近日，中國科學院海洋研究所人工智能海洋學研究組在衛(wèi)星遙感反演全球海氣熱通量方向取得重要進展。相關成果以“Enhancing Retrievals of Air-Sea Heat Fluxes from AMSR2 Microwave Observations Based on Deep Learning”為題，發(fā)表在遙感領域國際期刊 IEEE Transactions on Geoscience and Remote Sensing（SCI一區(qū)，影響因子8.8）。
本研究聚焦于提升海表面2米氣溫（Ta）和比濕（Qa）的遙感反演精度，這兩個變量是計算海氣感熱通量（SHF）和潛熱通量（LHF）的關鍵輸入，但傳統(tǒng)方法往往面精度低、區(qū)域偏差大等問題。為此，研究團隊創(chuàng)新性地提出了MPFNet（Matrices-Points Fusion Network），融合關鍵點特征和周圍空間矩陣信息，結合Fourier神經(jīng)算子與殘差網(wǎng)絡架構，實現(xiàn)了高精度的Ta與Qa反演。
圖1 MPFNet模型結構圖
MPFNet以AMSR2微波遙感數(shù)據(jù)為輸入，利用海表面溫度、風速、水汽、云液態(tài)水、降雨率、經(jīng)度和緯度7個變量，在捕捉局部和大尺度特征的同時，融合經(jīng)緯度信息增強模型空間泛化能力。MPFNet模型采用遷移學習的訓練策略，首先利用ERA5再分析數(shù)據(jù)進行預訓練，再利用衛(wèi)星與浮標匹配的觀測進行微調(diào)優(yōu)化，大幅提升了模型在不同海域中的穩(wěn)定性與準確性。結果表明，MPFNet在全球尺度上反演的Ta、Qa以及熱通量SHF和LHF相比再分析產(chǎn)品（如ERA5、NCEP）、深度學習產(chǎn)品（如OHF CDR）和混合產(chǎn)品（如IFREMER、OAFlux）均顯著提升。在2018年獨立測試集上，Ta和Qa的均方根誤差（RMSE）分別下降至0.59°C和0.87g/kg，較其他產(chǎn)品分別提升27%–41%和16%–33%；進一步計算的SHF和LHF誤差也分別降低了32%–36%和17%–31%，在熱帶和高緯海域均表現(xiàn)出較強的泛化能力。
圖2 MPFNet模型反演的Ta、Qa、SHF和LHF結果圖
此外，研究團隊基于MPFNet生成了覆蓋11.5年（2012.7–2023.12）分辨率為0.25°的全球逐日Ta、Qa、SHF和LHF產(chǎn)品，為精細化海氣通量估算、氣候變化監(jiān)測和極端天氣預測提供了高質(zhì)量數(shù)據(jù)支撐。
中國科學院海洋研究所王夢嬌博士生為該論文第一作者，李曉峰研究員為通訊作者，合作者還包括王浩宇博士后。研究工作得到了國家自然科學基金創(chuàng)新研究群體項目、國家自然科學基金重大基金、青島市科技惠民示范專項和國家自然科學青年基金的支持。
