《Estuarine, Coastal and Shelf Science》：Hybrid Downscaling of Sea Surface Salinity Reveals Future Transition from Freshening to Salinification in Coastal Waters
編輯推薦：
海表面鹽度時空變化及混合機器學習降尺度方法研究——以阿曼海岸為例，分析歷史趨勢與未來情景，揭示蒸發、降水及徑流對鹽度的影響，提出EDT與樹模型結合的降尺度方案，提升區域預測精度。
Mohammad Reza Nikoo
蘇丹卡布斯大學土木與建筑工程系，阿曼馬斯喀特
引言
鹽度與溫度一起，被認為是影響海洋環流和熱量傳輸的兩個最重要的因素之一。鹽度衡量了全球水循環與降水、蒸發、河流徑流以及海冰凍結或融化等過程之間的相互作用。由于大約85%的全球蒸發和80%的全球降水發生在海洋上（Martin, 2014），鹽度可以成為氣候變率的重要指標。海表鹽度（SSS）被全球氣候觀測系統認定為一個關鍵的氣候變量，它是大氣-海洋相互作用和垂直傳輸的重要組成部分。鹽度的變化控制著水的密度，進而影響水平壓力梯度、垂直分層和海洋穩定性。這些因素又控制著大范圍的海洋環流和營養物質傳輸，并進一步影響海洋生物地球化學和生物生產力（Dossa等人，2022）。例如，在阿拉伯海和阿曼海，由于季風季節的風向、蒸發和淡水徑流，SSS存在明顯的季節性和空間性變化。東北季風的特點是高蒸發量和低河流流量，導致鹽度較高；而西南季風的高降水量和徑流則導致鹽度較低（de Verneil等人，2024）。SSS的季節性變化會引起水柱穩定性的區域差異、區域環流以及海氣相互作用的變化（Sharma等人，2022）。這凸顯了在氣候變化背景下理解鹽度動態的重要性，因為溫度升高和降水變化的增加預計會影響海洋的鹽度，從而影響其環流。
在氣候變暖的情況下，水文循環的加速意味著高蒸發區域的鹽度趨于增加，而降水或淡水流入區域則變得更淡。這通常被描述為“越咸的地方變得更咸，越淡的地方變得更淡”（Turner等人，2022）。淡水流入，特別是河流流入，在調節沿海鹽度和環流方面起著重要作用（Zarei等人，2025a）。此外，降水量和河流流量的變化可能引發洪水等極端事件，這強調了監測海洋和陸地水動力學的必要性（Garshasbi等人，2025）。為了更好地理解和預測這些由氣候驅動的變化，大約二十年前，世界氣候研究計劃下的耦合建模工作組（WGCM）啟動了耦合模型比較項目（CMIP），該項目現在為IPCC評估報告提供了主要的數據框架。最新的CMIP6階段結合了來自33個研究機構的70多個全球氣候模型的輸出（Jin等人，2023）。最近，多項研究利用CMIP6探討了全球海表鹽度的變化趨勢。Khosravi等人（2022）預測，在SSP245和SSP585情景下，由于冰層融化增加和淡水流入增加，北極盆地的SSS將下降。Shi等人（2024）發現，自2000年以來，西北太平洋近表層鹽度趨勢從淡化轉向鹽化，而在海洋變暖的情況下，更深層的鹽度仍在繼續淡化。Salehie等人（2024）使用四個GCM模型顯示，東南亞海域的部分地區可能會面臨更高的鹽度，而泰國灣南部和馬來西亞半島北部在未來將經歷顯著的淡化。Alamgir等人（2025）預測，在1970-2014年間從33 PSU增加到34 PSU的孟加拉灣，在SSP370情景下，鹽度將出現較大范圍的變化，變化幅度在-8.45到26.66 PSU之間。
然而，GCM模型存在相當大的偏差和粗糙的空間分辨率，限制了它們在區域尺度上的應用（Zarei等人，2025b）。為此，降尺度方法被用來將粗分辨率的氣候模型輸出轉換為適合區域或局部氣候影響評估的更精細的空間和時間尺度。獲取區域尺度的氣候信息是降尺度的重要步驟。在不同的降尺度方法中，經驗分布轉移（EDT）因其能夠通過將模型值的累積分布與觀測值的對齊來糾正氣候模型輸出中的系統偏差而受到青睞（Maurer等人，2016）。近年來，這種模型已被用于糾正多種氣候變量中的偏差。Gergel等人（2024）應用EDT來校正全球范圍內的GCM日最高和最低溫度及總降水量。Zarei等人（2025b）和Khodaei等人（2025）使用EDT對伊朗流域的GCM降水量進行了降尺度處理。Addisuu等人（2025）采用了一種改進的EDT方法來降尺度南非多個CMIP6 GCM的日降水量。Li等人（2025）使用不同的EDT變體對加拿大各地GCM的日降水量進行了降尺度處理。Abdelmoaty等人（2025）也應用EDT類型的方法校正了加拿大CMIP6 GCM的日溫度和降水量數據。
其他有效的GCM輸出降尺度方法包括機器學習和深度學習模型。這些模型能夠捕捉粗尺度全球氣候信號與細尺度局部氣候變量之間的復雜非線性關系，從而提高空間分辨率，更準確地表示局部變化。這些方法包括基于樹的模型，如分類回歸樹（CART）、隨機森林（RF）、極端梯度提升（XGBoost）和輕量級梯度提升機（LGBoost），它們具有處理非線性關系的能力，能夠處理多種類型的預測因子，并且通常比深度學習模型需要較低的計算成本。例如，Bhakare等人（2024）使用隨機森林和其他ML模型對意大利阿爾卑斯山的日平均溫度進行了降尺度處理；de Lima Moraes和Khoshnood Motlagh（2024）使用隨機森林對美國西南部的日降水量和溫度變量（最低和最高）進行了降尺度處理；Thakur等人（2025）使用XGBoost對全球降水量和最高溫度進行了降尺度處理；Khosravi等人（2025）提出了一個集成機器學習框架，結合了隨機森林、XGBoost和LGBoost來降尺度中東流域的CMIP6變量。
盡管許多研究將EDT作為獨立的GCM偏差校正技術，但其主要缺點在于假設未來的氣候變量將表現出與歷史觀測相似的統計特性。從根本上說，EDT框架假設未來的氣候變量將具有與歷史觀測相似的統計特性（Mendoza Paz和Willems，2022）。在氣候變化的情況下，這種假設變得復雜，因為非平穩動態——包括降雨行為的變化、海表溫度的極端值以及水循環過程的改變——更為常見。因此，僅依賴EDT可能會導致對未來氣候變化和極端事件的偏差或低估。為了解決這個問題，可以將EDT與機器學習模型（尤其是基于樹的模型）結合使用，后者非常適合學習氣候數據集中的復雜非線性依賴關系。結合EDT和ML的方法整合了觀測記錄和模型模擬的見解，從而提高了未來氣候預測的適應性和可靠性，這對于影響評估和氣候適應策略至關重要。因此，本研究追求以下目標：
- 開發一種基于氣候變化情景的混合模型來降尺度海表鹽度，以改進未來預測。
- 對過去趨勢及其背后的影響過程進行全面評估，特別關注研究較少的阿曼沿海地區。
- 深入分析季節性和年際時間尺度上的變化，以更好地闡明局部海洋動力學。
材料與方法
本研究采用的方法主要分為兩個部分：歷史條件的考察和未來變化的預測。歷史部分重點關注關鍵變量（包括SSS）的空間分布，以及主要影響因素，如降水、海平面壓力、風速、表面潛熱和顯熱通量，以及凈太陽輻射和熱輻射。還分析了SSS的年際和季節性波動。
歷史線性趨勢
阿曼北部海岸顯示出鹽度上升、溫度升高以及海洋向大氣傳遞的熱量增加的統一趨勢。如圖3a所示，海洋最北部地區和Batinah海岸的海表鹽度（SSS）趨勢為正，增幅為每十年0.09 PSU，表明鹽度可能因較高的蒸發率或較低的淡水流入而增加。相應地，圖3b顯示了北部海洋的顯著升溫趨勢。
討論
本研究首先通過分析歷史和預測數據集，展示了阿曼海岸的SSS變化，重點關注空間模式和時間趨勢。我們采用了一種數據驅動的混合方法，結合機器學習模型和物理洞察來改進未來SSS模式的預測，并提供了在不同氣候條件下的沿海鹽度動態研究的綜合工具。鑒于阿曼大部分海岸線經歷了淡化現象，
結論
本研究全面調查了阿曼海岸SSS的變化性、趨勢和可預測性，對區域監測和氣候適應策略具有啟示意義。結果表明，SSS的空間分布具有選擇性：北部海岸顯示出強烈的下降趨勢，而中部和南部地區則表現出中等程度的變化和周期性波動。此外，混合機器學習模型的應用提供了可靠的結果。
未引用參考文獻
Alamgir等人，2025；Bordbar等人，2023；Chen和Guestrin，2016；de Verneil等人，2022；Dossa等人，2021；Kim等人，2023；Li和Li，2025；Menezes，2019；Rampal等人，2024；Reul等人，2020；Sammartino等人，2021；Sharma等人，2020；Zubier和Lina，2020。
利益沖突聲明
作者聲明他們沒有已知的競爭性財務利益或個人關系可能影響本文報告的工作。
