《Journal of Marine Systems》:A Bayesian approach to map oceanic structures, with an application to the Gulf Stream
编辑推荐:
本刊推荐:为解决海洋边界界定缺乏物理依据的难题,研究人员开展了一项基于贝叶斯定理的海洋结构映射方法学研究。通过构建先验概率密度函数(PDF)、似然函数和边际PDF,成功实现了对墨西哥湾流位置和演变的概率化制图。研究结果表明,该方法能有效整合海表温度(SST)、海表流速(SSV)等多源数据,显著提升了对复杂海洋现象识别的准确性和不确定性量化能力,为物理海洋学和气候分析提供了新工具。
海洋作为地球系统的重要组成部分,其内部结构的精确界定一直是物理海洋学研究的难点。传统的海洋边界多依赖地理坐标或政治协议划定,缺乏明确的物理标准。这种界定方式难以准确反映水团交换、热量输送等关键物理过程,特别是在墨西哥湾流这类强边界流区域,其动态路径的识别对气候研究和海洋管理至关重要。
以往研究通常采用单一判据(如温度或流速极值)确定湾流核心位置,但不同研究方法得出的结果存在差异,且难以量化识别结果的不确定性。为此,发表于《Journal of Marine Systems》的这项研究,创新性地提出了一个基于贝叶斯定理的概率化映射框架。该研究通过整合多源卫星观测数据和再分析资料,构建了能够量化空间归属概率的数学模型,为海洋结构识别提供了新的方法论工具。
研究人员采用的核心技术方法主要包括:1)基于历史湾流路径图集(Global RTOFS)通过图像处理技术提取先验概率分布;2)利用滑动平均残差法消除区域背景场,突出局地异常信号;3)通过双组分高斯混合模型拟合似然函数;4)采用边缘概率分解技术解决全区域统计非平稳性问题;5)建立多变量独立假设下的联合概率计算模型。所用数据涵盖1981-2022年期间的日分辨率SST数据(0.05°网格)和1993-2024年的SSV/SSS数据(0.083°网格)。
先验概率建模
通过处理221幅历史湾流边界图像,研究人员构建了空间连续的先验概率图。该图显示湾流主轴区域概率值高达0.8-1.0,而边缘区域概率逐渐降低,准确反映了湾流路径的统计规律性。经高斯滤波(σ=2)处理后,有效消除了像素化噪声,同时保留了主要空间特征。
单变量模型(SST)验证
基于SST残差(rT)的似然函数呈现双峰分布,采用双组分高斯混合模型拟合优度良好。参数时间序列分析显示,分布参数存在明显年周期变化,验证了模型的物理合理性。通过构建"非湾流区域"的互补似然函数,成功解决了边缘概率计算难题。最终后验概率图清晰显示出湾流主轴的高概率带(>0.8),且在佛罗里达沿岸和38°N以北区域概率值适当降低,符合湾流路径的时空变异特征。
多变量模型比较
双变量模型(SST+SSV)中,尽管两变量Pearson相关系数仅为0.38,但独立假设下的联合概率仍能较好再现二维分布特征。引入SSV数据后,后验概率图呈现出更丰富的细尺度结构,特别在流轴边缘检测到传统方法难以识别的涡旋和弯曲特征。而包含SSS的三变量模型改进有限,主要受限于盐度数据的分辨率(0.083°)和对湾流特征指示性较弱的特点。
模型性能评估
通过对比不同变量组合的后验概率图发现:SST单变量模型结果平滑连续;SST+SSV模型能解析尺度约20km的海洋中尺度过程;加入SSS后模型改进不明显。这表明数据分辨率物理指示性是影响模型性能的关键因素。所有模型均能正确识别湾流主干位置,概率值保持在0.7以上,验证了方法的可靠性。
该研究的创新性在于首次将贝叶斯概率框架系统应用于海洋结构识别。通过先验知识与观测数据的有机融合,有效解决了传统方法中阈值选择主观性强、不确定性量化困难等问题。特别值得关注的是,研究揭示了边缘概率建模在海洋应用中的特殊性——由于海洋过程的非平稳性,直接使用全域统计会导致结果失真,而采用局部邻域计算互补似然函数的方法具有普适价值。
在实际应用层面,该方法为海洋热通量估算、海洋分区气候分析等研究提供了更可靠的空间界定工具。未来可进一步结合更高分辨率的卫星遥感数据(如海面高度异常、叶绿素浓度等),拓展应用于其他海洋边界流系统。此外,贝叶斯框架的自然扩展性使其能够方便地融入观测误差信息,为发展基于不确定性的海洋数据同化方法开辟了新途径。