海洋中尺度涡旋（50-300km）作为海洋动力学的重要组成部分，对海洋环流、能量传输和物质循环产生重大影响，它们不仅输送着淡水、热量、碳、营养物质等，深刻影响着海洋生态系统和地球气候，还占海洋动能的80%以上。因此，精确地刻画和理解中尺度涡旋涡旋的产生、演化和相互作用是研究全球海洋环流和气候变化的关键。
1. 技术方法
该项研究提出的核心方法是NeurOST (Neural Ocean Surface Topography)，这是一种基于深度学习的全新海洋表面地形重建方法。NeurOST的主要特点包括：
多模态数据融合: 该方法并非仅仅依赖于测高数据，而是同时融合了测高仪观测的SSH数据和高分辨率的SST数据。通过协同利用这两种数据的优势，能够更准确地重建海洋表面流场。
深度学习框架: 利用深度学习技术训练计算机识别海表面高度和海表面温度数据中的时空模式和关联关系。
自监督学习: NeurOST采用自监督学习策略，利用大规模的卫星观测数据进行训练，避免了对大量标签数据的依赖，大大提升了模型的可扩展性。
全局建模: 采用全局建模的策略，而非分别训练特定区域的模型，使得模型具有更强的泛化能力，可以应用于全球各个海域。
高分辨率重建: 通过深度学习，NeurOST 可以重建出比传统方法分辨率更高、更精细的海洋表面流场，从而更好地捕捉涡旋的结构和动力学特征。
2. 主要成果与发现
通过应用 NeurOST 方法，本研究取得了以下主要成果和发现：
观测分辨率显著提升: 与传统的DUACS和MIOST等方法相比，NeurOST成功将全球海洋表面流场的有效分辨率提升了高达30%。特别是在西部边界流和亚热带地区，观测能力的提升更为显著。
小尺度涡旋解析能力增强: NeurOST不仅提高了分辨率，还揭示了许多之前因观测分辨率不足而被平滑的、相互作用剧烈的小尺度涡旋。这些涡旋的清晰呈现，为研究涡旋的非线性相互作用提供了更精确的依据。
动能串级强度大幅提升: NeurOST观测到的动能向上串级强度比传统方法估算的提高了近一个数量级。这表明，小尺度涡旋对大尺度涡旋的能量传递起着至关重要的作用，而传统方法可能严重低估了这种效应。
揭示涡旋动力学季节性: NeurOST 观测结果清晰地显示了涡旋动力学具有显著的季节性特征。冬季和春季，小尺度涡旋更加活跃，并且向上级串的动能传递更为明显。而传统的观测方法由于分辨率不足，难以捕捉这一季节性特征。
物理一致性验证： 通过与海洋模型数据比较发现，NeurOST方法在重建涡度和应变等动力学参数时，保持了高度的物理一致性，避免了因深度学习带来的虚假信号。
3. 数据产品
NeurOST数据产品包括：
GHRSST Level 4 MUR 0.25deg Global Foundation Sea Surface Temperature Analysis (v4.2): 时空分辨率为小时级到每天，空间分辨率为0.25度，NETCDF4格式。
Daily NeurOST L4 Sea Surface Height and Surface Geostrophic Currents: 时空分辨率为每天到每周，空间分辨率为0.1度，NETCDF4格式。
4. 研究成果可视化
通过可视化展示了从2018年1月到2023年12月NeurOST方法估算的SSHA和海洋流场情况。动画中，海平面高度用高值（红色）表示，海洋涡旋和洋流用低值（蓝色）表示。对比传统产品，动画还放大显示了西太平洋的一个高能量区域，并对比了NeurOST方法与传统格点测高产品（DUACS）在海面高度异常（SSHA）、洋流速度和涡度（表示水体旋转）方面的差异。
5. 讨论与展望
该研究开发的NeurOST方法，通过融合多源卫星数据和深度学习技术，显著提升了全球海洋涡旋的观测能力。这项工作不仅改进了对海洋涡旋结构和动力学的认识，也为研究海洋能量传递、气候变化以及海洋生态系统之间的相互作用提供了新的手段。
尽管如此，该方法仍存在一定的局限性，如亚中尺度涡旋的解析能力仍有待提高。未来，随着宽幅测高仪（如SWOT卫星）的投入使用，以及深度学习技术的进一步发展，将有助于我们进一步提升海洋观测能力，从而更好地理解复杂的海洋系统。
6. 总结
该研究成功地展示了深度学习技术在海洋科学领域的强大潜力。NeurOST方法为我们提供了更加清晰、准确的海洋涡旋观测，并揭示了小尺度涡旋在动能传递中的重要作用。这些发现不仅深化了我们对海洋动力学的理解，也为未来的海洋研究指明了方向。随着更多卫星观测数据和深度学习技术的进步，我们相信未来可以构建出更强大的海洋观测系统，为海洋科学和气候研究做出更大贡献。
数据产品与源代码链接：
数据产品： https://podaac.jpl.nasa.gov/dataset/MUR25-JPL-L4-GLOB-v04.2 https://podaac.jpl.nasa.gov/dataset/NEUROST_SSH-SST_L4_V2024.0
源代码： https://github.com/smartin98/Global_DL_SSH
论文：
https://doi.org/10.1029/2024GL110059
