Deep Ocean Learning of Small Scale Turbulence
Deep Ocean Learning of Small Scale Turbulence
复制标题
小尺度湍流的深海学习
DOI：
10.1029/2022gl098039
复制
发表时间：
2022
影响因子：
5.2
通讯作者：
Colm‐cille P. Caulfield
中科院分区：
文献类型：
--
作者：
A. Mashayek;N. Reynard;F. Zhai;K. Srinivasan;Adam Jelley;A. N. Garabato;Colm‐cille P. Caulfield
亚米尺度的湍流混合是海洋经向翻转环流及其相关的全球热量、碳、营养物质、污染物和其他示踪剂再分配的重要组成部分。虽然海洋内部的直接湍流观测仅限于少量的野外项目，但全球范围内都可以获得诸如温度、盐度和深度等基本信息。在这里，我们展示了有监督的机器学习算法可以在现有的湍流数据上进行训练，从而从T、S、Z和地形数据中开发出对湍流关键属性的熟练预测。这是迈向海洋和气候模型中湍流混合参数化的混合物理-人工智能方法的有希望的第一步。
Turbulent mixing at the sub‐meter scale is an essential component of the ocean's meridional overturning circulation and its associated global redistribution of heat, carbon, nutrients, pollutants, and other tracers. Whereas direct turbulence observations in the ocean interior are limited to a modest collection of field programs, basic information such as temperature, salinity, and depth is available globally. Here, we show that supervised machine learning algorithms can be trained on the existing turbulence data to develop skillful predictions of the key properties of turbulence from T, S, Z, and topographic data. This constitutes a promising first step toward a hybrid physics‐artificial intelligence approach to parameterization of turbulent mixing in ocean and climate models.
DOI：
10.17863/cam.9670
发表时间：
2017
期刊：
--
影响因子：
--
作者：
Caulfield C
通讯作者：
Caulfield C
海洋湍流的对数偏斜正态性。
影响因子：
8.6
作者：
Cael BB
通讯作者：
Cael BB
海洋剪切引起的湍流翻转中的金发姑娘混合
影响因子：
3.7
作者：
Mashayek A
通讯作者：
Mashayek A