用于海洋次表层温度预测的物理引导生成对抗网络

海洋次表层温度是水生生物、水下动力学以及与海面热传递的重要组成部分，受气候变化中全球变暖的影响。现有研究通常基于基于物理的数值模型或基于数据的模型。传统上，物理建模和机器学习被认为是海洋次表层温度预测任务中两个不相关的领域，具有截然不同的科学范式（物理驱动和数据驱动）。然而，我们认为这两种方法是互补的。物理建模方法提供了在观测条件之外进行外推的潜力，而数据驱动方法在适应数据方面具有灵活性，并且能够检测到意想不到的模式。两种方法的结合极具吸引力，并提供了潜在的性能提升。在本文中，我们提出了一种基于生成对抗网络（GAN）与数值模型相结合的新框架来预测海洋次表层温度。首先，使用基于 GAN 的模型来学习数值模型中海面温度与目标次表层温度之间的简化物理关系。然后，利用观测数据校准基于 GAN 的模型参数，以获得更好的预测。我们通过预测南海的每日海洋次表层温度来评估所提出的框架。大量实验证明了所提出的框架与现有 SOTA 方法相比的有效性。