Ekman流的提取和同化：以百慕大地区为例

摘要

Ekman理论是海洋科学的基础理论之一，Ekman模型在物理海洋学的研究中有悠久的历史。垂向涡动粘性系数(VEVC)是Ekman模型的重要参数，对Ekman螺旋结构和Ekman输运有重要影响。本文基于伴随同化方法，研究了Ekman方程中VEVC的时间变化。利用理想实验对七个影响反演结果的因素进行了探究，包括优化算法、初始猜测、分布类型、风速条件、边界层深度、观测深度、数据噪声。主要结论是:(1)梯度下降法的优化效果优于共轭梯度法和有限记忆BFGS法;(2)反演结果对初始猜测值敏感，初始猜测值与实际值接近时，收敛速度更快，反演误差更小;(3)模型能够反演各种不同类型的时间分布;(4)模型可以适应不同类型的风速条件;(5)较厚的边界层比较薄边界层效果稍好;(6)反演结果对表层和次表层数据更敏感;(7)在存在数据噪声的情况下，反演结果仍可接受。
　　从Bermuda试验站锚泊系统(BTM)的ADCP数据中提取了Ekman流速，并反演了VEVC的时间变化。主要结论是:(1)对于实测数据而言，仍是梯度下降法优化效果最好;(2)将VEVC设置为时间变化型的反演策略，其反演效果优于常数型和深度变化型;(3)该地区VEVC在0.01m2s-1左右。该研究拓展了我们对Ekman模型的理解，并提供了一种有效的方法来确定VEVC的时间变化。

目录

声明

致谢

摘要

1 引言

1．1 Ekman流的研究历史

1．2 数据同化概述

1．3 伴随同化方法简介

1．4 本文主要内容

2 Ekman同化模型数值建模

2．1 控制方程

2．2 伴随方程

2．3 差分格式

2．4 参数优化

3 理想模型：方法验证

3．1 第1组：优化算法

3．2 第2组：初始猜测值

3．3 第3组：分布类型

3．4 第4组：风速条件

3．5 第5组：边界层深度

3．6 第6组：观测深度

3．7 第7组：数据噪声

3．8 讨论

4 Ekman流的提取

4．1 观测设备

4．2 数据介绍

4．3 提取过程

5 实际实验：初步应用

5．1 第1组：优化算法

5．2 第2组：反演策略

5．3 讨论

6 总结

6．1 主要工作与结论

6．2 创新之处

6．3 研究展望

参考文献

个人简历