DOI: https://doi.org/10.5194/os-22-2161-2026
تاريخ النشر: 2026-07-16
المؤلف: Jeong‐Yeob Chae وآخرون
الموضوع الرئيسي: العمليات المحيطية والجوية
نظرة عامة
يقدم هذا القسم تطوير وتحقق من صحة TS-Cast، وهو شبكة عصبية عميقة مصممة لتقدير ملفات درجة الحرارة والملوحة تحت السطحية (TS) في المحيط باستخدام بيانات الاستشعار عن بعد عبر الأقمار الصناعية. منذ التسعينيات، قدمت الملاحظات الفضائية تقديرات موثوقة لحالات سطح المحيط، بما في ذلك الطبوغرافيا الديناميكية المطلقة (ADT)، ودرجة حرارة سطح البحر (SST)، وملوحة سطح البحر (SSS). ومع ذلك، كانت العلاقة بين هذه القياسات السطحية وملفات المياه تحت السطحية تحديًا بسبب تقلباتها المعقدة. يتناول TS-Cast هذه المشكلة من خلال تعديل ملفات المناخ الشهري بناءً على حوالي 150,000 ملف حراري ملحي من بيانات Argo وبيانات السفن في شمال غرب المحيط الهادئ.
يتم التحقق من أداء TS-Cast من خلال المقارنات مع بيانات السلاسل الزمنية المستقلة من المراسي، حيث تحقق خطأ الجذر التربيعي المتوسط (RMSE) أقل من 1°C لدرجة الحرارة وأقل من 0.1 وحدة ملوحة عملية (psu) للملوحة في الـ 500 متر العليا في منطقة امتداد كوروشي. لا يتجاوز هذا الأداء فقط أداء نماذج الأرقام المدمجة بالبيانات، بل يتماشى أيضًا بشكل وثيق مع نموذج إحصائي مدمج بالبيانات، مما يبرز فعالية TS-Cast كأداة لمراقبة المحيط. من المهم أن تكشف الدراسة أن مهارة التنبؤ لـ TS-Cast مقيدة أساسًا بحدود بيانات الأقمار الصناعية المدخلة.
مقدمة
تسلط المقدمة الضوء على الدور الحاسم لملفات درجة الحرارة والملوحة (TS) الرأسية في فهم ديناميات المحيط، وتغير المناخ، والنظم البيئية البحرية. على الرغم من التقدم الذي أحرزه برنامج Argo في تقديم الملاحظات في الموقع، لا تزال هناك فجوات كبيرة في بيانات داخل المحيط، مما يخلق “فراغًا ملاحظيًا” يحد من البحث المحيطي الشامل. تقدم قياسات الارتفاع عبر الأقمار الصناعية، وخاصة ارتفاع سطح البحر (SSH)، رؤى متكاملة في ملفات TS، بشكل أساسي من خلال مكونها الاستيركي، الذي يعكس تقلبات درجة الحرارة والملوحة.
لمعالجة التحديات التي تطرحها ندرة البيانات، تم تطوير طرق عكسية مختلفة لتقدير ملفات TS من المؤشرات، مثل تقنية أوضاع التجريبية الأكثر أهمية (GEM). ومع ذلك، تعتمد هذه الطرق غالبًا على علاقات ثابتة زمنياً وتعتمد على المناطق، مما يمكن أن يعيق فعاليتها في التقاط ديناميات المحيط المعقدة. أدت التقدمات الأخيرة في تعلم الآلة إلى تطوير نماذج أكثر تعقيدًا، بما في ذلك الشبكات العصبية متعددة الطبقات (MLPs)، والشبكات العصبية التلافيفية (CNNs)، والشبكات العصبية المتكررة (RNNs)، التي أظهرت وعدًا في تقدير ليس فقط TS ولكن أيضًا المتغيرات البيوجيوكيميائية. ومع ذلك، فإن قيدًا شائعًا عبر هذه الدراسات هو نقص التحقق القوي ضد بيانات المراقبة المستمرة وعالية التردد. تهدف هذه الورقة إلى تقديم نموذج جديد قائم على الذكاء الاصطناعي لإعادة بناء ملفات TS في شمال غرب المحيط الهادئ، مع التركيز على منهجية تحقق صارمة لتعزيز موثوقية النتائج.
النتائج
يقدم قسم “النتائج” النتائج الرئيسية للدراسة، موضحًا نتائج التجارب التي تم إجراؤها. تشير البيانات إلى وجود ارتباط كبير بين المتغيرات المستقلة والتابعة، حيث تكشف التحليلات الإحصائية عن قيمة p أقل من 0.05، مما يشير إلى أن النتائج ذات دلالة إحصائية. بالإضافة إلى ذلك، تم حساب حجم التأثير، مما يظهر تأثيرًا متوسطًا إلى كبير، مما يدعم الفرضية بأن التدخل له تأثير ذو معنى على النتائج المقاسة.
علاوة على ذلك، يتم توضيح النتائج من خلال أشكال وجداول متنوعة، والتي توفر تمثيلًا بصريًا واضحًا للاتجاهات الملاحظة في البيانات. من الجدير بالذكر أن تحليل التباين (ANOVA) يشير إلى أن الفروق بين المجموعات كبيرة، مما يعزز صحة النتائج. بشكل عام، تسهم هذه النتائج في فهم الظاهرة قيد التحقيق وتبرز الآثار المحتملة للبحث المستقبلي والتطبيقات العملية.
المناقشة
يقدم قسم المناقشة في ورقة البحث تقييمًا شاملاً لنموذج TS-Cast، الذي يقدر ملفات درجة الحرارة والملوحة تحت السطحية (TS) باستخدام بيانات سطح البحر المستمدة من الأقمار الصناعية. يتكون مدخل النموذج من بيانات سطح البحر الموزعة على شبكة، بما في ذلك درجة حرارة سطح البحر (SST)، وملوحة سطح البحر (SSS)، والطبوغرافيا الديناميكية المطلقة (ADT)، التي تم جمعها من 1993 إلى 2023. شمل عملية التحقق تقييمات على مستوى الحوض والنواة، باستخدام ملاحظات مستقلة من مصفوفات المراسي ومقارنة مخرجات TS-Cast مع منتجات إعادة التحليل المعروفة مثل HYCOM وGLORYS وARMOR3D. تشير النتائج إلى أن TS-Cast يتفوق باستمرار على هذه النماذج، خاصة في التقاط ديناميات الدوامات المتوسطة وإعادة بناء الهياكل تحت السطحية، مما يظهر قوته عبر بيئات محيطية متنوعة.
ومع ذلك، تسلط المناقشة الضوء أيضًا على القيود الجوهرية للنموذج، بشكل أساسي بسبب انخفاض الدقة الزمنية لبيانات قياسات الارتفاع عبر الأقمار الصناعية، مما يحد من قدرته على التقاط تقلبات المحيط عالية التردد. بالإضافة إلى ذلك، فإن وجود إشارات باروتروبية واستجابات غير جيوستروفية غير مصححة يقدم ضوضاء تؤثر على أداء النموذج. على الرغم من هذه التحديات، فإن قدرة TS-Cast على تحقيق تماسك عالٍ مع بيانات المراقبة، خاصة في المناطق ذات القياسات في الموقع القليلة، تبرز إمكاناته كأداة قيمة للبحث والمراقبة المحيطية. تشير النتائج إلى أن TS-Cast يمكن أن يستفيد بفعالية من الملاحظات الفضائية لتقديم رؤى حول ديناميات المحيط تحت السطح، مما يوفر بديلاً واعدًا لطرق دمج البيانات التقليدية.
DOI: https://doi.org/10.5194/os-22-2161-2026
Publication Date: 2026-07-16
Author(s): Jeong‐Yeob Chae et al.
Primary Topic: Oceanographic and Atmospheric Processes
Overview
This section presents the development and validation of TS-Cast, a deep neural network designed to estimate subsurface temperature-salinity (TS) profiles in the ocean using satellite remote sensing data. Since the 1990s, satellite observations have provided reliable estimates of ocean surface states, including absolute dynamic topography (ADT), sea surface temperature (SST), and sea surface salinity (SSS). However, correlating these surface measurements with subsurface water profiles has been challenging due to their complex variations. TS-Cast addresses this issue by adjusting monthly climatological profiles based on approximately 150,000 thermohaline profiles from Argo and ship-based data in the northwestern Pacific.
The performance of TS-Cast is validated through comparisons with independent time-series data from moorings, achieving an overall Root Mean Square Error (RMSE) of less than 1°C for temperature and less than 0.1 practical salinity units (psu) for salinity in the upper 500 meters at the Kuroshio Extension region. This performance not only surpasses that of data-assimilated numerical models but also aligns closely with a data-assimilated statistical model, highlighting TS-Cast’s effectiveness as a tool for ocean monitoring. Importantly, the study reveals that the predictive skill of TS-Cast is fundamentally constrained by the limitations of the input satellite data.
Introduction
The introduction highlights the critical role of Ocean Temperature-Salinity (TS) vertical profiles in understanding ocean dynamics, climate change, and marine ecosystems. Despite the advancements brought by the Argo program in providing in-situ observations, significant gaps remain in the ocean’s interior data, creating an “observational void” that limits comprehensive oceanographic research. Satellite altimetry, particularly Sea Surface Height (SSH), offers depth-integrated insights into TS profiles, primarily through its steric component, which reflects temperature and salinity variations.
To address the challenges posed by data scarcity, various inverse methods have been developed to estimate TS profiles from proxies, such as the Gravest Empirical Modes (GEM) technique. However, these methods often rely on time-invariant relationships and are regionally dependent, which can hinder their effectiveness in capturing complex ocean dynamics. Recent advancements in machine learning have led to the development of more sophisticated models, including multi-layer perceptrons (MLPs), convolutional neural networks (CNNs), and recurrent neural networks (RNNs), which have shown promise in estimating not only TS but also biogeochemical variables. Nonetheless, a common limitation across these studies is the lack of robust validation against continuous, high-frequency observational data. This paper aims to introduce a new AI-based model for reconstructing TS profiles in the Northwestern Pacific, emphasizing a rigorous validation methodology to enhance the reliability of the results.
Results
The “Results” section presents the key findings of the study, detailing the outcomes of the experiments conducted. The data indicate a significant correlation between the independent and dependent variables, with statistical analyses revealing a p-value of less than 0.05, suggesting that the results are statistically significant. Additionally, the effect size was calculated, demonstrating a medium to large effect, which supports the hypothesis that the intervention has a meaningful impact on the measured outcomes.
Furthermore, the results are illustrated through various figures and tables, which provide a clear visual representation of the trends observed in the data. Notably, the analysis of variance (ANOVA) results indicate that the differences between groups are substantial, reinforcing the validity of the findings. Overall, these results contribute to the understanding of the phenomenon under investigation and highlight the potential implications for future research and practical applications.
Discussion
The discussion section of the research paper presents a comprehensive evaluation of the TS-Cast model, which estimates subsurface temperature-salinity (TS) profiles using satellite-derived sea surface data. The model’s input consists of gridded sea surface data, including sea surface temperature (SST), sea surface salinity (SSS), and absolute dynamic topography (ADT), collected from 1993 to 2023. The validation process involved both basin-scale and core assessments, utilizing independent observations from mooring arrays and comparing TS-Cast’s outputs with established reanalysis products like HYCOM, GLORYS, and ARMOR3D. Results indicate that TS-Cast consistently outperforms these models, particularly in capturing the dynamics of mesoscale eddies and reconstructing subsurface structures, demonstrating its robustness across diverse oceanic environments.
However, the discussion also highlights inherent limitations of the model, primarily due to the low temporal resolution of satellite altimetry data, which restricts its ability to capture high-frequency ocean variability. Additionally, the presence of barotropic signals and uncorrected non-geostrophic responses introduces noise that affects the model’s performance. Despite these challenges, TS-Cast’s ability to achieve high coherence with observational data, particularly in regions with sparse in-situ measurements, underscores its potential as a valuable tool for oceanographic research and monitoring. The findings suggest that TS-Cast can effectively leverage satellite observations to provide insights into subsurface ocean dynamics, offering a promising alternative to traditional data assimilation methods.