最近，中国科学院南海海洋研究所广东省海洋遥感与大数据重点实验室（LORS）彭世球研究员团队与中国石油大学（华东）宋弢教授团队、中国海洋大学仲国强教授团队合作，在深度学习技术与物理海洋相融合方面取得一系列成果，分别实现了基于海面遥感数据的南海水下三维温盐智能重构、复杂（高）海况下对中尺度涡和南海内孤立波的智能识别，精度显著优于传统方法。研究成果以3篇论文形式发表在国际知名期刊Remote sensing和Journal of Marine Science and Engineering上。

水下三维温盐智能重构 研究团队结合物理引导和特征融合思想，构建了基于海表温度、海表盐度、海表高度和海表流场的融合物理约束的深度学习网络架构FFPG-net（图1）。FFPG-net基于垂向时空分解得到的温盐垂向分布多模态物理特征，通过特征融合的深度学习得到时间模态来构建水下1200m温盐廓线。仅以海表温度、海表盐度、海表高度作为输入量的情况下，FFPG-net在冬季（夏季）水下温度和盐度重构精度比传统方法提升约59%（36%）和 40%（36%）； 而进一步考虑海表全流场或者由海表高度计算出的地转流，可额外提升重构精度约29% (14%) 和26% (15%)，最终使得冬季（夏季）0-1200 米区域平均温度和盐度均方根误差仅为0.31°C (0.35°C) 和 0.06psu (0.07psu)显著优于传统或当前其他基于AI的水下温盐重构方法（图2）。

复杂海况下中尺度涡智能识别 在狂风巨浪等恶劣海况下，海洋中尺度涡的动力学特征会变得极其复杂，这对涡旋的准确探测与识别构成了严峻挑战。现有的检测技术在这种条件下性能会显著下降，从而影响对海洋环境的精准认知和预报。为了解决这一问题，研究团队将高海况下视为海洋动力过程中的一个特殊模态，从而将中尺度涡识别概化为跨域问题，研发了一种基于对抗域适应的高海况下海洋中尺度涡智能识别方法（简称为LCNN）。LCNN巧妙地利用大卷积核（Large Kernel Convolution，LKC）来增大中尺度涡智能识别模型的感知域，从而能更深层次地提取高海况下涡旋的不规则形态特征，而空间-通道注意力机制则聚焦于更加显著的特征捕抓；将对抗性学习框架（Adversarial Learning Framework,ADF）引入LCNN模型中，该框架能够强制模型学习正常海况（源域）与恶劣海况（目标域）之间的共通特征，有效消除了由恶劣海况带来的数据噪声和干扰，解决了领域偏移问题。这是LCNN对比其他中尺度涡智能识别模型的技术创新。实验结果表明，所提出的LCNN模型在各项评估指标上均显著优于现有的先进技术，其精确率（Precision）和平均交并比（mIoU）分别提升了6.0%和7.2%。

复杂海况下内孤立波智能识别 内孤立波对海洋能量传递、生态环境及海上工程安全具有重要影响。传统识别方法主要依赖合成孔径雷达（SAR）图像，但在恶劣海况下，海表特征易受破坏，识别效果受限。该研究利用LLC4320高分辨率海洋模式数据，结合海面高度与三维温度数据，从水下特征入手提升内孤立波的识别能力。研究团队针对内孤立波细长、弯曲的形态特征，对TransUNet模型进行了三项关键改进：1）引入动态蛇形卷积（Dynamic Snake Convolution）以增强对波形局部特征的捕捉能力；2）集成频率感知模块（FPM）实现波痕与背景的有效分离；和3）加入卷积注意力模块（CBAM）提升模型对关键区域的聚焦能力。此外，采用Matthews相关系数损失函数（MCC Loss）有效缓解了类别不平衡问题。实验结果表明，该模型在南海吕宋海峡区域的内孤立波测试集上，Dice系数、HD95、MPA和MIoU分别达到66.32%、5.27、85.42%和73.74%，性能显著优于对比模型。在极端海况下，仅使用三维温度数据仍能保持较高的识别稳定性，展现出良好的鲁棒性和应用潜力。

以上研究由国家重点研发计划项目、广东省特支计划项目、国家自然科学基金联合基金项目、广东省海上风电联合基金、山东省自然科学基金和中国科学院南海海洋研究所专项基金等项目共同资助完成。

相关论文信息：

1. Zhao,Q^†.,Li,S^†.,Cai,Y.,Zhong,G.,& Peng,S.* (2025). Reconstruction of the Subsurface Temperature and Salinity in the South China Sea Using Deep-Learning Techniques with a Physical Guidance. Remote Sensing,17(17),2954. https://doi.org/10.3390/rs17172954. (https://www.mdpi.com/2072-4292/17/17/2954);

2. Zhang,C.,Zhang,Y.,Li,S.*.,Li,X.,& Peng,S. (2025). A Domain Adaptation-Based Ocean Mesoscale Eddy Detection Method Under Harsh Sea States. Remote Sensing,17(19),3317. https://doi.org/10.3390/rs17193317. (https://www.mdpi.com/2072-4292/17/19/3317);

3. Wan,Z.,Zhu,Y.,Peng,S.,Xie,J.,Li,S*.,& Song,T.* (2025). A TransUNet-Based Intelligent Method for Identifying Internal Solitary Waves in the South China Sea. Journal of Marine Science and Engineering,13(6),1154. https://doi.org/10.3390/jmse13061154. (https://doi.org/10.3390/jmse13061154).

图1. 融合物理约束的深度学习网络架构FFPG-net的流程图

图2. 利用CNN、融合物理约束的CNN（CNN-PG）和融合物理约束的FFPG-net（本文提出）重构的1月和7月南海某点位月平均均方根误差垂向分布