在前一篇文章中，我们提出了一个思考题：如何利用Google Earth Engine（GEE）这一前沿的地球观测工具，来深入分析HYCOM中的时间序列数据。这不仅是一个技术问题，更在科学研究中有着不可忽视的重要性。

近期发表在《地球物理研究快报》（GRL）的研究表明，过去四十年间流经佛罗里达海峡的墨西哥湾流速度出现了约4%的下降。墨西哥湾流不仅是支撑美国东海岸生态和气候的重要海洋流体系统，其变化还可能在全球范围内产生深远的影响。因此，在本篇文章中，我们将充分发挥GEE强大的数据处理和分析能力，来探究这一现象是否具有长期和普遍的科学意义。

使用谷歌Colab和geemap Python库

在这一节中，我们将使用Google Colab，一个基于云的Python代码编辑和运行环境，来进行进一步的数据处理和分析。为了方便进行空间数据的处理和可视化，我们将使用geemap。geemap是一个Python库，专门用于与Google Earth Engine进行交互，包括地图可视化和地理空间数据分析。这个库提供了一系列简单易用的API，允许用户快速地创建交互式地图，并且支持多种地图图层的叠加和编辑。它内置了丰富的功能和工具，能够让我们更高效地进行地理信息的获取、处理和分析。

接下来，我们将通过墨西哥湾流实例来展示如何使用Google Colab和geemap库进行HYCOM数据的时间序列分析。

湾流介绍

墨西哥湾流是北美大陆东海岸附近的一股重要洋流，起源于墨西哥湾，经过佛罗里达海峡，然后顺着美国东海岸流动，一路向北加速，直至北纬36°左右（北卡罗来纳州附近）开始转向东方。在约北纬40°和西经30°的地点，墨西哥湾流分裂成两条主要分支：一条是北流的北大西洋暖流，影响着西北欧；另一条是南流的Canary洋流。

墨西哥湾流不仅影响美国从佛罗里达到弗吉尼亚的东海岸气候，还在更大范围内影响着西北欧的气候。这使得西北欧的气候比同纬度地区更为温暖，这一现象至少部分地归因于北大西洋暖流的影响。除了气候影响外，墨西哥湾流也对大气和海洋内的气旋发展、生态系统以及海洋流动等方面有重要影响。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44

# import geemap.colormaps as cm

# 创建一个geemap地图实例
Map = geemap.Map()

# 定义与数据处理
Gs = ee.Geometry.Rectangle([-85, 20, -65, 40]) # 湾流

def getAprilAverage(year):
    startDate = ee.Date.fromYMD(year, 1, 1)
    endDate = ee.Date.fromYMD(year, 1, 2)

    collection = (ee.ImageCollection('HYCOM/sea_water_velocity')
                  .filterDate(startDate, endDate)
                  .map(lambda image: image.divide(1000)))

    return collection.mean()

years = ee.List.sequence(1997, 1997)
averages = years.map(getAprilAverage)
twoDecadesAverage = ee.ImageCollection(averages).mean()

speed = twoDecadesAverage.select('velocity_u_0').hypot(twoDecadesAverage.select('velocity_v_0'))
maskedSpeed = speed.clip(Gs)

# 添加图层
vis_params = {
    'min': 0,
    'max': 1,
    'palette': ['blue', 'yellow', 'red'],
}
Map.addLayer(maskedSpeed, vis_params, 'Southern Ocean Speed 20-Year Average')

# 添加colorbar
colors = vis_params['palette']
vmin = vis_params['min']
vmax = vis_params['max']

Map.add_colorbar_branca(
    colors=colors, vmin=vmin, vmax=vmax, layer_name="Southern Ocean Speed 20-Year Average"
)

Map.centerObject(Gs, 4)
Map

首先我们选择一天的数据看一看湾流的特征。

然后，我们修改部分代码，计算长时间序列的空间均值。

1
2
3
4
5
6
7
8
9
10
11

def getAprilAverage(year):
    startDate = ee.Date.fromYMD(year, 1, 1)
    endDate = ee.Date.fromYMD(year, 6, 15)

    collection = (ee.ImageCollection('HYCOM/sea_water_velocity')
                  .filterDate(startDate, endDate)
                  .map(lambda image: image.divide(1000)))

    return collection.mean()

years = ee.List.sequence(1997, 2007)

时间序列

我们使用GEE来分析1994年到2023年之间墨西哥湾流速度的趋势。以下是一种可能的实现方法：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38

import ee
import geemap

# 1. 范围
# Gs = ee.Geometry.Rectangle([-85, 20, -65, 40]) # 湾流

# 2. 定义一个函数来获取每年4月的数据，并返回这个月的均值
def getAprilAverage(year):
    startDate = ee.Date.fromYMD(year, 4, 1)
    endDate = ee.Date.fromYMD(year, 4, 40)

    collection = (ee.ImageCollection('HYCOM/sea_water_velocity')
                  .filterDate(startDate, endDate)
                  .map(lambda image: image.divide(1000)))

    average_image = collection.mean()
    speed = average_image.select('velocity_u_0').hypot(average_image.select('velocity_v_0'))

    # 获取该范围内的均值速度
    mean_speed = speed.reduceRegion(
        reducer=ee.Reducer.mean(),
        geometry=southernOceanRegion,
        scale=1000,  # 根据数据的分辨率选择适当的值
        maxPixels=1e9
    )

    return mean_speed

# 3. 使用循环来获取均值时间序列
years = list(range(1994, 2023))
speed_averages = []

for year in years:
    annual_avg = getAprilAverage(year).getInfo()
    speed_averages.append(annual_avg['velocity_u_0'])  # velocity_u_0为速度的波段
    print(year)

print(speed_averages)  # 打印每年的均值速度列表

这样，你就得到了一个数组，其中包含了从1994年到2023年墨西哥湾流在所选月份的平均速度。有了这些年度平均速度数据，就可以使用它们来计算任何你感兴趣的统计指标，例如趋势、标准差等。

慢了吗？

在海洋科学研究中，精确的数据分析是至关重要的。通过对HYCOM数据进行细致的清洗和预处理，我们发现墨西哥湾流在近几十年里流速有所减缓，这一发现不仅科学上具有深远意义，还可能对全球气候和社会经济产生影响。更为引人关注的是，我们还观察到数据中存在长周期性的波动，暗示着更复杂的海洋动力学机制可能在起作用。这一周期性的存在既可能影响气候模式，也可能对海洋生态和经济活动产生长期影响。因此，持续的数据验证和多角度审视成为进一步研究的必要步骤，以提高研究的整体质量和可靠性。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16

import matplotlib.pyplot as plt

# 剔除大于0.5的数值和None的值
filtered_data = [(year, avg) for year, avg in zip(years, speed_averages) if avg is not None and avg <= 0.5]
filtered_years, filtered_speed_averages = zip(*filtered_data)

# 使用matplotlib绘制时间序列
plt.figure(figsize=(10, 5))
plt.plot(filtered_years, filtered_speed_averages, marker='o', linestyle='-', color='b')
plt.title('Gulf Stream Speed Average (April) from 2002 to 2022')
plt.xlabel('Year')
plt.ylabel('Average Speed')
plt.grid(True)
plt.xticks(filtered_years, rotation=45)
plt.tight_layout()
plt.show()

《后天》会来吗？

气候变化和人为活动对大西洋经向翻转环流（AMOC）产生了不容忽视的影响。最新研究显示，大西洋暖流目前已经减弱到至少1600年来的最低水平，这一变化可能会对全球气候产生深远的影响。具体来说，如果墨西哥湾流发生灾难性的崩溃，西欧将面临更加极端的冬季气候，美国东海岸的海平面可能会迅速上升，同时全球范围内的重要热带降雨模式也将被扰乱。研究进一步指出，自公元400年以来，大西洋暖流已经减弱了约15%，这是一个相当显著的变化。人为造成的全球变暖被认为是导致这一趋势的重要因素之一。

虽然2004年的电影《后天》提供了一种戏剧性的设想，即AMOC的迅速关闭将导致全球性的气候灾难，但事实上，自工业革命以来，AMOC的削弱确实是一个日益严重的问题，它已经引发了一系列环境和气候变化。这些变化不仅会影响特定地区，更可能在全球范围内引发一系列复杂的生态和社会问题。

文献：Robust Weakening of the Gulf Stream During the Past Four Decades Observed in the Florida Straits.Geophysical Research Letters, 2023; 50 (18) DOI:10.1029/2023GL105170

最近公布的2023年院士评选结果出炉了，我并未入选。但坦白说，这对我，乃至我的粉丝们来说，实际上是一件好事。若我真成了院士，必将被繁杂的事务和没完没了的会议所困。如此一来，我又如何能有足够的时间和精力，去投入到我所热爱的科研和科普工作中呢？

其实，成为院士，并不能改变一个人的本质。戴上这顶帽子，不代表你就更优秀。作为一名科研工作者，我们追求的是在科学的长河中留下独特的印记，为这个社会贡献自己的力量。从这个初心出发，我们应当始终追求更高的目标。

不得不说，这件事也影响了我为粉丝们写作的计划。我的粉丝数量增长放缓，偶尔还会掉粉，这让我颇感心痛。为此，我制定了一项新的写作计划，专注于撰写一系列关于卫星高度计在物理海洋学方面应用的文章。在这个系列中，我将深入探讨卫星高度计技术如何帮助我们更好地理解海洋，特别是在中尺度和行星尺度上的海洋波动研究上。在即将推出的系列文章中，我们将探索多个关键的物理海洋学概念和现象，这个内容丰富且深入的系列将涵盖理论解析与Python编程实践。其主要目的是为海洋遥感领域的研究生群体提供清晰、系统的理论阐述，以及相应的技术实现。完成这一系列内容可能需要数月时间，但我们致力于提供深度且实用的学习资源，以促进对海洋科学的深入理解和研究。

今天我们首先探讨西边界流。接着上次的话题，黑潮和湾流变慢了吗？我们使用卫星高度计实测数据进行分析计算。

数据读取

首先要下载高度计再分析产品，这里我下载了欧洲cmems数据中心的高度计产品，下载地址是：

• ftp://username@my.cmems-du.eu/Core/SEALEVEL_GLO_PHY_L4_MY_008_047/cmems_obs-sl_glo_phy-ssh_my_allsat-l4-duacs-0.25deg_P1D

第一步制作一个文件列表：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26

import os
from pathlib import Path

# 定义根目录
root_dir = Path("..", "dataset-duacs-rep-global-merged-allsat-phy-l4")

# 初始化一个空列表来存储所有文件路径
all_file_paths = []

# 循环遍历年份
for year in range(1993, 2019):
    # 循环遍历月份
    for month in range(1, 13):
        # 格式化月份，确保它总是两位数
        month_str = str(month).zfill(2)
        # 创建月份目录的路径
        month_dir = root_dir / str(year) / month_str
        
        # 检查目录是否存在
        if month_dir.exists():
            # 循环遍历月份目录中的文件
            for day_file in month_dir.iterdir():
                # 只考虑 .nc（NetCDF）文件
                if day_file.suffix == '.nc':
                    # 将完整文件路径添加到列表中
                    all_file_paths.append(day_file)

计算流速

初步观察利用高度计进行的全球流场分布，我们可以清楚地识别出主要的海洋流系统。这些包括南极绕极流、西边界流、赤道流等，以及众多大小不一的中尺度涡旋。这些观测结果生动地展示了海洋永无休止的旋转和流动。这些动态的海洋模式不仅是地球气候系统的重要组成部分，也对海洋生物的分布和迁移产生深远影响。通过细致分析这些流场分布，我们可以更深入地理解海洋动力学的复杂性和它们在全球环境中的作用。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77

# Load the NetCDF file
file_path = all_file_paths[0]  # Get the first file path as a string
ds = xr.open_dataset(file_path)

# Extract the 'ugos' variable
ugos_data = ds['ugos']
# Extract the 'vgos' variable
vgos_data = ds['vgos']

# Calculate the magnitude of the velocity (flow speed) for the first time step
flow_speed = np.sqrt(ugos_data.isel(time=0)**2 + vgos_data.isel(time=0)**2)

# Plot the flow speed with constrained velocity range between -1 and 1 m/s
plt.figure(figsize=(18, 10))
flow_speed.plot(cmap='RdBu_r', vmin=-0, vmax=1.5)
plt.title('Flow Speed at first time step (Constrained between -1 and 1 m/s)')
plt.xlabel('Longitude')
plt.ylabel('Latitude')
plt.show()

# 计算时间平均
time_mean_speed = speed_data_3d.mean(dim='time')

# 创建一个更大的图形
fig, ax = plt.subplots(figsize=(12, 8))

# 使用 xarray 的绘图功能，并设置数据范围为 ±0.2
plot = time_mean_speed.plot(ax=ax, cmap='coolwarm', 
                            cbar_kwargs={'label': 'Trend (per decade)', 'orientation': 'horizontal'},
                            vmin=-0.0, vmax=0.8)

# 添加标题和标签
plt.title('Ocean Surface Speed Mean', fontsize=16)
ax.set_xlabel('Longitude', fontsize=12)
ax.set_ylabel('Latitude', fontsize=12)

# 显示图形
plt.show()

# 计算时间标准差
time_std_speed = speed_data_3d.std(dim='time')

# 创建一个更大的图形
fig, ax = plt.subplots(figsize=(12, 8))

# 使用 xarray 的绘图功能，并设置数据范围为 ±0.2
plot = time_std_speed.plot(ax=ax, cmap='coolwarm', 
                            cbar_kwargs={'label': 'Trend (per decade)', 'orientation': 'horizontal'},
                            vmin=-0.0, vmax=0.3)

# 添加标题和标签
plt.title('Ocean Surface Speed STD', fontsize=16)
ax.set_xlabel('Longitude', fontsize=12)
ax.set_ylabel('Latitude', fontsize=12)

# 显示图形
plt.show()

# 计算相对时间标准差
relative_std_speed = time_std_speed / time_mean_speed


# 创建一个更大的图形
fig, ax = plt.subplots(figsize=(12, 8))

# 使用 xarray 的绘图功能，并设置数据范围为 ±0.2
plot = relative_std_speed.plot(ax=ax, cmap='coolwarm', 
                            cbar_kwargs={'label': 'Trend (per decade)', 'orientation': 'horizontal'}
                            )

# 添加标题和标签
plt.title('Ocean Surface Speed STD', fontsize=16)
ax.set_xlabel('Longitude', fontsize=12)
ax.set_ylabel('Latitude', fontsize=12)

# 显示图形
plt.show()

尽管高度计的观测揭示了多种海洋流系统和动态模式，但在今天的讨论中，我们将专注于西边界流的长期变化及其时空特征。考虑到数据量巨大，我们的代码中采取了特定的策略来优化数据处理流程。例如，通过设置for file_path in all_file_paths[::100]:，我们将每隔100天读取一次数据文件。这种方法旨在平衡数据的全面性与处理的可行性。读者可以根据自己的研究需求和资源限制，调整读取数据的间隔。这种灵活性使得我们的研究方法不仅适用于探索西边界流的长期趋势，也方便个性化地调整以适应不同的研究目标和数据集大小。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33

import xarray as xr
import numpy as np

# 初始化一个空的列表用于存储速度数据
speed_data = []

# 定义感兴趣的区域（纬度和经度的范围）
lat_min, lat_max = -60.0, 60.0
lon_min, lon_max = 0, 360.0

# 循环遍历每一个文件
for file_path in all_file_paths[::100]:
    # 打开NetCDF数据集
    ds = xr.open_dataset(file_path)
    
    # 提取感兴趣的区域
    ds_subset = ds.sel(latitude=slice(lat_min, lat_max), longitude=slice(lon_min, lon_max))
    
    # 提取 ugos 和 vgos 数据，并取第一个时间步
    u_gos = ds_subset['ugos'].isel(time=0)
    v_gos = ds_subset['vgos'].isel(time=0)
    
    # 计算速度
    u_speed = np.sqrt(u_gos**2 + v_gos**2)
    
    # 将计算出的速度添加到列表中
    speed_data.append(u_speed)
    
# 将列表转换为xarray DataArray 对象，从而形成一个3维数组
speed_data_3d = xr.concat(speed_data, dim='time')

# 显示结果（或进行后续分析）
# print(speed_data_3d)

长期趋势计算

首先，我们确定了数据集中时间、纬度和经度这三个维度的大小。这一步是为了确保我们精确地理解数据的结构，从而可以高效地处理和分析它。接着，我们初始化了一个数组，用于存储每个空间格点的趋势值。

紧接着，我们对每个格点进行了遍历。在每个格点，我们提取了随时间变化的速度数据，并运用线性回归来计算趋势。通过这种方法，我们能够量化每个格点上流速的变化趋势。更进一步，我们将这些趋势转换为每十年的变化率，这使得结果更加直观，也便于与历史数据或未来预测进行比较。

最后，我们利用xarray.DataArray将计算出的趋势值与其对应的空间坐标结合起来，形成一个新的数据结构，这使得数据更易于操作和分析。通过这样的数据处理和分析，我们能够更深入地理解西边界流随时间的变化，为研究全球气候变化及其对海洋环境的影响提供了宝贵的洞见。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36

# 获取时间坐标信息，并转换为Pandas的TimedeltaIndex，以天为单位
time_coords = speed_data_3d.coords['time']
days = (time_coords - time_coords[0]).dt.days

# 获取时间维度的长度和空间维度的大小
n_time = speed_data_3d.shape[0]
n_lat = speed_data_3d.shape[1]
n_lon = speed_data_3d.shape[2]

# 初始化一个数组来存储每个格点的趋势
trend_array = np.zeros((n_lat, n_lon))

# 循环遍历每个格点
for i in range(n_lat):
    for j in range(n_lon):
        # 提取该格点的时间序列
        time_series = speed_data_3d[:, i, j].values  # 使用 .values 将xarray.DataArray转换为NumPy数组
        
        # 使用线性回归计算趋势
        slope, intercept = np.polyfit(days, time_series, 1)
        
        # 将趋势转换为每十年的量级（1年 = 365.25天）
        trend_per_decade = slope * 365.25 * 10
        
        # 存储趋势
        trend_array[i, j] = trend_per_decade

# 创建带有时间和空间坐标的趋势DataArray
trend_dataarray = xr.DataArray(
    trend_array,
    coords={
        "latitude": speed_data_3d.coords["latitude"],
        "longitude": speed_data_3d.coords["longitude"]
    },
    dims=["latitude", "longitude"]
)

绘图

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17

import matplotlib.pyplot as plt

# 创建一个更大的图形
fig, ax = plt.subplots(figsize=(12, 8))

# 使用 xarray 的绘图功能，并设置数据范围为 ±0.2
plot = trend_dataarray.plot(ax=ax, cmap='coolwarm',
                            cbar_kwargs={'label': 'Trend (per decade)', 'orientation': 'horizontal'},
                            vmin=-0.1, vmax=0.1)

# 添加标题和标签
plt.title('Ocean Surface Speed Trend', fontsize=16)
ax.set_xlabel('Longitude', fontsize=12)
ax.set_ylabel('Latitude', fontsize=12)

# 显示图形
plt.show()

这幅地图展示了全球海洋表面流速的趋势分布，色标从蓝色到红色代表了流速趋势的变化范围，蓝色代表速度减缓（负趋势），而红色代表速度加快（正趋势）。可以观察到，特定区域如西边界流域显示出明显变化趋势，但呈现出条纹状，意味着这些区域的海流速度在过去十年既有有增加的趋势，又有下降的趋势。这背后的机制可能是由于局部海洋环流的变化或长期的气候模式变动所导致。

我们把黑潮和湾流区进行放大观察：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20

import matplotlib.pyplot as plt

# 选择黑潮区域的数据
kuroshio_trend = trend_dataarray.sel(latitude=slice(20, 40), longitude=slice(120, 160))

# 创建一个更大的图形
fig, ax = plt.subplots(figsize=(12, 8))

# 使用 xarray 的绘图功能，并设置数据范围为 ±0.1
plot = kuroshio_trend.plot(ax=ax, cmap='coolwarm',
                           cbar_kwargs={'label': 'Trend (per decade)', 'orientation': 'horizontal'},
                           vmin=-0.1, vmax=0.1)

# 添加标题和标签
plt.title('Kuroshio Current Speed Trend', fontsize=16)
ax.set_xlabel('Longitude', fontsize=12)
ax.set_ylabel('Latitude', fontsize=12)

# 显示图形
plt.show()

我们可以对黑潮及其延伸体的长期变化进行一些具体分析。黑潮作为西太平洋的一个主要海流，其主轴的流速趋势在这幅图中没有显示出明显的增强或减弱的迹象，这表明在观测期间，黑潮主轴的强度保持相对稳定。

然而，值得注意的是，在黑潮延伸体的区域，地图展示了一种流轴北移的现象。具体来说，这意味着在黑潮南侧的海域流速变慢（如图中蓝色区域所示），而北侧的流速有所增加（相应的红色区域）。这种变化可能指示了海流的某种空间重组，它可能与多种海洋和气候因素有关，如北太平洋年代际振荡（PDO）、黑潮大弯曲事件和全球变暖，以及局部风场的变化、海水温度梯度的变化，以及其他影响海流结构和强度的因素。

总体上，地图上的色彩分布似乎显示了一种对称守恒的格局，即南侧减慢的流速和北侧加快的流速在数量上相互抵消。这种对称性可能反映了黑潮系统内部动力学的一个重要特性，即在某些自然变化或外部强迫下，系统倾向于通过调整其流速分布来维持能量的平衡。这些观测结果对于理解区域海洋动力学的变化具有重要意义，并可能为预测黑潮以及其延伸体在未来气候变化情景下的响应提供线索。

观察空间分布上表现出减速趋势的海域，并对其时间序列进行分析，这是理解海洋流速变化的重要环节。结果显示这些海域的流速确实在减慢，且这一减慢的趋势是非线性的，变化过程中还伴随着波动。非线性的趋势和中间的波动意味着这些海域的流速变化并非单一方向上的简单增减，而是包含了多个时间尺度上的复杂动力过程。例如，可能存在一个长期的减速趋势，但在这个趋势中叠加了短期的加速和减速周期。这些波动可能是由季节性因素、气候事件如厄尔尼诺或拉尼娜现象，甚至是更长期的气候循环模式所导致的。

要深入理解这些非线性变化，可能需要应用高级的统计方法或时间序列分析工具，例如小波分析或傅立叶变换，以识别和分离出不同时间尺度上的变化成分。此外，与气候模型输出和长期观测数据相结合的方法可以帮助揭示造成这些变化的潜在机制，并预测未来的变化趋势。这对于预测海洋环流如何影响全球气候系统以及海洋生态系统至关重要。

湾流也呈现出类似的特征。湾流作为北大西洋的一个主要暖流，对调节北半球的气候起着至关重要的作用。我们看到湾流也显示出北移现象，这可能意味着流速在南侧减慢而北侧增快。这样的变化可能与大尺度气候模式如北大西洋涛动（NAO）或全球变暖背景下的海水温度变化有关。湾流的这种行为可能会导致能量分布的重新配置，并可能对北大西洋的海洋生态系统和欧洲的气候产生影响。

问题探讨

• 西边界流是全球最稳定的洋流，为什么东向流动的延伸体会向北移动？
• 具体的机制是什么？

西边界流的稳定性和其东向流动的延伸体北移现象确实是一个引人入胜的研究话题。西边界流，如北太平洋的黑潮和北大西洋的湾流，通常是强大而稳定的，这主要是由于它们在特定的海洋盆地边缘受到地形的引导和科里奥利力的影响。东向流动的延伸体向北移动可能与多种因素有关，包括但不限于海水温度变化、风应力的变化、气候变化导致的大尺度气候模式的漂移。

如解决上面的问题，我相信这将是一篇NS级别的文章吧，希望有兴趣的兄弟们可以试一试，也可以联系我一起合作。

下节预告

• 卫星高度计探测Rossby wave

GEE中的HYCOM

GEE，或者说Google Earth Engine，你可能听过或者没听过，但它确实是当前地球科学领域的一颗璀璨明星。为什么？想象一下，地学数据的规模巨大到我们很难在个人电脑上进行存储和分析。但有了GEE，这一切都变得简单了。它让我们可以直接在云端处理这些庞大的数据，不必费心把数据拷贝回本地，更不用说还能借助谷歌强大的计算能力了。关于这点，不少从事光学遥感、合成孔径雷达（SAR）研究的学者都给出了自己的实证研究和论文成果。

说起HYCOM，这可不是一两句话能说清楚的。它是Hybrid Coordinate Ocean Model的缩写，由美国多家机构联手组建的开源海洋环流建模系统，得到了美国国家海洋合作项目（NOPP）的赞助，并作为美国全球海洋数据同化实验（GODAE）的一部分。该模型主要用于研究海洋和大气之间的相互作用，包括短期和长期过程，它对于海洋预测、数据同化乃至气候研究都是至关重要的。而GEE上的HYCOM数据集，无疑是为我们这些研究者铺设了一条快捷之路，轻松获取、分析，再也不用为数据的下载、分析和可视化而烦恼了。

南大洋流场

南大洋，也被称为南极洋或南极圈内的海洋，是地球上最冷、最偏远的海洋。它环绕整个南极大陆，并与三大洋——大西洋、太平洋和印度洋接壤。南大洋的流场特征对全球气候和海洋环流有着重要影响。最显著的流场特征是西风漂流，这是一种东向的表面流，由于缺乏大陆的阻碍，它在南大洋的纬度范围内持续不断地环绕地球。此外，南大洋还是形成深海下沉流的关键区域，这些冷的盐水从表面下沉到深海，成为全球深海环流的驱动力。

通过下面的例子，我们不仅会看到如何利用GEE计算二十年的流速均值和其变化特征，而且还会深入到如何计算涡度、Enstrophy和KE等关键的物理海洋参数。这些参数为我们提供了关于流动形态、能量分布和流动稳定性的关键信息。值得注意的是，使用GEE，这样的复杂分析可以在几秒钟内完成，这在传统的数据处理方法中是难以想象的。这种处理速度不仅加速了研究的进程，而且为实时监测和预测提供了新的可能性。

20年的流速平均

下面这段代码是在分析和展示南大洋在过去20年（从2002年至2022年）中每年1月的前15天的海洋流速均值。

首先，代码定义了南大洋的矩形区域。接着，通过一个函数获取每年1月的前15天的流速数据并计算其均值。这个函数主要过滤特定日期的HYCOM海洋流速数据，并对数据进行了单位转换（除以1000）。然后，我们为2002至2022的每一年都调用了这个函数，得到这20年中的每年均值，并进一步计算出20年的总均值。最终，将结果限制在我们定义的南大洋区域内，裁剪后的速度被添加到了地图上，并将地图的中心设置为南大洋区域。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36

// 1. 定义南大洋的区域
var southernOceanRegion = ee.Geometry.Rectangle([0, -80, 180, -35]);  // 注意调整了范围以覆盖整个南大洋

// 2. 定义一个函数来获取每年4月的数据，并返回这个月的均值
function getAprilAverage(year) {
  var startDate = ee.Date.fromYMD(year, 1, 1);
  var endDate = ee.Date.fromYMD(year, 1, 15);
  
  var collection = ee.ImageCollection('HYCOM/sea_water_velocity')
                     .filterDate(startDate, endDate)
                     .map(function(image) {
                        return image.divide(1000);
                     });
                     
  return collection.mean();
}

// 3. 使用循环来获取2002至2022这20年的4月的均值
var years = ee.List.sequence(2002, 2022);
var averages = years.map(function(year) {
  return getAprilAverage(year);
});

var twoDecadesAverage = ee.ImageCollection.fromImages(averages).mean();

// 4. 从这个二十年的均值图像中计算速度
var speed = twoDecadesAverage.select('velocity_u_0').hypot(twoDecadesAverage.select('velocity_v_0'));

// 5. 使用南大洋区域裁剪速度图像
var maskedSpeed = speed.clip(southernOceanRegion);

// 6. 将裁剪后的速度图像添加到地图上
Map.addLayer(maskedSpeed, {min: 0, max: 1, palette: ['blue', 'yellow', 'red']}, 'Southern Ocean Speed 20-Year Average');

// 7. 将地图的中心设置为南大洋区域
Map.centerObject(southernOceanRegion, 4);

20年流速变化特征

使用标准偏差进行流场变化的统计。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33

// 1. 定义南大洋的区域
var southernOceanRegion = ee.Geometry.Rectangle([0, -80, 180, -35]);

// 2. 定义一个函数来获取每年4月的数据，并返回这个月的速度
function getAprilSpeed(year) {
  var startDate = ee.Date.fromYMD(year, 1, 1);
  var endDate = ee.Date.fromYMD(year, 1, 15);
  
  var velocity = ee.ImageCollection('HYCOM/sea_water_velocity')
                     .filterDate(startDate, endDate)
                     .mean()
                     .divide(1000);
                     
  return velocity.select('velocity_u_0').hypot(velocity.select('velocity_v_0'));
}

// 3. 使用循环来获取1993至2022这30年的4月的速度
var years = ee.List.sequence(2002, 2022);
var speeds = years.map(function(year) {
  return getAprilSpeed(year);
});

var speedCollection = ee.ImageCollection.fromImages(speeds);
var speedStdDev = speedCollection.reduce(ee.Reducer.stdDev());

// 4. 使用南大洋区域裁剪速度标准差图像
var maskedStdDev = speedStdDev.clip(southernOceanRegion);

// 5. 将裁剪后的速度标准差图像添加到地图上
Map.addLayer(maskedStdDev, {min: 0, max: 1, palette: ['blue', 'yellow', 'red']}, 'Southern Ocean Speed STD');

// 6. 将地图的中心设置为南大洋区域
Map.centerObject(southernOceanRegion, 4);

涡度

涡度 (Vorticity) 是流体力学中的一个重要概念，特别在描述流体中旋转现象时。它是一种局 部旋转度量，描述了流体旋转的强度和方向。涡度的方向垂直于流体的旋转平面。
涡度的计算公式:
涡度的定义基于流体速度场。在二维流中，涡度（通常用符号 $\zeta$ 表示）的定义如下：
$$
\zeta=\frac{\partial v}{\partial x}-\frac{\partial u}{\partial y}
$$
其中:

• $u$ 是流速的 $\mathrm{x}$ 分量
• $v$ 是流速的 $\mathrm{y}$ 分量
• $\frac{\partial v}{\partial x}$ 是流速 $\mathbf{v}$ 关于 $\mathbf{x}$ 的偏导数
• $\frac{\partial u}{\partial y}$ 是流速 $\mathrm{u}$ 关于 $\mathrm{y}$ 的偏导数

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27

var dateStr = '2023010100';
var velocity = ee.Image('HYCOM/sea_water_velocity/' + dateStr);

// var projection = velocity.select('velocity_u_0').projection();
// var nominalScale = projection.nominalScale();

// print('Nominal scale (in meters):', nominalScale);

// 1. 加载指定日期的速度数据
// var date = '2023-01-01';
// var velocity = ee.Image('HYCOM/sea_water_velocity/' + date).divide(1000);

// 2. 提取 u 和 v 的分量
var u = velocity.select('velocity_u_0');
var v = velocity.select('velocity_v_0');

// 3. 计算偏导数
var dudx = u.gradient().select('x');
var dvdx = v.gradient().select('x');
var dudy = u.gradient().select('y');
var dvdy = v.gradient().select('y');

// 4. 使用上述的旋度公式
var vorticity = dvdx.subtract(dudy);

// 5. 在地图上显示结果
Map.addLayer(vorticity, {min: -0.1, max: 0.1, palette: ['blue', 'white', 'red']}, 'Vorticity');

Enstrophy

Enstrophy 在流体动力学中表示流体内部的涡旋强度，常用于研究湍流流动。Enstrophy 是涡 度 (vorticity) 的平方的一半，表示为:
Enstrophy $=\frac{1}{2} \omega^2$
其中 $\omega$ 是涡度。在之前的涡度计算中，我们得到了涡度 $\omega=d v / d x-d u / d y$ 。
接下来，我们可以根据上述的涡度计算来进一步计算Enstrophy。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28

// 定义2023年1月的日期范围
var startDate = ee.Date('2023-01-01');
var endDate = ee.Date('2023-01-7');

// 从HYCOM数据集中加载2023年1月份的所有数据
var januaryCollection = ee.ImageCollection('HYCOM/sea_water_velocity')
    .filterDate(startDate, endDate);

// 使用map函数计算每天的涡度（Enstrophy）
var enstrophyCollection = januaryCollection.map(function(image) {
    var u = image.select('velocity_u_0');
    var v = image.select('velocity_v_0');
    var dudx = u.gradient().select('x');
    var dvdx = v.gradient().select('x');
    var dudy = u.gradient().select('y');
    var dvdy = v.gradient().select('y');
    var vorticity = dvdx.subtract(dudy);
    return vorticity.pow(2).multiply(0.5);
});

// 计算2023年1月份的涡度（Enstrophy）均值
var meanEnstrophy = enstrophyCollection.mean();

// 对均值进行对数变换，避免对数0的情况，通常会加上一个小的值
var logMeanEnstrophy = meanEnstrophy.add(1e-10).log();

// 在地图上显示对数转换后的结果
Map.addLayer(logMeanEnstrophy, {min: -20, max: -4, palette: ['blue', 'white', 'red']}, 'Log Enstrophy');

KE

要计算流体中的动能 (Kinetic Energy, KE)，公式为 $K E=0.5 *\left(u^2+v^2\right)$ ，其中 $u$ 和 $v$ 分 别是速度的水平和垂直分量。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38

// 定义2023年1月的日期范围
var startDate = '2023-01-01';
var endDate = '2023-01-31';

// 获取该日期范围内的速度数据集
var velocityCollection = ee.ImageCollection('HYCOM/sea_water_velocity')
                            .filterDate(startDate, endDate);

// 使用map函数来为每一天计算动能 (KE)
var keCollection = velocityCollection.map(function(image) {
  var u = image.select('velocity_u_0');
  var v = image.select('velocity_v_0');

  // 计算 KE
  return u.pow(2).add(v.pow(2)).multiply(0.5);
});

// 计算整月的KE均值
var monthlyMeanKE = keCollection.mean();

// 定义要计算均值的区域，例如全球范围
var globalRegion = ee.Geometry.Rectangle([-180, -90, 180, 90]);

// 使用 reduceRegion 来计算全球的KE均值
var globalAverageKE = monthlyMeanKE.reduceRegion({
  reducer: ee.Reducer.mean(),
  geometry: globalRegion,
  scale: 10000,  // 此处的scale取决于HYCOM数据集的分辨率
  maxPixels: 1e13
});

// 打印统计信息
print('Global Average KE for January 2023:', globalAverageKE);

// 在地图上显示月均值的KE
var logmonthlyMeanKE = monthlyMeanKE.add(1e-10).log();
var keViz = {min: 10, max: 15, palette: ['blue', 'green', 'red']};
Map.addLayer(logmonthlyMeanKE, keViz, 'Monthly Mean KE January 2023');

本代码仅供参考和学习之用，用于展示基本的功能和计算方法。在使用这些代码进行实际的数据处理和分析之前，请确保您已对输入数据进行了适当的单位统一和其他必要的预处理。特别是涉及速度单位的部分，直接使用这些代码可能会导致不准确或误导的结果。建议在实际应用中进行仔细的数据验证和校准，以确保结果的准确性和可靠性。

• 思考题：如何使用GEE绘制某范围内的流速的长时间序列？

科里奥利力

科里奥利力是一个惯性力，它只在旋转参考系中存在。它的出现是由于在旋转参考系中观察物体运动时，物体的运动路径与非旋转参考系中的路径不同。

考虑一个质点在旋转参考系中的运动。科里奥利力的定义是:
$$
\vec{F}_c=-2 m\left(\vec{\omega} \times \vec{v}\right)
$$
其中， $\vec{F}_c$ 是科里奥利力， $\vec{\omega}$ 是旋转参考系的角速度， $\vec{v}$ 是质点相对于旋转参考系的速度，

科里奥利力水平分量的大小是由物体在旋转参考系中的速度、参考系的角速度和物体的质量决定的。 科里奥利力的大小为:
$$
F_c=2 m v \omega \sin (\phi)
$$

科里奥利力的方向始终垂直于物体的速度向量和地球的旋转轴。

科氏参数

科氏参数，通常表示为 $f$ ，是描述地球旋转对流体流动 (如大气和海洋流动) 影响的一个重 要参数。它是地球的角速度和纬度的函数，定义为:
$$
f=2 \omega \sin (\phi)
$$
其中:

• $\omega$ 是地球的平均角速度，约为 $7.27 \times 10^{-5} \mathrm{rad} / \mathrm{s}$ 。
• $\phi$ 是纬度，北纬为正，南纬为负。
  以下是科氏参数的几个关键特点:

1. 赤道附近: 在赤道附近 (即 $\phi \approx 0^{\circ}$ )，科氏参数接近零，这意味着科里奥利力对流体的影 响在这里最小。
2. 极地: 当接近北极 $\left(\phi \approx 90^{\circ}\right)$ 或南极 $\left(\phi \approx-90^{\circ}\right)$ 时，科氏参数的绝对值最大，这意味 着科里奥利力对流体的影响在这里最大。
3. 南半球与北半球: 在北半球，科氏参数为正，而在南半球为负。这决定了北半球和南半球中 流体的偏转方向。

为什么科里奥利力和科氏参数公式中有因子2？这可以从物体在旋转参考系中的运动动力学推导出来。

推导过程

惯性力的定义：

若一个质点 $m$ 某时刻在惯性系 $S$ 中的加速度为 $\mathbf{a_S}$ ，在另一个非惯性系 $S^{\prime}$ 中的加速度为 $\mathbf{a_{S^\prime}}$ ，则可假设质点受到 一个惯性力 (inertial force 或 fictitious force)
$$
\mathbf{f}=m\left(\mathbf{a}_{S^{\prime}}-\mathbf{a}_S\right),
$$
使得牛顿运动定律在非惯性系 $S^{\prime}$ 中仍然成立。

加速度的坐标变换

无相对转动

若两个参考系之间只有平移没有转动，某时刻两个参考系中任意两个固定点之间的加速度都是相等的。令某时刻点 $P$ 相对于 $S$ 系和 $S^{\prime}$ 系的加速度分别为 $\mathbf{a_S}$ 和 $\mathbf{a_{S^\prime}}$ ，再令两坐标系之间的加速度为 $\mathbf{a_r}$ ，那么有
$$
\mathbf{a_S}=\mathbf{a_{S^\prime}}+\mathbf{a_r}.
$$

有相对转动

若两参考系之间有可能存在转动，牵连加速度 $\mathbf{a_r}$ 的定义会变得比牵连速度 $\mathbf{v_r}$ 更微妙，因为牵连速度 与参考系的选取无关，而牵连加速度却有关!

我们在 $S$ 系中讨论问题。定义 $t$ 时刻点 $P$ 在 $S^\prime$ 系中的固定点相对于 $S$ 系的加速度为 $\mathbf{a_r}$ 。那么
$$
\mathbf{a_S}=\mathbf{a_{S^\prime}}+\mathbf{a_r} +2 \boldsymbol{\omega} \times \mathbf{v_{S^\prime}} .
$$
其中 $\boldsymbol{\omega}$ 是 $S^{\prime}$ 系相对于 $S$ 系的瞬时角速度。最后一项被称为科里奥利加速度 (Coriolis Acceleration)
$$
\mathbf{a_c}=2 \boldsymbol{\omega} \times \mathbf{v_{S^\prime}} .
$$

总惯性力

任意非惯性系 $S^{\prime}$ 中质点的总惯性 力 $(S$ 为任意惯性系) 为

$$
\mathbf{F_c} = m\left(\mathbf{a_{S^\prime}}-\mathbf{a_S}\right) = -m \mathbf{a_r} - 2m \boldsymbol{\omega} \times \mathbf{v_{S^\prime}}.
$$

其中第一项包含平移惯性力和转动惯性力，转动惯性力又可划分为离心力以及角加速度产生的惯性力，但与质 点相对 $S^{\prime}$ 的速度无关，所以只将科里奥利力定义为第二项。

应用于地球

影响在地球表面“滑动”的空气运动的加速度是科里奥利项的水平分量
$$
-2 \boldsymbol{\omega} \times \boldsymbol{v}
$$

该分量与地球表面的速度正交，由以下表达式给出
$$\omega v 2 \sin \phi$$

• $\omega$ 是地球的自转速率
• $\phi$ 是纬度, 北半球为正，为负 南半球

在北半球，纬度为正，从上方观察，该加速度位于运动方向的右侧。相反，在南半球它位于左侧。

证明为什么出现2

https://wuli.wiki/online/Corio.html

地图，作为一个实用工具，自古以来就在指引人们的方向和理解世界中起着重要作用。但是，传统的地图制图技术，例如墨卡托投影，虽然实用，却因为空间的变形扭曲了人们对地球的感知。这种扭曲不仅在几何层面，甚至渗透到文化和政治层面，影响了人们对世界的认知。

在20世纪，一位名叫理查·巴克敏斯特·富勒的先驱，以一种全新的方式颠覆了地图制作的艺术。这就是富勒投影，一种地图制作技术，将地球的三维真实性以极小的失真呈现在二维平面上。

1964年《时代》杂志的富勒

变形的挑战

地图投影一直是地理和地图科学中的一个复杂问题。毕竟，将地球这样一个三维球体精确地展现在二维平面上是一个非常棘手的任务。橘子皮的比喻非常形象地描述了这一挑战，试图将橘子皮平铺在桌子上，不管是通过挤压还是剥开的方式，都会造成皮肤的某种形式的变形。同样，地图投影也会使得地球的某些部分产生扭曲或压缩。不同的投影方法在尺度、形状、方向和区域等方面的精确性方面有所不同。

例如墨卡托投影在赤道附近的区域精度较高，但对地球的南北极产生了巨大变形。这在视觉上产生了一种不平衡，这种投影方法在描绘距离和方向时可能非常精确，但在展示陆地的相对大小时却显得扭曲。

墨卡托投影示意图

墨卡托等投影的这一缺陷引发了对更准确、更公正地描绘地球表面的需求。理查·巴克敏斯特·富勒所创建的富勒投影（或称戴美克森投影）就是对这一挑战的回应。通过将地球投影到正二十面体上，富勒地图不仅减小了南北极地区的变形，还为我们提供了一种全新的观察和理解世界的方式。

富勒投影示变形

富勒投影的革新

富勒投影应运而生，采用正二十面体的形状，通过手工绘制将地球表面的每个细节精确地投影到每个等边三角形上。富勒进一步将每个三角形细分，最小化变形，使地图的每个细节都呈现得精确而真实。

富勒基于正二十面体的戴美克森地图

这一革新之处不仅在于其几何结构，更在于其提供的全新视角。富勒投影消除了墨卡托投影的极端变形，还允许不同的布局和方向，从而为观察世界提供了新的可能性。这一方法甚至可以揭示地球表面之间的拓扑关系，揭示了不同地区之间可能的迁移路径。

富勒投影的另一项革命性贡献在于其去中心化的视角。与传统地图的中心主义思维方式不同，富勒投影没有固定的中心，允许以任何方向和角度展示地球的表面。这一突破性设计避免了某些地区或国家受到强调或忽略的问题，真实地反映了地球的普遍性和客观性。富勒投影的这一特性不仅摆脱了地理、政治和文化的局限，还开启了一种全新的空间认知方式。通过重新构建地图的视觉逻辑，富勒投影鼓励观众从多角度、多维度的视野来重新思考和理解我们所居住的世界。这一全球视角不仅有助于促进跨文化的沟通和理解，还可能推动科学、艺术和人文领域的创新探索。

在军事行动的决策方面，富勒通过戴美克森地图发现了陆地几何中心位于当时苏联的伏尔加格勒。这一几何中心具有特殊的地缘战略意义：从该处到各大洲的最远端的距离几乎相等。后来的情报分析证实，该地区正是苏联的关键导弹发射中心，这一发现为战略规划提供了极为重要的信息。此外，在第二次世界大战期间，富勒还向美国军方提出了一项大胆的军事计划。他建议联合苏联从东部反攻纳粹德国，而不是从西部沿岸登陆。虽然当时这一建议未被采纳，但后来的分析与德国方面的情报揭示了这一战略的潜在价值：如果当时按照富勒的方案执行，纳粹德国的溃败可能会更迅速。这些例子展示了富勒投影在军事策略分析中的创新应用，其精确性和独特视角为战争决策提供了新的洞察。

编程语言绘图

富勒投影的实现和可视化并不局限于理论探讨和手工绘制。随着现代编程和可视化工具的发展，富勒投影已经可以通过多种编程语言和库实现。这一点不仅促进了富勒投影的普及，还增加了它的实用性和灵活性。

以下是一些在线绘制富勒投影（Airocean projection）的资源链接：

1
2
3

JavaScript库实现：使用d3-geo-polygon库，可以轻松实现Airocean投影以及其他多面体投影。具体代码和示例可在Observable平台上查看：https://observablehq.com
/@fil/airocean-projection
Python代码实现：如果您使用Python进行地图绘制，可以参考此GitHub链接中的代码来实现富勒投影。https://github.com/locoluis/isea-airocean

通过这些现代工具和库的支持，富勒投影不仅在地图学和地理科学领域中具有广泛的应用，还可以方便地融入到多领域的项目和研究中，从而继续推动富勒投影的创新和发展。

使用d3-geo-polygon绘制富勒投影使用Python绘制富勒投影

影响和启示

富勒地图的影响远不止于此。它改变了人们对地球的空间认知，消除了统治者的幻影，还揭示了地球的海陆拓扑关系与可能的迁徙路径。在历史解释上，富勒用他的地图论证了南极洲作为古代快速航路的可能性。在军事战略上，他的地图更是揭示了苏联的导弹发射中心的几何位置。富勒投影不仅是一项技术创新，更是一门艺术。它展示了地图可以如何超越纯粹的实用价值，成为连接人们与世界的桥梁。理查·巴克敏斯特·富勒用他的智慧和才华，展示了地图的可能性和潜力。他的地图投影，成为了一种象征，一种展示地球真实美丽的方式，是地图制作的一次革命。

链接

• 关于富勒的维基百科页面: https://en.wikipedia.org/wiki/Buckminster_Fuller
• 富勒地图的详细介绍: http://www.bfi.org/about-fuller/big-ideas/dymaxion-world/dymaxion-map
• 关于墨卡托投影的信息: https://en.wikipedia.org/wiki/Mercator_projection

在生活中，我们时常被大自然的神秘现象所震撼，如旋风般的湍流、风暴中的雷电、星空下的北极光。这些看似复杂的天然奇观，其背后真的只是无法解释的魔法吗？读者们，有没有想过为什么，有时，这些复杂得超乎想象的现象，却能够通过简单的理论或方法得以解释？

例如，湍流，这一连续介质力学中最为棘手的问题，尽管在研究中屡遭困境，但也有时候能够通过数学和物理的神奇魅力被探究其深层原理。这里，我们即将使用一种源于上个世纪初、既经典又简单的方法—量纲分析，来为各位揭示湍流背后的神奇秘密。正是这种将复杂事物回归简单的探索精神，使得我们对自然界的理解越来越深入，科技与自然的关系也因此变得更加和谐。

让我们一起走进Kolmogorov的 $-5/3$定律的神奇世界。

量纲分析：开始的第一步

首先，我们需要明确涉及的物理量及其量纲：

• 能量传递速率 $( \varepsilon)$:
  • $ [\varepsilon] = L^2T^{-3} $
• 波数 $( k )$:
  • $ [k] = L^{-1} $
• 能量光谱 $( E(k) )$:
  • $ [E(k)] = L^3T^{-2} $

记住，量纲分析的魅力在于其简洁和普遍性。使用Buckingham’s $( \pi )$ 定理，我们可以将这些物理量联系起来。

Buckingham’s $( \pi )$ 定理

我们有三个物理量: $( \varepsilon, k, E(k) )$ 和两个基本量纲：$( L, T )$。

我们的目标是找到一个无量纲组合：
$$ \Pi = \varepsilon^a k^b E(k)^c $$

通过量纲关系，我们得到：
$$ L^{2a-b+3c}T^{-3a-2c} = 1 $$

满足这些关系，我们需要：

$$ 2a - b + 3c = 0 $$
$$ -3a - 2c = 0 $$

经过计算，我们得到 $( a = \frac{2}{5} )$, $( b = -1 )$, 和 $( c = -\frac{3}{5} )$，这为我们提供了最终的无量纲组合：
$[ \Pi = \varepsilon^{\frac{2}{5}}k E(k)^{-\frac{3}{5}} ]$

这个组合是无量纲的，因此它是一个常数。进一步得出：
$[ E(k) \propto \varepsilon^{\frac{2}{3}}k^{-\frac{5}{3}} ]$
这就是我们的Kolmogorov $-5/3$定律！

量纲分析为我们提供了一个简单且有力的工具，使我们能够洞察湍流中的能量如何分布。Kolmogorov的$-5/3$定律不仅是湍流理论的一个核心部分，也是使用简单的数学方法揭示物理现象背后复杂性的一个绝佳示范。

关于 Charney 的 “Geostrophic Turbulence”

在1971年的论文中，Charney深入探讨了地转涡旋流动的统计特性。他提出，在地转平衡中，涡旋动能的能量谱是 $k^{−3}$，与Kolmogorov的经典湍流理论中的 $k^{−5/3}$ 法则存在明显的不同。这一差异反映了大气流中地转效应的显著影响。

Charney指出，地转涡旋流动中的这种 $k^{−3}$ 能量分布是由于强大的地转效应，它抑制了三维的湍流涡旋，导致了二维的能量传播模式。相比之下，Kolmogorov的 $k^{−5/3}$ 法则更多地描述了没有强地转效应影响的三维湍流。

总之，Charney通过考虑地转效应来解释了大气流中涡旋能量的分布，而这一解释与Kolmogorov的经典湍流理论存在显著的不同。

海洋运动的波数谱

近年来，海洋动力学领域的研究者们对海洋中的波数谱斜率如何分布存在着持续的争议。尽管卫星高度计的观测技术为我们提供了大量关于波数斜率的数据，但这些数据在空间上存在着显著的差异性。有研究指出，动能谱中的波数应该遵循 $k^{−3}$ 的分布律，其中 $k$表示波数。进一步地，在地转平衡下，海表面高度（SSH）的波数谱则应遵循 $k^{−5}$ 的分布律。

然而，真正的转机即将到来。SWOT（Surface Water and Ocean Topography）成像雷达高度计预计在今年10月发布其首批数据。与现有的观测手段相比，SWOT将提供前所未有的二维高分辨率SSH数据，为我们提供了一个全新的、更加精细的视角来重新评估波数谱的真实特性。

这将是一个巨大的突破，因为重新分析这些高分辨率数据将有望揭示海洋能量分布的更多细节。有了SWOT的数据，我们不仅可以更好地了解海洋的动力学机制，还可以解开许多现有争议，为未来的海洋科学研究打下坚实的基础。

The 11th Tibet, Xinjiang and Siberia (TibXS) International Workshop

Background Information

Tibet, Xinjiang and Siberia (TibXS) are the regions of scientific interests of this workshop. We discuss a number of issues over TibXS, including hydrological change, crustal deformation, regional gravity field and variation, mass migration and redistribution, geodynamic and cryospheric processes and climate change, based on various observations from space-borne and terrestrial sensors.

The meeting encourages the latest research achievements as well as potential ideas, suggestions and original and challenging insights in science. The following subjects are accepted (but not limited to): hydrological change over river basins, lake level variation, crustal deformation and its mechanism, mountain glacier change, atmospheric circulation in TibXS, time and frequency applications in geoscience, geopotential and orthometric height determinations, unification of world height datum systems.

Topics of the workshop

• Long-term monitoring of surface processes from satellite altimeter
• Results of satellite and terrestrial-based gravimetric observations
• Results of GNSS observations, GNSS meteorology and ionosphere
• Regional hydrology, vertical displacement, glacier change, lake level change and their interpretations from altimeter, GNSS monthly GRACE fields and gravimeters
• Various applications, geophysical interpretations and consequences of gravity, GNSS, satellite altimetry and seismic observations
• SAR and LiDAR detections of surface deformation, especially over TibXS
• Crust structure and density refinement especially in the region TibXS using multi-datasets
• Earth rotation modeling and Earth rotation parameters estimates based on various observations
• Temporal gravity fields, mass migration and strain/stress fields
• Time and frequency applications in geoscience

Scientific Organization Committee

• Chair: Cheinway Hwang, Yang Ming Chiao Tung University, Taiwan
• Co-Chair: Wen-Bin Shen, Wuhan University, China

Scientific Organization Committee

• Cheinway Hwang (Chair), Yang Ming Chiao Tung University, Taiwan
• Wen-Bin Shen (Co-Chair), Wuhan University, China
• Shaofeng Bian, Naval University of Engineering, China
• Benjamin Fong Chao, Academia Sinica, Taiwan
• Xiaoli Ding, Hongkong Technical University, Hong Kong
• Kosuke Heki, Hokkaido University, Japan / Shanghai Astronomical Observatory, Chinese Academy of Science, China
• Zhicai Luo, Huazhong University of Science and Technology, China
• Chongyang Shen, China Earthquake Administration, China
• CK Shum, Ohio State University, USA
• Xiaodong Song, Peking University, China
• Heping Sun, Innovation Academy for Precision Measurement Science and Technology (APM), Chinese Academy of Science, China
• Wenke Sun, University of Chinese Academy of Sciences, China
• Robert Tenzer, The Hong Kong Polytechnic University, Kowloon, Hong Kong
• Caijun Xu, Wuhan University, China
• Jianqiao Xu, APM, Chinese Academy of Science, China
• Shuangxi Zhang, Wuhan University, China
• Min Zhong, Sun Yat-sen University, China

Local Organization Committee

• Chair: Wei Feng, Sun Yat-sen University, China
• Co-Chair: Jiangcun Zhou, APM, Chinese Academy of Science, China

Venue

Cang’er Yilong Hotel, No. 14 Binhai Avenue, Dali City, Dali Bai Autonomous Prefecture, Yunnan Province, China (中国云南省大理白族自治州大理市滨海大道14号，苍洱逸龙酒店)

Abstract Submission

Deadline for Abstracts Submission is July 15, 2023. Abstracts should be submitted to Mr. Shuwei An (anshw@mail2.sysu.edu.cn) and Prof. Wei Feng (fengwei@sysu.edu.cn).

Special Issue of an International Journal

Contributions from the 11th TibXS are encouraged to submit manuscript to a special issue of an international SCI journal (to be determined), to document new scientific findings in TibXS based on multi-datasets especially the GRACE and altimeter data and time-frequency applications in geoscience. The guest editors will be announced later. The tentative deadline of full paper submission is expected on December 31, 2023. Requirements in details will be described in special announcement.

Registration and Presentation

On-site registration on 10 August (whole day) 2023 is recommended. The registration fee is 150 USD (or RMB 1000) by credit card. For a student, the registration fee is 80 USD (or RMB 500). Days of presentation and discussions: August 11-12.

Formal Language of the Workshop

All abstracts, full papers, and presentations should be given in English.

Best Paper Awards for Graduate Students

During the meeting, best paper awards (first prize and second prize for Master or Doctor candidates) will be selected by the Scientific Committee.

Accommodation

Accommodation cost is covered by participants themselves. Accommodation cost in Hotel: 350/380 RMB/night for two-beds room (twin room) or 350 RMB/night for one big-bed room. The LOC will reserve the rooms for participants.

Transportation

Please take taxis or public buses from Dali Fengyi Airport or Dali Train Station to the Cang’er Yilong Hotel. Please contact Ms. Lina LI (lilina3@mail.sysu.edu.cn) for transport service.

Reception and Invitations

All representatives are invited to attend the reception from 18:00 to 20:30 on August 10, 2023 (GMT+08:00).
Dinner Invitations: All representatives are invited to attend the meeting closing dinner: starting at 18:30 on August 12, 2023.

Pre-Registration

The participants are invited to fill in and submit the attached registration form to Mr. Shuwei An (anshw@mail2.sysu.edu.cn) and Prof. Wei Feng (fengwei@sysu.edu.cn) with the titles of your presentations before July 15, 2023.

Organized and Sponsored By

• School of Geospatial Engineering and Science, Sun Yat-sen University, Zhuhai, China;
• School of Geodesy and Geomatics / Key Laboratory of Geospace Environment and Geodesy, Wuhan University, Wuhan, China;
• Department of Civil Engineering, Yang Ming Chiao Tung University, Hsinchu, Taiwan;
• Subcommission 2.6 and Subcommission 2.4e of International Association of Geodesy (IAG);
• NSFC (grant Nos. 42061134010, 41874095, and 42030105)

Registration Form

International Workshop of 11th TibXS, August 10-13, 2023, Dali, Yunan, China

Surname: ____
Given Name: ____
Title: ____
Sex: ____
Address: ____
Post code: ____
Country: ____
City: ____
Email: ____
Accommodation:

• Two-beds room
• Two-beds room (shared)
• One big-bed room
  Days: From __ to __
  Institute: ____
  Title(s) of Presentation(s): ____
  I’ll be accompanied by: ____

Please send this form before July 15, 2023
To: Mr. Shuwei An (anshw@mail2.sysu.edu.cn) and Wei Feng (fengwei@sysu.edu.cn)

Abstract Template

Title of your abstract here
A.B. Author(1), C.D. Author(2) and E.F. Author (3)

• (1) Please enter A.B. Author affiliation here with full address, (abauthor@mail.com / your phone here)
• (2) Please enter C.D. Author affiliation here with full address, (cdauthor@mail.com)
• (3) Please enter E.F. Author affiliation here with full address, (efauthor@mail.com)

Please enter the main text of your abstract here.

Keywords: keyword1, keyword2, keyword3
Presentation preference: (Oral/Poster/no preference)

在《庄子》中，有一个著名的井底之蛙的故事。事情发生在东海边的一个小村庄里，这儿有一只名叫小青的青蛙，它生活在一个清澈的池塘中。尽管距离东海只有几步之遥，但对小青来说，那是一个遥不可及的神秘世界。

有一天，小青在池塘边欣赏着东海的波涛声，突然听到一声兴奋的声音：“喂，小青，你知道东海有多宏伟壮观吗？”小青抬头一看，原来是它的朋友东海鳖。

小青好奇地问道：“东海有多大？”东海鳖微笑着回答：“小青啊，东海千里之广，千仞之深。海水浩瀚无边，无法用言语形容其广阔和深邃。洪水滔滔，海水不会因此增多；大旱连连，水位也不会因此下降。无论何时，无论天气如何变化，东海的高程始终保持不变。”

小青陷入沉思，思考着东海的壮丽与稳定，觉得不可思议，为什么海平面不会变化？这是真的吗？。正当它陷入困惑时，一个人影出现在远处。走近一看，原来是青岛安海公司的雷总。雷总向小青走来，微笑着说道：“小青，你知道我们人类发明了一种叫做GNSS浮标的神奇工具吗？它可以测量海面的高度变化，让我们更好地了解东海的秘密。”

小青震惊地问道：“真的吗？东海鳖以为海水是永恒不变的。”雷总点头笑道：“是的，东海虽然深广无垠，但它也在悄悄地发生着变化。GNSS浮标可以提供准确的海面高观测数据，帮助我们了解海平面的变化趋势。通过这项技术，我们可以深入了解东海的奥秘。”

小青感到非常兴奋，它决定要一台GNSS浮标，以便能够更好地了解东海的变化。雷总留下了GNSS浮标的销售电话15563986819，并鼓励小青多了解关于大海的知识。

从此，小青在东海之滨的池塘旁，安放了一台GNSS浮标。它通过测量海面高度的变化，深入探索东海的秘密，领悟到人类的智慧和科技的力量。小青意识到，尽管自己只是一只青蛙，但通过学习和探索，它可以超越自己的局限，去领略更广阔的世界。

这个故事告诉我们，无论我们身处何地，探索未知和超越自我都是一种宝贵的精神。而GNSS浮标则成为小青认识世界的窗口，让它在东海之滨揭开了一个崭新的篇章。

自古以来，海洋一直是神秘而广阔的领域，其中隐藏着无尽的奇观和未知。在《西游记》中，我们见证了一个关于海洋测绘的故事，它揭示了人类科技的进步和应用，改变了传统的测量方式，为海洋的探索和管理提供了新的工具和方法。

故事的开始，孙悟空为了寻找合适的兵器，抢走了龙王的神铁金箍棒。这根金箍棒原本是龙王用来测量海水深浅的上古工具，是大禹治水时留下的宝贵遗产。然而，失去了这块神铁，龙王对海洋水位的变化无法准确了解，施政受到了严重的影响。全球的云雨混乱，海洋动荡不安，全球气候变化受到了极大的干扰。

龙王愤怒地向玉帝告状，要求归还金箍棒。玉帝责问孙悟空，为何偷取神铁。孙悟空此时眼含智慧，他告诉玉帝，现在海洋测绘已经不再使用神铁的方式。他指向天空中闪烁的人造卫星，这些是人类科技的结晶，提供了全新的海洋测绘仪器：GNSS浮标。

GNSS浮标是一种先进的卫星海洋测绘仪器，它不仅可以精准测量海水的深度变化，还能感知海洋的轻微波动。相比起金箍棒上没有刻度的简陋工具，这款浮标能够以厘米级的精度测量水位的变化，以及测量波浪的高度和频率。

这一重大的科技突破由青岛安海公司独家代理。公司的雷总在这里给龙王留下了联系电话15563986819，并表示提到孙悟空的名字，将享受优惠待遇。

这个故事告诉了我们，科技的进步不断推动着人类对自然的探索和理解。从神铁金箍棒到GNSS浮标，我们见证了测绘技术的飞跃。人类的智慧和创新为我们提供了更准确、更高效的海洋测绘手段。通过这些先进工具的运用，我们能够更好地管理海洋资源，保护海洋环境，促进可持续发展。

正如孙悟空所说，现在的海洋测绘已经走向了新的时代，而这项技术的进步不仅改变了龙王对海洋的认知，也让我们认识到科技在推动人类文明进步和保护自然环境方面的巨大潜力。让我们借鉴这个故事，继续探索和创新，为海洋的研究和保护贡献我们的智慧和力量。

2023年疫情结束，许多同学说想出去开会了，压抑了三年的情绪和会议经费都需要释放下。为方便大家查阅会议信息，小编搜集了海洋遥感、测绘类的学术交流会议，本篇为国内部分。

2023年测绘地理信息和海洋领域主要会议-国内篇

上述会议可通过网络搜索到详细信息，限于篇幅不列出网址了。注意，部分会议查不出主办方，参会需谨慎。
9月之后的会议尚未发布，小编将本文在GitHub进行信息更新，读者可查阅:https://github.com/yangleir/Conference。