摘要：
在卫星遥感观测的驱动下，深度学习模型为快速估算海底热盐结构提供了一种有前景的解决方案。通过学习大规模的海面-海底数据对，这些模型建立了海面变量（如海面高度、温度、风速和热通量）与海洋内部特征之间的非线性映射关系，从而实现了对水下环境的数据驱动重建。然而，由于对海底分层和中尺度变异性的关注不足，导致在动态活跃区域（如黑潮延伸带）的重建精度较低。为克服这些限制，我们提出了一种双分支深度学习架构，该架构结合了海面观测数据和海底特征以改进海底温度重建。该模型采用了分层渐进式重建策略，使得模型预测的上层场能够为更深层次的估算提供信息。使用GLORYS12V1再分析数据对模型进行了评估，重点关注黑潮延伸带。结果表明，所提出的框架优于传统的基于海面数据的方法，尤其是在温跃层内部和下方。该框架减少了异常偏差，提高了结构一致性，并在训练数据稀疏的近岸区域表现出更好的泛化能力。光谱分析进一步证实，海底垂直结构提取分支有效抑制了高频噪声，同时保留了中低频能量，从而支持了模型恢复多尺度热特征的能力。
