超高分辨率近海区域海表温度（SST）的准确刻画是描述海洋表层中小尺度海洋动力过程、近岸生态系统的基础。但受限于观测时空采样与计算资源，现有高精度SST数据仍面临时空分辨率不足的困境，需要进一步发展高效的降尺度技术。传统动力降尺度方法能保证物理一致性，但随着分辨率向次公里级的迈进，计算成本急剧增加且模拟速度慢，不利于业务化应用；统计降尺度方法计算高效，但难以捕捉物理量变化的非线性特征；而现有AI降尺度方法多依赖单变量输入或在人工退化的理想数据上训练，忽视了真实数值模式在不同分辨率下由地形、子网格参数化等导致的非同源偏差，且缺乏物理可解释性。因此，发展一种高效、准确、物理一致的AI降尺度方法，成为海洋精细化模拟与预报领域亟待突破的关键。

针对以上问题，中国科学院大气物理研究所博士生陈晓丹、郑飞研究员、夏江江副研究员、朱江研究员，与中国科学院南海海洋研究所舒业强研究员、刘大年副研究员，提出了物理信息增强的多模态AI降尺度方法——UVT2T-CNet（图1），从而实现水平分辨率从4.5km到500m的SST高精度降尺度。该方法通过引入海表流场等物理变量，结合空间与通道双重注意力机制，精准捕捉并修正了数值模式在不同分辨率下的系统性偏差，验证了物理约束+数据驱动在超高分辨率重构中的可行性。

图1 UVT2T-CNet网络结构与训练策略。展示了集成卷积块注意力模块（CBAM）的多模态输入网络结构，以及基于多目标优化方法动态平衡降尺度精度（ ）与空间一致性（ ）损失的多损失优化训练策略

研究团队首先利用区域海洋模式（ROMS）构建了渤黄海区域4.5km-1.5km-500m的三层嵌套模拟，模拟结果揭示了模式分辨率对近海动力过程刻画的显著影响，并为AI模型提供了一套真实、匹配、动力协调的多分辨率数据集。随后，团队开展了多方法比较试验。结果显示，传统双线性插值（BI）不会改变低分辨率的空间结构；而单变量AI降尺度（T2T-UNet）虽能提升整体精度，但面对复杂边界及多尺度相互作用时，缺少物理信息的输入，难以弥合多分辨率系统的非同源偏差。相比之下，UVT2T-CNet能显著改善500m SST的空间分布，尤其是在动力过程活跃区域，均方根误差降低最高可达30.28%，空间相关系数整体提升至0.86。

为分析性能差异来源，研究进一步引入了局地相关的二维随机扰动路径函数，定制了地学可解释性分析方法GeoLAM。归因分析表明，UVT2T-CNet能从多模态输入中深度学习温度输运等关键物理约束。例如在夏季个例中，各输入通道的特征贡献与温度平流场相印证，南边界北向流对该区域冷水特征重构有显著影响（图2）。这进一步验证该方法在次公里级分辨率的降尺度性能，提升了对沿岸上升流、边界流、黄海暖流入侵等复杂动力过程的精细刻画能力。

图2 GeoLAM可解释性方法示意图及其在夏季冷信号重建个例中的应用（2021.7.16）。（b）分别对应低分辨率多模态输入（T、U、V）的空间分布及其对局地冷信号特征（蓝框）重建贡献的空间归因图；（c）T2T-UNet、UVT2T-CNet、参考真值的SST空间分布；（d）贡献区域对应的温度平流项（ 、 ）空间分布。

相关研究成果最新发表于期刊《Machine Learning: Science and Technology》上，得到国家自然科学基金重点基金（42430114）等项目资助。

论文信息：

Chen,X.-D.,F. Zheng*,J.-J. Xia,J. Zhu,Y.-Q. Shu,and D.-N. Liu,2025: High-resolution regional SST downscaling based on physically informed AI framework with multi-mode inputs from nested ROMS simulations. Mach. Learn.-Sci. Techn.,doi: 10.1088/2632-2153/ae3054.