DOI: https://doi.org/10.1088/3049-4753/ae7113
تاريخ النشر: 2026-05-21
المؤلف: Taimoor Sohail وآخرون
الموضوع الرئيسي: العمليات المحيطية والجوية
نظرة عامة
هامش القارة القطبية الجنوبية، وهو منطقة حيوية ولكنها غير مدروسة بشكل كافٍ لفهم المناخ العالمي، يواجه تحديات في الحصول على ملاحظات المحيط في الموقع بسبب مشكلات الوصول والحاجة إلى تصحيح قياسات الملوحة الذاتية. يقدم هذا البحث نهجًا مبتكرًا يستخدم الشبكات العصبية لتحديد وتصحيح الأخطاء في بيانات ملوحة المحيط. من خلال تدريب شبكة عصبية على قياسات مستندة إلى السفن، يقيم الدراسة تقديرات الملوحة مقابل بيانات من عوامات Argo وأجهزة استشعار مثبتة على الفقمة. تشير النتائج إلى أن أخطاء ملوحة Argo تقع ضمن حدود عدم اليقين للطريقة، مما يؤكد فعالية عمليات التحكم في الجودة الحالية. ومع ذلك، تظهر أجهزة الاستشعار المثبتة على الفقمة انحيازًا مالحًا مستمرًا تحت 250 م، مقدرًا بحوالي $0.13 \pm 0.06 \, \text{g kg}^{-1}$ بعد خمسة أشهر من النشر.
في الختام، يقدم هذه الدراسة طريقة مبتكرة للتحكم في جودة ملاحظات المحيط في الموقع، تطبق بشكل خاص على بيانات الملوحة من هوامش القارة القطبية الجنوبية. نموذج الشبكة العصبية، المدرب على بيانات شاملة مستندة إلى السفن، يقدر بفعالية الملوحة من مجموعات بيانات Argo والفقمات. بينما تتماشى بيانات ملوحة Argo التي تم التحكم فيها بجودة جيدة مع القياسات المستندة إلى السفن، تكشف بيانات الفقمة عن انحياز مستمر يتطلب مزيدًا من التحقيق للتصحيح. توفر هذه الطريقة إطارًا فعالًا من حيث التكلفة وقابل للتكيف لتقييم جودة البيانات، مع إمكانية تطبيق أوسع عبر الدراسات المحيطية العالمية ومختلف المؤشرات.
مقدمة
تسلط المقدمة الضوء على الدور الحاسم لهامش القارة القطبية الجنوبية، الذي يُعرف بأنه المنطقة البحرية حول القارة القطبية الجنوبية التي تقل عمقها عن 3000 م، في ديناميات المناخ العالمي. تؤكد على العمليات البحرية المعقدة التي تحدث في هذه المنطقة، مثل تشكيل مياه الرف الكثيفة وتقدم مياه الأعماق الدافئة المحيطية، والتي تسهم في تبادل الحرارة والمياه العذبة وغازات الدفيئة، بالإضافة إلى الذوبان القاعدي الذي يؤثر على مستويات البحر العالمية. يبرز النص ضرورة الحفاظ على قاعدة بيانات شاملة للملاحظات حول الخصائص الحرارية والملحية في هامش القارة القطبية الجنوبية، على الرغم من التحديات التي تطرحها الظروف البيئية القاسية والصعوبات اللوجستية في جمع البيانات.
تناقش هذه الفقرة تطور طرق الملاحظة منذ السبعينيات، بما في ذلك البرامج الهيدروغرافية المستندة إلى السفن، والعوامات الذاتية Argo، وأجهزة الاستشعار المثبتة على الفقمة، كل منها له مزايا وقيود مميزة. بينما تعتبر بيانات السفن عالية الجودة، إلا أنها متحيزة مكانيًا وموسميًا. لقد وسعت عوامات Argo نطاق التغطية ولكن لا يمكنها العمل تحت الجليد البحري، وأجهزة استشعار الفقمة، على الرغم من توزيعها الأوسع، تواجه مشكلات جودة ومركزة في مواسم معينة. كما تشير المقدمة إلى التحسينات المستمرة في طرق تقييم جودة البيانات، لا سيما لقياسات الملوحة، وتقدم الاستخدام المبتكر للشبكات العصبية لتعزيز عمليات التحكم في الجودة. تهدف هذه الدراسة إلى الاستفادة من التعلم الآلي لتقييم بيانات الملوحة من عوامات Argo وأجهزة الاستشعار المثبتة على الفقمة، كاشفة عن الانحيازات ومؤكدة فعالية هذه المنهجيات المتقدمة في البحث المحيطي.
طرق
في هذا القسم، يحدد المؤلفون المنهجية المستخدمة للتحقيق في قابلية تطبيق الشبكات العصبية في توقع ملوحة المحيط وتقدير الأخطاء المرتبطة بالقياسات. تتناول الدراسة سؤالين رئيسيين: (1) جدوى استخدام الشبكات العصبية لتوقع ملوحة المحيط غير المعروفة بناءً على المتنبئين المعروفين، و(2) قدرة الشبكات العصبية المدربة على تقدير خطأ القياس لملاحظات ملوحة معينة. لتحديد أداء الشبكات العصبية، يتم تعريف مقياسين للخطأ: خطأ الشبكة العصبية، الذي يُشار إليه بـ $MSE_{NN}$، والذي يقيم دقة النموذج التنبؤية للقيم المفقودة من الملوحة، وخطأ القياس، $MSE_{meas}$، الذي يعكس عدم اليقين المتأصل في قياسات الملوحة.
افتراض حاسم وراء هذا التحليل هو أن البيانات الاصطناعية التي ينتجها النموذج تمثل القياسات في الموقع، مما يعني أن خطأ التمثيل أصغر بكثير من كل من أخطاء الشبكة العصبية وأخطاء القياس. يعترف المؤلفون بأن هذا الافتراض قد لا يكون صحيحًا بشكل عالمي، كما هو موضح في الأشكال 2 و3، لكنهم يؤكدون أن سير العمل المقترح لتقدير هذه الأخطاء يبقى صالحًا. يؤكدون أنه بينما يكون التمثيل المثالي للبيانات في الموقع مثاليًا، فإن النهج القائم على النموذج الحالي هو تقريب معقول، مع إمكانية تحسين الدقة مع تقدم تقنيات النمذجة.
نتائج
يقدم قسم النتائج تحليلًا شاملاً لخطأ الشبكة العصبية المرتبط بقياسات الملوحة من منصات المراقبة المختلفة، مع التركيز بشكل خاص على بيانات السفن وبيانات Argo وبيانات الفقمة. يكون RMSE (خطأ الجذر التربيعي المتوسط) المستند إلى السفن هو الأعلى عند سطح المحيط، حيث تكون تباينات الملوحة أكبر، مما يشير إلى تحسينات محتملة من خلال دمج البيانات المستمدة من الأقمار الصناعية. خطأ قياس الملوحة لبيانات السفن ضئيل، حوالي $10^{-3} \, (g \, kg^{-1})^2$، مع ذروات ملحوظة في نطاقات العمق 250-500 م و750 م، مما يشير إلى جودة بيانات عالية.
في المقابل، تظهر بيانات Argo خطأ قياس ملوحة أقل من خطأ الشبكة العصبية عند أعماق أقل من 500 م، ولكنها قابلة للمقارنة عند أعماق أكبر، مما يعقد نسب RMSE فقط لمشكلات جودة الملوحة. ومع ذلك، تظهر بيانات الفقمة خطأ قياس أكبر بكثير، خاصة تحت 250 م، مما يشير إلى مخاوف محتملة بشأن الجودة. مع مرور الوقت، تحافظ بيانات Argo على خطأ مستقر نسبيًا يبلغ حوالي $0.015 \, g \, kg^{-1}$، بينما تكشف بيانات الفقمة عن انحياز مالح مستمر يصل إلى $0.16 \pm 0.07 \, g \, kg^{-1}$ خلال الأشهر الستة الأولى من النشر. يشير هذا الانحياز إلى انحراف في القياس، على الرغم من جهود التحكم في الجودة، مما يبرز الحاجة إلى تقييم مستمر لدقة بيانات الملوحة عبر منصات مختلفة.
مناقشة
في هذا القسم، يناقش المؤلفون المنهجية ومصادر البيانات المستخدمة لتحليل ملفات درجة الحرارة والملوحة في منطقة هامش القارة القطبية الجنوبية من 1970 إلى 2020. يستخدمون مجموعة بيانات EN4 من مركز هادلي التابع لمكتب الأرصاد الجوية في المملكة المتحدة، والتي تشمل قياسات في الموقع تم التحكم فيها بالجودة من منصات مختلفة مثل بيانات السفن، والعوامات Argo، وأجهزة الاستشعار المثبتة على الفقمة. للتركيز على الملاحظات ذات الصلة، يقوم المؤلفون بتغطية البيانات من أعماق أكبر من 3000 م واستبعاد القيم الشاذة بناءً على عتبات درجة الحرارة والملوحة المحددة. تكشف التحليلات عن انحياز زمني ومكاني كبير في البيانات، حيث تتركز قياسات السفن في أشهر الصيف وتظهر بيانات Argo تغطية أكثر اتساقًا على مدار العام. كما يبرز المؤلفون الاختلافات في كثافة الملاحظات عبر الأعماق، مشيرين إلى أن بيانات السفن توفر ملفات كاملة العمق بينما تكون بيانات Argo والفقمة أكثر توزيعًا بشكل غير متساوٍ.
لمعالجة التحديات التي تطرحها التوزيعات الزمانية والمكانية المختلفة لمصادر البيانات، يستخدم المؤلفون مجموعة بيانات اصطناعية تم إنشاؤها من نموذج المحيط ACCESS-OM2-01. يسمح هذا النموذج بتقييم أخطاء قياس الملوحة وتطوير شبكة عصبية (ResNet) لتقدير الملوحة بناءً على ملفات السفن، التي تعتبر “المعيار الذهبي”. يتم تدريب ResNet على مجموعة بيانات مصنفة بعناية لتقليل الانحيازات ويتم تقييمها مقابل كل من البيانات الملاحظة والاصطناعية. تشير النتائج إلى أن الشبكة العصبية تلتقط بفعالية العلاقات غير الخطية بين درجة الحرارة والملوحة، على الرغم من عدم اليقين المتأصل في النموذج وبيانات الملاحظة. يخلص المؤلفون إلى أن نهجهم يوفر إطارًا قويًا لتقييم أخطاء قياس الملوحة عبر منصات مختلفة في هوامش القارة القطبية الجنوبية.
DOI: https://doi.org/10.1088/3049-4753/ae7113
Publication Date: 2026-05-21
Author(s): Taimoor Sohail et al.
Primary Topic: Oceanographic and Atmospheric Processes
Overview
The Antarctic margin, a crucial yet under-studied area for global climate understanding, faces challenges in obtaining in-situ ocean observations due to accessibility issues and the need for correction of autonomous salinity measurements. This research introduces a novel approach utilizing neural networks to identify and correct errors in ocean salinity data. By training a neural network on ship-based measurements, the study evaluates salinity estimates against data from Argo floats and seal-mounted sensors. The findings indicate that Argo salinity errors fall within the uncertainty bounds of the method, affirming the effectiveness of existing quality control processes. However, seal-mounted sensors exhibit a persistent salty bias below 250 m, quantified at approximately $0.13 \pm 0.06 \, \text{g kg}^{-1}$ five months post-deployment.
In conclusion, this study presents an innovative method for quality control of in-situ ocean observations, specifically applied to salinity data from the Antarctic margins. The neural network model, trained on comprehensive ship-based data, effectively estimates salinity from Argo and seal-borne datasets. While the quality-controlled Argo salinity data aligns well with ship-based measurements, the seal data reveals a consistent bias that necessitates further investigation for correction. This method offers a cost-effective and adaptable framework for assessing data quality, with potential for broader application across global oceanic studies and various tracers.
Introduction
The introduction highlights the critical role of the Antarctic margin, defined as the ocean region around Antarctica shallower than 3000 m, in global climate dynamics. It emphasizes the complex ocean processes occurring in this area, such as dense shelf water formation and the encroachment of warm circumpolar deep water, which contribute to heat, freshwater, and greenhouse gas exchanges, as well as basal melting that affects global sea levels. The text underscores the necessity of maintaining a comprehensive observational database of thermohaline properties in the Antarctic margin, despite challenges posed by extreme environmental conditions and logistical difficulties in data collection.
The section discusses the evolution of observational methods since the 1970s, including ship-based hydrographic programs, autonomous Argo floats, and seal-mounted sensors, each with distinct advantages and limitations. While ship-based data are of high quality, they are spatially and seasonally biased. Argo floats have expanded coverage but cannot operate under sea ice, and seal sensors, though more widely distributed, face quality issues and are concentrated in specific seasons. The introduction also notes the ongoing improvements in data quality assessment methods, particularly for salinity measurements, and introduces the innovative use of neural networks to enhance quality control processes. This study aims to leverage machine learning to evaluate salinity data from Argo and seal-mounted sensors, revealing biases and confirming the effectiveness of these advanced methodologies in oceanographic research.
Methods
In this section, the authors outline the methodology employed to investigate the applicability of neural networks in predicting ocean salinity and estimating associated measurement errors. The study addresses two primary questions: (1) the feasibility of using neural networks to predict unknown ocean salinity based on known predictors, and (2) the capability of trained neural networks to estimate the measurement error of specific salinity observations. To quantify the performance of the neural networks, two error metrics are defined: the neural network error, denoted as $MSE_{NN}$, which assesses the model’s predictive accuracy for missing salinity values, and the measurement error, $MSE_{meas}$, which reflects the uncertainty inherent in salinity measurements.
A critical assumption underlying this analysis is that the synthetic data generated by the model is representative of in-situ measurements, implying that the representation error is significantly smaller than both the neural network and measurement errors. The authors acknowledge that this assumption may not hold universally, as illustrated in Figures 2 and 3, but assert that their proposed workflow for estimating these errors remains valid. They emphasize that while a perfect representation of in-situ data is ideal, the current model-based approach is a reasonable approximation, with the potential for improved accuracy as modeling techniques advance.
Results
The results section presents a comprehensive analysis of the neural network error associated with salinity measurements from various observing platforms, specifically focusing on ship-based, Argo, and seal data. The ship-based RMSE (Root Mean Square Error) is highest at the ocean surface, where salinity variance is greatest, suggesting potential improvements through the integration of satellite-derived data. The salinity measurement error for ship-based data is minimal, approximately $10^{-3} \, (g \, kg^{-1})^2$, with notable peaks in the 250-500 m and 750 m depth ranges, indicating high data quality.
In contrast, the Argo data exhibits a salinity measurement error that is less than the neural network error at depths shallower than 500 m, but comparable at greater depths, complicating the attribution of RMSE solely to salinity quality issues. The seal data, however, shows a significantly larger measurement error, particularly below 250 m, indicating potential quality concerns. Over time, the Argo data maintains a relatively stable error of around $0.015 \, g \, kg^{-1}$, while the seal data reveals a persistent salty bias that peaks at $0.16 \pm 0.07 \, g \, kg^{-1}$ within the first six months of deployment. This bias suggests a measurement drift, despite quality control efforts, highlighting the need for ongoing assessment of salinity data accuracy across different platforms.
Discussion
In this section, the authors discuss the methodology and data sources used to analyze temperature and salinity profiles in the Antarctic margin region from 1970 to 2020. They utilize the UK Met Office Hadley Centre EN4 dataset, which includes quality-controlled in-situ measurements from various platforms such as ship-based data, Argo floats, and seal-mounted sensors. To focus on relevant observations, the authors mask data from depths greater than 3000 m and exclude outliers based on specific temperature and salinity thresholds. The analysis reveals a significant temporal and spatial bias in the data, with ship-based measurements concentrated in summer months and Argo data showing more consistent coverage throughout the year. The authors also highlight the differences in observational density across depths, noting that ship-based data provides full-depth profiles while Argo and seal data are more unevenly distributed.
To address the challenges posed by the differing spatiotemporal distributions of the data sources, the authors employ a synthetic dataset generated from the ACCESS-OM2-01 ocean model. This model allows for the assessment of salinity measurement errors and the development of a neural network (ResNet) to estimate salinity based on ship-based profiles, which are considered the “gold standard.” The ResNet is trained on a carefully binned dataset to minimize biases and is evaluated against both observational and synthetic data. The results indicate that the neural network effectively captures the non-linear relationships between temperature and salinity, despite inherent uncertainties in the model and observational data. The authors conclude that their approach provides a robust framework for evaluating salinity measurement errors across different platforms in the Antarctic margins.