基于机器学习的墨西哥湾温盐剖面重构方法NeSPReSO：融合遥感与观测数据的海洋次表层建模突破

针对墨西哥湾(GoM)次表层数据稀缺导致的海洋模型精度受限问题，研究人员开发了NeSPReSO（神经遥感观测合成剖面）系统，通过PCA降维与神经网络结合卫星数据（ADT/SST/SSS）预测温盐剖面。相比GEM、MLR和ISOP传统方法，该方法RMSE降低50%以上，能精准捕捉温跃层(thermocline)和盐跃层(halocline)结构，为飓风预测、油气开发等提供高精度海洋动力环境数据支撑。

　　

海洋数值模型的精度长期受限于次表层观测数据的稀缺性，这一问题在动力过程复杂的墨西哥湾尤为突出。作为大西洋西部边界流系统的重要组成部分，墨西哥湾环流(LC)不仅通过输送热量影响全球气候，其衍生的涡旋(LCEs)更直接关联飓风增强机制和海洋资源开发。尽管Argo浮标和UGOS 3计划提供了部分次表层温盐(T/S)数据，但传统合成剖面方法如经验模态(GEM)和线性回归(MLR)难以捕捉该区域强烈的非线性特征，导致模型预报时效受限。

针对这一挑战，由美国国家科学基金会(NSF)和海军研究办公室(ONR)资助的研究团队在《Ocean Modelling》发表了创新性解决方案。研究提出NeSPReSO（神经遥感观测合成剖面）系统，首次将主成分分析(PCA)与多层感知机(MLP)结合，利用卫星获取的海面高度(ADT)、海表温度(SST)和盐度(SSS)数据重构0-2000米次剖面。该方法通过PCA提取Argo数据集前15个主成分（解释95%方差），再训练神经网络建立表面参数与主成分的非线性映射，显著提升了计算效率（单剖面60μs）与精度。

关键技术包括：1) 整合2019-2022年墨西哥湾Argo浮标（4,217剖面）和滑翔机观测数据；2) 采用PCA降维压缩剖面特征；3) 构建包含时空坐标、ADT、SST、SSS的9维输入MLP模型；4) 以均方根误差(RMSE)和偏差(bias)为指标对比GEM/MLR/ISOP方法。

【数据】
研究采用NAS支持的LC-floats和UGOS 3计划获取的温盐剖面作为基准，其中15%随机划分为测试集。卫星数据来自AVISO的ADT和CMEMS的SST/SSS产品，空间分辨率达1/4°。

【方法】
PCA分析显示温度前3主成分分别对应混合层、温跃层和深层信号，而盐度主成分则主要反映密西西比河冲淡水影响。神经网络采用ReLU激活函数和Adam优化器，隐含层设128个节点，经早停法防止过拟合。

【结果】
在621个独立Argo剖面验证中，NeSPReSO的温盐RMSE较ISOP降低52%/47%，特别是在200-800米温跃层区域优势显著。对4条滑翔机断面的重构显示，该方法能精确再现18°C等温线起伏和盐度极小值层，其刻画中尺度涡旋结构的能力远超传统方法。

【结论】
该研究证实机器学习可有效破解海洋次表层"观测盲区"难题：1) PCA-神经网络组合较传统方法计算效率提升3个数量级；2) 合成剖面显著改善对LC涡旋脱落事件的刻画；3) 系统已部署于墨西哥湾数据同化模型，预计将提升7-10天环流预报精度。作者团队正开发在线服务平台，供科研机构按需获取特定时空的合成剖面数据。

讨论部分指出，当前模型在捕捉次中尺度(<10km)过程时仍存在局限，未来拟引入卷积神经网络(CNN)增强空间特征提取能力。这项突破不仅为海洋数值建模提供新范式，其"表面驱动次表层"的技术路线对全球海洋立体监测具有重要借鉴价值。