《Ocean-Land-Atmosphere Research》文章：GTU-Net：海洋高度智能预测新模型

海表高度变化是反映大洋环流结构、中尺度涡旋活动及海气相互作用的重要动力指标，对理解海洋动力过程和气候系统至关重要。本研究提出新型深度学习模型——Geostrophic-TAU U-Net（GTU-Net），通过轻量化网络结构与时间注意力机制提升对海洋时空演变的刻画能力，并在训练中引入地转平衡等物理约束，使预测结果在提高精度的同时保持物理一致性。实验表明，GTU-Net在多个预测时长和评估指标上均优于传统深度学习方法，为海洋智能预测提供了高效、可靠的新路径，对未来海洋监测与业务化预报具有潜在应用价值。
海表高度是描述大洋动力结构及其变化的重要物理量，对揭示黑潮路径摆动、环流演变及中尺度涡旋活动具有重要意义。随着卫星观测和再分析资料的累积，深度学习技术广泛应用于海洋智能预测，但在中长期预测中仍面临训练成本高、误差随时间累积、缺乏物理一致性等问题。

为应对这些挑战，本研究构建了如图1所示的GTU-Net模型，从网络结构到物理约束均进行了系统创新。首先，模型在编码器和解码器中采用深度可分离卷积构建轻量化结构，在大幅降低计算量的前提下保持关键特征提取能力。其次，引入 Temporal Attention Unit时间注意力机制，显著增强模型对海洋演变过程的捕捉能力，使中长期预测更加稳定。进一步地，模型构建由短期 MSE、两步趋势损失和地转平衡损失组成的综合损失函数，实现短期精度、中长期时间一致性与物理约束的协同优化。
在西北太平洋区域的实验表明，在21天预测任务中，GTU-Net相较最佳基线模型 RMSE 降低12.2%、训练耗时减少85%；在60天预测中仍保持 RMSE < 0.069 m、MAE < 0.051 m，误差增长率显著低于其他模型。物理约束的加入有效抑制了非地转偏差，使预测场更贴近实际大洋动力结构。
本研究在模型轻量化、时序建模与物理一致性引入方面取得重要突破，为海洋中长期智能预测提供了高效可靠的新方案。当前模型仍需针对不同预测时长分别训练，与能够连续推进状态量的业务化数值模式相比尚有距离。未来将重点探索统一式预测框架或自回归滚动策略，实现时间维度的连续预测，提升业务化可扩展性。此外，现有地转平衡约束主要反映大尺度动力特征，后续可发展多尺度物理融合方法，将地转平衡与动量方程或浅水方程等联合建模，以进一步增强不同空间尺度的物理一致性。

来源：Ocean-Land-Atmosphere Research