观潮 · 模式预报与气象 AI 观察
用条件扩散模型预测多模式海洋氧气场：仅凭温度和盐度就能生成逼真氧分布
海洋溶解氧是海洋生态系统和生物地球化学循环的关键变量。然而，不同地球系统模式（ESM）对当前和未来海洋氧气含量的模拟存在显著差异，这种不确定性限制了我们对海洋脱氧趋势的准确评估。
这篇论文训练了一个条件生成扩散模型，从多模式 ESM 集合输出中学习"给定物理输入变量（如温度和盐度）时上层海洋氧气"的条件分布。该模型在北大西洋和南大洋具有显著技巧，能够生成训练数据中未出现的条件下的逼真氧气样本。作者用观测数据集验证了模型，并利用它仅为没有氧气数据的模式生成氧气场——仅以温度和盐度作为条件输入。这种物理条件外推表明，热带太平洋最小含氧区（OMZ）的模式偏差可能比目前假设的更小。
为什么需要多模式集合
单个 ESM 的氧气模拟存在模式偏差。多模式集合可以量化这种不确定性，但计算成本高昂。生成模型提供了一种低成本替代：学习多模式集合的条件分布，然后从该分布中采样。
方法：条件扩散模型
模型以温度和盐度等物理变量为条件输入，学习上层海洋氧气的条件分布。训练数据来自多模式 ESM 集合输出和基于观测的数据集。
关键设计：
- 条件输入：温度、盐度等物理变量
- 生成目标：上层海洋氧气场
- 训练数据：多模式 ESM 集合 + 观测数据集
- 验证：用观测数据集验证学习到的生成条件分布
结果
模型在北大西洋和南大洋具有显著技巧。能够生成训练数据中未出现的条件下的逼真氧气样本。对于没有氧气数据的模式，仅凭温度和盐度就能生成合理的氧气场。
物理条件外推表明，热带太平洋 OMZ 的模式偏差可能比目前假设的更小——这对理解海洋脱氧趋势具有重要意义。
作者承认的限制
模型在北大西洋和南大洋技巧较高，但在其他区域（如热带太平洋）的泛化能力仍需进一步验证。生成模型学到的条件分布依赖于训练数据中模式集合的多样性，如果训练集合不能充分覆盖真实的物理变率，生成样本的可靠性会受影响。
一句话判断
条件扩散模型为多模式海洋氧气场提供了一种低成本的概率预测工具，仅凭温度和盐度就能生成逼真氧分布，但泛化能力仍受限于训练集合的覆盖范围。
图 1：条件扩散模型的完整架构。上半部分展示前向扩散过程（干净氧气场逐步加噪）和反向去噪过程（ResUNet 以温度、盐度等条件场为输入逐步去噪）；下半部分为 ResUNet 的详细结构——时间步嵌入注入每个 ResBlock，通过跳连和多尺度上采样重建氧气场。