海洋学院师生发表涡旋混合机器学习预测重要成果

（通讯员 陈儒、管文婷）近日，天津大学海洋学院师生在黑潮延伸体区域季节性涡旋混合估计和预测研究中取得重要成果，该研究根据具有1/48°空间分辨率的MITgcm llc4320仿真模式数据，将基于数据驱动的机器学习方法，包括随机森林、卷积神经网络等，与传统动力学理论中的4个预测因子相结合，成功地表征和预测了黑潮延伸体区域的跨流混合长度的季节变化。研究结果表明了在粗分辨率气候模式中使用时间依赖性的涡旋扩散系数的必要性和使用机器学习方法改进涡旋参数化方案的可行性。该研究成果以学术论文形式发表于美国地球物理学会（AGU）的旗舰期刊Journal of Geophysical Research: Oceans，题目为：Seasonal surface eddy mixing in the Kuroshio Extension: Estimation and machine learning prediction。该论文第一作者是天津大学海洋学院硕士研究生管文婷，其导师陈儒教授为通讯作者。

海洋涡旋通过搅拌和混合关键示踪剂（如热、盐等）影响水团性质和区域性气候变化。现有粗分辨率气候模式中常以涡旋扩散系数表征涡旋混合速率，研究涡旋混合时空变化有助于提高涡旋参数化方案和气候模拟预测的准确性。传统动力学的抑制混合理论长度理论（SMLT）为机器学习预测模型提供了有效的四个预测因子：涡旋尺寸、涡旋速度大小、涡旋时间去相关尺度和涡旋相对于平均流的传播速度大小。利用随机森林、卷积神经网络等机器学习方法的强非线性拟合能力，构建预测因子与混合长度之间的非线性关系，从而精确预测季节性混合长度变化。

这项研究创新性地将机器学习方法引入涡旋混合研究领域，有助于推进将理论驱动和数据驱动相结合的涡旋混合研究新发展。研究团队下一步将在多尺度涡旋混合、气候与涡旋混合的相互作用等方面展开深入研究。

图1预测模型设计思路。输入特征值包含4个预测因子：涡旋相对于平均流的传播速度|cw-|U||、涡旋尺寸Leddy、涡旋速度大小urms、涡旋时间去相关尺度γ。输出响应值为跨流混合长度。预测方法包括抑制混合长度理论（SMLT）、多元线性回归（LR）、随机森林（RF）、误差反向传播前馈神经网络（BP）、卷积神经网络（CNN）。

图2混合长度不同方法估计值空间分布。(a)基于拉格朗日粒子法的跨流混合长度为训练样本集中的输出样本。预测方法包括(b)卷积神经网络、(c)随机森林、(d)误差反向传播前馈神经网络、(e)多元线性回归和(f)抑制混合长度理论。