Reconstructing Subsurface Ocean Temperature From Sea Surface Multivariate Remote Sensing Data Using CSSP-ConvLSTM

doi:10.1109/TGRS.2026.3660826

Reconstructing Subsurface Ocean Temperature From Sea Surface Multivariate Remote Sensing Data Using CSSP-ConvLSTM

2026-02-03

0

PRE

AI

DOI：10.1109/TGRS.2026.3660826

原文链接

原文求助

摘要

En 中文

三维海洋温度场在全球气候变化、碳循环和海洋动力学研究中发挥着关键作用。次表层温度重建，尤其是在温跃层内，由于观测覆盖和模型框架的限制，仍显不足。为解决这一挑战，我们提出了卷积神经网络–Swin Transformer空间并行卷积长短时记忆网络（CSSP-ConvLSTM），一种整合多源海表遥感数据的次表层温度重建模型。该模型采用空间双分支结构和时序增强机制，以实现对局部细节、全局依赖性和非线性演化的多尺度表征。在西北太平洋（30–1000 m）的应用中，重建精度显著优于单分支或单模型基线，平均$R^{2}$为0.9811，均方根误差（RMSE）为$0.4557~^{\circ }$C；温跃层（100–600 m）和深层（800–1000 m）的重建误差显著降低。采用ARMOR3D和EN4数据集进行的独立评估证实了其良好的时序泛化能力、稳定性和物理一致性。基于SHAP的可解释性分析表明，浅层温度主要受海表温度（SST）和海表高度（SSH）影响，而次表层和深层更易受海表盐度（SSS）和SSH影响。这些结果证明，CSSP-ConvLSTM为重建高分辨率三维海洋温度场提供了有效方法，并有助于深化对温跃层动力学及其潜在气候影响的理解。

Keyword:

3-D ocean temperature field

deep learning

northwestern Pacific

spatiotemporal reconstruction

subsurface temperature

Reconstructing Subsurface Ocean Temperature From Sea Surface Multivariate Remote Sensing Data Using CSSP-ConvLSTM

摘要

期刊

机构