科學家們推出了一種新方法，可以比以前更詳細地追蹤大片區域的海洋表面流。這項名為 GOFLOW（地球靜止海洋流）的技術利用深度學習來分析已在軌道上的氣象衛星接收到的熱圖像。由於該方法依賴現有衛星，因此在海洋監測方面取得了重大進步，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 自然地球科學。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。它們在世界各地傳遞熱量，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，例如搜救工作和追蹤石油洩漏。
儘管很重要，但要準確測量大區域的電流卻很困難。一些衛星透過觀察海面高度的變化來間接估計洋流，但它們通常每 10 天才訪問同一區域，速度太慢，無法捕捉在數小時內形成和消失的洋流。船舶和沿海雷達可以檢測快速變化，但僅限於有限的區域。
海洋混合中缺失的一環
這個限制給科學家在垂直混合發生的尺度上留下了一個重要的盲點。當地表水向下移動或更深的水上升時，就會發生垂直混合，這是由小於 10 公里（6 英里）且可能快速變化的地物引起的。
理解這個過程是關鍵。它將營養物質從深海帶到海面，支持海洋生物，並將二氧化碳向下輸送，以便長期儲存。如果沒有具體的觀察，大部分活動都很難直接測量。
將衛星影像轉換為洋流地圖
GOFLOW 的想法始於 2023 年，當時 Lenain 分析了來自 GOES-East 衛星的北大西洋熱圖像，該衛星通常用於監測天氣。這些影像每五分鐘拍攝一次，顯示雲層以及溫暖、涼爽的海水在海洋表面移動的圖案。
萊南指出，在這些溫度模式中可以看到墨西哥灣流等大洋流。這項觀察結果引發了將這些模型轉變為測量洋流的新方法的想法。
人工智慧如何追蹤洋流
為了實現這一點，研究小組訓練了一個神經網路來了解海洋表面溫度模式如何變化以及如何受洋流的影響。該系統透過對海洋環流的詳細電腦模擬進行學習，將特定的溫度模式與已知的水流速度連結起來。
訓練後，該模型分析了衛星圖像序列並追蹤這些模式如何隨時間變化。從這個運動中，他可以確定導致這些變化的潛在電流。
「多年來，氣象衛星一直在觀測海洋表面，」萊南說。 「突破在於學習將時間流逝轉換為每小時的電流圖，監控溫度模式如何彎曲、拉伸和每小時移動。”
使用真實數據測試準確性
研究人員透過將 GOFLOW 的結果與 2023 年墨西哥灣流地區船舶收到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來評估 GOFLOW。結果與兩個來源一致。
然而，GOFLOW 提供了更清晰的細節，特別是對於渦流和邊界層等小型、快速移動的特徵。早期的方法通常將這些特徵平滑為廣泛的平均值。隨著解析度的提高，該團隊能夠檢測到驅動垂直混合的小而強的電流的關鍵統計模式。到目前為止，這些模式主要是在模擬中而不是直接觀察中看到的。
萊南說：「這為物理海洋學開闢了一系列令人興奮的可能性，而迄今為止，這些可能性在很大程度上只能透過模擬來實現。」「使用 GOFLOW，我們現在可以透過實際觀測來測量這些小而強的洋流的關鍵特徵，而不是幾乎完全依賴模擬。這為測試長期以來關於海洋如何吸收熱量和碳的想法打開了大門。」
不需要新的衛星
由於 GOFLOW 使用現有地球靜止衛星的數據，因此無需將新儀器發射到太空。隨著時間的推移，該方法可以整合到天氣預報系統和氣候模型中。追蹤變化的洋流可以改善對海氣相互作用、海洋碎片運動和生態系統動態的預測。
挑戰和未來的擴展
雲層覆蓋仍然是一個限制，因為雲層阻礙了 GOFLOW 相關的熱成像。研究小組計劃結合更多的衛星資料來源來填補這些空白並實現更一致的覆蓋範圍。
他們已經在努力在全世界推廣這種方法。該團隊已公開其數據產品和程式碼，這可以幫助其他科學家建立他們的願景並探索新的應用程式。
