全文下载排行

随着海洋观测数据和数值模式产品的爆发式增长,人工智能方法在海洋学研究中展现出巨大的潜能。该文首先回顾了海洋大数据科学的发展历程,并详细介绍了人工智能在海洋现象识别、海洋要素与现象预报、海洋动力参数估算、海洋预报误差订正和海洋动力方程求解中的研究现状。具体地,阐述了海洋涡旋、海洋内波和海冰等海洋现象的智能识别研究,海面温度、厄尔尼诺-南方涛动、风暴潮、海浪和海流的智能预测研究,数值模式中海洋湍流过程参数化方案的智能估算研究以及海浪、海流等海洋现象预报误差的智能订正研究。此外,还讨论了物理机制融合和傅里叶神经算子在海洋运动方程智能求解中的研究进展。该文立足于当前人工智能海洋学的发展现状,旨在全面展示人工智能技术在海洋学领域的优势和潜力,并聚焦于海洋数字孪生和人工智能大模型两个新兴的研究热点,展望未来人工智能海洋学的发展方向,为海洋学者提供启示和参考。

印度洋偶极子(Indian Ocean Dipole,IOD)是影响区域及全球气候变化的关键气候现象。准确预测IOD对于理解全球气候至关重要,但传统方法在捕捉其复杂性和非线性方面的局限限制了预测能力。该文首先概述了IOD的相关理论,并评估了传统预测方法的优缺点。然后,综合分析了深度学习在IOD预测领域的应用和发展,特别强调了深度学习模型在自动特征提取、非线性关系建模和大数据处理方面相较于传统方法的优势。与此同时,该文还讨论了深度学习模型在IOD预测中所面临的挑战,包括数据稀缺、过拟合以及模型可解释性等问题,并提出了未来研究的方向,旨在推动深度学习技术在气候预测领域的创新与进步。

深海橄榄岩在海底洋中脊、俯冲带和大陆边缘等构造环境中广泛分布,并普遍经历后期蚀变,其中蛇纹石化作用是最主要的蚀变类型。蛇纹石化是指橄榄岩中富镁铁矿物,如橄榄石和辉石,被蛇纹石、磁铁矿、水镁石等一系列次生矿物所取代的化学过程。蛇纹石化反应条件与热液循环、成矿物质迁移等具有密切的联系,对指示热液成矿作用具有重要意义。传统的岩石矿物学、地球化学方法在反映蛇纹石化条件时具有多解性和不确定性,不同矿物或不同化学指标可能指示不同的结果。氧同位素在自然界普遍存在,氧同位素示踪法具有适用范围广、容易比对、支持原位微区分析等优点,可以清晰地反映矿物或岩石-流体体系的反应条件和过程。该文主要综述了氧同位素测温法的原理、深海橄榄岩蛇纹石化过程、氧同位素测温法在深海橄榄岩蛇纹石化过程中的应用案例、蛇纹石氧同位素组成变化的影响因素以及氧同位素测温法的优势和局限性等问题,为后续更深入地了解深海橄榄岩蛇纹石化过程提供参考。

生物组织病理指标可用于评价海洋生物健康,但在应用中存在效率低、成本高、主观性强等缺陷。将人工智能技术引入生物组织病理分析,可以发挥其高通量的图像分析优势,突破其在海洋生物健康评价和监测中的应用限制。该文通过对海洋生物组织健康评价指标、人工智能技术的图像分析应用以及利用人工智能开展组织病理图像处理的文献调研,提出基于深度学习的海洋动物组织病理图像分析思路,并以海洋贻贝作为模式生物进行技术开发。经过对贻贝鳃组织病理影像数据的训练、验证和预测等过程,确定Res-UNet深度学习模型可对贻贝在典型环境污染物胁迫下的病理损伤进行高效、准确定量,构建了一种能够自动化、高通量和弱主观性地分析海洋贻贝组织病理影像的工作流程,为海洋生物健康评价、海洋监测提供新思路与新技术。

将Holland风场与ERA5风场相结合,通过引入一个随风速半径变化的权重系数,构建了混合风场,进而利用MIKE21 SW建立了浙江海域台风浪模型。使用Holland风场、ERA5风场、混合风场作为输入风场模拟1918号台风“米娜”期间的风速和有效波高,验证结果说明Holland风场和ERA5风场均无法准确反映真实风场和有效波高,而本文构建的混合风场弥补了两种风场的不足。为验证混合风场在浙江海域是否具有普适性,选取近5年影响浙江海域最为严重的5个典型台风进行台风浪数值模拟实验,并开展误差统计分析。结果表明:Holland风场在台风中心周围的风速模拟表现较好,最大风速的平均相对误差为8.62%~10.19%,但10 m/s以下风速的平均相对误差较大,为29.76%~44.29%;ERA5风场在台风中心周围的风速偏小,最大风速的平均相对误差为17.64%~25.77%,但10 m/s以下风速的平均相对误差比Holland风场小,为19.64%~32.00%。对5个台风的模拟中,由Holland风场、ERA5风场和混合风场驱动得到的台风浪有效波高平均相对误差的平均值分别为29.92%、25.62%和22.82%,均方根误差的平均值分别为0.46 m、0.42 m和0.39 m,一致性指数分别为0.94、0.95和0.96。上述结果说明本文构建的混合风场在浙江海域具有普适性,能够提高台风浪的模拟准确度。

海浪是海洋中最为重要的现象之一,快速准确的海浪预报对于保障海上生产、生活安全具有重要意义。该文回顾了海浪预报方法的发展历程,包括传统统计预报、数值模式预报以及目前快速发展的人工智能预报。基于人工智能的海浪预报模型表现出计算速度快、预报精度自适应优化等优势,已经开始从研究阶段逐步应用于实际海浪预报业务之中,但同时该方法也存在预报要素有限、极端海况预报值偏低以及预报泛化能力弱的局限。该文根据人工智能海浪预报的特点,提出了人工智能海浪预报目前亟需解决的观测数据高效利用、先验知识引入、人工智能模型安全性与泛化能力提升等关键科学技术问题。

该文基于美国国家浮标资料中心(National Data Buoy Center,NDBC) 浮标观测数据对哨兵一号搭载的合成孔径雷达(synthetic aperture radar,SAR) 反演风速数据进行精度分析,并利用BP神经网络 (back propagation neural network) 对SAR反演风速的偏差进行校正;同时针对环境要素、BP神经网络训练输入的样本量以及神经网络结构参数设计了敏感性试验;最后将SAR标量风场数据转换为用u、v矢量表示的风场数据,并对u向风和v向风分别进行了精度分析和校正。实验结果表明:SAR反演风速相较于浮标观测数据出现了低估现象;经过BP神经网络校正后,SAR反演风速数据的精度得到了改善,风速的平均偏差绝对值从0.78 m/s下降到0.04 m/s,均方根误差从1.98 m/s下降到了1.77 m/s;敏感性试验表明输入质量较差的环境要素数据时BP神经网络的校正效果有所下降,而增加训练集样本量能改善校正效果;将标量风场数据转换为u、v矢量风场数据后的校正结果也显示BP神经网络具有较好的校正效果。

海洋涡旋是一种常见的海洋现象,在全球海洋物质和能量的输运中起着重要作用。随着海洋研究技术手段的不断提升,各类海洋涡旋检测方法应运而生。传统涡旋检测方法应用广泛,但其过度依赖于专家经验设置阈值和持续的人工干预,存在检测误差较大、工作效率低以及全球普适性差等问题,难以适应复杂多变的海洋环境。当前人工智能快速发展,其在海洋涡旋智能检测中能够自动、快速地提取图像深层特征,有效解决海洋现象特征相似度高、几何差异大的问题。该文立足于当前海洋涡旋智能检测的发展现状,从编码器-解码器结构、全卷积神经网络、多尺度上下文方法和注意力机制等方面回顾了不同深度学习方法在海洋涡旋智能检测中的应用,以期为海洋涡旋研究提供一些启示和参考。

拖曳式海洋三分量磁力梯度仪能够同时获得地磁三分量和磁力梯度数据,与传统的拖曳式总场磁力仪相比具有降低船磁干扰和抵抗地磁日变影响等优点,也存在灵敏度误差、零点偏移误差、正交性误差和位置误差等校准处理的难点。在实际航次中用拖曳式海洋三分量磁力梯度仪实测得到一条剖面数据,经校准后与G880磁力仪重复线测量的地磁总场数据进行外符合精度评价,表明其具有较高的稳定性和可靠性。根据三分量磁力梯度数据计算得到其张量不变量以及磁边界走向图,并结合欧拉反褶积计算,对测线上的磁源体进行了有效识别和解释。结果显示拖曳式海洋三分量磁力梯度仪能够有效获得地磁总场、分量及梯度等多参量信息,可为海洋地磁场测量提供更有效的技术手段。

极深对流云是热带气旋(tropical cyclone,TC)快速增强的前兆,为预报西北太平洋TC快速增强,该研究开发了一种使用极深对流云相关数据的机器学习模型。该机器学习模型整合了飓风强度统计预报快速增强指数(Statistical Hurricane Intensity Prediction Scheme-Rapid Intensification Index, SHIPS-RII)数据与TC中心300 km半径范围内极深对流云的覆盖面积。基于2011—2019年的数据,对24 h内TC增强超过30 kn和35 kn的快速增强事件分别进行了预报,相较于仅使用SHIPS-RII数据的模型,该机器学习模型在皮尔斯技能得分(PSS)方面分别提升了5.66%和9.58%,在检测概率指标(POD)方面分别提升了8.41%和8.55%。用该模型对典型台风杜鹃(Dujuan,2015)进行预报,其结果证明整合了极深对流云覆盖面积的模型在快速增强预报中具有优势,主要体现在TC初始强度较强时发生的快速增强预报。该模型对于强台风的预报具有较大的应用潜力。

该文利用线性回归函数,根据卫星测高及中国沿海6个验潮站数据估算出1993—2020年中国沿海绝对海平面上升速率为4.17±1.32 mm/a,相对海平面上升速率为4.47±0.90 mm/a。将1958—2020年的大气数据、海洋数据及气候模态指数作为预报因子,建立了长短期记忆神经网络模型(LSTM模型)、循环神经网络模型(RNN模型)、门控循环单元神经网络模型(GRU模型)和支持向量机回归模型(SVR模型)等多种神经网络模型对中国沿海6个验潮站周边的相对海平面变化趋势进行预测。模型评估结果表明,同时引入大气变量、海洋变量及气候模态指数变量的LSTM模型取得的预测值与观测值的平均相关系数和均方根误差分别为0.866和19.279 mm,在4种模型中表现最佳,可以作为一种新型的预测相对海平面变化的方法。

基于多源观测数据,分析了台风右侧暖涡对2010年南海台风“鲇鱼”的响应,发现了意料之外的暖涡增强和海水下沉现象。台风“鲇鱼”过境期间,暖涡海面高度距平(SLA)最大值从30 cm增加至36 cm、半径从78 km增大至116 km、涡动能从166 m²/s²增加至303 m²/s²、振幅从3 cm增大至9 cm,台风右侧暖涡边缘的Argo站位处温跃层海水下沉20~40 m。为此,诊断分析了台风风应力旋度对暖涡的单独作用,结果显示暖涡及暖涡边缘的Argo站位处总体受正风应力旋度作用,正风应力旋度将使暖涡减弱、温跃层抬升,与观测到的暖涡增强和海水下沉结果不符。而基于实际海面流场的诊断分析表明,台风“鲇鱼”过境期间台风路径下方的海水辐散,路径右侧暖涡区域海水辐聚,暖涡SLA最大值、涡旋振幅均与辐聚强度呈正相关,Argo站位处海水下沉29 m,都与观测结果相符。个例分析研究表明,位于台风路径外围的中尺度涡对台风的响应不仅受风应力旋度的作用,还受海洋背景环境条件的调制,存在着需要深入研究的过程和机制。

海底地形具有非常重要的商业、工程、军事和科学研究价值。目前,常用重力场数据反演海底地形,如自由空气重力异常和垂直重力梯度。然而,由于现有方法反演海底地形具有较强的多解性,仍然无法准确获取高精度的海底地形。该文提出了重力-密度法与随机森林结合的数据-知识驱动新方法,以重建准确的海底地形。该方法在中国南海海域进行了测试,并与重力-密度法、随机森林以及现有的SIO模型进行了对比分析。反演结果显示,数据-知识驱动提供了更好的反演性能,随机森林和重力-密度法次之,SIO模型最差。相比于重力-密度法,数据-知识驱动的平均绝对误差、平均相对误差和均方根误差分别降低了21%、25%和7%;而相比于随机森林,它们分别也降低了20%、20%和20%。此外,数据-知识驱动模型与船载测深数据具有较高的一致性,其差值大约有72%分布在±10 m范围内,占比高于其他三种模型。该结果证明了数据-知识驱动方法在海底地形反演中的可行性和有效性,有助于加快高精度海底地形的绘制。

相较于半理论半分析和数值模型的波浪预报方法,智能波浪预报有着精度高、计算资源需求低的优势。该文基于卷积长短期记忆网络(convolutional long short-term memory network, ConvLSTM)算法,建立了有效波高(significant wave height, SWH)二维预报模型,以中国东南沿海2014—2022年ERA5数据进行训练,通过敏感性试验优化模型配置,并开展中国东南沿海SWH在2023年4个预报时效(6 h、12 h、18 h、24 h)下的预测性能评估。敏感性试验显示,输入时间序列长度N=4(即输入-18 h, -12 h, -6 h, 0 h的SWH值)时,模型在4个预报时效下的准确性均优于其他时间序列长度;输入物理要素组合为SWH、平均波向和海面10 m 风矢量时,模型在12 h、18 h和24 h预报时效下的准确性优于其他组合。通过对ConvLSTM模型训练及配置的精细调整,可以实现对中国东南沿海SWH的二维、高精度的智能预报。

通过对高、低潮位数据插值和NS_TIDE模型应用,分析西江感潮河段(马口—大横琴)的潮汐特征。对比三种插值方法发现,相对于三次样条插值法和线性插值法,Hermite插值法对逐时潮位的模拟效果最佳。潮位验证结果显示NS_TIDE模型总体误差较低,异常值主要是源自台风和洪水的影响。西江感潮河段平均水位和分潮振幅存在洪、枯季差异,上游受径流的影响大于潮汐,下游则相反;径流量和潮差增大,促进上游河段平均水位增高,对分潮振幅和迟角的影响在不同河段表现不同,主要与其所处空间位置和分潮自身频率有关。

基于海上移动平台GNSS动态精密单点定位技术(precise point positioning, PPP),对海洋上空可降水量(precipitable water vapor, PWV)探测的影响因素进行了研究,主要分析了采样间隔,卫星截止高度角,PPP解算方式(固定解或浮点解)以及有无北斗卫星系统组合对海洋PWV反演的影响。结果显示,采样间隔为30 s时,PWV反演的精度最高;可用卫星数较少的情况下,截止高度角设为5°~10°时,PWV反演精度更优,随着卫星截止高度角的增大,反演精度逐渐降低;定位解是否固定对PWV反演精度影响较小;在GPS/GLONASS系统组合的基础上,加入北斗卫星观测值,将提高观测的冗余度,有利于PWV反演精度的提高。

利用海上移动平台搭载GNSS接收机采集观测数据,开展全球卫星导航系统(Global Navigation Satellite System,GNSS)精密单点定位(precise point positioning,PPP)采样周期对验潮精度影响的研究。以30 s、60 s、90 s和120 s为周期抽取成四个数据集,用Trip软件进行动态处理,获取每个测量历元坐标,比较各采样周期下两台接收机潮位测量结果,以标准差作为精度评价指标。研究结果表明,采样周期越短,PPP验潮精度越高,当采样周期缩短至60 s后,变化不再明显;采样周期从120 s逐级递减至90 s、60 s和30 s,精度分别提升63.0%、60.4%和10.0%。另外,对比了BDS/GPS/GLONASS三系统组合和GPS/GLONASS双系统组合GNSS PPP在验潮精度上的差异,结果显示,在30 s、60 s、90 s、120 s采样周期下,三系统较双系统PPP在验潮精度上分别提升了88.9%、90.4%、78.7%和44.7%。

内孤立波一维理论模型已广泛应用在内孤立波的预警预报中,但一方面由于理论模型在计算波函数时高度依赖温、盐数据,需要搭载全水深温、盐观测仪器,经济成本较高;另一方面,理论模型对复杂流场环境的预警预报误差较大,如计算的内孤立波的非线性相速度以及波函数的准确度偏低。本文提出一种速度-高斯函数模型,它根据南海某单个潜标的上层海水实测流速反向推演得到内孤立波的振幅和波函数,再进一步结合一维理论模型计算波致流和非线性相速度等关键参数。对比实测数据与速度-高斯函数模型结果,发现该模型可仅通过海洋上层150 m实测流速实现对全水深波致流的模拟,并且模拟的非线性相速度与实测值相比,误差控制在10%以内。应用速度-高斯函数模型可在复杂的南海实现对内孤立波的准确预警预报,同时无需潜标搭载温、盐观测仪器,大大降低了内孤立波观测成本。

海冰类型是极地海冰的重要属性之一,多年冰的物理性质较一年冰有着显著差异,因此识别海冰类型对极地气候变化研究和冰区船舶航行保障意义重大。卫星遥感是获取多时序、大范围海冰信息的有效手段。该文以北极西北航道和东北航道为研究区域,基于3个深度学习模型(ResNet、Vision Transformer、Swin Transformer)对Sentinel-1卫星双极化合成孔径雷达影像进行海冰分类研究。 结果表明,8×8像素切片数据集的海冰分类效果优于其他尺寸切片数据集;对假彩色合成图像进行偏移量处理能够有效地减少噪声对海冰分类的影响;在3个深度学习模型中,Swin Transformer模型分类精度最高,整体准确率和Kappa系数均在98%以上。比较多年冰密集度数据发现,3个模型的结果与AMSR2的偏差均小于10%。

该文基于开源软件OpenFOAM求解雷诺平均的Navier-Stokes方程,实现了对于波状涌潮(Fr=1.2~1.3)的数值模拟,并与物理实验数据比较,验证了数值模拟的准确性。使用CONV1D卷积神经网络模型对数值模拟数据进行了学习,预测出在具有斜坡地形上的涌潮水动力发展过程。对比涌潮到达x=30.0 m 测点处的用时和该测点的最高水位的模型预测结果与数值模拟结果可知:到达用时的平均相对误差为2.28%,最高水位的平均相对误差为3.73%。较小的相对误差证明了CONV1D模型的准确性。该文对于涌潮的水动力过程模拟、与涌潮相关的灾害预警以及初生涌潮未来发展趋势研究都具有一定意义。