该文档属于类型a，即报告了一项原创性研究。以下是针对该研究的学术报告：
该研究由来自韩国全南大学（Chonnam National University）的Yoo-Geun Ham、Yong-Sik Joo、Jeong-Hwan Kim、Kang-Min Kim和Jeong-Gil Lee共同完成。该研究于2022年10月11日以预印本形式发布，并于2024年7月22日正式发表在《Nature Machine Intelligence》期刊上。
该研究的主要科学领域是海洋数据同化（Data Assimilation, DA）。海洋数据同化系统通过将稀疏的观测数据插值到规则网格上，结合数值模型中的物理知识，生成全球海洋气候变率的完整估计。这些数据不仅有助于理解过去几十年的天气和气候，还为数值天气预报和气候预测提供了初始条件。然而，传统的高分辨率数值模型和复杂参数化方法需要大量的计算资源，限制了先进数据同化技术的广泛应用。近年来，深度学习技术在数据同化领域显示出潜力，但其在处理稀疏观测数据方面尚未优化。因此，本研究旨在开发一种基于深度学习的全球海洋数据同化系统——DeepDA，通过结合部分卷积神经网络（Partial Convolutional Neural Network）和生成对抗网络（Generative Adversarial Network, GAN），降低获取全球海洋再分析数据集的技术壁垒，并减少系统不确定性。
DeepDA系统由生成器和判别器组成，生成器采用U-Net架构，输入包括背景状态和观测数据。背景状态通过三维卷积处理，观测数据则通过三维部分卷积处理。生成器通过下采样和上采样过程生成再分析场，判别器则通过全卷积结构评估再分析场的真实性和相似性。损失函数包括生成器的对抗损失和L2损失，判别器的对抗损失。
研究使用CESM2（Community Earth System Model, version 2）的大集合历史模拟数据作为训练数据集，时间段为1892年至1932年，共2993个样本。验证数据集为1933年至1973年的数据，测试数据集为1974年至2014年的数据。观测数据来自HadIOD（Met Office Hadley Centre Integrated Ocean Database）和OISST（Optimum Interpolation Sea Surface Temperature）等。
研究首先通过观测系统模拟实验（OSSEs）测试DeepDA系统的性能。实验定义了1974年至2014年的真实海洋状态，并通过在真实状态上添加随机误差生成观测数据。实验结果表明，DeepDA生成的三维温度分析误差显著低于背景值和观测值。随后，研究将1980年至2020年的真实观测数据同化到DeepDA系统中，生成全球海洋再分析数据。结果表明，DeepDA再分析数据在全球范围内显著优于其他再分析产品。
研究通过均方根误差（RMSE）和模式相关性等指标评估DeepDA系统的性能。结果表明，DeepDA在大多数海洋盆地的垂直层次上均表现出最小的RMSE，特别是在500米以上的深度。此外，DeepDA成功重建了全球气候场、季节周期和主要海洋温度变率，展示了其在全球海洋再分析中的优越性。
DeepDA系统通过结合部分卷积神经网络和生成对抗网络，成功降低了获取全球海洋再分析数据集的技术壁垒，并减少了系统不确定性。该系统的成功不仅为全球海洋再分析提供了新的工具，还为数值天气预报和气候预测的初始条件生成提供了新的思路。此外，DeepDA的成功应用为其他模型组评估其数值模型的预测能力提供了便利，有助于减少模型系统不确定性，提高预测质量。
研究还详细介绍了DeepDA系统的训练和测试流程，包括数据预处理、模型训练和验证方法。此外，研究还提供了DeepDA系统的代码和数据集下载链接，为其他研究者提供了便利。