Ocean surface Stokes drift from scatterometer observations
Ocean surface Stokes drift from scatterometer observations
复制标题
散射仪观测产生的海洋表面斯托克斯漂移
DOI：
10.1080/01431161.2014.880818
复制
发表时间：
2014-03
影响因子：
3.4
通讯作者：
He, Yijun
中科院分区：
文献类型：
--
作者：
Liu, Guoqiang;Perrie, William A.;He, Yijun
斯托克斯漂移是海洋表面重力波引起的平均拉格朗日运动，在改变上层海洋环流方面发挥着重要作用。在本研究中，基于多层感知器反向传播神经网络（BP NN）算法，使用与欧洲遥感（ERS）数据搭配的浮标数据，并使用（1）体波参数和（2）谱波密度，开发了两个经验模型来估计海洋表面斯托克斯漂移Uss。两种 BP NN 模型都表现得相当好，对于前一个基于体参数的 NN 模型，检索到的 Uss 和浮标测量之间的相关系数为 0.92，而对于后者基于谱波密度的 NN 模型，相关系数为 0.87。 1998年8月27日至29日期间对全球海洋的Uss值进行了估计。我们发现Uss的范围为2至36 cm s−1，平均为9 cm s−1，这与之前的观测结果非常吻合。利用检索到的 Uss，我们计算了朗缪尔数 Lat 和缩放后的朗缪尔垂直湍流速度。 Lat 的分布（通常在 0.25-0.58 范围内）提供了朗缪尔湍流相对于高 USs 区域（例如南大洋西风带）动能湍流的主导地位的衡量标准。
Stokes drift, a mean Lagrangian motion induced by ocean surface gravity waves, plays an important role in modifying the upper ocean circulation. In this study, two empirical models are developed to estimate ocean surface Stokes drift Uss, based on a multilayer-perceptron Back-Propagation Neural Network (BP NN) algorithm, using buoy data collocated with European Remote Sensing (ERS) data, and using (1) bulk wave parameters and (2) spectral wave density. Both BP NN models perform reasonably well, with correlation coefficients of 0.92 between the retrieved Uss and buoy measurements, for the former bulk-parameter-based NN model, compared to 0.87, for the latter spectral wave-density-based NN model. Uss values were estimated over the global ocean during 27–29 August 1998. We found Uss in the range from 2 to 36 cm s−1 with an average of 9 cm s−1, which is in good agreement with previous observations. With the retrieved Uss, we calculated the Langmuir number Lat and the scaled Langmuir vertical turbulent velocity. The distribution of Lat (generally in the range 0.25–0.58) provides a measure of the dominance of Langmuir turbulence over kinetic energy turbulence in regions with high Uss, such as the westerlies in the Southern Ocean.
登录
查看更多内容
DOI：
10.1109/36.175343
发表时间：
1992-09
期刊：
IEEE Trans. Geosci. Remote. Sens.
影响因子：
--
作者：
M. Goodberlet;C. Swift
通讯作者：
M. Goodberlet;C. Swift
影响因子：
1.4
作者：
Fabrice Ardhuin;François-Régis Martin-Lauzer;B. Chapron;P. Craneguy;Fanny Girard-Ardhuin;T. Elfouhaily
通讯作者：
Fabrice Ardhuin;François-Régis Martin-Lauzer;B. Chapron;P. Craneguy;Fanny Girard-Ardhuin;T. Elfouhaily
影响因子：
8.2
作者：
Guoqiang Liu;Yijun He;Hui Shen;Jie Guo
通讯作者：
Guoqiang Liu;Yijun He;Hui Shen;Jie Guo
影响因子：
2.2
作者：
J. Nystuen
通讯作者：
J. Nystuen
影响因子：
3.5
作者：
Y. Noh;Gahyun Goh;S. Raasch
通讯作者：
Y. Noh;Gahyun Goh;S. Raasch