人工智能首次“看见”神秘洋流

这项由加州大学圣地亚哥分校斯克里普斯海洋研究所的卢克·莱纳因（Luc Lenain）与加州大学洛杉矶分校的考希克·斯里尼瓦桑（Kaushik Srinivasan）领衔的研究，发表于《自然·地球科学》。团队成员多有斯克里普斯背景，经费来自美国海军研究办公室、NASA和欧洲研究理事会。

海洋流对地球气候、碳循环和海洋生命至关重要：它输送热量、搬运大气中的二氧化碳进入深海长期封存，并将深层营养盐带到表层，滋养浮游生物和整个食物网；同时也在海上搜救、溢油追踪等实际场景中发挥关键作用。但长期以来，大范围、高时效的海流观测十分困难——传统卫星靠测量海面高度反演流速，重访周期约10天，远跟不上数小时即形成又消失的中小尺度流；船舶和岸基雷达虽响应快，却只能覆盖极小区域。

这一短板导致科学家在“垂直混合”这一关键过程上存在严重盲区：当表层水下沉或深层水上涌时（即垂直混合），驱动它的往往是小于10公里、快速演变的涡旋、锋面和剪切带。这些过程直接决定营养盐上涌效率和碳向深海的输送能力，却因缺乏直接观测而长期依赖数值模拟。

转机出现在2023年：莱纳因偶然发现，用于天气监测的GOES-East静止卫星所拍摄的红外海表温度图像（每5分钟一帧），不仅能清晰呈现云系，还能显示暖水与冷水在海面移动形成的精细纹理——包括墨西哥湾流等大尺度流的结构。他意识到，这些随时间扭曲、拉伸、平移的温度图案，正是海流作用于海水的“指纹”。

为此，团队训练了一个神经网络模型：先用高精度海洋环流模拟数据（其中已知温度分布与真实流速的对应关系）进行学习；再让模型分析连续的卫星温度图像序列，自动追踪图案的形变与位移，从而反推其下方的三维流场。莱纳因指出：“气象卫星已在持续观测海面多年，突破在于我们学会了把这种延时影像，转化为逐小时更新的流场地图——关键是读懂温度图案如何在一小时内弯曲、拉伸和漂移。”

验证结果令人振奋：GOFLOW的输出与2023年湾流区实船测量数据及传统高度计反演结果高度一致；更重要的是，它分辨率显著更高，能清晰分辨直径仅数公里、寿命仅数小时的强涡旋和边界层结构——而传统方法常将其模糊为宽泛平均值。借此，团队首次在真实观测中识别出驱动垂直混合的关键统计特征（如强剪切、高频扰动），此前这些仅见于模拟。

莱纳因强调：“这开启了物理海洋学一系列激动人心的新可能——过去几乎只能靠模拟探索的问题，如今可用真实观测来检验。例如，海洋究竟如何吸收并储存热量与碳？GOFLOW让我们第一次能基于实测，量化那些微小却剧烈的流对全球碳循环的实际贡献。”

该方法无需发射新卫星，可直接调用全球已有的静止气象卫星（如GOES、Himawari、Meteosat）数据，未来有望融入天气预报系统和气候模型，提升对海气相互作用、塑料垃圾漂移、渔业资源变动等的预测能力。当前主要挑战是云层遮挡（会中断红外成像），团队正融合多源卫星数据（如微波辐射计）以弥补空缺；全球尺度拓展工作已启动，全部数据产品与代码也已开源，供全球科研人员使用与深化。