時空四維模型突破限制海溫預測不再浮于表面

海洋溫度體現了海水的熱狀況，海洋溫度變化主要取決于海洋熱收支狀況及其時間變化。太陽輻射和海洋大氣熱交換是影響海水溫度的兩個主要因素。具體來說，緯度、洋流、季節、深度、海洋生物運動等都會影響海水溫度變化。

周曉鋒

中國科學院沈陽自動化研究所副研究員

從太空視角看，地球像一顆蔚藍色的“水球”，海洋面積占地球總面積的70.8%。海洋的種種變化，都可能使人類的生活發生改變。其中，海水溫度變化與全球變暖、漁業和海洋環境保護等海洋相關領域息息相關，所以在海洋大數據研究中，海水溫度預測在海洋科學上占有重要的地位。

近日，中國科學院沈陽自動化研究所（以下簡稱沈陽自動化所）在海洋溫度預測方法研究中取得新進展，其提出的基于立體空間—時間的四維卷積模型高精度應用于海水溫度預測。相關研究結果發表在國際期刊美國電氣電子工程師學會的《地球科學與遙感通訊》上，并申請相關ZL。

諸多因素影響海水溫度

“海洋溫度體現了海水的熱狀況，海洋溫度變化主要取決于海洋熱收支狀況及其時間變化。太陽輻射和海洋大氣熱交換是影響海水溫度的兩個主要因素。”沈陽自動化所副研究員周曉鋒介紹，具體來說，緯度、洋流、季節、深度、海洋生物運動等都會影響海水溫度變化。

在開闊的海洋中，表層海水等溫線的分布大致與緯圈平行，這是因為地球表面所獲得的太陽輻射熱量受地球形狀的影響，不同緯度得到的太陽輻射不同，則溫度不同，因此表層海水溫度從赤道向兩極遞減。同理，不同季節，海水受到的太陽輻射不同，因此溫度也不相同。夏季海水溫度高，冬季海水溫度低。

而同緯度海區，暖流流經海水溫度較高，寒流流經海水溫度較低。

此外，從海平面到深邃海底，海水溫度像一個奶油蛋糕那樣分成許多層，溫度會隨海水深度增加而遞減。太陽輻射的熱量絕大部分被表層海水吸收，白天吸熱、晚上放熱。在海水對流和海浪作用下，表層海水形成一個溫度比較一致的混合層，厚度約100米。表層海水到1000米深度的海水，水溫隨深度增加而迅速遞減，而1000米以下的海洋深處因受太陽輻射和表層熱量傳導、對流影響較小，因此水溫下降變慢。

“目前，世界海洋的水溫一般在-2℃—30℃，其中年平均水溫超過20℃的區域占整個海洋面積的一半以上。”周曉鋒介紹，但隨深度增加，水溫逐漸下降（每深1000米，約下降1℃—2℃），在水深3000—4000米處，溫度達到2℃—-1℃。

在這些規律之外，海洋中還存在溫躍層，冷暖兩層海水交界處溫度急劇變化，兩側海水密度差異明顯，中間這十幾米到幾十米的薄薄水層就被稱為溫度躍變層，也叫溫躍層。“溫躍層的形成是因為水體不同深度的密度不同，而水體自身上下的對流不足以均勻混合這個密度差異使之穩定存在，從而形成了密度的分層現象。”周曉鋒解釋。

以往研究多集中于海表

目前關于海洋溫度預測的方法多集中于海洋表面。在海洋表面，海水溫度日變化很小，主要存在以年為單位的周期性變化，因此目前的預測方法大多為時間序列預測，用一段時間的溫度去預測未來的溫度。“而海水溫度時刻都在發生變化，并不穩定。我們又很難同時將各個影響因素的數據都充分且準確地提取和融合，因此有效預測海水溫度并不簡單。”周曉鋒認為。

此外，目前基于深度學習的預測方法均以時序預測為主，忽視了海洋內部的空間聯系，以點預測點的方式導致特征提取不充分。

周曉鋒表示，海洋內部不定期存在的溫躍層也加大了海洋溫度預測的難度，因為溫度變化趨勢會在溫躍層位置發生驟變。溫躍層有季節性溫躍層和主溫躍層兩種表現形式，其中季節性溫躍層并不是大范圍海洋溫度的存在形態，它的形成時間也并無周期性。“我們無法判斷所觀測到的溫躍層是長期還是暫時性存在的，也很難提前預知到溫躍層的位置及形狀，這也是目前對海水溫度的研究多集中于海表的原因之一。”他說。

而在實際應用中，對海洋內部溫度的預測比對表面的預測更重要。無論是水下探測還是對海洋生物的研究，都要利用海洋內部的溫度，并不僅限于表面。周曉鋒舉例說：“比如對于溫躍層的研究，在軍事上就有重要的意義，它對潛艇的浮沉具有一定的影響。所以現有的針對表層海水溫度的預測數據并不能支撐很多實際的海洋工作。”

時空四維模型讓溫度預測更準確

針對目前海水溫度預測局限于海洋表面，且只考慮時序預測的問題，沈陽自動化所數字工廠研究室大數據課題組提出一種基于時空四維卷積網絡的模型，以解決這些問題。

“時空四維卷積模型由三部分組成：四維卷積網絡、殘差網絡、再校準模塊。”周曉鋒介紹，海洋溫度數據本身為經度、緯度、深度構成的三維柵格化數據，增加時間維度后，形成了四維矩陣。利用四維卷積網絡，對海洋溫度數據提取時間特征的同時，提取三維立體空間特征。四維卷積網絡的意義就是實現時—空雙重特征提取。由于卷積運算是線性運算，他們在三維卷積的原理基礎上進行改變，實現四個維度同時卷積。

對于普通的神經網絡來說，深度層次越多，優化算法越難訓練，訓練錯誤便會越多。殘差模塊可以優化深度神經網絡，而利用殘差網絡進一步加深網絡，可進一步提取海洋溫度的空間特征。

“在整個海洋空間中，相鄰區域的數據對于預測的貢獻在空間上各不相同。有的位置溫度多變，有的位置溫度穩定；有的位置等溫線密集，有的位置等溫線稀疏。”周曉鋒介紹，為了提高模型性能，研究人員給模型在殘差模塊后面加入了再校準模塊。再校準模塊的意義就是探索并量化各個區域特征的貢獻程度，對前面計算得到的特征數據進行加權。重要特征賦予較高權重，不同位置也賦予不同權重，然后將特征進行加權求和，得到最終結果，由此提高模型的質量。

課題組利用時空四維卷積模型進行了橫截面方向和剖面方向的兩方面實驗。實驗顯示，時空四維卷積模型可以準確預測水平方向0—-2000米的海洋溫度，且準確度并不受海洋深度影響，均在98%以上，并有大部分大于99%。對于剖面方向，時空四維卷積模型可以準確預測出季節性溫躍層和主溫躍層的位置和形狀，準確度不受海洋位置影響，均大于99%。

此外，課題組還將時空四維卷積模型與目前的預測方法做了對比，在平均絕對誤差（MAE）、均方誤差（RMSE）、預測精度（ACC）和R平方（R-squared）等各個指標上，新模型都達到了最優的效果。