稀疏观测下显著波高的 data-driven 重建

从稀疏且不规则的浮标观测中重建高分辨率区域显著波高场仍是海洋监测和风险应对中的核心挑战。我们引入 AUWave，一种融合站点序列编码器（MLP）与多尺度 U-Net 增强型瓶颈自注意力层的混合深度学习框架，用于恢复 32$\times$32 区域 SWH 场。通过 Optuna 进行系统性贝叶斯超参数搜索，学习率被确定为泛化的主要驱动力，其次是调度器衰减和潜在维度。使用 NDBC 浮标观测和 ERA5 再分析数据，AUWave 获得最小验证损失为 0.043285，RMSE 分布呈轻微右偏。空间误差在观测点附近最低，随距离增加，反映稀疏抽样下的可识别性限制。灵敏度实验表明，AUWave 在数据更丰富的配置下始终优于代表性基线，而该基线在最不确定的单浮标情形下仅略胜一筹。该架构的多尺度和注意力组件在最小但非平凡的空间锚定可用时带来精度提升。误差图和浮标消除实验揭示了关键锚定站点，其移除会显著恶化性能，为网络设计提供可操作指导。AUWave 为填补数据间隙、提供高分辨率数据同化先验以及应急重建提供了可扩展路径。