海表高度异常（SLA）的精确预测对于理解海洋动力过程和气候变化至关重要。然而，纯数据驱动的神经网络往往会违反物理定律，从而限制其鲁棒性和泛化能力。本文提出了一种具有硬约束的神经网络，通过在网络结构中引入一个专门的层来强制实现体积守恒，从而在构建上确保该约束被严格满足。我们在理想化的浅水模型以及全球海平面异常预测任务中对该方法进行了评估。结果表明，体积守恒网络在性能上系统性优于无约束模型，误差最多可降低25%；在观测更稀疏和预测时效更长的情况下，改进效果更加显著，同时始终严格满足所施加的约束。此外，该方法的误差也低于后处理方法，突显了在训练过程中强制物理一致性优于事后对输出进行修正的优势。我们的结果表明，将硬性物理约束作为网络层嵌入模型，是提升数据驱动地球物理预测中预测精度和物理一致性的一种有效策略。

海表高度预测,人工智能,物理约束