Hi, I'm YHY 🌊

1.1 课程目标与学习方法论 (Course Goals & Learning Methodology)

课程定位：描述性物理海洋学是物理海洋学的基础，侧重于观测、描述和解释海洋的物理状态及变化过程，而非纯理论推导。

核心逻辑：强调“What? Why? How?”的探究逻辑——现象是什么？为什么会发生？如何观测和量化？

高效学习原则：

• 多源比较与帕累托原则（80/20法则）：从8-10个权威平台收集信息，找出出现频率占80%以上的核心知识点，聚焦这20%的核心内容。
• 结构化规划：分析概念间的依赖关系，从基础到高级排序，设定阶段性里程碑。
• 费曼学习法：用通俗语言解释概念，找出盲点，重新学习，使用类比，最后教给别人。
• AI与工具应用：使用AI工具辅助撰写代码、绘制专业图表（MATLAB绘图、位温分布图），利用AI Agent进行文献总结与数据提取。

1.2 海洋的时空尺度 (Time and Space Scales)

核心图表 (Figure 1.2)：物理海洋学最重要的概念图之一。横轴是水平空间尺度（1毫米到10,000公里），纵轴是时间尺度（1秒到100年）。

• 微观尺度：分子过程（1秒，1毫米）、湍流斑块（分钟级，米级）、表面波（秒级，米级）。
• 中观尺度：内波（小时到天，公里级）、潮汐（小时到天，百公里级）、中尺度涡（月级，百公里级）。
• 宏观尺度：季节变化（月到年，千公里级）、厄尔尼诺（1-7年，千公里级）、风生环流和热盐环流（十年到百年，万公里级）。

单位注意事项：MKS单位制为主，距离常用千米（km），深度用米（m），压力用分巴（dbar），盐度官方定义为无量纲。

2.1 地球表面的海陆分布与深度 (Land-Sea Distribution and Depth)

• 面积占比：地球表面约71%被海洋覆盖。
• 平均深度：海洋平均深度约3734米，陆地平均海拔仅743米。
• 极值：最深处马里亚纳海沟约11,000米（仅占地球表面积的0.04%）；最高峰珠穆朗玛峰约8,848米。
• 海底地貌分布：大陆架（水深0-200m）、大陆坡、大陆隆、深海平原、洋中脊、海沟等。

2.2 海底扩张与地壳年龄 (Sea Floor Spreading & Crustal Age)

• 年龄分布 (Figure 2.3)：海底地壳非常年轻，最老不超过2.8亿年。
• 洋中脊：新生地壳产生的地方。距离洋中脊越远，地壳年龄越老。
• 扩张速率差异 (Figure 2.4)：东太平洋海隆（EPR）是快速扩张中心，地形相对平滑；大西洋中脊（MAR）是慢速扩张中心，中央有显著的裂谷。

2.3 各大洋及海域特征 (Characteristics of Major Oceans)

• 太平洋：面积最大，最深。四周被深海沟环绕（如马里亚纳海沟、日本海沟），洋中脊位于偏东位置。
• 大西洋：呈“S”形，洋中脊位于正中，两侧有广阔的深海平原。
• 北冰洋：被大陆环绕，拥有世界上最宽阔的大陆架。案例：摩尔曼斯克港终年不冻，是因为受北大西洋暖流的影响。
• 南大洋：围绕南极洲，关键通道包括德雷克海峡（Drake Passage），连接太平洋和大西洋。

3.1 温度与位温 (Temperature and Potential Temperature)

• 现场温度 (In-situ Temperature, T)：温度计在深海直接测得的温度。由于海水随深度增加受绝热压缩，温度会升高。
• 位温 (Potential Temperature, θ)：将水团绝热提升到海面时的温度。
• 关键结论：位温通常总是低于实际温度，除非该水团本来就位于海面。马里亚纳海沟的T-S剖面图显示，在4000米以下，T（红色虚线）和θ（蓝色实线）的差异急剧增大。
• 绝热过程：水团压缩时温度升高，膨胀时温度降低。

3.2 盐度 (Salinity)

定义演变：

• 最初使用千分比（‰）。
• 后改为实用盐度单位 (psu)，基于电导率测量。
• 现在定义为绝对盐度 (Absolute Salinity, S_A)，基于电导率且无量纲。

测量方法：蒸发称重（最古老）→ 滴定法测氯度 → 测量电导率（现代标准方法）。

3.3 密度 (Density)

• 影响因素：温度、盐度、压力。冷水、咸水、高压水密度更大。
• 非线性：密度与温度、盐度的关系是非线性的，需使用经验公式（状态方程）。
• 单位：kg/m³ (MKS) 或 g/cm³ (CGS)。
• 位势密度 (Potential Density)：将水团绝热移动到参考压力时的密度。用 σ (Sigma) 表示，如 σ₀（参考海面）、σ₁₀（参考1000 dbar）。
• 密度剖面：密度随深度增加，海洋内部存在密度跃层（Pycnocline），阻碍垂直混合。

3.4 特殊物理过程与混合机制 (Special Processes & Mixing Mechanisms)

• 混合增密 (Cabbeling)：两种温度、盐度不同但密度相同的水团混合时，混合后密度会大于原水团，导致下沉。例子：格陵兰盆地的深层水形成。
• 热压效应 (Thermobaricity)：由于压力变化导致热膨胀系数改变，引起深层水的特殊混合。
• 双扩散 (Double Diffusion)：
  • 盐指 (Salt Fingers)：暖、咸的水覆盖在冷、淡的水之上时，热量扩散比盐分快，形成细长的“盐指”。发生在温带上层海洋、热带深层太平洋。
  • 扩散对流 (Diffusive Convection)：冷、淡的水覆盖在暖、咸的水之上时，形成阶梯状的“扩散核心”。
• 声速与SOFAR通道：声速随温度、盐度、压力变化。约1000米深度存在声速最小值（SOFAR Channel），声波可传播数千公里，用于潜艇通信和海洋监测。
• 死水 (Dead Water)：船只航行在“淡-咸”强分层界面时，能量转化为内波，导致船只仿佛被“粘住”。

3.5 海冰与多孔性 (Sea Ice & Porosity)

• 热力学：海冰形成时排出盐分（Brine rejection），形成冷、咸、密度大的深层水（Dense Shelf Water），是全球热盐环流的重要驱动力。
• 冰间湖 (Polynya)：
  • 潜热冰间湖：由风将冰吹开，持续暴露水面而结冰，释放潜热。
  • 感热冰间湖：由潮汐混合将温暖的次表层水带到海面，融化海冰形成。
• 学科交叉：地质学（岩浆房和火山口形成与双扩散有关）、天体物理学（太阳内部氦气和热量扩散速率不同，形成类似双扩散的机制）。

4.1 温度分布 (Temperature Distribution)

海温是描述海洋状态最基本的变量之一，其分布受太阳辐射、环流、海气交换和混合过程共同控制。

表层温度分布

• 随纬度递减：低纬度太阳辐射强，海温高；高纬度太阳高度角低，海温低。年平均表层海温从赤道约 28°C 递减到极地约 −1.8°C（冰点）。
• 东西向差异：同一纬度上，大洋西岸通常比东岸暖（如黑潮、湾流 vs 加利福尼亚寒流、秘鲁寒流）。
• 季节变化：北半球中纬度季节温差可达 5–10°C；赤道和极地季节变化小。
• 极值中心：北半球最暖区在赤道以北的太平洋和大西洋西部；南半球最暖区在赤道以南。

垂直温度剖面

典型低纬海洋的温度剖面可分为三层：

• 混合层（Mixed Layer）：厚度 20–200 m，因风、波浪和热对流而充分混合，温度和密度近似均匀。
• 温跃层（Thermocline）：温度随深度迅速下降，是海洋中最重要的层结结构之一。低纬海洋温跃层深约 100–1000 m。
• 深层（Deep Layer）：温度缓慢降低，深层水温低于 4°C，底部接近 0–2°C。

高纬海洋温跃层弱或不存在，因为上层与深层温差很小。极地海域甚至出现"冷跃层"（上层冷、下层暖）。

4.2 盐度分布 (Salinity Distribution)

盐度受蒸发、降水、径流、海冰形成与融化、水团混合共同控制。

表层盐度分布

• 副热带高盐区：蒸发大于降水，盐度可达 36–37。如北大西洋副热带、南太平洋副热带。
• 赤道低盐区：降水充沛，盐度约 34.5–35。
• 高纬低盐区：降水、径流和融冰多，盐度约 32–34。北冰洋表层甚至可低至 28–30。
• 极值：红海和波斯湾盐度可达 40 以上（强蒸发 + 有限交换）；波罗的海盐度低至 7。

垂直盐度剖面

• 低纬：表层盐度略低（降水多），次表层出现盐度极大值（副热带高盐水下沉），深层盐度约 34.7–34.9。
• 中纬：表层盐度高（蒸发强），向下盐度逐渐降低。
• 高纬：表层盐度低，向下逐渐升高（深层水来自高盐区下沉）。

盐度极值层：副热带次表层的高盐核是识别水团的重要标志。

4.3 密度分布 (Density Distribution)

密度由温度、盐度和压力共同决定，是驱动海洋环流的关键变量。

表层密度

• 低纬：高温低盐，密度较低（约 1022–1024 kg/m³）。
• 副热带：高盐，密度较高（约 1025–1026 kg/m³）。
• 高纬：低温，密度最高（约 1027–1028 kg/m³），特别是北大西洋和南极周边。

垂直密度剖面

• 密度跃层（Pycnocline）：密度随深度迅速增加，阻碍垂直混合，是全球海洋层结的核心。
• 低纬海洋：密度跃层明显，主要由温跃层贡献（温度主导）。
• 高纬海洋：密度跃层弱，层结不稳定，容易发生深对流。

Brunt-Väisälä 频率 N：衡量层结稳定性的核心指标，N² > 0 表示稳定层结。

4.4 温盐图 (T-S Diagram)

T-S 图是物理海洋学识别水团最重要的工具。横轴为盐度，纵轴为温度，每个点代表一个水样。

T-S 图的物理意义

• 水团核心：T-S 图上密集的点簇对应特定水团的形成区。
• 混合线：两个水团混合在 T-S 图上表现为一条直线（温度、盐度线性混合）。
• 密度等值线：T-S 图上叠加等密度线（σ 线），可判断混合过程是否跨密度面。
• 曲线弯曲：偏离直线的部分表示发生了非保守过程（如生物作用、海气交换）。

典型水团的 T-S 位置

• 南极底层水（AABW）：温度约 −0.5°C，盐度约 34.7，位于 T-S 图左下角。
• 北大西洋深层水（NADW）：温度约 2–4°C，盐度约 34.9–35.0。
• 南极中层水（AAIW）：温度约 2–4°C，盐度约 34.5–34.7（盐度最小值）。
• 地中海溢流水：温度约 13°C，盐度约 38（高盐高密）。
• 北太平洋中层水：温度约 5°C，盐度约 34.0–34.3（低盐）。

4.5 主要水团特征 (Major Water Masses)

水团是指具有相对均匀的温盐特征、在特定海域形成、并能在海洋中长距离传播的水体。

全球主要水团

水团的形成与传播

• 形成条件：海气交换充分、层结弱、存在深对流或陆架下沉。
• 传播路径：深层水沿海盆边界流动，形成全球"大洋传送带"（Great Ocean Conveyor Belt）。
• 时间尺度：深层水从形成到回流需数百年到上千年。

4.6 三大洋的温盐结构对比 (Comparison of Major Oceans)

4.7 本章重点 (Key Takeaways)

5.1 第一题：影响四种热通量的因素及其重要性 (Factors Affecting the Four Heat Fluxes)

分别有哪些因素决定 Qs、Qb、Qe 和 Qh？每个因素对各项热通量的重要程度如何？

① Qs：太阳短波辐射（Shortwave Radiation）

• 太阳高度角（最重要）：太阳高度角越大，单位面积接收的太阳辐射通常越多。
• 云量（非常重要）：云层反射和吸收太阳辐射，云量越大，海面获得的短波辐射通常越少。
• 纬度和季节：影响太阳高度角及日照时长，低纬度地区通常获得较多太阳辐射。
• 海面反照率（次要）：海面反射部分入射太阳辐射，反照率越大，海洋吸收的能量越少。

② Qb：海面有效长波辐射（Net Longwave Radiation）

• 海表温度 SST（非常重要）：根据斯特藩–玻尔兹曼定律，海温越高，海面发射的长波辐射越强。
• 云量（非常重要）：云层增强向下长波辐射，通常减少海洋净长波热量损失。
• 大气温度和湿度（重要）：温暖、潮湿的大气会向海面发射更多长波辐射，从而减少净长波冷却。

③ Qe：潜热通量（Latent Heat Flux）

主要由海水蒸发决定。

• 海气湿度差（最重要的驱动因素之一）：海面饱和比湿与近海面空气比湿差越大，蒸发越强。
• 风速（非常重要）：风速越大，海气水汽交换通常越强。
• 海表温度（重要）：海温升高会提高海表饱和水汽压，在其他条件不变时促进蒸发。

因此，干燥、强风和较高海温通常有利于海洋通过蒸发损失热量。

④ Qh：感热通量（Sensible Heat Flux）

主要通过海气温差引起的湍流交换实现。

• 海气温差（最重要的驱动因素之一）：海温高于气温时，热量通常由海洋传向大气。
• 风速（非常重要）：风速越大，湍流交换越强，感热通量的绝对值通常越大。
• 大气稳定度（重要）：影响湍流混合效率，进而影响感热交换。

5.2 第二题：四种热通量的数值范围及极值分布 (Ranges & Extreme Centers)

四种热通量的大小范围分别是多少？最大值中心和最小值中心在哪里？

四种热通量的示意性数量级（W/m²）

注：这些是示意性数量级，不是从指定热通量地图读取的严格极值，不能直接当作全球最大和最小中心的精确答案。

为什么这些地区会出现极值？(Why Do Extremes Occur?)

• 短波辐射 Qs：低纬度太阳辐射强，高纬度太阳高度角低，因此整体上从低纬向高纬减少。不过赤道附近云量较大，最高值未必恰好位于赤道。
• 长波辐射 Qb：干燥少云地区的大气向下长波辐射相对较弱，海洋净长波损失较大；多云潮湿地区净长波损失较小。
• 潜热通量 Qe：黑潮和墨西哥湾流附近，温暖海水遇到较冷、较干燥的空气，尤其在冬季，蒸发强烈，潜热损失较大。
• 感热通量 Qh：在冬季西边界流附近，海气温差大、风速较强，因此海洋向大气输送较多感热。

📌 需要记住的重点 (Key Takeaways)

6.1 基础统计概念 (Basic Statistical Concepts)

用来描述数据的平均状态、波动大小，以及不同变量之间的关系。

误差与均值 (Errors & Mean)

• 随机误差（random error）：测量结果不规则地偏高或偏低。例如，同一水温反复测量得到略有不同的结果。独立重复测量取平均通常能减小它的影响。
• 系统误差（systematic error）：测量存在持续的偏差。例如，温度计总是高出真实值 0.5°C。多测几次取平均也不能消除，需要校准。
• 均值（mean）：数据的平均水平，例如某海域的年平均海温。

波动与关系 (Variance & Relationships)

• 方差（variance）：数据偏离均值的平方的平均，表示波动大小。总体方差用总体大小作分母；样本方差的常见无偏估计使用 n−1。
• 标准差（standard deviation）：方差的平方根，与原数据单位相同，更方便理解波动幅度。
• 协方差（covariance）：两个变量是否倾向于一起变化。正值表示通常同增同减，负值表示通常一个增、另一个减。
• 相关系数（correlation）：标准化后的协方差，通常指皮尔逊相关系数，范围为 [−1, 1]，衡量线性关系的方向和强弱。相关不代表因果；零相关也不一定意味着没有非线性关系。

6.2 时间序列分析 (Time Series Analysis)

研究一个变量如何随时间变化，例如某海域连续几十年的月平均海温。可以研究趋势、周期、时间上的关联等。

课件重点讲的是其中的频谱分析：把复杂变化分解成不同频率的成分，判断哪些周期最明显。频谱分析是时间序列分析的一种方法，二者不能完全等同。

常见周期 (Common Periods)

• 一年周期：季节变化。
• 一天周期：昼夜变化。
• 数年尺度变化：与 ENSO 等过程有关，不一定具有严格固定的周期。

频率、周期与波数 (Frequency, Period & Wavenumber)

• 频率 f 表示单位时间内变化多少次，周期 T 表示一次变化需要多久，二者满足 T = 1/f。
• 分析空间变化时，可以用波数描述空间上的起伏频繁程度，对应波长。

谱的形状 (Spectral Shape)

• 红谱：低频、缓慢变化的功率较大。
• 白谱：功率谱密度在各频率上大致相同。
• 谱的形状可以帮助理解变化背后的物理过程，但不能单凭谱形确定唯一机制。

6.3 多维数据分析 (Multi-dimensional Data Analysis)

多维数据可以同时涉及经度、纬度、深度和时间。课件在这里主要介绍客观分析（objective analysis）：将分布不规则的观测转换成规则网格上的估计值。

例如，船舶只在部分位置测量了海温，但我们希望得到完整的海温地图，就需要估计没有观测的网格点。估计时会考虑：

• 空间相关尺度：相隔多远的观测仍能提供有用信息。
• 观测噪声：测量有多可靠。
• 观测之间的关系：避免把高度重复的信息算得过重。

最终估计常表现为附近观测的加权组合；有背景场时，通常是对观测与背景之差进行加权修正。因此，它不只是简单取最近几个点的平均。

6.4 EOF 分析简介 (What is EOF Analysis)

EOF 分析是大气、海洋与气候科学中最常用的多元统计方法之一。它将时空数据分解为：

• EOFs（空间模态）：一组正交的空间基函数，代表数据中主要的空间结构。
• PCs（主成分）：对应的时间序列，描述每个空间模态随时间的变化。

核心思想：用尽可能少的模态，在最小二乘意义下捕捉最大的方差。

术语对照：

• 气象/海洋/气候 → EOF
• 统计学/机器学习 → PCA（主成分分析）
• 流体力学/工程 → POD（本征正交分解）
• 数值线性代数 → SVD（奇异值分解）

四者在数学上本质等价，只是不同学科的叫法和侧重点不同。

6.5 数学框架与计算流程 (Mathematical Framework & Algorithm)

6.5.1 数据准备 (Data Preparation)

• 把时空数据整理成二维矩阵 X（空间 × 时间，或转置）。
• 关键步骤：去均值——EOF 分解的是"距平"（异常），不是原始场。
• 多变量分析时，需先标准化（除以标准差），使各变量权重相等。

6.5.2 协方差矩阵 vs 相关矩阵 (Covariance vs Correlation Matrix)

• 协方差矩阵：变量量纲相同时使用。
• 相关矩阵：变量量纲不同或方差差异大时使用。
• 矩阵对称、半正定，保证特征值为实数、特征向量正交。

6.5.3 特征值分解与 SVD (Eigenvalue Decomposition & SVD)

两种等价途径：

1. 特征值分解：对协方差矩阵求特征向量（= EOF）和特征值（= 方差）。
2. SVD（推荐）：直接对距平矩阵做奇异值分解，避免显式计算协方差矩阵，数值更稳定，适合大网格数据。

核心关系：奇异值的平方 = 协方差矩阵的特征值。

6.5.4 主成分与重构 (Principal Components & Reconstruction)

• PCs = 数据在 EOFs 上的投影，彼此不相关。
• 保留前 k 个模态，可近似重构原始数据，实现降维。
• 第 n 个模态的方差贡献率 = 该特征值 / 总方差。

6.6 EOF / PCA / POD / SVD 的区别 (Conceptual & Practical Differences)

需要注意的实践差异：

• 协方差 vs 相关矩阵的选择
• 缺失值处理方式
• EOFs 和 PCs 的归一化约定
• 符号不确定性：特征向量可整体变号，不影响方差贡献率，但不同软件可能符号相反。

6.7 主要扩展方法 (Main Extensions)

6.7.1 复 EOF（CEOF）——传播信号 (Complex EOF for Propagating Signals)

• 目的：捕捉传播型信号（如沿岸陷波、中尺度涡、赤道 Kelvin 波）。
• 方法：用 Hilbert 变换把实数据转为复解析信号，再进行 EOF 分解。
• 优势：同时给出振幅（强度）和相位（传播）。相位随时间的斜率 → 频率；随空间的斜率 → 波数。
• 局限：信号波数带宽过宽、非均匀采样时，精度下降。

6.7.2 旋转 EOF（REOF）——物理可解释性 (Rotated EOF for Interpretability)

• 动机：标准 EOF 的正交约束常导致空间模态"混合"，难以物理解释。
• 方法：对前几个模态做旋转（Varimax、Promax 等），使高载荷集中在局部区域。
• 效果：牺牲严格正交性，换取区域化和物理清晰度。
• 注意：旋转可能产生"伪模态"，需用分割样本或 Monte Carlo 验证稳健性。

6.7.3 多变量 EOF（MEOF / MV-EOF）——变量耦合 (Multivariate EOF for Coupling)

• 方法：将多个变量（相同网格、相同时间）标准化后拼接成一个大矩阵，再做 EOF。
• 优势：能同时揭示多变量的耦合模态和联合演变。
• 典型应用：ENSO（SST + SLP + 风应力）、NAO、印度洋偶极子等。

6.7.4 非平稳 EOF——时变模态 (Non-Stationary EOF)

• 问题：标准 EOF 假设空间模态不随时间变化，长期气候数据中常被违反。
• CSEOF（循环平稳 EOF）：允许模态在周期内演变，适合季节循环等周期现象。
• STEOF（时空 EOF）：把时间信息整合进空间模态，让模态本身随时间演化。
• 滑动窗口 EOF：在滑动时间窗上做 EOF，追踪模态的演变。

6.7.5 DINEOF——缺失数据 (DINEOF for Missing Data)

• 目的：填补卫星观测、稀疏站位数据中的缺失值。
• 流程：缺失值先填 0 → SVD 分解 → 截断重构 → 把缺失位置的重构值填回 → 迭代至收敛。
• 优势：无需先验信息（无参数），自动利用数据内部协变关系。
• 局限：假设缺失随机、模态平稳；数据缺失严重时收敛慢。

6.8 显著性检验与模态选择 (Significance Testing & Mode Selection)

重要提醒：当特征值接近（退化）时，对应 EOF 不唯一，任何线性组合也是解。此时需用旋转或其他方法获得物理解释。

6.9 与 DMD 的比较 (Comparison with DMD)

• 排序标准不同：EOF/POD 按能量（方差）排序；DMD 按频率与增长率识别模态。
• 时间动态：EOF 不提供频率/增长率信息；DMD 每个模态带明确的频率和增长/衰减率。
• 选择依据：要找能量最大的空间结构 → EOF；要找特定频率的振荡模态 → DMD。
• DMD 局限：要求等时间间隔采样；POD 可处理随机采样。

6.10 地学中的典型应用 (Applications in Geosciences)

• 遥相关型识别：NAO、PNA、ENSO 等大尺度模态。
• 数据降维与预测：用前几个 PC 作为回归或机器学习预测因子。
• 传播波追踪：CEOF 分析沿岸陷波、赤道 Kelvin 波、中尺度涡。
• 耦合模态：MEOF 研究 ENSO、印度洋偶极子等海气耦合现象。
• 缺失数据填补：DINEOF 用于卫星海色、SST 等网格产品。
• 区域化：REOF 识别局地气候模态。

6.11 最佳实践清单 (Best Practices Checklist)

6.12 局限与未来方向 (Limitations & Future Directions)

核心局限：

• 假设线性、平稳、正交
• 结果对域选择、归一化、采样变率敏感
• 高阶模态常被噪声主导

前沿方向：

• 非线性 EOF（kernel PCA、自编码器）
• 时变 EOF（CSEOF、STEOF）
• DMD 与 Koopman 算子
• 贝叶斯 EOF / 概率 PCA（不确定性量化）
• 大数据 + GPU + 深度学习

6.13 一句话总结 (One-Sentence Summary)