高频雷达（HF-Radar/HFR）技术能够实时测量表面电流的速度和方向，受天气条件的影响较小。从高频雷达获得的数据具有多种实际应用，例如海洋环流的表征（Firdaus等人，2021年）、为粒子模型提供输入（Dumas等人，2020年）、数值模型的验证（Mourre等人，2018年）以及将其同化到流体动力学模型中（Wilkin等人，2005年；Shulman & Paduan，2009年；Toste等人，2024年）。根据具体传感器类型和数据分辨率，高频雷达的测量范围可以从几公里延伸到200公里，径向距离可达300公里。
对于需要快速预测的紧急情况，如搜索与救援（SAR）操作和石油泄漏建模，决策依赖于最近几小时的高频雷达数据，但这限制了该工具的适用性。另一种选择是将高频雷达数据同化到计算模型中，但这种方法通常受到计算成本和复杂性的限制。此外，如果实施不当，这些模型可能会产生重大误差，而在这些情况下，小的不准确性可能导致严重后果。因此，鉴于神经网络（NN）在风场预测方面的成功应用，尤其是在捕捉复杂时空模式方面，这些方法成为基于高频雷达数据提供短期表面电流预测的有前景的工具。
鉴于高频雷达数据的二维特性，卷积长短期记忆（CNN-LSTM）是一种合适的方法，因为它能够实现东西向（u）和南北向（v）速度场的时空预测。卷积操作从电流场序列中提取空间特征，而LSTM则学习时空特征序列与时间之间的关系。Shi等人（2015年）是最早实施CNN-LSTM网络的先驱，他们利用该网络预测了某个地区的降雨强度（0-6小时的时间跨度）。在气象学领域，CNN-LSTM已被广泛用于降雨预测，例如Kim等人（2017年）、Liu等人（2022年）和Moreira等人（2022年）的研究所示。在海洋学领域，CNN-LSTM已应用于多种应用，如北极东北航道的日海冰浓度预测（Liu等人，2021年）、中国南海和东海的二维有效波高预测（Zhou等人，2021年）、中国南海的叶绿素a浓度预测（Na等人，2022年）、中国海域的海表温度预测（Wei & Guan，2022年）以及太平洋的3D海洋温度预测（Zhang等人，2020年）。
截至本研究日期，尚未有关于使用CNN-LSTM预测高频雷达数据得出的西边界电流的已发表文献。与之最相关的工作包括将CNN-GRU（门控循环单元）模型应用于泰国湾受季风影响的环流预测（Thongniran等人，2019年），以及最近开发的变分和双向编码-预测（BiEF-VBiEF）方法，用于使用高频雷达数据对地中海海表面电流进行6小时临近预报（Cavaiola等人，2025年）。
因此，本研究采用CNN-LSTM网络对从安装在巴西里约热内卢Campos盆地海域的高频雷达系统获取的表面电流数据进行短期（1-12小时）预测。选择12小时的预测时段与SAR研究的发现一致，研究表明12小时后幸存者的救援机会显著降低（Serra等人，2020年）。此外，12小时的预测时段对于石油泄漏紧急情况也很重要，因为在泄漏发生后的最初几小时内，高质量的海流数据对于预测石油的传输至关重要。
该地区主要受巴西洋流的影响，这是一种沿巴西东南大陆边缘（20°S–26°S）流动的西边界电流，完成了南大西洋亚热带环流。该洋流的核心通常位于800–1400米等深线附近，速度超过0.5 m·s?1，延伸至水柱的上层500米（Silveira等人，2004年）。
在应用CNN-LSTM模型时，我们测试了两种配置：第一种结合了表面电流的回顾数据与风的预测数据来预测u和v速度场，而第二种仅使用表面电流的回顾数据来预测相同的场。由于本工作的目标是开发一个操作型海洋预测系统，因此使用了来自全球预报系统（GFS）的免费风数据来驱动模型。
经过20个月的数据训练后，该模型在夏季和冬季各进行了一个月的表面电流预测评估，从而对该模型的泛化能力进行了全面评估。这些神经网络的输出结果通过与全球Mercator分析数据集（提供每小时表面电流数据）和作为基准的持久性模型进行了比较。这种方法用于评估本研究中实现的神经网络生成的预测质量。
结果表明，CNN-LSTM模型在预测基于高频雷达数据的海洋表面电流方面非常有效，在所有评估指标上均优于Mercator分析和基准持久性模型，尤其是在较长的预测时段内。通过结合空间和时间依赖性，CNN-LSTM有效捕捉到了巴西洋流的关键动态特征，突显了神经网络在改进短期海洋电流预测方面的潜力，尤其是在海洋动力学复杂的地区。
