中科院沈阳自动化所海洋温度预测方法研究取得新进展

hua818

海洋温度反映了海水的热状况，海洋温度的变化主要取决于海洋热收支及其时间变化。太阳辐射和海洋-大气热交换是影响海水温度的两个主要因素。具体来说，纬度、洋流、季节、深度、海洋生物的活动等都会影响海水温度的变化。

周晓峰

中国科学院沉阳自动化研究所副研究员

从太空角度看，地球就像一个蓝色的“水球”，海洋面积占地球总面积的70.8%。海洋的各种变化可能会改变人类的生活。其中，海水温度变化与全球变暖、渔业、海洋环境保护等海洋相关领域密切相关。因此，在海洋大数据研究中，海水温度预测在海洋科学中占有重要地位。

近日，中国科学院沉阳自动化研究所（以下简称沉阳自动化所）在海洋温度预测方法研究方面取得新进展。其提出的基于三维时空的四维卷积模型已应用于高精度的海水温度预测。相关研究成果发表在电气电子工程师学会国际期刊《地球科学与遥感通信》上，并申请了相关专利。

影响海水温度的因素很多

“海洋温度反映了海水的热状况。海洋温度的变化主要取决于海洋热收支及其时间变化。太阳辐射和海洋-大气热交换是影响海水温度的两个主要因素。”沉阳自动化研究所副研究员周晓峰介绍，具体来说，纬度、洋流、季节、深度、海洋生物的运动等都会影响海水温度的变化。

在公海中，表层海水等温线的分布大致与纬度圈平行。这是因为地球表面获得的太阳辐射热受地球形状的影响。不同纬度获得的太阳辐射不同，温度也不同。因此，表层海水温度从赤道向两极递减。同样的道理，海水在不同的季节接受到的太阳辐射不同，所以温度也不同。海水温度夏季高，冬季低。

在同纬度海域，流经暖流的海水温度较高，流经寒流的海水温度较低。

另外，从海平面到深海底，海水的温度像奶油蛋糕一样分为很多层，并且随着海水深度的增加，温度降低。太阳辐射的热量大部分被表层海水吸收，白天吸收热量，晚上释放热量。在海水对流和波浪的作用下，表层海水形成温度相对一致的混合层，厚约100米。从表层海水到1000米深处，水温随着深度的增加而迅速降低。但1000米以下的海洋深度，受太阳辐射、表面热传导和对流影响较小，因此水温下降较慢。

“目前，世界海洋水温普遍在-2℃至30℃之间，年平均水温超过20℃的区域占整个海洋面积的一半以上。”周晓峰说，但随着深度的增加，水温逐渐降低（每深1000米，约下降1℃-2℃），在水深3000-4000米时，温度达到2℃--1℃。

除了这些定律之外，海洋中还存在温跃层。海水冷暖层交界处温度变化剧烈，两侧海水密度差异显着。中间几十到几十米的薄水层称为温跃层。变层，又称温跃层。 “温跃层的形成是由于水体不同深度的密度不同，而水体本身上下的对流不足以均匀地混合这种密度差使其稳定，从而形成密度分层现象”。周晓峰解释道。

以往的研究主要集中在离岸

目前预测海洋温度的方法主要集中在海洋表面。在海洋表面，海水温度的日变化很小，以年为周期变化为主。因此，目前的预测方法大多是时间序列预测，利用一段时间内的气温来预测未来的气温。 “海水温度时刻在变化，并不稳定。我们很难同时全面、准确地提取和整合各种影响因素的数据，因此有效预测海水温度并不简单。”周晓峰相信。

此外，目前基于深度学习的预测方法主要基于时间序列预测，忽略了海洋内部的空间联系，采用点预测方法导致特征提取不足。

周晓峰表示，海洋内部温跃层的不规则存在也使得预测海洋温度变得更加困难，因为在温跃层所在的位置，温度变化趋势会突然发生变化。温跃层有两种形式：季节性温跃层和主温跃层。季节性温跃层不是大尺度海洋温度的一种形式，其形成时间也没有周期性。 “我们无法判断观测到的温跃层是长期存在还是暂时存在，也很难提前预测温跃层的位置和形状。这也是目前海水温度研究大多集中在海面的原因之一”他说。

在实际应用中，海洋内部温度的预测比表面的预测更重要。无论是水下探测还是海洋生物研究，都必须利用海洋内部的温度，而不仅仅是表面的温度。周晓峰举了个例子：“比如温跃层的研究就具有重大的军事意义，它对潜艇的上浮和下沉都有一定的影响。因此，现有的表层海水温度预测数据并不能支持很多实际的海洋情况。” 。 工作。”

四维时空模型让温度预测更准确

针对目前海水温度预测仅限于海洋表面、仅考虑时间序列预测的问题，沉阳自动化学院数字工厂研究实验室大数据研究组提出了一种基于时空四时域的模型。维度卷积网络来解决这些问题。

“时空四维卷积模型由三部分组成：四维卷积网络、残差网络和重校准模块。”周晓峰介绍，海洋温度数据本身是由经度、纬度、深度组成的三维栅格化数据。添加时间维度后，形成四维矩阵。使用四维卷积网络从海洋温度数据中提取时间特征和三维空间特征。四维卷积网络的意义在于实现时空双特征提取。由于卷积运算是线性运算，他们在三维卷积的原理基础上进行了改造，实现了四维同时卷积。

对于普通神经网络来说，深度层数越多，优化算法的训练就越困难，训练误差也越大。残差模块可以优化深度神经网络，利用残差网络进一步加深网络可以进一步提取海洋温度的空间特征。

“在整个海洋空间中，邻近区域的数据对预测的贡献在空间上存在差异。有些地方的温度是变化的，有些地方的温度是稳定的；有些地方等温线密集，有些地方等温线稀疏。周晓峰表示，为了提高模型的性能，研究人员在残差模块之后在模型中添加了重新校准模块，重新校准模块的意义是探索和量化每个区域特征的贡献，并对计算出的特征数据进行加权。之前对重要的特征赋予较高的权重，不同的位置也赋予不同的权重，然后对特征进行加权求和，得到最终的结果，从而提高模型的质量。

研究团队利用时空四维卷积模型，在横截面方向和横截面方向上进行了实验。实验表明，时空四维卷积模型可以准确预测水平方向0~2000米的海洋温度，且精度不受海洋深度影响，均在98%以上，大部分在99%以上。在剖面方向上，时空四维卷积模型可以准确预测季节温跃层和主温跃层的位置和形状。准确率不受海洋位置影响，均大于99%。

此外，研究团队还将时空四维卷积模型与当前的预测方法进行了比较，在平均绝对误差（MAE）、均方误差（RMSE）、预测精度（ACC）和R平方（R -)。新模型取得了最佳效果。

“时空四维卷积模型利用海洋温度数据的双重特征提取，并对特征和区域进行加权，实现海洋内部温度的数据预测，突破了目前海面温度预测的局限性，使温跃层预测一体化成为可能。”小枫说道。

陈曦郝晓明