稀疏现场观测下全球海表温度的快速估计
大气与海洋物理
2026-01-30 v1 数值分析
动力系统
数值分析
摘要
从错位的海表温度（SST）测量中重建高分辨率 SST 对天气预报和气候投影至关重要。然而，当SST测量稀疏时，得到的推断SST场相当不准确。本文展示了稀疏离散经验插值方法（S-DEIM）能够从稀疏现场观测中重建高分辨率SST场，而无需使用模型。S-DEIM估计包含两个术语，一个使用经验插值从瞬时现场观测中计算，另一个从观测的历史时间序列中学习，使用循环神经网络（RNN）。我们使用1989-2021年美国国家海洋大气管理局（NOAA）的每周高分辨率SST数据集进行RNN训练，作为训练数据。随后，我们在测试数据上检验S-DEIM的性能，测试数据包括2022年1月至2023年1月。对于测试数据，S-DEIM从100个现场观测中推断高分辨率SST，仅占高分辨率空间网格的0.2%。我们显示，S-DEIM重建的结果比早期的经验插值方法（如DEIM和Q-DEIM）约高出40%。此外，91%的S-DEIM估计落在真实SST±C范围内。我们还展示了S-DEIM对传感器布置具有鲁棒性：即使传感器分布随机，S-DEIM重建误差仅恶化1-2%。S-DEIM也计算效率高。仅进行一次离线训练的RNN训练约需1分钟。一旦训练完成，S-DEIM重建将在不到1秒的时间内计算完成。因此，S-DEIM可用于从稀疏实时观测数据中进行快速SST重建。
引用
@article{arxiv.2601.21913,
title = {Rapid estimation of global sea surface temperatures from sparse streaming in situ observations},
author = {Cassidy All and Kevin Ho and Maya Magnuski and Christopher Nicolaides and Louisa B. Ebby and Mohammad Farazmand},
journal= {arXiv preprint arXiv:2601.21913},
year = {2026}
}