科学家开发出一种利用深度学习从气象卫星热成像数据推断海洋表层洋流的新方法，可在不增加新硬件的情况下，以更高时间分辨率生成大范围海表洋流图。研究人员将该方法命名为GOFLOW（地球静止轨道海洋流），并称其为海洋观测的一项重要进展。

这项研究由加州大学圣地亚哥分校斯克里普斯海洋研究所海洋学家Luc Lenain与斯克里普斯校友、现任加州大学洛杉矶分校的Kaushik Srinivasan共同领导，成果发表于《自然·地球科学》。合著者还包括特拉维夫大学的Roy Barkan和罗德岛大学的Nick Pizzo，两人同为斯克里普斯校友。项目获得美国海军研究办公室、美国国家航空航天局（NASA）和欧洲研究委员会资助。

研究团队指出，洋流在全球热量输送、大气与海洋内部碳循环以及海洋生态系统所需养分再分配等方面发挥关键作用，同时也与搜救行动和油污扩散追踪密切相关。但在广阔海域对洋流进行持续、精细测量长期存在难度。

现有部分卫星可通过海面高度变化间接估算洋流，但通常约每10天才重复观测同一地点一次，难以捕捉在数小时内出现并消散的快速变化过程。船舶观测与沿海雷达虽能记录更快变化，但覆盖范围有限。研究人员表示，这使得观测在特定尺度上存在空白，尤其是与海洋垂直混合相关的过程：浅层与深层水体的混合现象变化迅速，宽度通常不足10公里（约6英里）。团队称，垂直混合与将深层养分带至表层、以及将二氧化碳从表层输送至深层实现长期储存等过程相关。

研究的思路源于对地球静止轨道气象卫星GOES-East数据的观察。Lenain在分析该卫星拍摄的北大西洋热成像时注意到，GOES-East主要用于气象监测，成像频率可达每5分钟一次，除显示云层移动外，也呈现海面冷热水涡旋的演变，并在温度分布中显现出墨西哥湾流等主要洋流的特征。团队随后尝试将这些连续热成像中可见的温度变化转化为可量化的洋流信息。

为此，研究人员训练神经网络识别洋流驱动下海表温度模式的移动与形变。网络训练依托高分辨率海洋环流计算机模拟数据，模拟提供温度模式及其对应流速样本。通过追踪GOES-East连续图像中复杂温度结构在时间序列中的位移、弯曲与拉伸，模型可推断导致这些变化的海表洋流，并生成每小时洋流图。

在验证环节，研究人员将GOFLOW在2023年墨西哥湾流区域的推断结果，与船载仪器记录的流速数据以及传统基于海洋地形的卫星方法进行对比。研究称，GOFLOW结果与船载观测及传统卫星技术总体一致，同时能够呈现更小尺度、变化更快的涡旋与边界层细节，而传统方法更多反映较为平滑的平均特征。研究人员表示，这些细节使其首次能够从观测中提取驱动海洋垂直混合的小尺度强洋流的关键统计特征，而此前相关特征主要见于计算机模拟。

研究团队指出，GOFLOW可应用于现有地球静止轨道卫星数据，无需发射新仪器。研究同时提到，云层覆盖仍是限制因素，因为云会遮挡该方法依赖的热成像观测。后续工作将结合其他类型卫星数据以弥补云遮挡造成的空白，并推动方法向全球范围扩展。团队表示，相关数据产品与计算代码将公开发布，以支持进一步研究与应用。