PCFNet 论文解读：用频域特征与物理约束预测海表温度

Date 2026-10-28 · Category blog · Status finished · Confidence likely

论文解读, 海表温度预测, 时空预测

海表温度预测需要同时处理两个问题：海温图中的冷暖结构怎样随时间变化，这种变化是否与热量输运过程协调。PCFNet 将傅里叶特征学习与平流—扩散约束结合，希望提高连续多个时刻的预测精度和稳定性。

本文按研究动机、相关工作、方法流程和实验结果展开。图像均裁取自原论文，并在图注中标明来源。实验数字来自作者报告，未经独立复现；帮助理解方法的例子与原论文实验结果分别说明。

论文信息与关键术语

项目	信息
论文题目	PCFNet: A Sea Surface Temperature Prediction Network Fusing Physical Constraints With Frequency Domain Feature Extraction
作者	Yingbing Liu、Cong Xiao、Guangwen Peng、Wenying Du、Changjiang Xiao
发表信息	IEEE Transactions on Geoscience and Remote Sensing，Vol. 64，2026，文章号 4207615
正式来源	DOI：10.1109/TGRS.2026.3694412
阅读依据	正式出版 PDF，共 15 页；下文页码均按 PDF 页序计数
任务	根据历史海表温度图，预测未来连续多个时刻的温度图
数据与区域	NOAA OISST v2.1，南海子区域，64×64 网格

缩写	含义	在本文中的作用
SST	Sea Surface Temperature，海表温度	输入和预测的变量
FFT / IFFT	快速傅里叶变换 / 逆变换	在原始特征表示与频域表示之间转换
STM	时空模块	提取海温序列的空间与时间特征
SIEB / TIEB	空间 / 时间信息提取块	STM 中的两条特征分支
CIM	约束集成模块	解码特征并融合物理约束信息
ADCB	平流—扩散约束块	估计物理参数并引入 ADE 约束
ADE	Advection–Diffusion Equation，平流—扩散方程	描述本文采用的热量输运与混合关系

研究动机：海温预测为什么需要两类信息

海表温度与海气相互作用、热带气旋、海洋生态和渔业资源相关。论文引言先建立应用价值，再将技术困难收束到两个方面：多尺度特征建模不足，以及物理一致性约束不足。依据为引言，PDF 第 1—2 页。

多种时间、空间尺度叠加在一起

一片海域既存在大范围的冷暖分布，也存在局部温度边界；时间上，较慢的季节性变化与较快的天气尺度波动相互叠加。固定尺度的卷积和单一形式的时序建模，可能难以充分表达这些结构。

原论文图9：固定位置的逐日和逐周海温预测曲线

图源：Liu et al.，原论文图 9，PDF 第 10 页。固定位置为 15.875°N、115.125°E；(a) 是一天提前预测，(b) 是一周提前预测。黑色虚线为真实值。图中长时间曲线由多个预测时刻组成，不表示一次预测一整年。

图中的真实温度既有缓慢的升降，也有局部峰谷。频域分析提供了一种按变化频率观察这些模式的方式：网络可在频域学习如何调整不同成分，再变回原来的特征表示。

时间频率与空间频率需要区分。前者描述变化快慢，后者描述图中结构的粗细和空间变化尺度。频域处理能够提供补充表达，但不能仅因使用 FFT 就认定模型已经学会全部周期或尺度。

预测接近观测值，还需要考虑演化过程

数值模拟以物理方程为基础，具有明确的机制解释，但需要较高的计算成本，并依赖参数化和观测资料。数据驱动模型从历史数据学习映射，具备灵活的拟合能力，却可能缺少对物理演化的明确限制。

作者因此引入平流—扩散关系：平流描述水体运动搬运热量，扩散描述混合改变温度分布。本文希望数据学习负责发现复杂模式，物理先验负责约束这些模式的演化。物理约束在此属于软约束，不能直接理解为输出严格满足完整海洋系统的守恒规律。

类别	文中代表	已具备的能力	与本文研究问题的联系
数值方法	OGCM、HYCOM、LICOM 及业务海洋预报系统	显式模拟流体与热力过程，结合数据同化改进状态估计	提供物理建模基础，同时涉及计算成本与参数化问题
统计和传统机器学习	隐马尔可夫模型、SVM	从历史观测学习预测关系	对复杂大规模时空过程的表达仍有限
深度学习	LSTM、ConvLSTM、PredRNN、Swin Transformer、CoTCN	从时间建模发展到时空联合建模，以及局部与全局信息融合	为本文的时空特征建模提供基础
物理约束与频域方法	FNO 相关方法、使用 ADE 的物理引导网络	利用频域学习或物理知识改进预测	是 PCFNet 最直接的研究背景

整体流程：从历史海温到未来海温

原论文图1上半部分：PCFNet整体架构

图源：Liu et al.，原论文图 1 上半部分，PDF 第 4 页。历史序列经过 STM 的空间与时间分支，融合特征进入 CIM，再经解码和物理分支融合产生输出。

可以把输入看作一段海温视频：每帧是同一区域在一个时刻的温度图。根据式（1）—（2），模型将过去的若干帧映射为未来的若干帧：

X_{t - ρ + 1 : t} PCFNet X_{t + 1 : t + q} .

其中 $ρ$ 为历史窗口长度， $q$ 为预测长度，每帧 $X_{t} \in R^{C \times H \times W}$ 。本文输入只有 SST，因此输入通道为一个；中间特征可以具有更多通道。

按图 1 图注，日尺度任务用过去 10 天预测未来 1—10 天，周尺度任务用过去 5 周预测未来 1—5 周。方法可以顺着四步阅读：

STM 的空间分支和时间分支分别提取特征，再进行融合。
解码器把融合后的特征恢复为初步海温预测。
ADCB 从时空特征估计速度场与扩散系数，计算物理约束信息。
CIM 将数据驱动结果与物理分支信息融合，输出未来序列。

图中的空间和时间分支并行工作。算法 1 还要求物理约束与各预测时刻对齐，但没有充分说明整个网络是否逐步反馈最终预测，因此不据此认定完整的自回归实现。

STM：同时学习空间结构和时间变化

SIEB：用频域处理补充空间关联

原论文图1b：空间信息提取块SIEB

图源：Liu et al.，原论文图 1(b)，PDF 第 4 页。图中包含分块、层归一化、FFT/IFFT、注意力、跳跃连接和特征还原。

SIEB 先将输入划为不重叠的小块，再通过线性层把块映射为特征向量。直观上，这是为每个区域生成一个可计算的表示。

图中的傅里叶计算单元将特征变换到频域，通过可学习变换进行处理，再逆变换回来。把式（3）—（5）的核心处理合并，可写为：

Z_{freq} = F^{- 1} [MLP (F (Z))] .

这里 $F$ 与 $F^{- 1}$ 表示傅里叶变换及其逆变换，MLP 是多层感知机。这个简写只概括频域单元，不包含图中的完整注意力和残差结构。

可以把它理解为三个动作：先观察特征中有哪些频率结构，再学习如何调整它们，最后还原为原来的特征形式。一个频率成分与多个空间位置相关，有助于全局信息交互。模型仍需从数据学习如何利用这些信息。

图中的多头自注意力 MSA 学习区域关联，层归一化 LN 调整特征分布，跳跃连接保留前面的信息。正文存在“替换 MSA”的表述，同时图 1(b) 仍画有 MSA，后续文字也描述注意力处理；精确实现应进一步核对代码，不能仅凭某一句话删除整个注意力部分。

TIEB：学习序列中的变化模式

原论文图2：时间信息提取块TIEB

图源：Liu et al.，原论文图 2，PDF 第 5 页。TIEB 结合不同核尺寸的卷积处理、傅里叶计算单元和跳跃连接。

如果空间分支关注冷暖结构的位置，时间分支关注这些特征如何变化。作者描述不同尺寸卷积用于提取不同范围的特征，再通过频域处理学习变化模式。式（6）为：

Z^{j + 1} = F^{- 1} [MLP (F (Z^{j}))] .

其中 $j$ 表示特征处理阶段，不能直接把 $Z^{j + 1}$ 当成下一天的海温。这一步输出的仍然是特征。两路特征最终在整体图中的加号处融合，为预测分支和物理分支提供输入。

CIM：生成预测并引入物理信息

解码器先给出数据驱动预测

前面的特征经过转置卷积恢复空间分辨率。对应式（7）：

Z^{d + 1} = tanh (ConvTranspose2d (Z^{d})) .

随后将时间和通道维度组织起来，通过卷积、归一化和 ReLU 调整输出，生成所需长度的序列。式（8）为：

X_{f} = ReLU [Norm (Conv2d (Z^{d + 1}))] .

$X_{f}$ 是根据学习到的数据规律生成的初步海温预测。正文未在这些公式附近充分展开温度归一化与输出反归一化细节，因此不将激活函数的数值范围直接解释为摄氏温度范围。

ADCB 从特征估计物理参数

原论文图1a：平流—扩散约束块ADCB

图源：Liu et al.，原论文图 1(a)，PDF 第 4 页。卷积与注意力网络生成速度场、扩散系数，再引入 ADE 关系。

物理分支将时空特征经过两组“三维卷积、注意力、激活函数”，得到物理参数特征 $F^{p}$ ，对应式（9）—（14）。式（15）由卷积预测水平速度场 $w = (u, v)$ ，式（16）预测扩散系数：

D = 0.1 σ (\sum β * F^{p}) .

$β$ 为可学习卷积参数， $*$ 为卷积， $σ$ 是 Sigmoid。Sigmoid 和缩放系数将 $D$ 的数值限制在约 0 到 0.1 之间。论文没有在这里给出足够信息将该范围直接换算为真实海洋扩散系数的物理单位。

速度场与扩散系数均由网络从 SST 特征估计。它们用于建立约束，但不能直接当作经过观测验证的真实海流与混合参数。

ADE 约束温度变化与输运过程

为避免原文中温度、时间和维度符号混用，下面用 $θ$ 表示温度， $t$ 表示时间， $x, y$ 表示水平位置。式（17）可改写为：

\frac{\partial θ}{\partial t} = - u \frac{\partial θ}{\partial x} - v \frac{\partial θ}{\partial y} + D (\frac{\partial ^{2} θ}{\partial x ^{2}} + \frac{\partial ^{2} θ}{\partial y ^{2}}) .

左边是温度随时间的变化，右边前两项是平流输运，最后一项是扩散。

以一个暖水团为教学例子：水流将暖水带到旁边的位置，是平流；混合使暖水团与周围水体的温差逐渐减弱，是扩散。这个例子只用于理解方程，不是论文额外报告的实验。

离散网格上需要近似导数。例如：

\frac{\partial θ}{\partial t} \approx \frac{θ _{t + Δ t} - θ _{t}}{Δ t} .

论文描述了时间差分、中心差分、Sobel 和拉普拉斯算子，用于计算相应变化。式（18）计算 ADE 的残差平方。按上述符号整理为：

r = \frac{\partial θ}{\partial t} + w \cdot \nabla θ - D \nabla^{2} θ, X_{p} = r^{2} .

残差衡量方程两边相差多少。越小，表示在这组参数和该方程下越一致，但不必然表示与真实温度越接近，因为物理参数也可能估计不准。

加权融合及原文中的定义边界

式（19）将两部分组合为：

X = (1 - λ) X_{f} + λ X_{p} .

按照框架图与文字，作者希望以数据驱动预测为基础，加入物理分支的约束或校正信息， $λ$ 调节二者影响。

但式（18）中的 $X_{p}$ 是残差平方，式（19）又将它直接与温度预测相加，两者物理含义不同。正文没有清楚展开残差如何变成可融合的温度校正量，也未完整写出数据误差与物理残差如何组成训练总目标。可以理解整体设计意图，但不能把残差直接解释为另一套独立的海温预测。精确复现需要补充实现代码、尺度归一化和校正定义。

实验设置：南海日尺度与周尺度预测

数据来自 NOAA OISST 高分辨率数据目录。论文使用南海子区域，经度约 106.625°E—122.625°E，纬度约 6.375°N—22.375°N，组成 64×64 网格。表 I 报告日尺度时间样本 15,876 个，周尺度 2,267 个。时间样本数不应直接等同于滑动窗口后用于训练的序列数量。

数据划分	时间范围	作用
训练集	1981-09-01 至 2016-12-31	学习参数
验证集	2017-01-01 至 2020-12-31	选择模型与超参数
测试集	2021-01-01 至 2025-02-16	评估后续时间的预测

数据按时间划分，没有随机打乱。各模型使用相同的空间网格，因此这组实验主要检查同一区域对后续时间的预测能力，没有直接检验跨海域泛化。

作者使用 Python 3.9、PyTorch 1.10.1 和双 RTX 4090D GPU；报告统一使用 Adam，初始学习率 0.001，批大小 32，训练 200 轮，并根据验证集调整各基线超参数。对比模型为 CNN、ConvLSTM、PredRNN、Swin Transformer、EarthFarseer、PANN 和 CoTCN。

序列长度存在一处说明不一致：图 1 图注明确周尺度为 5 周输入与 5 周预测，而实验设置段落笼统写输入和预测长度均为 10。下文按日尺度 1—10 天、周尺度 1—5 周的结果表讨论，复现前仍需核实周尺度的实际输入设置。

三个评价指标怎样读

MAE = \frac{1}{n} i = 1 \sum n ∣ y_{i} - y_{i} ∣, RMSE = \frac{1}{n} i = 1 \sum n (y_{i} - y_{i})^{2} .

MAE 是平均绝对温差，RMSE 对较大的错误更敏感，二者越低越好。论文还报告 $R^{2}$ ：

R^{2} = 1 - \frac{\sum _{i} ( y _{i} - y _{i} ) ^{2}}{\sum _{i} ( y _{i} - y ˉ ) ^{2}} .

$R^{2}$ 衡量相对于均值基准的拟合情况，越接近 1 越好。三个指标需要结合数据区域和预测提前量阅读。

主实验：预测准确性与空间误差

表 II、表 III 的代表结果

下表摘取首末预测提前量的 RMSE，单位为 ℃。CoTCN 是结果接近 PCFNet 的强基线之一。

预测提前量	PCFNet	CoTCN	CNN	相对 CoTCN 的 RMSE 降幅
1 天	0.273	0.281	0.515	2.85%
10 天	0.597	0.602	0.763	0.83%
1 周	0.612	0.615	0.785	0.49%
5 周	0.723	0.752	0.964	3.86%

依据：原论文表 II（PDF 第 6 页）与表 III（第 7 页）。相对降幅按 (基线−PCFNet)/基线 计算，基于表中已四舍五入的数值。

论文表中 PCFNet 在各提前量的 RMSE、MAE 和 $R^{2}$ 均取得更好的结果。例如一天预测的 MAE 为 0.207 ℃， $R^{2}$ 为 0.983；一周预测的 MAE 为 0.501 ℃， $R^{2}$ 为 0.909。

这些结果支持该方法在所用南海数据上的预测优势，也需要关注幅度：相对 CNN 的提升较大，相对 CoTCN 的差距在部分提前量下较小。没有重复实验误差范围时，表中排名不能直接解释为经过统计检验的显著差异。

随着预测提前量增加，PCFNet 的误差也增加。日尺度 RMSE 从 0.273 上升到 0.597 ℃，表明远期预测仍然更困难。方法改善了多步结果，没有消除误差增长。

正文个别数字与表格不一致，例如对比 CNN 时提到的部分 $R^{2}$ 数值。本文统一采用表 II、表 III，避免混用。

偏差地图定位容易出错的位置

原论文图6：未来1—10天的预测偏差分布

图源：Liu et al.，原论文图 6，PDF 第 9 页。展示从 2024 年 12 月 18 日开始的一组预测案例，每行一个模型，每列一个提前量；偏差为预测值减真实值。

红色表示偏暖，蓝色表示偏冷，海域内接近白色表示误差接近零。横向看同一行，可以观察提前量增加时的误差变化；纵向比较同一列，可以观察不同模型在同一提前量下的差异。

PCFNet 在这个案例中的高误差区域总体较少。作者强调近岸改善，并将近岸难度归因于淡水输入、潮汐混合和海气相互作用等复杂过程。这些机制解释来自论文讨论，图本身展示的是温度偏差，并未分别测量上述过程的贡献。

图 6 是具体案例，表 II、表 III 是测试集汇总结果。论文还用图 4—5 展示温度分布，图 7 展示周尺度偏差，图 8 比较四个季节的案例，图 9 展示固定位置的连续曲线。这些可视化补充了平均指标，但不能单独证明极端事件预测能力或跨区域泛化。

消融实验：两部分设计是否都有贡献

原论文图10：日尺度组件消融

图源：Liu et al.，原论文图 10，PDF 第 11 页。左、中、右分别为 RMSE、MAE 和 $R^{2}$ 。

原论文图11：周尺度组件消融

图源：Liu et al.，原论文图 11，PDF 第 11 页。横轴为未来 1—5 周，指标顺序与图 10 相同。

曲线	配置	所检查的作用
绿色实线	完整 PCFNet	两部分共同工作的结果
橙色虚线	移除 ADCB	物理约束模块的贡献
蓝色点划线	移除 FFT 组件，并换为 Swin Transformer	频域设计相对替代结构的贡献
红色点线	同时移除 ADCB 与 FFT	两部分共同贡献

完整模型总体最好，同时移除两部分时表现最差。结果支持频域特征与物理模块具有互补作用。作者将 ADCB 的作用主要解释为约束后续演化，将 FFT 的作用解释为学习周期与频率模式。

消融直接支持的是具体组件改善了指标，不能据此单独确定改善来自哪一段频谱或哪一种实际海洋机制。另外，FFT 消融包含架构替换，比较的是两套组件设计，不是对完全相同网络只切换一个开关。

融合权重的影响

原论文图12：融合权重lambda与日尺度平均RMSE

图源：Liu et al.，原论文图 12，PDF 第 11 页。纵轴为未来 1—10 天的平均 RMSE，横轴为融合权重 $λ$ 。

曲线先下降后上升，最低点在 $λ = 0.3$ ，作者在主要实验中采用该值。按设计意图，这说明适量物理信息有帮助，但提高物理分支影响并不持续改善预测。网络估计的物理参数也会有误差，因此存在折中。

这一最优值来自本文实验，不能直接外推到其他海域、时间分辨率或模型。式（18）—（19）的定义问题也意味着，权重的精确实现含义仍需代码补充。

物理一致性：检查冷暖边界和梯度结构

如果两幅预测图平均温度接近，但其中一幅把冷暖交界抹平，仅看平均温差可能难以充分区分。作者因此比较水平温度梯度：

\nabla θ = (\frac{\partial θ}{\partial x}, \frac{\partial θ}{\partial y}) .

它描述温度在空间上沿什么方向、以多快的速度变化。梯度大的区域往往包含清晰的冷暖边界。

原论文图13：海温水平梯度一致性比较

图源：Liu et al.，原论文图 13，PDF 第 12 页。(a) 梯度大小；(b) 角度误差；(c) 梯度残差大小。真实值仅在第一行最左列展示。

第一行检查温度变化剧烈的位置是否保留下来，第二行检查预测梯度与真实梯度的方向差，第三行检查梯度残差。作者认为 PCFNet 的边界和局部结构更接近真实值，支持其空间结构保持能力。

这项评价提供的是温度梯度结构证据。梯度方向并不等于海流方向，梯度误差较小也不能直接证明能量守恒或真实速度场被恢复。它与物理约束的设计目标相关，但不是完整的守恒验证。

局限与适用边界

本文最直接支持的结论是：在所用南海 SST 数据、时间划分和对比设置下，PCFNet 的日尺度及周尺度预测指标更好；消融支持两部分组件的作用，梯度图提供了空间结构证据。以下边界影响对结果的使用和复现：

物理分支定义不完整。 式（18）的残差平方与式（19）的温度融合之间缺少清楚转换，完整训练目标、归一化和数值尺度也需要实现补充。
部分结构与设置表述不一致。 SIEB 中 MSA 的文字与图示、周尺度输入长度均需进一步核实。
输入只有 SST。 风、盐度与表面热通量没有作为输入变量；可学习参数并不能替代这些外部驱动的直接验证。
空间泛化尚未检验。 训练和测试位于同一南海网格，四季案例和后续年份测试不能代替跨海域评估。
强基线差距需要结合幅度阅读。 部分提前量下相对 CoTCN 的改善不足 1%；论文未报告多次训练的误差范围，不能把所有排名差异解释为统计显著。
物理一致性主要通过空间梯度展示。 仍需独立物理观测、守恒残差及更完整的过程检验，才能支持更强的机制结论。

对进一步研究而言，可以分别检验多变量输入、跨区域测试、极端海温事件、物理参数可识别性，以及明确残差损失与预测校正的实现。它们是后续验证方向，不是本文已完成的结果。

参考来源

Liu, Y., Xiao, C., Peng, G., Du, W., and Xiao, C. PCFNet: A Sea Surface Temperature Prediction Network Fusing Physical Constraints With Frequency Domain Feature Extraction. IEEE Transactions on Geoscience and Remote Sensing, 64, 4207615, 2026.
NOAA OISST v2 高分辨率数据目录。数据来源按原论文第 IV-A 节记录。

图 1(a)、1(b) 和总体流程来自同一张原论文图的局部裁剪；图 2、6、9—13 按原图编号引用。原论文图表版权归原权利人；本文提供中文解读，未上传或重新分发全文 PDF。