科學家們引入了一種新方法，可以比以前更詳細地追蹤大片區域的海洋表面流。該技術稱為 GOFLOW（地球靜止海洋流），利用深度學習分析已在軌道上的氣象衛星拍攝的熱影像。因為它必須使用現有的衛星。這種方法可以在海洋追蹤方面取得巨大進步，而無需在太空中使用新設備。
這項研究由加州大學聖地牙哥分校史克里普斯海洋學研究所的 Luc Lenain 和加州大學洛杉磯分校史克里普斯校友 Kaushik Srinivasan 領導。他們的研究結果發表在《海洋學》雜誌。 自然地質學特拉維夫大學的合著者羅伊·巴坎和羅德島大學的尼克·皮佐也在斯克里普斯接受過訓練。資金來自美國海軍研究辦公室、美國太空總署和歐洲研究委員會。
為什麼洋流對氣候和生命很重要？
洋流對於地球的運作至關重要。它們將熱量傳遞到世界各地。在大氣和深海之間轉移碳並循環支持海洋生態系統的營養物質。它們在現實世界中也發揮著重要作用，例如搜救工作。並追蹤漏油情況
儘管它很重要，但要準確測量大面積的潮汐卻很困難。一些衛星透過觀察海面高度的變化來間接估計潮汐。但它們通常大約每 10 天才會返回同一區域一次，這樣的速度太慢，無法捕捉在數小時內積聚和消退的電流。船舶和沿海雷達可以偵測快速變化。但僅限於有限區域。
海洋混合中缺失的環節
這項限制使科學家在垂直混合發生的程度方面存在明顯的盲點。當地表水向下移動或水加深時，就會發生垂直混合。其驅動因素可能是直徑小於 10 公里（六英里）且變化迅速的特徵。
了解這個過程很重要。將營養物質從深海帶到海面。在海底培育生命並將二氧化碳輸送到地下，如果沒有仔細觀察，大多數活動仍然難以直接測量。
將衛星影像轉換為海洋流量圖。
GOFLOW 的想法始於 2023 年，當時 Lenain 檢查了 GOES-East 衛星拍攝的北大西洋熱影像，這些影像通常用於天氣監測。這些影像每五分鐘拍攝一次，顯示雲層以及在海洋表面移動的冷暖海水的圖案。
萊南指出，在這些溫度模式中可以看到墨西哥灣流等主要洋流。這項觀察結果引發了將這些模型轉化為測量洋流的新方法的想法。
人工智慧如何追蹤洋流
為了實現這一目標，研究小組訓練了一個神經網路來感知海洋表面的溫度模式在潮汐影響下如何變化和形狀。該系統從海洋環流的詳細電腦模擬中學習。這將特定的溫度模式與已知的水流速度連結起來。
接受訓練時，模型會分析一系列衛星影像並追蹤這些模式如何隨時間變化。從這一運動中可以確定導致變化的基本趨勢。
「氣象衛星多年來一直在觀測海洋表面，」萊南說。 “突破在於學習如何將時間的流逝轉化為每小時的潮汐圖。通過跟踪一小時到下一小時的溫度模式如何彎曲、拉伸和移動。”
真實世界數據的準確性測試
研究人員透過將結果與 2023 年墨西哥灣流地區船隻收集的直接測量結果以及基於海洋地形的傳統衛星方法進行比較，對 GOFLOW 進行了評估。結果與兩個來源非常吻合。
然而，GOFLOW 可以產生更清晰的細節。特別是對於渦流和邊界層等小型、快速移動的特徵，先前的方法傾向於將這些特徵平滑到廣泛的平均值。透過提高分辨率，該團隊能夠檢測驅動垂直混合的小而強的電流中的重要統計模式。到目前為止，這些模式在模擬中比在直接觀察中更常見。
「這為物理海洋學開闢了許多令人興奮的機會。到目前為止，這只能透過模擬來實現，」萊南說。 「使用 GOFLOW，我們能夠透過實際觀測來測量這些小而強的洋流的關鍵特徵。相反，它幾乎完全依賴模擬。這為測試有關海洋如何吸收熱量和碳的長期想法打開了大門。”
無需新衛星
由於GOFLOW使用現有地球靜止衛星的數據，因此無需向太空發送新儀器。隨著時間的推移，這種方法可以整合到天氣預報系統和氣候模型中。檢測快速變化的潮汐可能會改善與海氣交互作用相關的預測。海洋垃圾運動與生態系變化
未來的挑戰與擴展
雲層覆蓋仍然是一個限制因素。由於雲層遮蔽了 GOFLOW 所依賴的熱影像，因此研究團隊計劃整合其他衛星資料來源來填補這些空白並實現更一致的覆蓋範圍。
目前正在努力將該方法推廣到全球範圍。該團隊還向公眾發布了他們的數據和程式碼產品。這可以幫助其他科學家建立方法並探索新的應用。
