利用深度学习和面域协同 disentangling 内部潮汐与平衡运动

海洋动力学中的一个根本性挑战是分离平衡运动与内部波。从表面数据中提取内部潮汐（IT）迹象是这一挑战的核心部分。传统的谐波分析在面临强不一致性和较差时间抽样（如全球卫星观测）时可能失败。新的宽视场卫星提供二维空间覆盖，使IT提取可以重新表述为图像翻译。基于我们之前用于从海面高度（SSH）中提取IT迹象的理想化湍流模拟中开发的深度学习方法，我们展示了一个更简单、计算更便宜的算法在实验中的表现相当。当学习率在训练期间退火时，该算法表现良好。使用该算法，我们测试了不同组合的表面输入：SSH、表面温度和表面速度。所有场都对确定性基准中的分离贡献了协同作用，其中表面速度贡献最大。这凸显了多平台观测的价值，突显了表面速度对于分离平衡运动和内部波的重要性。额外的分析表明，波动力学信息和散射介质信息都有助于IT提取。要利用散射介质中大尺度、中尺度覆盖的信息，算法必须高度非局�。残差误差在靠近模式-2潮汐波长的小空间尺度附近集中，可能反映输入信息不完整、来自仿真的参考场不确定性，包括可能的多普勒位移污染，以及当今确定性架构的局限性。