氣候態(tài)的RMSE; h. 鹽度場; i. Argo 剖面和重構(gòu)剖面計算的比容海面高度。圖a 中的紅色豎線為圖7 中黑叉對應(yīng)時刻Fig. 10 Argo float 5903130, located in the South Atlantic Ocean. (a) Argo observed temperature field; (b) satellite data reconstruction temperature field; (c) Argo observed salinity field; (d) satellite data reconstruction salinity field; (e) The Argo/satellite reconstruction/WOA13 temperature profile at the time corresponding to the dotted line in fig. a; (f) salinity field; (g) RMSE of observed temperature field and reconstructed temperature field/WOA13 climate state; (h) salinity field; (i) steric height calculated by Argo profile and reconstructed profile. The red vertical line in fig. a is the corresponding time of the black cross in fig. 7

為檢驗?zāi)Ｐ蛯\海地區(qū)的重構(gòu)性能, 圖12 選取于東澳大利亞近海, 當(dāng)?shù)販u旋受地形控制作用周期性生成。由圖12 可見, 渦旋充分混合深度能達(dá)到300m, 冬季渦旋表層水溫比周圍高2℃的現(xiàn)象均有效再現(xiàn), 而且受地形影響的等值線趨勢也基本相同,說明模型能夠適用于近海地形復(fù)雜海區(qū)。重構(gòu)RMSE 在200～600m 躍層變化范圍內(nèi)迅速增大, 極大值位于500m 左右, 為0.53℃和0.16‰, 同時重構(gòu)RMSE 顯著小于氣候態(tài), 減小約40%～50%, 所選時刻的剖面比較結(jié)果也表示重構(gòu)場優(yōu)于氣候態(tài)。比容海面高度RMSE 為5.3cm, 重構(gòu)性能在幾個浮標(biāo)中改善最顯著。

圖13 (西太平洋)中浮標(biāo)沿北赤道流北上黑潮分支漂移, 溫鹽場等值線基本穩(wěn)定, 用于檢驗?zāi)Ｐ蛯ρ罅鲀?nèi)剖面的重構(gòu)性能。圖13 中較好地再現(xiàn)了200m以淺的黑潮上游, 其經(jīng)12°N 后小幅度向下延伸, 位于 150m 附近的逆鹽度層也刻畫良好。重構(gòu)溫度RMSE 極大值1.64℃, 位于100m; 鹽度RMSE 極大值為150m 處的0.17‰。在100～250m 躍層變化范圍內(nèi), 重構(gòu)溫度性能顯著優(yōu)于氣候態(tài), 大約減小35%～40%; 鹽度場則由于淡水通量, 50m 以上海水鹽度變化活躍, 相應(yīng)性能優(yōu)越區(qū)域拓寬至0～300m。400m 以下誤差迅速減小, 重構(gòu)場與WOA 基本重合趨于穩(wěn)定。在剖面對應(yīng)時刻, 溫鹽場層化明顯, 各場剖面曲線基本重合, 僅在躍層前后重構(gòu)場略優(yōu)于氣候態(tài)。比容海面高度 RMSE為 9.0cm, 整體結(jié)果表明模型能較好反映洋流內(nèi)的溫鹽結(jié)構(gòu)特征。

圖13 Argo 浮標(biāo)2902653 (位于西太平洋附近)數(shù)據(jù)a. Argo 觀測溫度場; b. 衛(wèi)星數(shù)據(jù)重構(gòu)溫度場; c. Argo 觀測鹽度場; d. 衛(wèi)星重構(gòu)鹽度場; e. 圖a 中虛線對應(yīng)時刻的Argo/衛(wèi)星重構(gòu)/WOA13 溫度剖面; f. 鹽度場; g. 觀測溫度場與衛(wèi)星重構(gòu)/WOA13 氣候態(tài)的RMSE; h. 鹽度場; i. Argo 剖面和重構(gòu)剖面計算的比容海面高度。圖d 中空白和圖i 中曲線不連續(xù)情況為衛(wèi)星數(shù)據(jù)缺測導(dǎo)致。圖a 中的紅色豎線為圖7 中黑叉對應(yīng)時刻Fig. 13 Argo float 2902653, located near the western Pacific. (a) Argo observed temperature field; (b) satellite data reconstruction temperature field; (c) Argo observed salinity field; (d) satellite data reconstruction salinity field; (e) The Argo/satellite reconstruction/WOA13 temperature profile at the time corresponding to the dotted line in fig. a; (f) salinity field;(g) RMSE of observed temperature field and reconstructed temperature field/WOA13 climate state; (h) salinity field; (i) steric height calculated by Argo profile and reconstructed profile. The blank in (d) and the curve discontinuity in (i) are caused by the lack of satellite data. The red vertical line in fig. a is the corresponding time of the black cross in fig. 7

根據(jù)浮標(biāo)的軌跡跟蹤結(jié)果來看, 重構(gòu)場整體分布與實測結(jié)果非常接近, 混合層變化以及躍層深度均能較好再現(xiàn), 并且混合層內(nèi)重構(gòu)場顯著優(yōu)于WOA 氣候態(tài)。對于海表信息高變率區(qū)域、淺海和洋流內(nèi)部, 模型重構(gòu)性能良好, 還有效刻畫了中尺度渦的內(nèi)部信號, 由此表明模型對遙感數(shù)據(jù)的重構(gòu)應(yīng)用較為成功。

為了更全面檢驗?zāi)Ｐ蛯πl(wèi)星遙感資料的反演性能, 對圖3 中6 處代表區(qū)域再次進行統(tǒng)計分析與水團比較。圖14 分別給出了幾處代表區(qū)域在T-S 圖中的水團分布?？梢钥闯? WOA 氣候態(tài)輪廓范圍相對小于Argo 觀測資料和重構(gòu)場, 在鹽度方向上特別明顯, 另外兩者的水團輪廓則相當(dāng)接近, 表明重構(gòu)場比氣候態(tài)更符合觀測結(jié)果, 能有效捕捉水團的活躍信息, 反映水文特性。圖14c、14e 和14f 這3 處區(qū)域的實測場(灰色)和重構(gòu)場(綠色)水團輪廓最為接近,表明這些區(qū)域重構(gòu)性能最好, 這從表2 中也能看出。

圖14 各代表區(qū)域所有標(biāo)準(zhǔn)深度0～1000m 的溫度和鹽度圖a. 北太平洋; b. 北大西洋; c. 赤道西太平洋; d. 赤道東太平洋; e. 南印度洋; f. 南大洋。灰色表示Argo 觀測資料, 綠色表示衛(wèi)星數(shù)據(jù)重構(gòu), 藍(lán)色表示W(wǎng)OA 氣候態(tài)Fig. 14 Temperature and salinity maps of all standard depths from 0 to 1000 m in each representative area. (a) North Pacific Ocean; (b) North Atlantic; (c) western equatorial Pacific; (d) eastern equatorial Pacific; (e) southern Indian Ocean; (f)Antarctic Ocean. Argo observation data (gray), satellite data reconstruction (green), and WOA climate state (blue)

表2 為6 處代表區(qū)域的重構(gòu)MRMSE 統(tǒng)計結(jié)果(海區(qū)內(nèi)所有Argo 剖面與重構(gòu)場、WOA 計算各月水平場 RMSE, 再平均處理, 各海區(qū)內(nèi)剖面數(shù)量分別為1771、842、1061、1231、628、1378), 從中可知重構(gòu)溫度誤差整體比WOA 氣候態(tài)小0.30℃,鹽度場則基本相近。其中北太平洋區(qū)域雖然重構(gòu)溫度MRMSE 最大, 但相對WOA 的改善也最顯著,減小約 38%, 而同誤差程度的赤道東太平洋則只有 12%的改善程度。對于鹽度重構(gòu), 赤道西太平洋的性能最優(yōu)越, 相對WOA 減小約46%, 其次為赤道東太平洋，減小約 10%, 其他區(qū)域則沒有優(yōu)勢。結(jié)果表明重構(gòu)模型在溫度場中性能較好, 相比氣候態(tài)改善較為顯著, 但在鹽度場中性能不穩(wěn)定,明顯受區(qū)域差異影響。局部地區(qū)改善較差的原因,可能是遙感資料或訓(xùn)練樣本在這些地方質(zhì)量較差,兩者可通過替換數(shù)據(jù)進行改善, 且該過程操作簡單, 對模型參數(shù)并無影響。

表2 各區(qū)域Argo 觀測數(shù)據(jù)與衛(wèi)星觀測數(shù)據(jù)重構(gòu)場以及WOA 氣候態(tài)的垂向平均均方根誤差(MRMSE)Tab. 2 Vertical MRMSE of Argo observation data, satellite observation data reconstruction field and WOA climate state in each region

5 總結(jié)

本文改善了基于果蠅優(yōu)化廣義回歸神經(jīng)網(wǎng)絡(luò)算法FOAGRNN 的三維溫鹽重構(gòu)技術(shù), 構(gòu)建了海表信息與垂向溫鹽剖面之間的關(guān)系模型, 并且利用獨立的SODA 再分析數(shù)據(jù)和遙感資料進行了全球三維溫鹽剖面的重構(gòu)應(yīng)用試驗, 對重構(gòu)模型的性能進行了檢驗。首先基于獨立的2016 年SODA 海表數(shù)據(jù)評估模型的理想性能, 試驗結(jié)果表明重構(gòu)場相比WOA13 氣候態(tài)得到了顯著的改善。重構(gòu)溫度RMSE在100m 附近達(dá)到峰值, 垂向MRMSE 為0.36℃; 重構(gòu)鹽度RMSE 極值位于35m 附近, 垂向MRMSE 為0.08‰, 在各深度均小于氣候態(tài)RMSE。尤其是在混合層內(nèi), 溫度RMSE 相比WOA 減小約40%～50%,鹽度RMSE 相比減小約40%～60%, 更能表征海洋三維溫鹽特征。此外在200m 以淺海域, 重構(gòu)模型誤差還具明顯的冬季小夏季大的季節(jié)差異和南半球小北半球大的地域差異。

利用訓(xùn)練好的重構(gòu)模型, 對2016 年衛(wèi)星觀測數(shù)據(jù)進行實際應(yīng)用試驗, 并用Argo 資料和WOA13 數(shù)據(jù)進一步檢驗?zāi)Ｐ托阅?。試驗結(jié)果證明, FOAGRNN方法在溫度場重構(gòu)領(lǐng)域具有優(yōu)越的實際應(yīng)用能力,在混合層中效果最優(yōu)。重構(gòu)溫度誤差在各深度均小于 WOA, 相比減小約 20%～50%, 重構(gòu)鹽度僅在100m 以淺略有優(yōu)勢, 誤差減小約10%～30%, 并且重構(gòu)誤差依舊存在區(qū)域和季節(jié)差異。此外根據(jù)浮標(biāo)跟蹤結(jié)果和水團特征分析發(fā)現(xiàn), 模型能較為真實反映出中尺度渦的內(nèi)部結(jié)構(gòu)特征, 將海面信號特征反映到混合層, 有效再現(xiàn)實際海洋上層溫鹽變化情況。對于部分性能較差區(qū)域, 模型可以通過簡單替換再分析樣本或遙感資料進行改善, 同時樣本數(shù)據(jù)隨時間積累也能改善模型性能。本文基于FOAGRNN 算法所重構(gòu)的三維溫鹽場能夠充分利用遙感資料為短期氣候預(yù)測系統(tǒng)提供較為理想的海洋初始場, 也可以為各類研究應(yīng)用等提供最基本的分析場, 具備非常廣闊的應(yīng)用前景。