生成式AI驱动下的全球海表温度精准重建技术

近年来，以DALL-E、Midjourney为代表的生成式人工智能凭借卓越的图像创作能力引发广泛关注。若将这类"无中生有"的生成技术应用于海洋监测领域，会擦出怎样的火花？中国科学院大气物理研究所汪亚研究团队交出了一份令人瞩目的答卷——他们创新性地提出了SAGE框架，运用生成式扩散模型，成功实现了全球海表温度的高精度、具备不确定性感知能力的概率化重建。

━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━

海表温度作为地球气候系统的关键指标，如同人体的"体温计"，直接调控着大气与海洋间的能量传输，厄尔尼诺现象、海洋热浪等极端气候事件均与其密切相关。然而，人类对海洋温度的监测手段仍存在明显短板：

🛰️卫星遥感——能够覆盖全球范围，但易受云层干扰，且存在系统性偏差问题。

⚓漂流浮标——测量精度极高，但在浩瀚海洋中如同"信息孤岛"般分布稀疏。

❌传统技术手段仅能提供一个"确切"的温度数值，却无法揭示该数值背后潜藏的不确定性程度。

换言之：我们始终凭借一张"可能存在偏差"的温度分布图进行天气预报，却无法判断其准确程度。

━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━

研究团队创新性地提出了卫星与现场观测协同引导估计框架。该框架犹如一位深谙海洋运行规律的"智能画师"：

1.深厚的先验知识储备：

SAGE首先依托1982至2020年间长达40年的历史海洋温度数据进行深度训练，使模型系统学习海洋温度演变的物理机制与空间分布特征——包括经向温度梯度、西部边界流系、沿海高变率区域等复杂结构，甚至连极端温度的分布模式都能得到精准还原。

2.双阶段"递进融合"方案：

🔹第一阶段（大尺度全局调控）：借助风云三号D星卫星观测数据，构建全球海洋温度的整体框架。

🔹第二阶段（小尺度精细调校）：融入分布稀疏但精度极高的浮标实测数据，对局部异常区域和极端数值进行精准修正。

该框架的正向扩散过程逐步添加噪声，逆向生成过程则在卫星与现场观测的双重约束下还原真实海温场。

最终，SAGE输出的并非"单一海温图"，而是"一组可能性温度集合"，每张图均遵循物理规律，而该集合的"离散程度"即为不确定性的量化指标——海洋流场活跃区域、观测数据匮乏区域的不确定性相应更高，让气象专家一目了然。

━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━

研究团队采用2023年（全球海洋创下历史高温记录）的独立观测数据对SAGE框架进行了全面检验，结果令人振奋：

🔺重建精度显著增强

✅全球平均均方根误差仅为0.17°C，而传统OISST产品为0.59°C，精度提升超过3倍。

✅西边界流、南大洋等传统"困难区域"的偏差明显降低。

🔺10天短期预报误差减少4.9%

将SAGE生成的海温场作为初始条件输入人工智能预报模型后，10天内的预报误差较传统方法降低约4.9%，且全程优于全球海冰海洋预报系统的业务化产品。

🔺厄尔尼诺现象的"预言家"

🔸SAGE驱动预测的Niño3.4指数与实际观测相关系数达0.81（传统方法仅0.24）。

🔸均方根误差仅为0.30°C（传统方法0.74°C），精准捕捉了2023至2024年厄尔尼诺事件的爆发时间与强度演变轨迹。

🔺海洋热浪的"精准识别器"

2023年海洋热浪频发并创历史纪录。SAGE精确识别了北太平洋、北大西洋等四大热浪核心区域，热浪天数、持续时长、平均强度与实际观测高度吻合，区域强度差异仅约0.1°C。

━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━

SAGE框架的创新意义远超"提升海温测量精度"本身，它标志着海洋状态估算领域迈入了全新发展阶段：

1.灵活适配性：训练阶段无需融入任何观测数据，可灵活对接多种异质观测系统。

2.计算高效性：无需复杂数值积分运算，可快速生成附带不确定性量化的海表温度集合，适用于近实时监测场景。

3.广泛适用性：将生成式扩散模型的后验采样技术引入地球科学反演问题，为大气、海洋等多变量概率化估计提供了可复制的技术路径。

研究团队透露，下一步将把SAGE拓展至多变量海洋状态估计及更高空间分辨率领域，并验证其在海气界面通量、大气响应等耦合物理过程中的预测效能。

━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━

本研究由中国科学院大气物理研究所牵头，联合多家国内外机构共同完成：

通讯作者：汪亚、黄刚、夏祥鳌

第一作者：李海杰（中国科学院大气物理研究所及中国科学院大学）

合作单位：澳大利亚联邦科学与工业研究组织、美国太平洋西北国家实验室、风云卫星创新中心等。

研究受国家自然科学基金、第二次青藏高原综合科学考察研究、国家重大科技基础设施"地球系统数值模拟装置"等项目资助支持。

━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━

Li, H., Wang, Y., Yang, K., Huang, G., Xia, X., Chen, Z., Tao, W., Lyu, C., Chen, L., Zhang, M., Hu, K., Gong, H., Fu, D., Wang, L. (2026). "Probabilistic reconstruction of global sea surface temperature using generative diffusion models." arXiv: 2603.16272v2

━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━

撰文｜基于上述论文内容整理