编辑推荐：
海表面盐度时空变化及混合机器学习降尺度方法研究——以阿曼海岸为例，分析历史趋势与未来情景，揭示蒸发、降水及径流对盐度的影响，提出EDT与树模型结合的降尺度方案，提升区域预测精度。
Mohammad Reza Nikoo
苏丹卡布斯大学土木与建筑工程系，阿曼马斯喀特
引言
盐度与温度一起，被认为是影响海洋环流和热量传输的两个最重要的因素之一。盐度衡量了全球水循环与降水、蒸发、河流径流以及海冰冻结或融化等过程之间的相互作用。由于大约85%的全球蒸发和80%的全球降水发生在海洋上（Martin, 2014），盐度可以成为气候变率的重要指标。海表盐度（SSS）被全球气候观测系统认定为一个关键的气候变量，它是大气-海洋相互作用和垂直传输的重要组成部分。盐度的变化控制着水的密度，进而影响水平压力梯度、垂直分层和海洋稳定性。这些因素又控制着大范围的海洋环流和营养物质传输，并进一步影响海洋生物地球化学和生物生产力（Dossa等人，2022）。例如，在阿拉伯海和阿曼海，由于季风季节的风向、蒸发和淡水径流，SSS存在明显的季节性和空间性变化。东北季风的特点是高蒸发量和低河流流量，导致盐度较高；而西南季风的高降水量和径流则导致盐度较低（de Verneil等人，2024）。SSS的季节性变化会引起水柱稳定性的区域差异、区域环流以及海气相互作用的变化（Sharma等人，2022）。这凸显了在气候变化背景下理解盐度动态的重要性，因为温度升高和降水变化的增加预计会影响海洋的盐度，从而影响其环流。
在气候变暖的情况下，水文循环的加速意味着高蒸发区域的盐度趋于增加，而降水或淡水流入区域则变得更淡。这通常被描述为“越咸的地方变得更咸，越淡的地方变得更淡”（Turner等人，2022）。淡水流入，特别是河流流入，在调节沿海盐度和环流方面起着重要作用（Zarei等人，2025a）。此外，降水量和河流流量的变化可能引发洪水等极端事件，这强调了监测海洋和陆地水动力学的必要性（Garshasbi等人，2025）。为了更好地理解和预测这些由气候驱动的变化，大约二十年前，世界气候研究计划下的耦合建模工作组（WGCM）启动了耦合模型比较项目（CMIP），该项目现在为IPCC评估报告提供了主要的数据框架。最新的CMIP6阶段结合了来自33个研究机构的70多个全球气候模型的输出（Jin等人，2023）。最近，多项研究利用CMIP6探讨了全球海表盐度的变化趋势。Khosravi等人（2022）预测，在SSP245和SSP585情景下，由于冰层融化增加和淡水流入增加，北极盆地的SSS将下降。Shi等人（2024）发现，自2000年以来，西北太平洋近表层盐度趋势从淡化转向盐化，而在海洋变暖的情况下，更深层的盐度仍在继续淡化。Salehie等人（2024）使用四个GCM模型显示，东南亚海域的部分地区可能会面临更高的盐度，而泰国湾南部和马来西亚半岛北部在未来将经历显著的淡化。Alamgir等人（2025）预测，在1970-2014年间从33 PSU增加到34 PSU的孟加拉湾，在SSP370情景下，盐度将出现较大范围的变化，变化幅度在-8.45到26.66 PSU之间。
然而，GCM模型存在相当大的偏差和粗糙的空间分辨率，限制了它们在区域尺度上的应用（Zarei等人，2025b）。为此，降尺度方法被用来将粗分辨率的气候模型输出转换为适合区域或局部气候影响评估的更精细的空间和时间尺度。获取区域尺度的气候信息是降尺度的重要步骤。在不同的降尺度方法中，经验分布转移（EDT）因其能够通过将模型值的累积分布与观测值的对齐来纠正气候模型输出中的系统偏差而受到青睐（Maurer等人，2016）。近年来，这种模型已被用于纠正多种气候变量中的偏差。Gergel等人（2024）应用EDT来校正全球范围内的GCM日最高和最低温度及总降水量。Zarei等人（2025b）和Khodaei等人（2025）使用EDT对伊朗流域的GCM降水量进行了降尺度处理。Addisuu等人（2025）采用了一种改进的EDT方法来降尺度南非多个CMIP6 GCM的日降水量。Li等人（2025）使用不同的EDT变体对加拿大各地GCM的日降水量进行了降尺度处理。Abdelmoaty等人（2025）也应用EDT类型的方法校正了加拿大CMIP6 GCM的日温度和降水量数据。
其他有效的GCM输出降尺度方法包括机器学习和深度学习模型。这些模型能够捕捉粗尺度全球气候信号与细尺度局部气候变量之间的复杂非线性关系，从而提高空间分辨率，更准确地表示局部变化。这些方法包括基于树的模型，如分类回归树（CART）、随机森林（RF）、极端梯度提升（XGBoost）和轻量级梯度提升机（LGBoost），它们具有处理非线性关系的能力，能够处理多种类型的预测因子，并且通常比深度学习模型需要较低的计算成本。例如，Bhakare等人（2024）使用随机森林和其他ML模型对意大利阿尔卑斯山的日平均温度进行了降尺度处理；de Lima Moraes和Khoshnood Motlagh（2024）使用随机森林对美国西南部的日降水量和温度变量（最低和最高）进行了降尺度处理；Thakur等人（2025）使用XGBoost对全球降水量和最高温度进行了降尺度处理；Khosravi等人（2025）提出了一个集成机器学习框架，结合了随机森林、XGBoost和LGBoost来降尺度中东流域的CMIP6变量。
尽管许多研究将EDT作为独立的GCM偏差校正技术，但其主要缺点在于假设未来的气候变量将表现出与历史观测相似的统计特性。从根本上说，EDT框架假设未来的气候变量将具有与历史观测相似的统计特性（Mendoza Paz和Willems，2022）。在气候变化的情况下，这种假设变得复杂，因为非平稳动态——包括降雨行为的变化、海表温度的极端值以及水循环过程的改变——更为常见。因此，仅依赖EDT可能会导致对未来气候变化和极端事件的偏差或低估。为了解决这个问题，可以将EDT与机器学习模型（尤其是基于树的模型）结合使用，后者非常适合学习气候数据集中的复杂非线性依赖关系。结合EDT和ML的方法整合了观测记录和模型模拟的见解，从而提高了未来气候预测的适应性和可靠性，这对于影响评估和气候适应策略至关重要。因此，本研究追求以下目标：
- 开发一种基于气候变化情景的混合模型来降尺度海表盐度，以改进未来预测。
- 对过去趋势及其背后的影响过程进行全面评估，特别关注研究较少的阿曼沿海地区。
- 深入分析季节性和年际时间尺度上的变化，以更好地阐明局部海洋动力学。
材料与方法
本研究采用的方法主要分为两个部分：历史条件的考察和未来变化的预测。历史部分重点关注关键变量（包括SSS）的空间分布，以及主要影响因素，如降水、海平面压力、风速、表面潜热和显热通量，以及净太阳辐射和热辐射。还分析了SSS的年际和季节性波动。
历史线性趋势
阿曼北部海岸显示出盐度上升、温度升高以及海洋向大气传递的热量增加的统一趋势。如图3a所示，海洋最北部地区和Batinah海岸的海表盐度（SSS）趋势为正，增幅为每十年0.09 PSU，表明盐度可能因较高的蒸发率或较低的淡水流入而增加。相应地，图3b显示了北部海洋的显著升温趋势。
讨论
本研究首先通过分析历史和预测数据集，展示了阿曼海岸的SSS变化，重点关注空间模式和时间趋势。我们采用了一种数据驱动的混合方法，结合机器学习模型和物理洞察来改进未来SSS模式的预测，并提供了在不同气候条件下的沿海盐度动态研究的综合工具。鉴于阿曼大部分海岸线经历了淡化现象，
结论
本研究全面调查了阿曼海岸SSS的变化性、趋势和可预测性，对区域监测和气候适应策略具有启示意义。结果表明，SSS的空间分布具有选择性：北部海岸显示出强烈的下降趋势，而中部和南部地区则表现出中等程度的变化和周期性波动。此外，混合机器学习模型的应用提供了可靠的结果。
未引用参考文献
Alamgir等人，2025；Bordbar等人，2023；Chen和Guestrin，2016；de Verneil等人，2022；Dossa等人，2021；Kim等人，2023；Li和Li，2025；Menezes，2019；Rampal等人，2024；Reul等人，2020；Sammartino等人，2021；Sharma等人，2020；Zubier和Lina，2020。
利益冲突声明
作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文报告的工作。
