| 查看: 3998 | 回复: 0 | |||
yexuqing木虫之王 (文学泰斗)
太阳系系主任
|
[交流]
Science：深度学习揭示南极冰架复杂流动规律
|
|
Science：深度学习揭示南极冰架复杂流动规律 2025-03-20 | 【大 中 小】【打印】【关闭】 一、引言 海平面上升是全球气候变化的重要后果之一，主要由海水热膨胀和冰盖消融等因素导致。南极冰体系统在历史上对海平面上升的贡献随气候变化而不同，但当今人类活动已使其成为全球海平面上升的第二大来源，仅次于热膨胀。南极的冰主要以冰盖（覆盖南极大陆，占南极总冰量的 99.8% 以上）、冰架（冰盖在海洋中的延伸部分）、冰川（流动的冰盖）、海冰（由海水冻结形成）等形态存在，其中，冰架对冰盖起支撑作用，能够减缓冰盖流失，进而抑制海平面上升。然而，大陆尺度上，冰架的流变行为与实验室观测和理论模型存在显著差异，其流动特性和粘滞性仍存在争议。在最新发表于Science的研究中（Wang et al., 2025），作者利用物理信息约束的神经网络结合卫星遥感数据，反演出南极冰架的粘滞性，并确定了其应力-应变率关系。研究揭示，冰架在压缩区和伸展区表现出不同的流变特性，这一发现为评估冰架失稳引起的南极冰盖流失提供了关键数据支撑。 图1 数据模型驱动的冰架流变性质研究。（西）南极冰盖主体位于海平面以下，容易受到海水的侵入造成冰架的垮塌，进而加速冰盖的流失。现有的冰盖流动定律，不足以精细描述冰盖的复杂流变过程，借助物理约束的神经网络和遥感观测数据可以反演出南极地区冰架的流变特征，并将其用于预测未来海平面变化 二、关键方法 冰架由粒雪、晶雪和盐雪等不同来源的雪组成，微观上具有强烈的非均质性和各向异性；裂缝和缝合带等宏观结构的存在进一步增加了分析冰架流变特征的难度。实验室测量所得的冰的流变特征及基于此构建的理论模型，在描述大陆尺度的冰架流动规律时仍存在较大误差。冰架的流变特性可通过应力和应变率关系（）来表征，其中等效应变率（）可由横向冰流速度（）计算得到；而冰架等效应力（）的获取则相对困难，这是由于钻孔中的直接测量数据和冰芯样品的间接测量数据都非常有限。在大陆尺度上，等效应力测量可通过等效粘滞系数转换而来（），而等效粘滞系数则需要在已知冰架的横向流速（）和厚度（）情况下，通过求解二维浅冰架近似方程（SSA）得到。不同于传统的冰流模型（如常用的Glen law，取），该项研究通过反演得到的等效应力-应变率场，揭示了冰架不同区域的流变特征。 图2 物理信息约束的神经网络架构。输入观测数据为冰架的横向流速度（）和厚度（），待估计参数为等效粘滞系数（）；通过建立数据残差和物理失配目标函数，神经网络经迭代训练后，能够给出同时满足给定物理方程和拟合观测数据的最优解。 三、主要发现 南极冰架在不同的区域表现出不同的流变特征，不能仅通过应力与应变率之间简单的指数关系来描述。如在Amery冰架的上游（靠近接地线），其应力-应变率关系可通过指数关系表示，且应力指数近似为1，而在冰架的下游区域，则表现出更强的塑性行为，无法通过指数模型表示应力-应变率的关系。进一步对多个冰架流变性分析发现，低应力压缩区（冰体受到挤压，kPa），冰的变形主要由冰晶颗粒间的滑动（GBS）控制，应力指数约为2；在高应力压缩区kPa），冰的变形主要由冰晶颗粒间的位错（DC）控制，应力指数约为4；而中等应力范围的压缩区，冰的变形受到两种机制的共同控制，应力指数约为3. 此外，在冰体拉伸区域，冰的粘滞性表现出明显的各向异性，传统各向同性粘滞模型无法有效拟合观测数据。因此，需要引入水平和垂直粘度各向异性方程，以便更精确描述冰架的流变性。反演得到的横向粘滞性系数低值异常，指示了冰架缝合带和裂缝的空间分布。结合应力指数空间分布，可以评估冰架的稳定性及接地线的位置，为预测南极冰盖流失提供关键数据支持。 图3 反演得到的等效粘滞系数、应力-应变率关系以及各向异性粘滞系数。应力-应变率关系受到应力场的影响，在不同的冰架区域具有不同的应力指数及各向异性。粘滞系数在冰体拉伸区表现出显著的各向异性，由此反演得到的横向粘滞系数低值与其他方法划分的冰架缝合带，较各向同性假设有更好的对应关系 四、总结 冰架的力学稳定性是预测未来海平面变化的重要依据，本研究在现有物理理论基础上，利用深度学习方法挖掘遥感数据中蕴含的冰架流变特性及其未知物理过程，弥补了实验室观测和传统指数模型在预测冰架复杂流变过程的不足，为精准预测海平面变化提供了数据支撑。当前，对冰盖粘弹性各向异性的研究仍处于初级阶段。未来需结合现场观测、耦合裂缝与流变学模型，以进一步解析冰架各向异性粘弹机制。此外，机器学习方法可以从海量观测数据中提炼潜在的物理规律，弥补现有物理模型的不足，为冰川动力学研究提供全新的研究范式。 主要参考文献 Wang Y, Lai C Y, Prior D J, et al. Deep learning the flow law of Antarctic ice shelves[J]. Science, 2025, 387(6739): 1219-1224. （原文链接） （撰稿：张振东，刘伊克/油气理论与方法学科中心） |
回复此楼» 猜你喜欢
355 B区地质调剂
已经有1人回复
-
解锁青少年负责任决策的关键：基于PISA 2022全球数据的SEL维度研究成果发表
已经有1人回复
-
地质学论文润色/翻译怎么收费?
已经有209人回复
