中国海洋大学数学科学学院高振教授及其合作者在国际海洋学领域TOP期刊《Ocean Engineering》上发表了题为“Reconstructing three-dimensional density from surface data in the North Atlantic Sea through the PIO-Net model”的研究论文。

上述论文提出了融合再分析数据与稀疏观测的改进的 PIO-Net 模型。首先利用再分析数据对 PIO-Net 进行初始训练, 构建知识引导的模型初始化。然后基于插值方法建立观测位置到基函数的映射, 以实现任意位置的密度重构。最后将损失函数中的数据约束调整为基于插值的重构与观测之间的均方误差, 利用稀疏的观测数据对 PIO-Net 进一步训练进行微调, 以适应实际观测场景。在北大西洋区域的实验验证表明, 所提出的方法在数据稀缺情况下仍具有良好的稳定性与鲁棒性, 且从再分析数据中学习到的物理知识可以有效缓解训练数据不足的问题。与公开可用的网格化 Argo 产品的对比分析表明, PIO-Net 的重构结果在分辨率上优于现有 Argo 网格产品, 同时保持了较高精度。

该研究工作是高振教授与南京工业大学的林一帆老师、中国海洋大学的袁春鑫副教授、孙祥副教授和陈元红同学合作完成。本文第一作者为中国海洋大学计算数学专业2021级博士研究生陈元红，高振教授为通讯作者。本项工作得到了中国国家自然科学基金、山东省泰山学者项目和山东省自然科学基金的部分资助。

论文链接地址：

https://doi.org/10.1016/j.oceaneng.2025.122086