科研进展：利用深度学习重构海洋垂向流速取得新进展
近日，物理海洋教育部重点实验室陈朝晖教授领衔的科研团队在国际地学领域知名期刊 Geophysical Research Letters发表了题为 “Deep Learning Improves Reconstruction of Ocean Vertical Velocity”（《深度学习改进了海洋垂直流速的重构》）的最新研究成果, 首次利用深度学习模型建立了海表面高度场与垂直流速场之间的复杂映射关系,实现了端到端的海洋垂直流速预测。
海洋垂直流速直接影响着海洋中热量、盐度和营养物质的垂直交换和输送。然而,垂直流速通常比水平流速小3-4个数量级,难以直接通过观测获得。因此,传统上往往是基于动力诊断方法（如有效表面准地转方法eSQG）获取垂向流速,但是需要复杂的物理约束才可实现。
近年来，深度学习等机器学习方法的发展为认识海洋提供了全新的途径。深度学习是一种模拟大脑神经网络的机器学习方法,通过对海量数据进行多层次抽象学习,能够实现复杂函数的逼近和特征提取。研究团队提出了一种基于深度学习实现海洋垂向流速场重构的方法，该方法只需要将海表面高度场作为输入，即可对海洋中的三维流速场特别是难以观测诊断的垂直流速场进行有效重构。
团队进一步借助高分辨率海洋模拟数据对此方法进行评估。结果表明，与传统动力诊断方法相比, 深度学习在上层海洋的重构结果表现出更高的相关性和更低的误差。此外,该方法仅需要输入一张45×45公里的海表高度图像即可得到中心点的垂向流速,远远小于传统重构方法对数据量的需求。因此，该方法在高分辨率实时-近实时垂直流速估计方面具有巨大潜力，为未来海洋高分辨率观测的应用提供了新思路。
上述研究获得中国海洋大学研究生自主科研项目“基于神经网络模型的亚中尺度海洋三维流场重构（202161001）”的资助。在陈朝晖教授的指导下，团队成员自主选题，自主立项，开展前瞻性自主科研，展现了团队成员从事科学研究的较大潜力。
图1：（a）海表面高度场和深度卷积神经网络构架。（b）模式模拟输出的“真实”垂直流速场。（c-d）eSQG方法和深度学习模型的垂直流速场重构结果。
引用：
ZHU R. -C., Y. -Q. Li, Z. -H. Chen*, T. -S. Du, Y. -Q. Zhang, Z. -R. Li, et al., 2023: Deep Learning Improves Reconstruction of Ocean Vertical Velocity. Geophysical Research Letters, 50, e2023GL104889. https://doi.org/10.1029/2023GL104889.