4. 声速剖面建模方法概述

海洋声速剖面（Sound Speed Profile, SSP）是水声传播计算的核心输入。实测手段——温盐深仪（CTD）、声速剖面仪（SVP）、抛弃式温深仪（XBT）——只能给出离散深度点上的声速值，且采样间隔、深度覆盖、测量误差各不相同。而射线追踪、抛物方程、简正波等传播模型通常需要任意深度上的连续声速值。因此，声速剖面建模的本质，是把有限、含噪、非均匀的实测样本，转换为物理合理、可微、可积的连续函数 c(z)。本节按“插值—拟合—正交基函数—机器学习”四条技术路线展开，重点说明各自的输入假设、实现方式与适用边界。

一、插值：忠实穿过每一个实测点

插值要求构造的函数严格通过所有样本点，适合样本密度较高、测量可信的场合。最基础的是线性插值：在相邻深度 z_i、z_i+1 之间按比例连接，实现简单、无过冲，但一阶导数不连续，在跃层处会人为制造“折角”，射线追踪时可能产生虚假焦散。分段三次 Hermite 插值（PCHIP）在保持单调性的同时获得连续一阶导，是工程上较稳妥的默认选择。若样本稀疏且剖面光滑，三次样条（自然样条或夹持样条）能给出二阶连续的结果，但需警惕跃层附近的过冲振荡。

一个实用的实现细节是：先对深度做归一化再插值。例如把 0～5000 m 映射到 [0,1]，可显著改善高阶插值矩阵的条件数。下面给出用 PCHIP 构建剖面的示例（示例数据为合理假设，非实测）：

import numpy as np
from scipy.interpolate import PchipInterpolator

# 示例：稀疏实测样本（深度 m，声速 m/s）
z = np.array([0, 50, 120, 300, 800, 1500, 3000])
c = np.array([1531.0, 1528.5, 1522.0, 1512.5, 1500.8, 1495.2, 1502.6])

f = PchipInterpolator(z, c)
zq = np.linspace(0, 3000, 601)
c_cont = f(zq)          # 连续剖面
dc_dz = f.derivative()(zq)   # 声速梯度，供射线方程使用

判断插值是否合理，不能只看曲线是否“好看”，应检查两个量：一是声速梯度 dc/dz 是否出现物理上不合理的极值（深海典型值在 ±0.02 s⁻¹ 量级，跃层可更大）；二是插值结果在样本点之间的极值是否超出相邻样本的取值范围（过冲检测）。

二、拟合：用低阶模型压制噪声

当实测点含随机误差、或需要外推到未采样深度时，应放弃“穿过每点”的约束，改用最小二乘拟合。常用模型包括分段线性拟合、多项式拟合和以物理分层为依据的分段函数。例如把剖面分为混合层、主跃层、深海等温层三段，每段用低阶多项式或指数型函数描述，段间施加函数值与一阶导连续约束。拟合的代价是引入模型偏差，因此必须用残差分析检验：若残差呈现系统性弯曲而非随机散布，说明模型阶次或分段位置不当。

三、正交基函数：把剖面压缩成少量系数

正交基展开把 c(z) 表示为若干基函数的线性组合，系数即剖面的“特征向量”。经验正交函数（EOF）是最常用的方法：对一批历史剖面做距平处理，构造协方差矩阵并特征分解，前几个模态通常能解释 90% 以上的方差——第一模态近似平均剖面，第二、三模态刻画跃层强弱与位置变化。建模时只需估计少数几个系数，即可重建连续剖面，特别适合需要大量剖面样本的蒙特卡洛传播计算。

实现流程为：① 将各剖面重采样到统一深度网格；② 减去集合平均得到距平矩阵；③ 对距平矩阵做 SVD 得到模态；④ 对新观测投影求系数 a_k = ⟨c′, φ_k⟩；⑤ 用前 K 个模态重建。需注意，EOF 模态依赖训练集，跨海区直接套用会引入系统偏差，应重新训练或至少做区域校正。

四、机器学习方法：学习非线性映射

机器学习把剖面建模视为回归问题：输入可以是卫星海表温度、海面高度、经纬度、季节等易获取参数，输出是整条剖面或若干标准层声速。常用模型有随机森林、梯度提升树、BP 神经网络和近年的一维卷积网络、U-Net 类结构。其优势在于能捕捉温盐关系中的非线性，适合历史剖面库较丰富、但现场实测稀缺的区域。

工程上必须守住三条底线：一是按时间或空间分块划分训练/验证集，不能随机打乱，否则会因剖面自相关而高估精度；二是输出层要加物理约束，例如限制梯度范围、保证深海段单调趋势；三是保留一个独立测试航次的剖面做最终评估，报告 RMSE 与最大偏差，而非仅报平均误差。

五、方法选择与组合使用

四条路线并非互斥。工程上常见的组合是：先用 EOF 对历史剖面做降维，得到统计意义上的“先验剖面”；再用当前航次的少量实测点通过最优插值或卡尔曼滤波更新系数，得到兼顾统计规律与现场观测的剖面；最后用 PCHIP 把重建结果插到传播模型所需的细网格上。这种“统计先验 + 现场约束 + 保形插值”的链条，既避免了纯插值对稀疏样本的过度信任，也避免了纯机器学习对训练集的过度依赖。

无论采用哪种方法，交付前都应做同一组基本校验：在若干未参与建模的深度点上计算重建误差；检查 dc/dz 是否落在该海区的合理范围；确认剖面在混合层、跃层、深海段的形态与已知水文特征一致。只有通过这三项检查的连续剖面，才适合送入后续的声传播计算。