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。

针对单波束测深数据插值模型精度验证困难等问题,利用潮间带潮汐规律,提出了一种基于高精度无人机数据验证插值模型精度的方法。在低潮时利用无人机摄影测量构建高精度潮间带数字表面模型,高潮时获取单波束测深数据并结合全球导航卫星系统技术计算得出潮间带地形点的三维坐标,使用克里金插值法、反距离权重法、规则样条函数法以及自然邻域法分别构建潮间带数字高程模型。以无人机数字表面模型数据为基准,分别对4种插值方法构建的潮间带数字高程模型进行精度分析。结果表明:1)后处理差分技术辅助无人机摄影测量可以构建高精度潮间带数字表面模型。2)在潮间带区域可以使用无人机数据作为单波束测深数据精度的评价标准。3)潮间带地形较为平坦时,规则样条函数法相比于其他3种插值方法精度更高,粗差率为12.5%。

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。

硝酸盐是海洋中浮游植物生命活动可利用的主要氮形态,其跃层深度(Z_N)会直接影响硝酸盐垂向输送、海洋初级生产力以及海洋碳循环。随着海洋观测技术的不断发展,硝酸盐剖面数据的采集呈现多样化,包括船基CTD观测和生物地球化学浮标BGC-Argo自动观测等,且垂向采样分辨率差异较大(CTD较低,BGC-Argo较高)。针对不同采样数据,亟需对硝酸盐跃层深度计算方法进行系统且定量化的对比分析研究。本文利用西北太平洋历史船测CTD数据和BGC-Argo浮标数据,采用差值法、梯度法和阈值法分别计算对应硝酸盐跃层深度。研究结果表明:就单一硝酸盐剖面,基于BGC-Argo数据,差值法计算的Z_N与目视解译的Z_N相差仅为0.2 m,阈值法次之为20.0 m,梯度法相差最大为202.8 m;基于CTD数据,差值法计算的Z_N与目视解译的Z_N相差2.0 m,阈值法相差49.0 m,梯度法相差155.0 m。相较于梯度法和阈值法,差值法计算的Z_N与目视解译的Z_N相差最小。根据误差统计分析结果发现,基于BGC-Argo数据,三种方法计算得到的Z_N与目视解译的Z_N均呈现良好相关性,其中差值法计算结果误差最小(R²为0.77,RMSE为28.48 m),阈值法的R²为0.64,RMSE为34.85 m,梯度法的R²为0.52,RMSE为53.80 m;对于CTD数据,由于其垂向采样分辨率较低,三种方法计算得到的Z_N与目视解译的Z_N相差较大,但相比于梯度法和阈值法,差值法的误差仍最小(R²为0.81,RMSE为16.13 m),阈值法的R²为0.47,RMSE为27.65 m,梯度法的R²为0.42,RMSE为36.41 m。通过对比分析各方法的特点和差异性,初步探究了各方法的适用性,可为深入研究硝酸盐垂向分布特征和向上输运过程提供科学参考。

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。

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。

深海沉积物蕴藏着丰富的稀土资源,富稀土沉积物的空间分布特征、稀土赋存形态与富集机制是近年来研究的热点。东太平洋克拉里昂—克里帕顿断裂带(简称CC区)是全球海底最重要的多金属结核成矿带,但对该区域沉积物中伴生富集的稀土资源分布特征和资源潜力认识尚不清楚。该文对CC区西部125个站位沉积物全岩地球化学成分(728组主量元素和625组微量元素)进行了分析,结果表明研究区沉积物中显著富集MnO和P₂O₅,总稀土含量(∑REY)与P₂O₅、CaO含量和Ce负异常存在较好的空间正相关性,生物成因钙磷灰石是稀土元素的主要赋存矿物。研究区沉积物∑REY平均值为470±202 μg/g,部分区域∑REY含量高于富稀土沉积物标准(∑REY>700 μg/g),表明研究区具有一定的稀土资源潜力。研究区富稀土沉积物主要分布在以丘陵地形为主的北部,南部海盆区的沉积物稀土含量相对较低。研究区地貌特征差异影响了区域沉积速率和钙磷灰石水动力分选,导致研究区稀土资源分布的南北分带性。

潮流能是指潮水水平运动中携带的动能,开发前景巨大。对区域潮流的精准模拟及特征分析有助于准确评估潮流能的时空分布状况,是潮流能资源开发利用的关键。本文选取潮流能蕴藏丰富的舟山海域,应用FVCOM海洋模式构建了高分辨率的潮汐潮流数值模型,经潮位、潮流验证,该模型可靠。根据模拟结果中流速的大小确定了潮流能资源密集的6处水道进行评估,其中西堠门水道、册子水道、桃花港水道平均能流密度超过2.0 kW/m²,最大能流密度超过20 kW/m²,流速大于1.0 m/s时长超过80%,潮流涨落期间以往复流为主,潮流不对称性及旋转性低,潮流稳定系数大于0.98,较其他3处水道更适合潮流能的开发利用。通过有效发电小时数及可利用小时数确定了这3处水道内潮流能开发的最佳位置,并应用Farm法计算了相应的潮流能资源可开发量,分别为27.53、39.96和130.26 MW。

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。

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。

深海沉积物中的黏土矿物组合特征能反映物源区古气候与古环境的变化。前人已有较多关于马里亚纳海沟以西太平洋沉积物黏土矿物组合特征方面的研究,但对马里亚纳海沟以东黏土矿物组合特征的研究较少,从而限制了对亚洲大陆风尘输入与太平洋深海沉积环境之间关系的深入认识。本文以2019年大洋54航次在西太平洋马尔库斯-威克海山区采集到的31个表层样和1个柱状样为研究对象,结合收集到的西太平洋海域及附近地区的数据,开展了黏土矿物组成与分布特征、物质来源等研究。结果表明,研究区表层沉积物中的黏土矿物类型以伊利石为主,含量平均值为69%;绿泥石和高岭石次之,含量平均值分别为16%与11%;蒙脱石最少,含量平均值为3%。柱状样黏土矿物组合与表层沉积物基本一致,但在250 cm深度以下,蒙脱石含量明显增高,伊利石含量相对减少。物源分析表明,亚洲风尘是研究区伊利石的主要物源,高岭石和绿泥石的主要物源可能也是亚洲风尘,东亚冬季风是这些风尘物质的主要搬运营力。沉积物中的蒙脱石则主要由海底火山物质风化形成。P04柱上部伊利石含量增加而蒙脱石含量降低的变化响应了中更新世以来亚洲风尘输入量增加的过程。

基于中尺度大气模式WRF和区域海洋模式ROMS,构建WRF-ROMS海气双向耦合模式,针对2018年超强台风“山竹”进行模拟。利用观测数据对台风路径和强度进行验证,结果表明海气耦合模式对台风“山竹”的模拟相对单一模式有更高的精度,耦合模式得到的台风路径与最佳路径吻合良好,误差控制在60 km以内;获取的风速和海平面气压结果也较单一模式更为准确。基于海气耦合模拟结果,进一步分析台风作用下风场、气压场、海表流场和风暴增水的时空分布特征,结果表明:1)空间分布方面,台风进入南海后,七级风圈半径在台风沿路径右后方较大;气旋式流场与台风风场呈现出显著的埃克曼效应,流向与风向呈45°;风场、气压场、风生流场和增水分布均存在明显的不对称性,台风路径右侧的台风强度、流速和增水均大于左侧。2)时间分布方面,风场与气压场分布特征相似且与台风中心保持同步,流场和近岸风暴增水相对台风路径存在3 h左右的滞后。

利用浙江苍南近岸海域一年实测波浪资料,统计分析了波参数特征,采用最小二乘法拟合分析了波参数之间的相关关系,研究波浪平均持续时间和波高的关系,对波浪能进行估算,并分析了台风“利奇马”期间典型台风浪特征。结果表明:研究海域以谱峰周期5~9 s的轻浪为主,年平均有效波高为1.25 m,年最大波高为10.80 m,常浪向为E,强浪向为ENE。特征波高之间具有显著的线性关系,符合典型的瑞利分布。有效波高2.7 m以下的非台风、非寒潮期和4.1 m以上的台风期,波浪平均持续时间随波高的增大呈指数衰减,且有效波高在4.1 m以上的台风期的波浪衰减速率高于有效波高在2.7 m以下的非台风、非寒潮期。台风“利奇马”影响期间,最大波高、谱峰周期、谱峰密度呈现基本同步的先增大后减小的过程,最大谱峰密度为55.10 m²/Hz;台风影响前、后的波浪谱型均呈双峰谱,台风影响最显著期间的波浪谱型呈单峰谱。

本研究以西太平洋表层海水为基质,制备了浓度为0.5~4.0 μmol/L的海水活性磷酸盐系列标准物质。通过对所研制的4批次样品进行均匀性、稳定性评估,确定样品性能良好。对基于磷钼蓝分光光度法的气泡间隔连续流动分析系统的反应和操作条件进行优化,优化后的方法检出限低至0.03 μmol/L。不同浓度样品的相对标准偏差为0.37%~2.45%(n=9);通过与国际已有有证标准物质比对,本研究方法测量误差小于0.05 μmol/L。经6家具有中国计量认证资质且具备海水磷酸盐检测能力的实验室联合定值,确定了该系列标准物质的标准值,并对定值结果的不确定度进行了分析评价,相对扩展不确定度为2%~10%。

潮间带是连接陆地生态系统与海洋生态系统的关键带状区域,其中,淤泥质潮滩是重要而容易被忽视的CO₂自然汇集生境,该生境中不同门类的大型底栖动物在促进碳的输入、传递和存储过程中发挥核心作用。本文以夏季浙江东部沿海隘顽湾淤泥质潮滩断面作为切入点,研究大型底栖动物群落结构及生物碳库。结果显示,隘顽湾淤泥质潮滩大型底栖动物平均丰度为105.2±37.2 ind/m²,平均生物量为46.9±6.4 g/m²,其生境内主要类群组成为甲壳类动物和软体动物,生态系统健康程度整体表现为优秀。隘顽湾潮滩中大型底栖动物有机碳含量由高到低分别为其他类(包括鱼类、纽虫)动物(40.95%)、多毛类动物(22.98%)、甲壳类动物(17.24%)、棘皮动物(15.90%)和软体动物(10.76%)。估算研究区域大型底栖动物碳库约为163.90 Mg,其中甲壳类动物为最大贡献者,占比59.80%。淤泥质潮滩大型底栖动物群落结构与生物碳库大小的探究,可作为我国蓝碳调查体系构建的重要科学依据,也可为进一步量化沿海生境整体碳库大小提供基础数据。

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。

南乔治亚岛海域是南大洋初级生产力最高的区域之一,具有巨大的固碳潜力,但由于缺乏连续的上层海洋观测资料,该海域生物泵效率的强弱仍未有定论。本研究利用2017年至2020年期间位于南乔治亚岛附近海域的生物地球化学浮标(BGC-Argo)所获取的水文和生物化学参数,探讨了物理过程对生物地球化学过程的影响,并估算了该海域的南极夏季碳输出通量。结果显示:南乔治亚岛上游(南极半岛东北部)和下游(乔治亚海盆)海域Chl-a均呈现出很强的季节性特征,尤其是乔治亚海盆区浮游植物维持了4个月的旺发时间,表明该区域具有稳定持续的铁源供给;利用颗粒有机碳(POC)季节性输出量的时间变率,估算了上、下游的夏季POC输出通量分别为7.12±3.90 mmol·m^-2·d^-1和45.29±5.40 mmol·m^-2·d^-1,推测这种差异主要是由于混合层加深后促进了有机碳的向下输出导致的。研究发现该区域维持着较高的生物泵效率,与此前的乔治亚海盆存在“高生产力低输出效率”的结论不同,这可能是由于航次断面调查的即时性无法反映整个季节性特征所造成的。BGC-Argo能提供高时空分辨率的多参数观测数据,本研究结果表明其可以更准确地量化与评估海洋生物地球化学过程和固碳能力。

基于1993—2019年海面高度异常数据分析了南澳大利亚海盆表层涡动能的时空变化特征。结果表明,表层涡动能在空间上存在两个高值区,分别位于海盆的西部和东部;在季节尺度上表现为南半球的冬季强,秋季弱,最大值出现在7月(57±9 cm²/s²),最小值出现在3月(40±5 cm²/s²)。涡动能在年际尺度上与ENSO呈显著负相关关系,即在厄尔尼诺(拉尼娜)衰退年,涡动能显著减弱(增强),滞后Niño3.4指数9个月;与SAM呈显著正相关关系,滞后SAM指数14个月,即在SAM正(负)位相的次年,涡动能显著增强(减弱)。

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。

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。