人工智能揭示世界海洋之间的联系

在先进的观测和建模方法出现之前，海洋的物理/动力学状态是通过使用 Stommel-Arons 流、深海配方或 Sverdrup 平衡等大规模准层流描述来确定的。

建模能力和仪器的最新进展表明，海洋物理学的特点是复杂的空间和时间变化。海洋中的每个区域都有独特的状态，这取决于多种因素，例如当地气象、与东西边界的接近程度等。

要检测在给定位置哪些物理现象最占主导地位，需要检查大量数据点的多个参数，包括盐度、速度、温度以及事物如何随深度变化。

由于任何人都不可能破译如此大量的数据，麻省理工学院的研究人员开发了一种新的机器学习方法来识别海洋中有意义的联系和模式。

研究小组使用“估计海洋的环流和气候”（ECCO）来获取有关全球海洋中正在发生的事情的数据。 ECCO 根据过去 20 年记录的数十亿个参数提供海洋变率、海岸物理学、生物循环和大地测量学。

参考：Wiley 在线图书馆 | doi:10.1029/2018EA000519 |麻省理工学院

然后，他们应用 K 均值聚类（一种矢量量化方法）来检测数据中的稳健模式并确定海洋中的主要物理特性。结果显示共有 5 个集群，代表 5 个动态一致的区域，占世界海洋的近 93.7%。

例如，最大的集群约占全球海洋的 43%：其最主要的参数是海面的风应力，它由底部的扭矩平衡。该参数主要记录在北半球的副极地和副热带环流、北冰洋的大部分地区和南大洋的薄带中。

相似参数聚类的海洋 |信用：迈克·索内瓦尔德

同样，其他 4 个集群显示了主要的物理参数，以及它在全球海洋中的确切位置。其余 6.3% 的海域很难确定。

在下一项研究中，研究人员将使用具有更高分辨率数据的相同机器学习技术来跟踪剩余的 6.3%。他们将关注对气候敏感的因素，如环流和翻转。

阅读：从 1991 年到 2016 年，地球的海洋吸收了 338 泽塔焦耳的热能

目前，该工具可以帮助海洋学家和科学家简化分析，将区域与行为相似的区域进行比较，并将研究重点放在正确的地方。

工业技术