《中国科学院海洋研究所提出中层水团识别新方法并指明气候模式偏差》

  • 来源专题:中国科学院文献情报系统—海洋科技情报网
  • 编译者: 熊萍
  • 发布时间:2024-11-26
  • 近日,中国科学院海洋研究所王凡团队在印度洋中层水团的研究中取得新进展,提出在位势涩度-位势密度坐标下以体积极小值识别水团边界的新方法并评估了气候模式,指出当前气候模式对水团性质和露头区模拟的普遍偏差及其成因,对改进气候模式、提高气候预测水平具有参考价值。相关成果在国际学术期刊Journal of Climate发表。

    水团作为人类活动影响海洋内部的载体,其性质的变化体现了海洋对气候变化的热力学响应。准确划分不同水团的三维结构,对理解气候变化背景下水体的性质变化、海洋动力过程及生态系统具有重要意义。然而,无论是在观测还是气候模式中,准确划分海洋水团依然具有挑战性。

    本研究中,团队基于观测数据,通过统计位势涩度-位势密度坐标下印度洋中层水体(位势密度范围为27.1-27.4 kg m?3)的体积分布,创新性地利用体积极小值追踪水团的边界。除已知的南极中层水(AAIW)和红海-波斯湾中层水(RS-PGIW)外,本文还通过新方法识别出另外两个水团。其一是印度洋-南极中层水(I-AAIW),它是南极中层水与印尼贯穿流混合的结果,分布在南赤道流和厄加勒斯流流系中;另一个水团是赤道印度洋中层水(EEIW),它存在于印度洋赤道地区和孟加拉湾,来源于红海-波斯湾中层水和上层淡水。

    团队进一步将新方法应用到气候模式中,结果显示,不同的模式表现各异。在耦合模式比较计划第六阶段(CMIP6)的51个模式中,约有一半(26个)能够合理模拟这些中层水团。与观测的水团相比,模式存在两个明显偏差:中层水团厚度较小,红海-波斯湾中层水偏冷偏淡。前者主要来源于温跃层的暖偏差,而后者可能与模式较粗的网格分辨率和表层冷偏差导致的红海和波斯湾通风不足有关。

    上述研究提出了准确划分水团边界的新方法,并解释了模式模拟偏差的主要成因,为改进气候模式提供参考价值。论文第一作者为海洋所博士研究生周吉浩,通讯作者为海洋所李元龙研究员,合作作者包括中国科学院南海海洋研究所杜岩研究员和洪宇副研究员、厦门大学王为磊教授以及中国科学院海洋研究所博士研究生卢磊、路颖和王凡研究员。该研究得到了中国科学院先导专项、国家自然科学基金、山东省自然科学基金、广东省基础与应用基础研究基金等项目资助。

    论文信息:

    Zhou, J., Y. Li*, Y. Du, Y. Hong, L. Lu, Y. Lu, W. Wang, and F. Wang, 2024: Indian Ocean Intermediate Water Masses and Their Simulations by CMIP6 Models.?J. Climate,?37, 6285–6303,?https://doi.org/10.1175/JCLI-D-23-0667.1.

  • 原文来源:https://qdio.cas.cn/2019Ver/News/kyjz/202411/t20241114_7439541.html
相关报告
  • 《中国科学院海洋研究所研究团队提出深度学习求解偏微分方程新方法》

    • 来源专题:中国科学院文献情报系统—海洋科技情报网
    • 编译者:熊萍
    • 发布时间:2025-01-12
    • 近日,中国科学院海洋研究所李晓峰研究团队基于深度学习技术,提出了一种高效求解海洋动力学偏微分方程(PDE)的新方法,并成功应用于描述海洋内孤立波的KdV方程组求解。 本研究改进了物理信息神经网络(PINN),引入径向基函数(RBF)代替传统神经网络,提出了PIRBF模型。针对孤立波的强非线性特性,研究团队设计了渐进式学习策略,有效抑制了训练中的误差增长,大幅提升了模型精度和收敛效率,可精准模拟多种形式的孤立波解,包括孤立波解、conidal解和dinodal解,为海洋动力学PDE的高效求解提供了新思路。 该研究的核心亮点在于模型通过自监督学习,仅依赖PDE及初始条件,无需传统数值模型结果作为训练基准,直接利用深度学习技术求解。该方法在求解KdV及其强迫方程(如fKdV方程)时更加灵活,仅需调整偏微分项即可,展现出卓越的精度与效率。同样方法适用于求解薛定谔和Burgers等复杂PDE。模型训练完成后,可在数秒内生成高精度结果,大幅缩短计算时间。研究团队表示,这一技术的成功应用展现了物理驱动深度学习在海洋动力学PDE求解中的广阔前景。 本论文第一作者为李晓峰研究员,第二、第三作者为博士研究生王浩宇和杨艺,通信作者为张旭东副研究员。研究工作得到了中国科学院战略重点研究计划及国家自然科学基金项目等资助。 论文信息: X. Li,H. Wang,Y. Yang,X. Zhang,Deep Learning-Based Solution for the KdV-family Governing Equations of Ocean Internal Waves. Ocean Modelling,102493 (2024).
  • 《中国科学院南海海洋研究所周生启研究员团队提出一种确定海洋混合层厚度的新方法》

    • 来源专题:中国科学院文献情报系统—海洋科技情报网
    • 编译者:liguiju
    • 发布时间:2018-04-03
    • 近日,中国科学院南海所周生启研究员、黄鹏起硕士生和鲁远征博士一起提出一种识别海洋上混合层厚度的新方法。该方法不依赖于特定的温度或密度阈值,能更客观地确定海洋混合层的深度。相关成果发表在国际期刊Journal of Atmospheric and Oceanic Technology,https://journals.ametsoc.org/doi/abs/10.1175/JTECH-D-17-0104.1。   在他们的工作中,利用温度(密度)廓线的信号涨落与变化幅值的比值作为分析变量,通过最小值处的深度判断混合层厚度。此方法稳定性较强,即使数据的噪声水平达到5%的量级仍可准确确定混合层厚度。对全球环流实验(WOCE)数据,采用此方法与传统的阈值方法(差值、差值插值、梯度、混合方法)和客观方法(曲率与最大角度法)同时来确定混合层厚度。对比表明此方法优于其它方法,例如:此方法可在95%的廓线中找到可信的混合层厚度,而其它方法最多只能在86%廓线中找到可信的混合层厚度。另外,此方法在温度和密度廓线中确定的混合层厚度非常接近,因此,在密度信息未知的数据中,通过温度廓线也可获得可靠的混合层厚度。   混合层厚度是研究海洋上层动力过程、海气相互作用以及生态环境的基本物理量。此方法能够更客观、更合理地确定海洋混合层厚度,有助于人们更精细地研究上层海洋参与的动力、热力和生化过程。 此方法与前人所用的6种方法识别海洋混合层的结果对比图,点圈线为位温廓线,灰色线为质量因子廓线(QI),Rel Var为此方法,其它为前人的方法。四个观测位置来自大西洋的WOCE观测数据的A05断面,分别为:(a) 24.58ºN, 56.78ºW, (b) 24.58ºN, 53.98ºW, (c) 27.38ºN, 79.28ºW, (d) 24.58ºN, 60.48ºW