Bølger finder ikke kun sted på havets overflade. Under toppene og trug, som vi kan se fra oven, er indre tidevand, som dannes, når tidevandsstrømme kolliderer med havbjerge, kontinentale skråninger og højdedrag på havbunden.
Interne tidevand spiller en væsentlig rolle i havbevægelser såsom bølgemønstre og blanding af forskellige havlag, som igen påvirker varme- og kulstofoverførsel og -lagring. Selvom indre tidevand generelt er stærkest under overfladen, er deres indvirkning på havoverfladehøjden stor nok til at blive opdaget af satellithøjdemålere. Når videnskabsmænd ønsker at måle nøjagtigt langsommere havtræk, såsom hvirvler og strømme, isolerer de dem ved at analysere satellithøjdemålerens data og fjerne signaturerne fra indre tidevand.
Badarvada Yadidya og kolleger brugte ny supercomputermodellering til at forudsige den globale bevægelse af indre tidevand. Deres modeller var i stand til nøjagtigt at fjerne det interne tidevandssignal fra havoverfladehøjdemålinger uden at kræve empirisk analyse. Disse nye modelleringsteknikker gav også timeaflæsninger i 30- til 120-dages analysevinduer, hvilket giver indsigt i havbevægelser, der savnes af satellitmålinger taget hver 9.-35. dag.
Undersøgelsen er offentliggjort i Geophysical Research Letters .
Disse modeller giver mange muligheder for fremtidig undersøgelse af tidevandsaktivitet, såvel som information om alle lagene i havet, ikke kun overfladen. Modellens udvikling kunne også give et skift fra datadrevne forudsigelser om indre tidevand til mere dynamiske modelleringsteknikker.
Flere oplysninger: Badarvada Yadidya et al., Phase-Accurate Internal Tides in a Global Ocean Forecast Model:Potential Applications for Nadir and Wide-Swath Altimetry, Geophysical Research Letters (2024). DOI:10.1029/2023GL107232
Leveret af Eos
Denne historie er genudgivet med tilladelse til Eos, der er vært for American Geophysical Union. Læs den originale historie her.
Sidste artikelKarakteren af kappestrømning kan afhænge af typen af pladesubduktion
Næste artikelNy undersøgelse bruger kunstig intelligens og maskinlæring til at forbedre sæsonbestemte vejrudsigter