天津大学海洋学院研究团队在全球中尺度涡混合时变特征和预测研究中取得新进展

近日，天津大学海洋学院研究团队在全球中尺度涡旋时间变异性的特征和预测研究中取得新进展，研究成果以学术论文形式发表在物理海洋学领域权威期刊Journal of Physical Oceanography。题目为：Temporal variability of global surface eddy diffusivities: Estimates and machine learning prediction。该论文第一作者为海洋学院硕士研究生张广闯（导师为陈儒教授）。

中尺度涡旋在全球海洋中普遍存在，是海洋多尺度过程的重要组成部分。它可以通过搅拌和混合关键示踪剂影响水团性质、调节区域性气候变化。在现有粗分辨率气候模型中，一般使用涡旋扩散率的参数化方案表征涡旋混合带来的影响。如今全球海洋涡旋扩散率大小的空间分布已经明确，但涡旋扩散率时间变化的特征和预测还没有得到系统的研究。

本研究使用1994-2017年的卫星观测数据和拉格朗日粒子法诊断全球海表面涡旋扩散率。研究结果表明，全球海表涡旋混合具有不可忽略的年际变化（图1）。通过对全球涡旋扩散率与大尺度气候指数时间序列之间的相关性分析，发现区域涡旋混合和气候因子存在显著的相关性（图2），并将该结果与混合长度抑制理论（suppressed mixing length theory，SMLT)的结果做了对比。

图1 全球海表面基于粒子的跨流涡旋扩散率24年年平均的标准差(m²/s)。

图2 基于粒子的扩散率和基于与气候因子的偏相关系数

此外，本研究分别使用SMLT和机器学习中的随机森林（Random Forest，RF）模型预测区域涡旋混合的时间变异性。其中，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（图3）。结果表明，RF成功预测了涡旋扩散率的年际变化，并且预测能力要优于SMLT（图4）。

图3 随机森林预测流程图

图4 基于粒子的涡旋扩散率与基于SMLT和RF的涡旋扩散率的(a)相关系数和(b)NRMSE，即RMSE使用气候平均值做归一化处理。

本研究表明，在涡旋参数化方案中应实施时间依赖而非定常的涡混合系数，机器学习算法在涡参数化方案设计中较具价值。此项研究为今后改进气候模式中的涡混合参数化方案指明了新方向。

该研究得到国家自然科学基金项目（42076007）的资助。论文来源：Zhang G., Chen R*, Li X., Li L., Wei H, and Guan W. （2023） Temporal variability of global surface eddy diffusivities: Estimates and machine learning prediction [J]. Journal of Physical Oceanography,https://doi.org/10.1175/JPO-D-22-0251.1