来自静止轨道卫星的前所未有的海洋洋流视角

观察不停歇海洋的新方法

海面布满狭窄的喷流和微小的涡旋，这些结构悄然影响着我们的天气、气候和海洋生物。然而，这些快速变化的洋流长期以来对卫星几乎不可见。本研究提出了一种称为静止轨道海洋流（Geostationary Ocean Flow，简称 GOFLOW）的方法，它将气象卫星连续拍摄的红外影像转化为详细的每小时海面流场图，为上层海洋的真实运动打开了一扇新窗。

为何小尺度洋流至关重要

乍看之下，海洋似乎由大型结构主导，例如主要洋流和可持续数月的冷热水团。但其内部隐藏着宽度仅数公里并在日内兴起消逝的条状流、锋面和涡旋。这些细尺度流动在表层与深层之间输送热量、碳和养分，并引导漂浮物如原油泄漏和塑料碎片的运动。迄今为止，我们的主要卫星工具在空间分辨率上太粗、在时间分辨率上太慢，无法捕捉这些持续活跃的小尺度运动，留下了观测与预测海洋的重大空白。

现有卫星视图的局限

传统卫星任务通过绕地轨道每隔大约一周测量一次海面高度，使科学家能够推断出大尺度洋流格局。更新的任务可以探测到海面更小的起伏，但它们仍然只是每几周重访同一地点一次，而且它们的快照受内部波等与长期洋流关系不大的信号干扰。其他方法试图直接从影像追踪海表温度特征，但要么依赖罕见而鲜明的锋面，要么在云遮挡造成的空白以及大气加热和冷却导致的图案变化上遇到困难。因此，现有地图将主导表层短期搅拌的结构模糊化。

教会卫星“感受”流动

GOFLOW 利用另一类卫星：静止轨道气象平台，它们持续注视地球同一区域。此类卫星以千米级分辨率每小时记录海表温度的红外影像，覆盖广阔海区。研究者并不直接使用温度值，而是将温度的空间梯度输入神经网络，这能突出海面上强弱不一的锋面网络。一个 U 型深度学习结构在非常高分辨率的北大西洋数值模拟上训练，学习三帧小时级影像的这种锋面网络在洋流作用下如何演化。训练完成后，该系统能将真实卫星影像瞬时转换为表层速度场，而无需假设流动满足简化的平衡关系。

对新型海图的检验

研究人员将 GOFLOW 应用于北大西洋极具能量的洋流之一——墨西哥湾暖流。与常规的卫星制品相比，新地图显示出清晰、相干的涡旋和细丝，而不是被模糊的斑块。它们与温度影像中的细节高度一致，并且要比最近一项高分辨率海面高度任务的结果干净得多——后者受内部波影响严重。与船舶直接测量的流速和浮标观测对比时，GOFLOW 的估计在速度和方向上均表现出色。该方法还能产出旧技术无法提供的场，例如表层汇聚与扩散的地图——这对表层与海洋内部之间的垂直运动至关重要。

统计结果揭示湍流特征

由于 GOFLOW 提供了密集的每小时速度场，团队得以在广阔的墨西哥湾暖流水域上计算细尺度湍流的统计指纹。他们发现顺时针与逆时针旋转运动之间以及汇聚与辐散区域之间存在显著不平衡，这些模式是众所周知会促进垂直交换的非地转流的标志。此前这些特征主要出现在高分辨率数值模型和专门的野外观测活动中。不同尺度运动的动能谱表明，GOFLOW 捕捉到了大约到十公里尺度的宽范围尺度，其能量在尺度上的分布也与船舶直接估计一致。

对人类与地球的意义

简单地说，GOFLOW 将现有的气象卫星变成了近实时追踪细尺度洋流的有力之眼。尽管云层仍会造成观测空白，且该方法在一定程度上继承了用于训练的模拟的局限性，但其在清晰度和细节上已超越当前全球产品。通过为下一代气候和天气模型提供快速、高分辨率的数据，这一方法可改善对热量输送、海气相互作用以及污染物或养分路径的预报。它使科学家更接近于一部真正的海面“电影”，而不是一系列模糊的快照。

引用: Lenain, L., Srinivasan, K., Barkan, R. et al. An unprecedented view of ocean currents from geostationary satellites. Nat. Geosci. 19, 526–533 (2026). https://doi.org/10.1038/s41561-026-01943-0

关键词: 洋流, 卫星观测, 深度学习, 墨西哥湾暖流, 亚网格湍流