基于学习的水下声学原位风速估计

海面风速反演对于科学和业务应用都至关重要。除天气模式、原位测量和遥感技术（尤其是卫星传感器）外，还提供了监测风速的补充手段。由于海面风产生在水下传播的声音，水下声学记录也能提供精细的风相关资讯。尽管模型驱动方案（尤其是数据同化方法）是解决地球科学中反问题的前沿方案，机器学习技术因能充分挖掘观测数据集的潜力而愈发引人注目。在此，我们引入一种深度学习方法，用于从水下声学（可能辅以天气模式再分析等其他数据源）反演风速时间序列。我们的方法桥接了数据同化与基于学习的框架，从而同时受益于先验物理知识和计算效率。在真实数据上的数值实验表明，我们以 RMSE 计相对增益高达 16% 优于最先进的数据驱动方法。有趣的是，这些结果支持了水下声学数据的时间动态对于更好地刻画风速时间演变的相关性。它们还表明，多模态数据（此处为水下声学数据与 ECMWF 再分析数据的结合）可进一步提升重建性能，包括针对缺失水下声学数据的鲁棒性。