JAMES: 物理学与机器学习相结合提供更好的海洋测量地图
学术
科学
2024-07-16 18:26
北京
一项新研究提供了一个引人注目的例子，将动态建模、机器学习和海洋测量相结合，增强了对海洋学的理解、监测和绘图。
海洋观测工作面临的一个主要挑战是缺乏空间和时间上所有地方的观测数据。大多数海洋观测用户都希望地图上没有缺失区域，因此如何填充这些区域一直是海洋观测中的一个长期研究问题。有许多方法可以填充这些缺失的区域，这些方法通常使用统计假设（例如，最优插值中使用的高斯核），这些假设并不完全基于或受底层物理学的约束。尽管我们认识到物理过程具有重要的时空相关性，但尚不明确如何将相关性的所有方面纳入海洋观测的制图方案中。Febvre 等人 [2024] 提出了一种新的方法，将最先进的数值模型与神经绘图方案相结合，来重建卫星测高数据。他们的方法使用动态模型的数值模拟来训练用于绘制卫星测高图的机器学习方法，即神经绘图方案。已经有过充分测量的墨西哥湾流区域为他们的分析提供了一个测试案例。他们的研究结果表明，将模拟海洋数据纳入训练过程可提高神经绘图的性能，并且优于传统方法。这项研究令人振奋，其中动态建模、机器学习方法和海洋测量的结合可以增强对海洋学的理解、监测和绘图。神经绘图方案由示意图中所示的元素组成。左边是基于物理方程(如牛顿运动定律)的数值海洋模型。这些数据，尤其是模型的海面高度模式，被神经绘图方案吸收，并用于训练神经方案。实际上，物理模型教会了神经绘图方案在物理上一致的填充。在右侧，该制图方案绘制了卫星测高数据，并基于保留部分卫星数据对该方案的技能进行了评估。资料来源：Febvre等[2024]，图1以上点评英文原文发表于：AGU Eos Editors' Highlights，中文翻译仅供参考。
原文作者：Stephen Griffies, Editor-in-Chief; and Oliver Watt-Meyer, Associate Editor, JAMES
原文链接：https://eos.org/editor-highlights/physics-machine-learning-provide-a-better-map-of-ocean-measurements
Text © 2024. The authors. CC BY-NC-ND 3.0
扫码访问原文
![]()
https://doi.org/10.1029/2023MS003959Journal of Advances in Modeling Earth Systems (JAMES) 是一本金色开放获取期刊，发表有助于了解地球物理系统，及其与生物、地质和化学系统结合的各种尺度的模型的开发与应用的研究论文。
研究论文可以是纯技术方面的，如有助于建模的新的或改进的算法或新数据集；也可以是综合性的，如新的建模或模拟系统的集成；或是概念性的，如为建模或分析制定标准的新框架和新构想。
2023年影响因子： 4.4
5年影响因子： 7.9
从投稿到一审意见的中位数时间：70天
2024年AGU年会正在接收摘要，点击下方图片了解详情：
点击下方“阅读原文”访问Journal of Advances in Modeling Earth Systems (JAMES)期刊网站，阅读更多精彩内容。
