基于海平面异常的数据驱动预测方法揭示了海洋中尺度涡旋的形成机制

《Ocean Modelling》：Data-Driven Forecasting Insights into Ocean Mesoscale Eddy Genesis inferred from Sea Level Anomaly

本文提出MVF-EPN多变量融合涡流预测网络，通过交叉注意力机制融合风应力与海面高度异常数据，结合地形信息的门控机制，并引入混合物理约束损失函数，有效提升南海海面异常值预测精度，可提前10天预测涡流生成，中心位置误差1.11公里，检测率98%，验证了数据驱动模型从表面观测预测涡流生成的可行性。

　　

石毅|王佳乐|王桂华

复旦大学大气与海洋科学系及复旦大学-中国气象局海洋气象联合实验室，上海，中国

摘要

中尺度涡旋在全球海洋中广泛存在，在上层海洋的输送和能量传递过程中起着关键作用，并对与海军行动相关的上层海洋声学条件有显著影响。因此，准确的涡旋预测对于海洋观测系统设计、渔业规划和水下作业至关重要。然而，强烈的非线性和有限的次表层观测数据极大地限制了数值模型的预测能力，尤其是在涡旋生成阶段。为了解决这些问题，我们提出了多变量融合涡旋预测网络（MVF-EPN），该模型采用了两种专门的多变量融合设计：（i）一种轻量级的交叉注意力机制，通过表示风驱动的上层海洋环流的调整来连接风速和海面高度异常（SLA）；（ii）一种门控机制，用于结合地形信息。我们还引入了一种混合物理约束损失函数，将像素级别的SLA误差与地转流和涡度约束相结合，以更好地解析涡旋结构和动态。应用于南海的短期海面高度异常预测，MVF-EPN的日均绝对误差为0.0622厘米，均方根误差为0.0797厘米。其日均涡旋中心位置误差为1.11公里，检测概率为0.98，误报率为0.02。值得注意的是，该模型在SLA场中可检测到涡旋结构之前，仍能保持有意义的预测能力。这些发现突显了数据驱动模型仅利用海面观测数据提取涡旋生成前兆的潜力。

引言

中尺度涡旋是海洋中的连续旋转结构，水平空间尺度为数十至数百公里，寿命为数周至数月（Chelton等人，2007年，Chelton等人，2011年）。由于它们的强非线性，中尺度涡旋主导了上层海洋中的动量、热量和物质的输送（Ferrari和Wunsch，2009年；Wang等人，2012年；Zhang等人，2014年）。因此，准确预测中尺度涡旋对于业务海洋学至关重要，包括海上导航、潜艇作业和海洋生态系统管理。然而，由于涡旋动力学的固有非线性和次表层观测数据的稀缺，业务海洋预报系统在涡旋预测方面仍面临相当大的挑战（Treguier等人，2017年）。

传统的涡旋预测依赖于数值模型，这些模型通常需要10公里或更细的网格分辨率才能直接解析中尺度涡旋（Hurlburt，1984年）。然而，在西边界流等区域，10公里的分辨率仍不足以捕捉斜压不稳定性（Chelton等人，1998年；Li等人，2024年）。此外，中尺度涡旋预测的准确性高度依赖于初始条件的质量，尽管次表层海洋观测数据仍然稀少。如果没有高质量且足够密集的观测数据来支持数据同化，将数值模型的分辨率提高到亚中尺度（约2公里）会显著增加计算成本，同时仅能在涡旋预测能力上带来有限的提升（Sandery和Sakov，2017年）。目前的业务系统通常可以对大型成熟涡旋实现约10-20天的可预测时间范围，通过集合预报这一时间范围可延长至20-40天。然而，数值模型在预测较小和较弱的中尺度涡旋时仍表现出局限性，尤其是在它们生成的早期阶段，因为初始条件中的小尺度不确定性迅速增长（Thoppil等人，2021年）。

深度学习的最新进展，加上卫星观测数据的日益丰富，加速了数据驱动方法的发展，用于预测海面高度异常（SLA）场及其相关的中尺度涡旋特征。早期的研究主要集中在涡旋轨迹预测上。Li等人（2019年）首次应用多元线性回归模型预测南海（SCS）的涡旋轨迹，将预报提前时间延长至四周，并在第一周实现了平均涡旋中心位置误差27.6公里，在第二周为42.5公里。随后，基于深度学习的时间序列预测模型（包括RNN、LSTM和GRU）被引入，以进一步改进涡旋轨迹预测（Wang等人，2022b；Wang等人，2020年；Zhang等人，2024年）。然而，这些时间序列预测模型仅能外推现有涡旋的路径，因此无法预测新的涡旋生成。相比之下，时空预测模型明确模拟了海洋状态的时空演变，从而能够预测涡旋的生成和衰减。Ma等人（2019年）开发了一个结合改进的ConvLSTM和涡旋检测算法的框架，在SCS实现了为期一周的SLA预测，涡旋匹配率为60%，日均中心位置误差为11.2公里。Nian等人（2021年）通过使用带有GRU和空间注意力的记忆-记忆（MIM）模型，进一步提高了西太平洋两周SLA预测的准确性。Zhu等人（2024年）提出了一种基于CNN的元数据融合网络，直接优化了第三天和第七天的SLA预测，无需循环结构，在黑潮延伸区分别实现了平均涡旋中心位置误差5.6公里和13.6公里。除了架构改进外，一些研究还关注多变量耦合对海洋预测的贡献。例如，结合海面温度（SST）和表面风应力已被证明可以提高从短期到次季节时间尺度的SLA预测准确性（Wang等人，2022a；Rajabi-Kiasari等人，2025年）。Cui等人（2025年）证明，将大气强迫（特别是以通量形式）纳入海洋预测系统可以有效提高预测准确性。

尽管深度学习和数值海洋预测模型取得了显著进展，但由于涉及复杂的多尺度相互作用和次表层观测数据的稀缺，准确预测中尺度涡旋的生成仍然具有挑战性。这些限制促使人们研究是否仅利用表面观测数据就能预测中尺度涡旋的生成。作为对动力学和温盐过程的综合响应，SLA反映了温盐环流的变化，并在不同区域表现出明显的次表层特征（Levermann等人，2005年；Little等人，2019年）。这种表面变化与海洋环流之间的联系进一步支持了基于SLA的中尺度涡旋预测。先前的研究表明，可识别的表面动力信号（包括增强的地转应变、极性一致的相对涡度和表面汇聚）通常在中尺度涡旋生成前约5-15天出现（Zhang和Qiu，2018年；Vic等人，2022年），为使用海面动力观测数据预测涡旋生成提供了物理基础。

先前的研究将涡旋生成归因于三种主要机制：（1）海洋内部不稳定性，包括斜压不稳定性和正压不稳定性（Dong等人，2025年；Gill等人，1974年；Roullet等人，2012年；Su，2004年；Venaille等人，2011年；Wang等人，2021年）；（2）风应力作用（Cai等人，2007年；Wang等人，2008年；Yang和Liu，2003年）；（3）海底地形的影响，这可能通过流-地形相互作用生成或引导涡旋（Heywood等人，1996年；Kersalé等人，2011年）。受这些已建立的动力学机制的启发，我们引入了与涡旋动力学密切相关的辅助变量，包括海面温度、表面风应力和地形，以提高涡旋生成事件的预测准确性。据此，我们开发了MVF-EPN，这是一个结合了专门的多变量空间和时间融合模块的预测模型，用于明确模拟地形调节和风对上层海洋动力学的影响。融合设计包括一个捕捉风应力对SLA响应的交叉注意力机制，以及一个结合地形调节作用的门控机制。为了增强预测的物理真实性，我们引入了一种混合物理约束损失函数，该函数不仅减少了像素级别的SLA误差，还限制了梯度和涡度，从而保持了真实的涡旋结构和动态。MVF-EPN被应用于生成南海SLA场的10天预测，其捕捉涡旋演变的能力通过涡旋检测和跟踪算法进行了评估。特别是，我们研究了该模型是否能够通过识别海面观测数据中嵌入的前兆信号来可靠地预测涡旋生成。

研究区域和数据

本研究使用了2008年至2023年南海（5°-25°N，109°-122°E）的每日网格化海面高度异常（SLA）数据。SLA数据来自欧盟哥白尼海洋服务信息（CMEMS）产品“全球海洋网格化L4海面高度及衍生变量重新处理1993-正在进行”，该产品提供空间分辨率为0.125°×0.125°的每日SLA数据。该数据集整合了来自多个高度计任务的观测数据，包括哥白尼卫星的数据

数据预处理

数据集涵盖2008年1月至2023年12月，模型在2008-2018年期间训练，在2019-2021年期间验证，在2022-2023年期间测试。为了减轻变量间物理单位差异的影响，所有输入均使用最小-最大归一化进行标准化。对于陆地区域，SLA和SSTA值被替换为其平均值，而风速和地形数据被设置为零，以最小化其对模型训练的影响。

具有物理约束的混合损失函数

在数据驱动的SLA预测模型中，仅依赖MSE损失函数往往

混合损失函数有效性的验证

我们将使用混合物理约束损失函数训练的模型的预测结果与仅使用MSE损失函数训练的模型的预测结果进行了比较（图3）。随着预测提前的时间的增加，仅使用MSE损失函数训练的模型生成的SLA场逐渐失去了细尺度涡旋结构，变得过于平滑，导致可检测到的涡旋数量减少（图3a）。在10天的预测提前时间内，仅使用MSE的模型恢复了80.16%的观测到的涡旋数量，而

讨论与结论

在这项研究中，我们提出了一种新的多变量数据融合模型MVF-EPN。该模型结合了两种专门的多变量融合设计，整合了风应力、SSTA和地形信息，以及一个混合损失函数，显著提高了模型对短期SLA预测的预测能力，并减轻了数据驱动预测模型中常见的失真。与仅使用SLA输入的基线模型相比，MVF-EPN实现了

作者贡献

石毅：方法论、软件、数据管理、调查、形式分析、验证、可视化、初稿撰写、审稿与编辑。

王佳乐：方法论、软件、调查、验证、撰写、审稿与编辑。

王桂华：概念化、资源获取、项目监督、撰写、审稿与编辑、资金筹集。

未引用的参考文献

WANG等人

CRediT作者贡献声明

石毅：撰写——审稿与编辑、初稿撰写、可视化、验证、软件、方法论、调查、形式分析、数据管理。王佳乐：撰写——审稿与编辑、监督、方法论、形式分析。王桂华：撰写——审稿与编辑、监督、资源获取、项目管理、资金筹集。

利益冲突声明

作者声明他们没有已知的财务利益或个人关系可能影响本文报告的工作。