【摘要】 近日，中国科学院沈阳自动化研究所（以下简称沈阳自动化所）在海洋温度预测方法研究中取得新进展，其提出的基于立体空间&mdash；时间的
近日，中国科学院沈阳自动化研究所（以下简称沈阳自动化所）在海洋温度预测方法研究中取得新进展，其提出的基于立体空间&mdash；时间的四维卷积模型高精度应用于海水温度预测。相关研究结果发表在国际期刊美国电气电子工程师学会的《地球科学与遥感通讯》上，并申请相关专利。
诸多因素影响海水温度
海洋温度体现了海水的热状况，海洋温度变化主要取决于海洋热收支状况及其时间变化。太阳辐射和海洋大气热交换是影响海水温度的两个主要因素。沈阳自动化所副研究员周晓锋介绍，具体来说，纬度、洋流、季节、深度、海洋生物运动等都会影响海水温度变化。
在开阔的海洋中，表层海水等温线的分布大致与纬圈平行，这是因为地球表面所获得的太阳辐射热量受地球形状的影响，不同纬度得到的太阳辐射不同，则温度不同，因此表层海水温度从赤道向两极递减。同理，不同季节，海水受到的太阳辐射不同，因此温度也不相同。夏季海水温度高，冬季海水温度低。
而同纬度海区，暖流流经海水温度较高，寒流流经海水温度较低。
此外，从海平面到深邃海底，海水温度像一个奶油蛋糕那样分成许多层，温度会随海水深度增加而递减。太阳辐射的热量绝大部分被表层海水吸收，白天吸热、晚上放热。在海水对流和海浪作用下，表层海水形成一个温度比较一致的混合层，厚度约100米。表层海水到1000米深度的海水，水温随深度增加而迅速递减，而1000米以下的海洋深处因受太阳辐射和表层热量传导、对流影响较小，因此水温下降变慢。
目前，世界海洋的水温一般在-2℃&mdash；30℃，其中年平均水温超过20℃的区域占整个海洋面积的一半以上。周晓锋介绍，但随深度增加，水温逐渐下降（每深1000米，约下降1℃&mdash；2℃），在水深3000&mdash；4000米处，温度达到2℃&mdash；-1℃。
在这些规律之外，海洋中还存在温跃层，冷暖两层海水交界处温度急剧变化，两侧海水密度差异明显，中间这十几米到几十米的薄薄水层就被称为温度跃变层，也叫温跃层。温跃层的形成是因为水体不同深度的密度不同，而水体自身上下的对流不足以均匀混合这个密度差异使之稳定存在，从而形成了密度的分层现象。周晓锋解释。
以往研究多集中于海表
目前关于海洋温度预测的方法多集中于海洋表面。在海洋表面，海水温度日变化很小，主要存在以年为单位的周期性变化，因此目前的预测方法大多为时间序列预测，用一段时间的温度去预测未来的温度。而海水温度时刻都在发生变化，并不稳定。我们又很难同时将各个影响因素的数据都充分且准确地提取和融合，因此有效预测海水温度并不简单。周晓锋认为。
此外，目前基于深度学习的预测方法均以时序预测为主，忽视了海洋内部的空间联系，以点预测点的方式导致特征提取不充分。
周晓锋表示，海洋内部不定期存在的温跃层也加大了海洋温度预测的难度，因为温度变化趋势会在温跃层位置发生骤变。温跃层有季节性温跃层和主温跃层两种表现形式，其中季节性温跃层并不是大范围海洋温度的存在形态，它的形成时间也并无周期性。我们无法判断所观测到的温跃层是长期还是暂时性存在的，也很难提前预知到温跃层的位置及形状，这也是目前对海水温度的研究多集中于海表的原因之一。他说。
而在实际应用中，对海洋内部温度的预测比对表面的预测更重要。无论是水下探测还是对海洋生物的研究，都要利用海洋内部的温度，并不仅限于表面。周晓锋举例说：比如对于温跃层的研究，在军事上就有重要的意义，它对潜艇的浮沉具有一定的影响。所以现有的针对表层海水温度的预测数据并不能支撑很多实际的海洋工作。
时空四维模型让温度预测更准确
针对目前海水温度预测局限于海洋表面，且只考虑时序预测的问题，沈阳自动化所数字工厂研究室大数据课题组提出一种基于时空四维卷积网络的模型，以解决这些问题。
时空四维卷积模型由三部分组成：四维卷积网络、残差网络、再校准模块。周晓锋介绍，海洋温度数据本身为经度、纬度、深度构成的三维栅格化数据，增加时间维度后，形成了四维矩阵。利用四维卷积网络，对海洋温度数据提取时间特征的同时，提取三维立体空间特征。四维卷积网络的意义就是实现时&mdash；空双重特征提取。由于卷积运算是线性运算，他们在三维卷积的原理基础上进行改变，实现四个维度同时卷积。
对于普通的神经网络来说，深度层次越多，优化算法越难训练，训练错误便会越多。残差模块可以优化深度神经网络，而利用残差网络进一步加深网络，可进一步提取海洋温度的空间特征。
在整个海洋空间中，相邻区域的数据对于预测的贡献在空间上各不相同。有的位置温度多变，有的位置温度稳定；有的位置等温线密集，有的位置等温线稀疏。周晓锋介绍，为了提高模型性能，研究人员给模型在残差模块后面加入了再校准模块。再校准模块的意义就是探索并量化各个区域特征的贡献程度，对前面计算得到的特征数据进行加权。重要特征赋予较高权重，不同位置也赋予不同权重，然后将特征进行加权求和，得到最终结果，由此提高模型的质量。
课题组利用时空四维卷积模型进行了横截面方向和剖面方向的两方面实验。实验显示，时空四维卷积模型可以准确预测水平方向0&mdash；-2000米的海洋温度，且准确度并不受海洋深度影响，均在98%以上，并有大部分大于99%。对于剖面方向，时空四维卷积模型可以准确预测出季节性温跃层和主温跃层的位置和形状，准确度不受海洋位置影响，均大于99%。
此外，课题组还将时空四维卷积模型与目前的预测方法做了对比，在平均绝对误差（MAE）、均方误差（RMSE）、预测精度（ACC）和R平方（R-squared）等各个指标上，新模型都达到了最优的效果。
时空四维卷积模型利用海洋温度数据的双重特征提取，并对特征以及区域进行加权，实现了海洋内部温度的数据预测，打破了目前对于海表温度预测的局限性，并将温跃层的预测变为可能。周晓锋说。
近日，中国科学院沈阳自动化研究所（以下简称沈阳自动化所）在海洋温度预测方法研究中取得新进展，其提出的基于立体空间&mdash；时间的四维卷积模型高精度应用于海水温度预测。相关研究结果发表在国际期刊美国电气电子工程师学会的《地球科学与遥感通讯》上，并申请相关专利。
诸多因素影响海水温度
海洋温度体现了海水的热状况，海洋温度变化主要取决于海洋热收支状况及其时间变化。太阳辐射和海洋大气热交换是影响海水温度的两个主要因素。沈阳自动化所副研究员周晓锋介绍，具体来说，纬度、洋流、季节、深度、海洋生物运动等都会影响海水温度变化。
在开阔的海洋中，表层海水等温线的分布大致与纬圈平行，这是因为地球表面所获得的太阳辐射热量受地球形状的影响，不同纬度得到的太阳辐射不同，则温度不同，因此表层海水温度从赤道向两极递减。同理，不同季节，海水受到的太阳辐射不同，因此温度也不相同。夏季海水温度高，冬季海水温度低。
而同纬度海区，暖流流经海水温度较高，寒流流经海水温度较低。
此外，从海平面到深邃海底，海水温度像一个奶油蛋糕那样分成许多层，温度会随海水深度增加而递减。太阳辐射的热量绝大部分被表层海水吸收，白天吸热、晚上放热。在海水对流和海浪作用下，表层海水形成一个温度比较一致的混合层，厚度约100米。表层海水到1000米深度的海水，水温随深度增加而迅速递减，而1000米以下的海洋深处因受太阳辐射和表层热量传导、对流影响较小，因此水温下降变慢。
目前，世界海洋的水温一般在-2℃&mdash；30℃，其中年平均水温超过20℃的区域占整个海洋面积的一半以上。周晓锋介绍，但随深度增加，水温逐渐下降（每深1000米，约下降1℃&mdash；2℃），在水深3000&mdash；4000米处，温度达到2℃&mdash；-1℃。
在这些规律之外，海洋中还存在温跃层，冷暖两层海水交界处温度急剧变化，两侧海水密度差异明显，中间这十几米到几十米的薄薄水层就被称为温度跃变层，也叫温跃层。温跃层的形成是因为水体不同深度的密度不同，而水体自身上下的对流不足以均匀混合这个密度差异使之稳定存在，从而形成了密度的分层现象。周晓锋解释。
以往研究多集中于海表
目前关于海洋温度预测的方法多集中于海洋表面。在海洋表面，海水温度日变化很小，主要存在以年为单位的周期性变化，因此目前的预测方法大多为时间序列预测，用一段时间的温度去预测未来的温度。而海水温度时刻都在发生变化，并不稳定。我们又很难同时将各个影响因素的数据都充分且准确地提取和融合，因此有效预测海水温度并不简单。周晓锋认为。
此外，目前基于深度学习的预测方法均以时序预测为主，忽视了海洋内部的空间联系，以点预测点的方式导致特征提取不充分。
周晓锋表示，海洋内部不定期存在的温跃层也加大了海洋温度预测的难度，因为温度变化趋势会在温跃层位置发生骤变。温跃层有季节性温跃层和主温跃层两种表现形式，其中季节性温跃层并不是大范围海洋温度的存在形态，它的形成时间也并无周期性。我们无法判断所观测到的温跃层是长期还是暂时性存在的，也很难提前预知到温跃层的位置及形状，这也是目前对海水温度的研究多集中于海表的原因之一。他说。
而在实际应用中，对海洋内部温度的预测比对表面的预测更重要。无论是水下探测还是对海洋生物的研究，都要利用海洋内部的温度，并不仅限于表面。周晓锋举例说：比如对于温跃层的研究，在军事上就有重要的意义，它对潜艇的浮沉具有一定的影响。所以现有的针对表层海水温度的预测数据并不能支撑很多实际的海洋工作。
时空四维模型让温度预测更准确
针对目前海水温度预测局限于海洋表面，且只考虑时序预测的问题，沈阳自动化所数字工厂研究室大数据课题组提出一种基于时空四维卷积网络的模型，以解决这些问题。
时空四维卷积模型由三部分组成：四维卷积网络、残差网络、再校准模块。周晓锋介绍，海洋温度数据本身为经度、纬度、深度构成的三维栅格化数据，增加时间维度后，形成了四维矩阵。利用四维卷积网络，对海洋温度数据提取时间特征的同时，提取三维立体空间特征。四维卷积网络的意义就是实现时&mdash；空双重特征提取。由于卷积运算是线性运算，他们在三维卷积的原理基础上进行改变，实现四个维度同时卷积。
对于普通的神经网络来说，深度层次越多，优化算法越难训练，训练错误便会越多。残差模块可以优化深度神经网络，而利用残差网络进一步加深网络，可进一步提取海洋温度的空间特征。
在整个海洋空间中，相邻区域的数据对于预测的贡献在空间上各不相同。有的位置温度多变，有的位置温度稳定；有的位置等温线密集，有的位置等温线稀疏。周晓锋介绍，为了提高模型性能，研究人员给模型在残差模块后面加入了再校准模块。再校准模块的意义就是探索并量化各个区域特征的贡献程度，对前面计算得到的特征数据进行加权。重要特征赋予较高权重，不同位置也赋予不同权重，然后将特征进行加权求和，得到最终结果，由此提高模型的质量。
课题组利用时空四维卷积模型进行了横截面方向和剖面方向的两方面实验。实验显示，时空四维卷积模型可以准确预测水平方向0&mdash；-2000米的海洋温度，且准确度并不受海洋深度影响，均在98%以上，并有大部分大于99%。对于剖面方向，时空四维卷积模型可以准确预测出季节性温跃层和主温跃层的位置和形状，准确度不受海洋位置影响，均大于99%。
此外，课题组还将时空四维卷积模型与目前的预测方法做了对比，在平均绝对误差（MAE）、均方误差（RMSE）、预测精度（ACC）和R平方（R-squared）等各个指标上，新模型都达到了最优的效果。
时空四维卷积模型利用海洋温度数据的双重特征提取，并对特征以及区域进行加权，实现了海洋内部温度的数据预测，打破了目前对于海表温度预测的局限性，并将温跃层的预测变为可能。周晓锋说。