基于多输入残差神经网络的海洋中间层涡旋动能全局估计
大气与海洋物理
2024-12-17 v1 机器学习
摘要
海洋涡旋动能（Eddy Kinetic Energy, EKE）是衡量中间尺度涡旋强度以及在海洋气候模型中参数化涡旋效应的关键物理量。三十年的卫星高度计观测数据允许对海面信息进行全局评估。然而，由于次表层观测数据的稀疏性，已未对次表层 EKE（经过空间滤波）进行系统性研究。次表层 EKE 可从海面观测中通过理论和数值方法推导得出，但其问题在于随深度增加，与海面变量的相关性会降低。本文灵感来源于次表层 EKE 的泰勒级数展开，提出一种多输入神经网络方法，从海面变量和次表层气候学变量（例如水平滤波速度梯度）重建次表层月均 EKE。训练了四个神经网络：面积输入全连接神经网络模型（FCNN）、面积输入残差神经网络模型（ResNet）、多输入全连接神经网络模型（MI-FCNN）和多输入残差神经网络模型（MI-ResNet）。所提出的 MI-FCNN 和 MI-ResNet 模型将面积输入变量与次表层变量的垂直剖面相结合。实验表明，MI-ResNet 模型在上层 2000 米范围内的次表层 EKE 的区域和全局重建中优于 FCNN、ResNet 和 MI-FCNN 模型以及传统物理模型。此外，MI-ResNet 模型在基于迁移学习的区域和全局观测数据上也表现良好。这些发现揭示了 MI-ResNet 模型在高效且准确地重建海洋次表层变量方面的潜力。
引用
@article{arxiv.2412.10656,
title = {Global Estimation of Subsurface Eddy Kinetic Energy of Mesoscale Eddies Using a Multiple-input Residual Neural Network},
author = {Chenyue Xie and An-Kang Gao and Xiyun Lu},
journal= {arXiv preprint arXiv:2412.10656},
year = {2024}
}