黑潮延伸体表层涡旋水平混合的估计和机器学习预测
海洋涡旋能够搅动和混合关键示踪剂，进而影响水团性质并调节区域性气候变化。目前气候模式不能完全分辨从次中尺度到中尺度的所有海洋涡旋，在粗分辨率模式中使用“涡旋扩散系数”将涡旋混合效应参数化。以往研究常基于混合动力学理论进行涡旋参数化，而本研究创新性地应用数据驱动机器学习方法来表征和预测涡旋混合及其非局地性。 本研究聚焦于两个关键科学问题。第一，评估和预测涡旋扩散系数季节变化，这有助于阐明涡旋混合控制机制，改进涵盖季节变化的涡旋参数化方案。第二，估计和预测基于高分辨率模式数据的混合非局地性。尽管涡旋参数化方案通常基于局地假设，但已有研究通过动力学理论和正压理想模型证明了涡旋混合本质上具有非局地性，故本研究进一步使用MITgcmllc4320模式数据探索相对真实背景下的混合非局地性。 黑潮延伸体区域涡旋富集，本研究利用拉格朗日粒子法诊断了该区域表层涡旋混合的季节变化，并评估了机器学习、抑制混合长度理论和多元线性回归方法预测跨流混合长度的准确性。本研究还通过构建混合非局地椭圆诊断该区域混合非局地性，并采用尺度方法、拟合函数和随机森林预测混合非局地性。 本研究发现，相比抑制混合长度理论和多元线性回归方法，随机森林和卷积神经网络能更好地表征跨流混合长度。本研究证实了黑潮延伸体区域处处存在一定程度混合非局地性。相比尺度方法和拟合函数，随机森林能更好地预测混合非局地性。本研究证明了利用机器学习改进涡旋参数化方案的可行性，并揭示了两种改进方法：考虑涡旋混合非局地性影响和在粗分辨率模式中使用季节依赖性涡旋扩散系数。
黑潮延伸体;表层涡旋;混合非局地性;机器学习;随机森林;卷积神经网络
天津大学
硕士
海洋科学
陈儒
2022
中文
TP181;P731.27
2023-08-29（万方平台首次上网日期，不代表论文的发表时间）