一种海洋混合层深度的智能识别方法研究

文章提出了一种识别混合层深度的人工智能方法。该方法在温度(密度)与压强(或深度)间建立线性模型, 并且将其系数和方差做成一组表征廓线特征的统计量。初始时为模型设定一个主观的先验分布, 在一个自海表向下移动的窗口内通过贝叶斯链式法则和最小描述长度原理学习新数据, 得到系数均值的最大后验概率估计。用F-检验识别系数发生突变的位置, 以此确定混合层的存在性及其深度。通过2017年2月太平洋海域的地转海洋学实时观测阵(Array for Real-time Geostrophic Oceanography, ARGO)数据进行测试, 并且以质量因子(Quality Index, QI)值作为判断识别混合层深度结果准确性的依据, 发现该方法相比于梯度法、阈值法、混合法、相对变化法、最大角度法和最优线性插值法在识别结果上具备更大的QI值。表明该方法能够准确识别混合层深度。     

南海北部台风和中尺度暖涡对近惯性振荡的影响

基于2014年8-9月南海北部东沙群岛附近海域两个临近站位(站位A,20.736°N,117.745°E,水深1 249 m;站位B,20.835°N,117.56°E,水深848 m)的潜标数据,研究了台风过境所激发的近惯性振荡的特征,分析了中尺度暖涡对近惯性频率的调制及其对近惯性动能分布和传播的影响。站位A(B)142(175) m以浅,近惯性频率由0.710 1(0.713 3)周/d红移至0.659 2周/d,频率减小了7.2%(7.6%),观测结果与两个站位所处的背景涡度相吻合。中尺度暖涡改变了水体层结状态,两个站位的近惯性动能在不同层结中被改变了0.5~3倍。水体层结对能量的折射作用使得站位B的近惯性动能在深度158~223 m之间衰减较少,而站位A的近惯性动能则随着深度的增加快速减小。站位A和站位B近惯性内波的垂向群速度分别约为15.2 m/d和14.1 m/d。如果忽略近惯性动能的水平辐散,近惯性内波的垂向传播分别造成了两个站位垂向上约47%和38%的近惯性动能衰减。