基于能量加权机器学习的中层洋流验证与校准
《Ocean Modelling》:Validation and calibration of mid-depth ocean currents using energy-weighted machine learning
【字体:
大
中
小
】
时间:2026年09月23日
来源:Ocean Modelling 3.1
编辑推荐:
•经观测验证的中层洋流表现出显著的低估。
•提出的机器学习框架减少了中层洋流的偏差。
•重建的洋流改善了对主要洋流系统的表征。
引言
位于表层和深层之间的中层海洋通过输送有机物质和重新分配海洋热/盐影响地球气候系统 (Hu 等,2020; Lavender 等,2000)。全
•经观测验证的中层洋流表现出显著的低估。
•提出的机器学习框架减少了中层洋流的偏差。
•重建的洋流改善了对主要洋流系统的表征。
引言
位于表层和深层之间的中层海洋通过输送有机物质和重新分配海洋热/盐影响地球气候系统 (Hu 等,2020; Lavender 等,2000)。全球碳循环涉及从大气吸收并进入深层海洋的二氧化碳和热量的大量中层通量,时间尺度可达数千年 (Hu 等,2020)。中层洋流的变化是气候变化对全球翻转环流和海平面上升影响的关键指标 (Rousselet 等,2021; Warren 和 Wunsch,1990)。当与海水性质的非线性耦合时,这些变化对地球气候和海冰动力学产生深远影响 (Ford 等,2022; Roquet 等,2022)。因此,精确的模拟是必要的,特别是因为环流变化可能会在未来气候变化中引发灾难性的状态转变 (Ford 等,2022)。
先前的研究表明,Argo 与海洋模型模拟的中层洋流之间存在广泛差异 (Su 等,2023),这可能也会错误表征高能次表层区域中微弱但高度显著的垂直输送率,这些输送率可能因与强得多的同位水平洋流的数据同化而被掩盖 (Wunsch 和 Ferrari,2004)。这导致了高度不确定但被广泛使用的以水平主导的热积累和长期海平面预测,因为海洋热膨胀系数变化了一个数量级。此外,涉及更强耦合垂直运动和减弱经向梯度的未来海洋状态转变,可能无法模拟或无法达到所需精度地进行模拟 (Ford 等,2022)。因此,了解中层海洋的机制和过程对于澄清难以观测的内部环流过程及其对气候变化的影响至关重要且紧迫。
目前,海洋一般环流模型 (OGCMs) 和再分析模型提供了理解中层海洋环流的主要信息。OGCMs 通过数值求解离散化的海洋运动控制方程,并结合参数化的未解析过程,来模拟和预测随时间变化的全球海洋状态 (Fox-Kemper 等,2019; Griffies 等,2009)。在过去二十年中,一些杰出的里程碑式 OGCMs 被推出,例如 MIT 一般环流模型 (Marshall 等,1997) (MITgcm)、HYbrid 坐标海洋模型 (HYCOM)、地球模拟器海洋一般环流模型 (Masumoto 等,2004) (OFES)、欧洲海洋模拟核心 (Madec 等,2017) (NEMO)。一些海洋状态估计和再分析产品,如 ECCO2 (海洋环流与气候估算)、GLORYS12 (全球海洋再分析与模拟)、CAS-LICOM3 (气候系统海洋模型第 3 版),结合了海洋一般环流模型的估计并通过统计数据同化融入原位观测 (Balmaseda 等,2013; Carton 等,2018; Jean-Michel 等,2021; Zuo 等,2015)。
模型中层洋流中的重要不确定性源于对高能环流特征的不完美表征,包括射流、中尺度涡旋和次中尺度结构 (Fox-Kemper 等,2019; Griffies 等,2009)。中尺度涡旋和涡旋动能变率在许多地球系统模型中仍表征不足 (Beech 等,2022),这种偏差会影响海洋平均状态及相关气候评估的估计 (Hewitt 等,2020)。数据同化和模型调整可以减少这些误差,但它们通过不同的机制起作用:数据同化主要约束模型状态,而在某些系统中约束选定的控制变量 (Li 等,2020),而模型调整修改更广泛的物理或数值参数和闭合方案 (Menemenlis 等,2005)。因此,它们是互补的,而不是可互换的。由于这两种方法仍受限于模型分辨率、参数化以及未解析高能过程的表征,仍然需要针对观测进行独立验证,以识别中层速度估计中残留的、依赖于状态的偏差。这一点与 Wunsch 和 Ferrari (2004) 的警告一致,他们指出雷诺似模型平均和视觉上真实的环流场可能会掩盖能量和混合中的误差,特别是在静止内部区域和高能边界或射流过程被表征于同一平均框架内时。
在 21 世纪之前,全球尺度的系统性原位中层速度观测非常稀疏。于 1999 年启动的 Argo 以及国际合作在过去二十年里通过 4,000 个浮标提供了全球覆盖,提供了上层 2000 米温度、盐度的 200 万个剖面,以及绝对中层海洋速度的间接测量 (Ollitrault 和 Colin de Verdière,2014)。Argo 观测提供了调查中层海洋 (约 1000 米深度) 环流和涡旋输送时空模式从区域到全球尺度,以及从季节到十年尺度模式的绝佳机会 (Claustre 等,2020; Colin de Verdière 和 Ollitrault,2016; Gray 和 Riser,2014; Johnson 等,2022; Katsumata,2016; Riser 等,2016; Wong 等,2020)。通过结合使用 Argo、卫星测高、温度和盐度剖面,可以估计洋流速度场的新方法 (Gille 等,2012; Willis,2010; Willis 和 Fu,2008)。Argo 数据揭示了热带和亚热带太平洋洋近 1000 米深度处的主要环流模式 (Gille 等,2012; Zanowski 等,2019)、南大洋的多十年环流变化及涡旋热通量 (Chapman 和 Sallée,2017; Roemmich 等,2016)、北大西洋的经向翻转环流 (Hernández-Guerra 等,2010)、拉布拉多海的水平及翻转环流 (Holte 和 Straneo,2017)、日本/东海的平均环流及涡旋变率 (Park 和 Kim,2013)。
集合机器学习 (EML) 海洋动力学方法因其在数据中选择性捕获潜在统计结构和模式的稳健能力而日益流行 (Sonnewald 等,2021)。EML 并不是取代数据同化,而是提供了一种互补的数据驱动框架,用于诊断和重建依赖流的变率。在标准数据同化假设下,观测和模型先验通过使用规定或估计的误差统计量相结合,产生动力学约束的分析海洋状态 (Carrassi 等,2018)。EML 方法对流场的估计和校准可以改善重建的表面洋流、波浪和潮汐流 (Buongiorno Nardelli 等,2022; O'Donncha 等,2019; Sarkar 等,2018),预测来自表面卫星测高数据的次表层流场 (Bolton 和 Zanna,2019; Chapman 和 Charantonis,2017),参数化未解析的湍流过程,协助探索性分析以改善物理理解 (Bolton 和 Zanna,2019; Liang 等,2022; Sinha 和 Abernathey,2021; Zanna 和 Bolton,2020),并增强表面拉格朗日动力学模型 (Aksamit 等,2020)。
受 Wunsch 和 Ferrari (2004) 关于高能偏差可能在视觉上真实的模型场中被掩盖的警告启发,以及 Su 等人 (2023) 报道的广泛中层洋流低估的实证证据,我们使用 Argo 推导的速度作为观测参考,评估 1000 米附近的 ECCO2 和 OFES 洋流估计。然后我们检验机器学习修正是否在统计上将模型推导的速度估计调整向 Argo 推导的观测,以及这种修正是否能通过识别不同流状态下的残留偏差来补充同化或动力学约束产品。据我们所知,很少有研究以这种方式使用 Argo 推导的速度观测来定量评估和校准全球中层海洋环流估计。
章节片段
数据
本研究中使用的数据集列在表 1 中并详细说明。从 Argo 位移推断的观测速度被视为洋流速度的观测参考,ECCO2 和 OFES 为主要自变量。正纬向速度 (U) 为自西向东,而正经向速度 (V) 为自南向北(反之亦然)。
材料与方法
本研究旨在通过整合多源数值模拟和观测数据来校准和重建高精度的中层海洋环流场。整体工作流程如图 1 所示,包括三个主要步骤:(1) Argo 浮标观测的质量控制和时空匹配。(2) 开发结合能量加权和概率修正的两阶段机器学习框架。(3) 重建速度的多维验证。
海洋模型和再分析速度的评估
两个广泛使用的产品 (ECCO2 和 OFES) 与 Argo 观测之间的洋流速度验证如图 2 所示。这些比较为后续的校准步骤提供了基线背景。对于纬向速度,ECCO2/OFES 的相关性 (R) 为 0.39/0.38,分别解释了 15.4%/14.6% 的方差。对于经向速度,相关性为 0.18/0.19,分别解释了 3.4%/3.6% 的方差。对应的 RMSE 值对于纬向速度为 4.21/3.98 cm/s。
讨论与结论
我们验证了 OGCM 和再分析洋流速度,并探索了针对稀疏 Argo 观测的能量加权机器学习校准方法。我们还在月尺度上校准和重建了 1000 米深度附近的中层海洋洋流。提出的校准模型解释了大部分残留方差 (67.2% 和 71.8%)。
代码和数据可用性
ANDRO (Argo 新位移 Rannou 和 Ollitrault) 位移可在线获取 (https://www.seanoe.org/data/00360/47077) 在海洋科学数据平台 SEANOE (SEA scieNtific Open data Edition) 上。ECCO2 输出可在线获取 (https://www.ecco-group.org/)。OFES 输出可在线获取 (http://apdrc.soest.hawaii.edu/erddap/griddap/hawaii_soest_b0d2_0156_7195.html)。
未引用参考文献
Wilkin 等,2022
CRediT 作者贡献声明
Rong Fan:写作 – 审阅与编辑,写作 – 原始草稿,软件,方法论,形式分析,数据管理,概念化。Fenzhen Su:监督,项目管理,资金获取,概念化。Vincent Lyne:写作 – 审阅与编辑。Bin He:可视化,验证,调查。Fengqin Yan:项目管理,资金获取。
利益冲突声明
作者声明以下财务利益/个人关系,这可能被视为潜在的利益冲突:
Fenzhen Su 报告说获得了中国国家自然科学基金的财务支持。
Vincent Lyne 报告说获得了中国科学院的财务支持。
Fengqin Yan 报告说获得了中国科学院的财务支持。
报告了一种关系,其中包括:。有专利申请待定。如果有其他作者,他们 致谢
我们非常感谢所有参与本研究报告数据准备、处理和分析的人员。我们衷心感谢国际 Argo 计划的所有参与者,他们在数据收集、编目和提供方面的卓越工作。本工作得到中国国家自然科学基金 (批准号 41421001)、中国科学院院长国际杰出青年计划 (批准号 2020VEA0009) 和中国博士后科学基金面上资助的资助。
Rong Fan|Fenzhen Su|Vincent Lyne|Bin He|Fengqin Yan
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号