题名 | 基于深度学习的印尼贯穿流反演与预测研究 |
作者 | 辛林超 |
答辩日期 | 2023-05 |
文献子类 | 硕士 |
授予单位 | 中国科学院大学 |
授予地点 | 中国科学院海洋研究所 |
导师 | 胡石建 |
关键词 | 印尼贯穿流,海表面高度,神经网络,深度学习,卷积神经网络 |
学位名称 | 理学硕士 |
英文摘要 | 印尼贯穿流(Indonesian Throughflow, ITF)是全球海洋中唯一的热带间海洋通道,连接了太平洋低纬度西边界流和印度洋环流系,可以大量地将热带太平洋暖水和盐向印度洋输送,将热带太平洋和印度洋之间的热和盐进行重新的分配。ITF 也影响着两个大洋、尤其是印度洋的流场变化,而这些变化又会作用于海洋和气候系统,在区域和全球气候系统中发挥着重要作用。大洋环流模式和耦合全球气候模式的模拟表明,ITF 的存在对全球海洋环流和气候具有深远的影响。
在全球变暖的背景下,包括 ITF 在内的海洋环流预计将发生显著变化。ITF 的变化可能导致印太交流的波动,并影响区域和全球气候。因此,研究印尼贯穿流的长期变化趋势,对于探讨全球变暖背景下太平洋和印度洋两大暖池结构的相互影响,预测全球未来气候变化趋势具有重要意义。然而,由于缺乏长期和连续的 ITF 时间序列,很难对其有更好地理解。
前人的研究表明,印度-太平洋压力梯度是 ITF 的主要驱动因素,这意味着可以用印度-太平洋海表面高度来反演 ITF 的输运流量。在本文中,我们主要使用深度学习方法中的卷积神经网络模型来重构 ITF 流量。卷积神经网络模型使用“第六次国际耦合模式比较计划” (Coupled Model Intercomparison Project Phase 6, CMIP6)模拟的 1850-1974 年数据进行训练,并使用 CMIP6 模拟的 1974-2014 年数据进行验证、测试。对训练结果的测试表明,使用海表面高度数据训练的卷积神经网络模型能够重现约 90%的 ITF 流量总方差,反演技能为 0.69。将使用CMIP6 训练的卷积神经网络模型迁移学习至 SODA 数据集中,研究发现迁移学习后的神经网络模型能够再现 SODA 中约 80%的 ITF 流量总方差,反演技能为
0.54。然后通过该模型利用 1993-2021 年期间的卫星观测数据,生成了这段时间的 ITF 流量时间序列,该序列得到了多个观测 ITF 测量计划的验证。深度学习通过卫星数据反演的 ITF 输运流量捕捉到了 ITF 的一般性,并且卷积神经网络通过遥感数据反演的ITF 流量信息与 INSTANT 计划、MITF、IX1 阵列观测到的 ITF 流量信息的相关系数分别为 0.57、0.52、0.43,在 98%的置信水平上显著。生成的 ITF 流量时间序列与 Nino3.4 指数的相关系数为 0.62,并提前 ITF 三个月左右的时间。卷积神经网络模型也能够提前 7 个月对 ITF 流量做出有效的预测,这意味着使用海表面高度数据的深度学习方法预测 ITF 流量是可行的。相比较其他神经网络模型,卷积神经网络具有更高的准确性、预测时长以及更加轻量化的模型参数。 |
语种 | 中文 |
内容类型 | 学位论文 |
源URL | [http://ir.qdio.ac.cn/handle/337002/181233] |
专题 | 海洋研究所_海洋环流与波动重点实验室 |
推荐引用方式 GB/T 7714 | 辛林超. 基于深度学习的印尼贯穿流反演与预测研究[D]. 中国科学院海洋研究所. 中国科学院大学. 2023. |
个性服务 |
查看访问统计 |
相关权益政策 |
暂无数据 |
收藏/分享 |
除非特别说明,本系统中所有内容都受版权保护,并保留所有权利。
修改评论