面向中尺度保持的海面温度降尺度的可迁移双流表示

# 面向中尺度保持的海表温度降尺度的可迁移双流表示
来源：https://arxiv.org/html/2608.04230
（2026年7月26日）

###### 摘要。

面向科学时空降尺度的深度学习模型通常最小化重建误差，却未能保持具有物理意义的多尺度结构。在海表温度预测中，这可能导致输出在数值上看似合理，却过度平滑，缺失对区域海洋动力学至关重要的中尺度变率。现有方法通常专注于逐像素目标或单一上下文条件，限制了它们保持谱保真度和跨区域泛化的能力。为解决这一问题，我们提出 **EddyFlow**，一个用于千米级海表温度降尺度的表示学习框架，兼顾预测精度、尺度依赖结构和区域泛化。EddyFlow 在圣劳伦斯湾（Gulf of St. Lawrence）上训练，并在零样本和少样本设置下于芬迪湾（Bay of Fundy）和墨西哥湾（Gulf of Mexico）进行评估。EddyFlow 表明，物理信息引导的表示学习可将零样本 RMSE 降低 21%，在未见域上相对于持续性预报达到最高 85.6% 的技巧，并以 ≈1.00 的 PSD 比保持近乎理想的谱保真度。

SST 降尺度、扩散模型、迁移学习、域偏移、谱保真度

††copyright:cc††journalyear:2026††doi:XXXXXXX.XXXXXXX††conference:Proceedings of the 33rd ACM SIGKDD Conference on Knowledge Discovery and Data Mining; August, 2027; San Jose, CA, USA††isbn:978-1-4503-XXXX-X/2027/08††ccs:Computing methodologies Machine learning††ccs:Computing methodologies Neural networks††ccs:Computing methodologies Learning latent representations††ccs:Applied computing Earth and atmospheric sciences## 1. 引言

海表温度（SST）是沿海生态系统健康、渔业生产力和海洋天气灾害的主要驱动因素[2](https://arxiv.org/html/2608.04230#bib.bib2)。然而，提供全球 SST 估算的卫星和再分析数据集过于粗糙，无法捕捉控制区域海洋动力学的锋面结构、涡旋和热力梯度[3](https://arxiv.org/html/2608.04230#bib.bib3)、[4](https://arxiv.org/html/2608.04230#bib.bib4)、[5](https://arxiv.org/html/2608.04230#bib.bib5)、[6](https://arxiv.org/html/2608.04230#bib.bib6)。在圣劳伦斯湾（GSL）中，与劳伦琴通道和陆架坡折海底地形相关的尖锐 SST 锋面塑造了鱼类栖息地和海洋管理决策，但在 ERA5 等标准再分析数据中仍未得到解析[7](https://arxiv.org/html/2608.04230#bib.bib7)、[8](https://arxiv.org/html/2608.04230#bib.bib8)。从粗糙输入中恢复千米级 SST 是渔业管理和海岸灾害预报的前提，这些应用依赖精确的热力梯度，而非近似量级[7](https://arxiv.org/html/2608.04230#bib.bib7)、[3](https://arxiv.org/html/2608.04230#bib.bib3)。

用于结构化预测的深度学习模型越来越多地从稀疏或粗糙观测中推断高分辨率科学场[4](https://arxiv.org/html/2608.04230#bib.bib4)、[5](https://arxiv.org/html/2608.04230#bib.bib5)、[6](https://arxiv.org/html/2608.04230#bib.bib6)、[9](https://arxiv.org/html/2608.04230#bib.bib9)。即使预测精度很高，仅靠逐像素损失也不能保证