Deep ocean learning of wave-induced turbulence
Deep ocean learning of wave-induced turbulence
复制标题
波浪引起的湍流的深海学习
DOI：
10.1002/essoar.10510319.1
复制
发表时间：
2022
期刊：
影响因子：
--
通讯作者：
Mashayek A
中科院分区：
文献类型：
--
作者：
Mashayek A
亚米尺度的湍流混合是海洋经向翻转环流及其相关的热量、碳、营养物质、污染物和其他示踪物的全球重新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观测项目，但温度、盐度和深度等基本信息在全球范围内都可以获得。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，以开发从地形数据中熟练地预测湍流的关键属性。这是迈向混合物理-人工智能方法的有希望的第一步，该方法用于气候模型中湍流混合的参数化。
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 fromand topographic data. This constitutes a promising first step toward a hybrid physics-artificial intelligence approach to parameterization of turbulent mixing in climate models.
登录
查看更多内容
影响因子：
27.7
作者：
W. Peltier;Colm‐cille P. Caulfield
通讯作者：
W. Peltier;Colm‐cille P. Caulfield
影响因子：
2.7
作者：
Wu, Xindong;Kumar, Vipin;Steinberg, Dan
通讯作者：
Steinberg, Dan
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
海洋混合：分水岭的海洋学
DOI：
10.1016/b978-0-12-821512-8.00008-6
发表时间：
2022
期刊：
Ocean Mixing
影响因子：
--
作者：
A. N. Naveira Garabato;M. Meredith
通讯作者：
M. Meredith
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