（加EarthAi微信交流群+商务合作，请备注：姓名-行业-单位）

全球海表温度AI重建新范式

近年来，生成式AI（如DALL-E、Midjourney）凭借惊艳的图像生成能力火遍全球。如果把这种"从无到有"的生成能力用到海洋监测中，会发生什么？中国科学院大气物理研究所汪亚等给出了答案——他们提出了一种名为 SAGE 的新框架，利用生成式扩散模型，实现了全球海表温度的高精度、不确定性可感知的概率重建。

━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━

��痛点：海洋观测的"不完美"

海表温度（SST）是地球气候系统的"体温计"，直接驱动着大气与海洋的能量交换，厄尔尼诺、海洋热浪等极端气候事件都与它息息相关。然而，我们对海洋温度的"测量方式"并不完美：

��️ 卫星观测——覆盖全球，但容易被云层遮挡，且存在系统性偏差。

⚓ 现场浮标——精度极高，但在广阔的海洋中像"孤岛"一样稀疏。

❌ 传统方法只能给出一个"确定"的温度值，却无法告诉我们这个数字背后有多大的不确定性。

换句话说：我们一直用一张"可能不准确"的温度图来做天气预报，却不知道它到底有多不准。

━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━

��创新：SAGE——海洋界的"AI超级补全"

研究团队提出了卫星与现场观测自适应引导估计（SAGE）框架。它像是一位精通海洋规律的"AI画师"：

1. 学霸级的先验知识：

SAGE首先通过过去40年（1982–2020）的历史海温数据进行训练，深度学习海洋温度变化的物理规律和空间结构——经向梯度、西边界流、沿海高变率区，甚至连极端温度的分布都能精准还原。

2. 两步走"渐进融合"策略：

��第一步（大尺度定调）：利用风云三号D星（FY-3D）卫星观测，勾勒全球海温大轮廓。

��第二步（小尺度精修）：注入稀疏但高精度的浮标数据，精准修正局部异常和极端值。

图1 SAGE框架示意图。正向扩散过程逐步加噪，逆向生成过程在卫星与现场观测的双重引导下还原海温场。

最终，SAGE输出的不是"一张海温图"，而是"一组可能的温度合集"（Ensemble），每一张都符合物理规律，集合的"离散程度"就是不确定性的度量——海洋流场活跃区、观测稀疏区的不确定性更高，让气象学家一目了然。

━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━

��成绩单：全面超越传统产品

研究团队用2023年（全球海洋创纪录高温年）的独立观测数据对SAGE进行了全面验证，结果令人振奋：

��重建精度大幅提升

✅ 全球平均均方根误差仅 0.17°C，而传统OISST产品为 0.59°C，精度提升超过3倍。

✅ 西边界流、南大洋等传统"重灾区"的偏差显著降低。

��️ 10天短期预报误差降低4.9%

将SAGE生成的海温场作为初始条件投入AI预报模型，10天内的预报误差相比传统方法降低约4.9%，且全程优于全球海冰海洋预报系统（GIOPS）操作业务产品。

��厄尔尼诺的"预言家"

��SAGE驱动预测的Niño3.4指数与观测相关系数达 0.81（传统方法仅0.24）。

��均方根误差仅 0.30°C（传统方法0.74°C），完美捕捉了2023–2024年厄尔尼诺的爆发时间和强度演变。

��精准识别海洋热浪

2023年海洋热浪创历史纪录。SAGE精准识别了北太平洋、北大西洋等四大热浪中心，热浪天数、持续时长、平均强度与观测高度一致，区域强度差异仅约0.1°C。

 图2  SAGE重建海温对预报技巧的提升。（a）10天全球SST预报RMSE；（b）2023年厄尔尼诺事件的季节预测技巧。

━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━

��意义：从"确定"走向"概率"的新范式

SAGE框架的创新远不止于"让海温更准"，它标志着海洋状态估算迈入了一个全新范式：

1. 灵活对接：——无需在训练阶段融入任何观测数据，灵活对接各类异质观测系统。

2. 计算高效：——无需复杂数值积分，快速生成带不确定性量化的SST集合，适合近实时监测。

3. 普适性强：——将生成式扩散模型的后验采样引入地球科学反问题，为大气、海洋等多变量概率化估计提供可复制思路。

研究团队表示，未来将进一步拓展SAGE到多变量海洋状态估计和更高空间分辨率，并验证其在海气通量、大气响应等耦合过程中的预测能力。

━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━

��研究团队

本研究由中国科学院大气物理研究所主导，联合多家国内外单位合作完成：

通讯作者：汪亚、黄刚、夏祥鳌

第一作者：李海杰（中国科学院大气物理研究所 & 中国科学院大学）

合作单位：澳大利亚联邦科学与工业研究组织（CSIRO）、美国太平洋西北国家实验室（PNNL）、风云卫星创新中心等。

研究受国家自然科学基金、第二次青藏高原综合科学考察研究（STEP）、国家重大科技基础设施"地球系统数值模拟装置"（EarthLab）等项目支持。

━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━

��论文信息

Li, H., Wang, Y., Yang, K., Huang, G., Xia, X., Chen, Z., Tao, W., Lyu, C., Chen, L., Zhang, M., Hu, K., Gong, H., Fu, D., Wang, L. (2026). 

"Probabilistic reconstruction of global sea surface temperature using generative diffusion models."

arXiv: 2603.16272v2

━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━

撰文｜基于上述论文内容整理

EarthAi

微信公号：Earth-Ai

商务联系：Earth_Ai