.png){kind=icon}
返回
Probabilistic eddy identification with uncertainty quantification
.png){kind=icon}
PRE
AI
DOI：10.1016/j.physd.2025.134542.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
中尺度涡在海洋环流和全球气候系统中起着关键作用。标准的涡识别方法通常基于海洋流场的确定性最优点估计。然而，由于观测数据的噪声、稀疏性、间接性以及湍流流模型，流场估计中存在不确定性。由于涡识别诊断本身具有强烈的非线性特性，即使流场估计中的微小不确定性也可能导致识别出的涡产生显著误差。本文提出了一种通用的概率涡识别框架，将现有识别方法进行扩展以将不确定性纳入诊断中，强调状态估计中的不确定性与诊断中的非线性之间的相互作用对识别结果的影响。该概率涡识别框架首先从概率状态估计中采样一组流场实现，然后对各个实现应用传统的非线性涡诊断。接着基于这些实现的诊断结果聚合相应的涡统计量。该框架应用于模拟贝弗尔特环流边缘冰区的场景，在该场景中，使用稀疏冰块轨迹进行拉格朗日数据同化时，海洋场估计存在较大不确定性。在概率框架下，涡数量统计和每个涡事件概率计算的能力得到显著提升。值得注意的是，将诊断中的不确定性非线性传播纳入考虑，为涡寿命估计提供了比标准确定性方法更准确的平均估计，并有助于对这种关键动力学量的不确定性进行量化。
Keyword:
Probabilistic eddy identification
Uncertainty quantification
Okubo-Weiss parameter
Beaufort Gyre marginal ice zone
期刊
P
IF:
2.9
论文数:
389
被引数:
1.5W
机构
暂无机构信息
引用论文
Model Error, Information Barriers, State Estimation and Prediction in Complex Multiscale Systems.png)
Entropy
OAAI
EntropyIF0
OAAI分享收藏Comparison between three implementations of automatic identification algorithms for the quantification and characterization of mesoscale eddies in the South Atlantic OceanOCEAN SCIENCEOAAI
OCEAN SCIENCEIF3.3
OAAI分享收藏An historical analysis of the California Current circulation using ROMS 4D-Var: System configuration and diagnosticsOCEAN MODELLINGOAAI
OCEAN MODELLINGIF2.9
OAAI分享收藏Data-attention-YOLO (DAY): A comprehensive framework for mesoscale eddy identificationPATTERN RECOGNITION
PATTERN RECOGNITIONIF7.6
PREAI
分享收藏
查看更多内容