近日，中国科学院海洋研究所尹宝树研究团队与美国加利福尼亚大学洛杉矶分校（UCLA）的学者携手合作，针对海洋障碍层结构反演重构方面取得新进展，研究成果在英国物理学会学术期刊Environmental Research Communications上发表。

海洋障碍层位于海洋的密度混合层底部与温度等温层顶部之间，其厚度变化对海洋的垂直混合过程产生直接影响，进而调控海表温度和海-气交互作用。障碍层的变化会影响热量和盐分在海洋内部的输运，从而对局地天气气候产生影响，包括热带气旋的生成和强度、降水模式的变化，以及更大尺度的气候现象如厄尔尼诺-南方涛动（ENSO）和印度洋偶极现象（IOD）。由于观测技术的局限性，目前获取高质量的海洋障碍层结构实测数据仍然具有挑战性。因此，利用高分辨率的卫星遥感资料与实测数据相结合来反演重构海洋内部关键结构，已经成为物理海洋学研究中的一项重要课题。

尹宝树团队采用先进的元学习技术，成功集成了卷积神经网络（CNN）、门控循环单元（GRU）和人工神经网络（ANN）三种机器学习模型，提出了一种新颖的多模型集成方法，从而显著提升了海洋障碍层结构的反演精度。通过利用海表温度（SST）、海表盐度（SSS）和海表风速（SSW）等关键海表环境要素，研究团队能够准确地重构出海洋障碍层结构。这一研究成果不仅突破了传统观测技术和数值模型的局限性，更展示了机器学习，尤其是元学习在海洋学研究中所拥有的巨大潜力和广阔应用前景。此外，该研究对于我们深入了解海洋动力学、推动海洋环境变化研究，以及应对全球气候变化均提供了宝贵的支持与贡献，具有显著的学术价值和广泛的实际应用前景。

该研究得到了国家重点研发计划和国家自然科学基金共同资助。中国科学院海洋研究所齐继峰副研究员为第一作者，合作者包括美国加州大学洛杉矶分校曲堂栋研究员和中国科学院海洋研究所尹宝树研究员。

文章信息：

Qi, Jifeng, Tangdong Qu, and Baoshu Yin. Meta-learning-based Estimation of the Barrier Layer Thickness in the Tropical Indian Ocean. Environ. Res. Commun. 5 091005. https://doi.org/10.1088/2515-7620/acf9e1

https://iopscience.iop.org/article/10.1088/2515-7620/acf9e1

基于Meta-learning模型的印度洋障碍层反演重构模型示意图