2026, Vol. 56
2. 三亚海洋实验室，海南 三亚 572024;
3. 中国海洋大学物理海洋教育部重点实验室/深海圈层与地球系统前沿科学中心，山东 青岛 266100
海洋亚中尺度过程是指水平尺度为0.1~10 km、时间尺度为0.1~10 d的一类海洋运动，常以涡丝、锋面和小尺度涡旋等形态存在于全球海洋[1-3]。亚中尺度过程的动力学参数罗斯贝数(Rossby number, Ro)和理查德森数(Richardson number, Ri)，均接近于O(1)，表明在亚中尺度过程中惯性力与科里奥利力具有同等重要性[1-2, 4-5]。由于打破了地转平衡的约束，亚中尺度过程能够产生高达每天百米的垂向速度[6-8]。亚中尺度过程通过影响海洋能量串级和物质垂向输运，在海洋环流、海气相互作用及物质循环中扮演着重要角色[9-10]。此外，该过程还能通过促进营养元素的再分配，调节海洋生态系统的结构与功能[10-14]。因此，深入研究亚中尺度非地转运动对于全面理解海洋动力学过程及其生态效应具有重要意义。
系列观测和数值模拟研究结果表明，亚中尺度过程活跃于海洋的上混合层附近[6]，在混合层较深的冬季亚中尺度过程也普遍较强，呈现出“冬强夏弱”的季节变化特征。同时，研究也表明，在边界流和中尺度涡活跃的海域，亚中尺度过程通常较为活跃[7]。在机制上，混合层的斜压不稳定和拉伸诱导的锋生过程被认为是驱动上层海洋亚中尺度过程的两大主要机制[15]，这两种机制均能将有效位能转化为亚中尺度动能，例如，Mensa等[16]基于模式数据提出，墨西哥湾流亚中尺度的季节性变化可能主要由混合层不稳定机制主导，冬季更深的混合层储存了更多的斜压不稳定可用势能，从而呈现出“冬强夏弱”的特征。类似地，西北太平洋的模拟结果也强调了混合层不稳定在亚中尺度过程中的重要作用[15]。与此同时，中尺度拉伸过程也可以通过锋生机制调节亚中尺度过程；Capet等[17]对副热带东部边界上升流的模拟结果表明，亚中尺度过程受到锋生过程的显著调控。此外，Zhang等[18]在西北太平洋副热带逆流区开展的亚中尺度潜标阵列观测发现，最强的亚中尺度过程出现在中尺度拉伸率较大且混合层深度适中的3月，这表明混合层不稳定和中尺度拉伸两种机制共同调控了亚中尺度的时空变化。这些研究共同深化了我们对亚中尺度过程时空变化特征及其驱动机制的理解。
南海作为西太平洋最大的边缘海，因其复杂的地形、黑潮入侵等因素，呈现出多尺度运动过程并存、交互的显著特征，长期以来备受学术界关注。近十年来，随着观测技术的进步和数值模型的精细化，南海亚中尺度过程的研究取得了显著进展[19-26]。研究者采用锚系潜标阵列、水下滑翔机组网和大面站观测等现场观测，同时结合卫星观测和数值模式数据，对南海亚中尺度过程进行了广泛研究[19]。早期研究通过高分辨率观测和遥感技术初步揭示了南海亚中尺度活动的空间分布特征。Lin等[20]通过高分辨率数据，确定了南海北部、吕宋海峡及越南东部为亚中尺度活跃的关键区域。Zheng等[25]利用卫星遥感技术观测了西边界流系的亚中尺度活动特征。后续研究进一步探究了该海域亚中尺度活动的时空差异特征。Cao等[26]分析表明，南海亚中尺度活动存在显著的空间和季节差异：北部区域冬季活跃而夏季减弱，西部区域则呈现出几乎相反的季节变化特征。基于时空特征研究，学者们通过高分辨率数值模拟揭示了亚中尺度过程的动力机制。南海不同区域的亚中尺度活动呈现出显著的季节变化和生成机制差异[20-23]。Dong和Zhong[24]基于2009—2012年的数据分析发现，南海东北部的亚中尺度过程在冬季因混合层加深、锋生和不稳定性增强而更为活跃。Zhang等[21]基于3 a观测数据指出，南海北部深水区吕宋海峡以西的冬季亚中尺度活动尤为显著，并揭示了亚中尺度动能受混合层深度和中尺度拉伸率共同调控的年循环特征。
然而，现有观测时间序列较短、测量不连续，加之局部间歇性的限制，导致南海东北部亚中尺度年际变化的研究仍不充分，对其时间调制机制的认识也较为有限。由于缺乏长期的亚中尺度观测数据，南海东北部亚中尺度活动的年际变化规律仍不清晰。因此，本研究利用29 a高分辨率数值模拟数据，系统分析了南海东北部亚中尺度动能年际变化特征及调控机制。
1 数据与方法 1.1 数据介绍 1.1.1 卫星高度计数据AVISO(Archiving validation and interpretation of satellite oceanographic)数据是由法国国家空间研究中心主导的卫星测高融合产品，通过整合TOPEX/Poseidon、Jason系列等多源卫星观测，提供全球高精度海表动力参数。其L4级再分析数据(空间分辨率0.25°×0.25°，时间分辨率为1 d，纬度范围从89.87°S—89.88°N，经度范围从179.87°W—179.88°E)包含海表面高度异常(Sea level anomaly, SLA)、海表面高度(Sea surface height, SSH)和地转流速场等参量，广泛应用于海洋环流背景场的构建。本研究基于1993—2019年的AVISO高度计数据，通过地转平衡方程，计算海表地转流速，建立南海东北部的动力背景场，检验模式数据的准确性。
1.1.2 高分辨率数值模式数据本研究采用OFES(Ocean general circulation model for the earth simulator)高分辨率数值模拟数据，其水平空间分辨率为1/30(°)，时间分辨率为每日，覆盖1991年1月至2019年12月，总计29 a。该数据集在垂直方向上从2.5 m深度起始，共分为100层，垂向分辨率约为5 m，显著改进了早期OFES 1/10(°)模式的分辨率。OFES模式由日本海洋地球科学技术厅主导，联合多个研究团队共同开发，模式的大气强迫数据源自6 h分辨率的JRA-25再分析数据，从而保证了模拟结果具有较高的精度与可靠性。
为进一步验证模式的可靠性，本研究选取1993—2019年的长期数据，将模式结果与AVISO高度计数据进行平均态对比, 对比结果如图 1所示。从流速分布来看，两者在开阔海域内吻合度较高，但在台湾岛沿岸附近存在一定差异；流速高值均出现在119°E附近，而低值则出现在靠近大陆沿岸的浅水区域。从环流特征来看，模式能够准确刻画吕宋海峡和台湾岛区域的北上流径，清晰地再现黑潮路径。这些结果表明，OFES模式在南海东北部亚中尺度过程研究中具有较高的可靠性。
|
( 黑色矢量和彩色阴影分别表示大尺度和中尺度合成速度。Ebg为大尺度流速的合成速度。Black arrows and color shading denote the large-scale surface current and mesoscale absolute velocity, respectively. Ebg denotes the resultant velocity of large-scale flow velocity. ) 图 1 从1993—2019年OFES模拟(a)和卫星高度计数据(b)获得的南海东北部表层环流 Fig. 1 Surface circulation obtained from OFES simulation (a) and satellite altimeter data (b) from 1993 to 2019 in the northeastern South China Sea |
一系列研究证明，OFES模式能有效地刻画太平洋亚中尺度过程。Sasaki等[27]基于OFES模式数据，研究了西北太平洋副热带逆流区域的亚中尺度过程的年际-年代际变化。张雨辰等[23]使用该模式在南海区域探究了亚中尺度过程的时空特征与垂向热量输运研究，Zhang等[21]在南海中尺度涡实验中，通过将船载声学多普勒流速剖面仪数据与OFES模型中类似断面的模拟结果对比，发现两者在动能谱均呈现k-2(k为波数)的量级特征。Qiu等[28]也利用该数据研究了西北太平洋副热带逆流区域的亚中尺度季节变化。以上研究证明了OFES模型能够较好地捕捉亚中尺度动力学的基本特征。
1.2 方法介绍 1.2.1 亚中尺度信号提取方法本研究基于海洋实际状况与模式数据的特性，将15 d作为区分中尺度与亚中尺度过程的关键阈值。这一界定方法在观测与模拟数据中均得到验证，如Zhang等[18]基于潜标阵列观测证实，周期为2~15 d的流速、温度与亚中尺度特征存在显著关联，再进一步采用1/30(°)分辨率的OFES模式数据，通过80 km空间高通滤波和15 d时间高通滤波提取亚中尺度信号，其相关系数突破0.75，证明了该时间滤波方法提取亚中尺度过程的可行性。因此，在技术层面，采用数字信号处理方法对研究区域的流速场(包括u和v)进行时间域低通滤波处理，具体设置截止周期为15 d，通过该处理可有效保留时间尺度大于15 d的低频信号，同时滤除更高频的亚中尺度波动成分。
罗斯贝数Ro的大小反映了惯性力和科里奥利力之间的相对重要性，罗斯贝数是研究亚中尺度海洋动力学特征的关键参数之一。在实际研究中，往往将垂向相对涡度进行归一化处理，计算出罗斯贝数。
相对涡度计算公式为
| $ \xi=\partial v_{\mathrm{sm}} / \partial x-\partial u_{\mathrm{sm}} / \partial y_。$ | (1) |
式中：ξ表示亚中尺度相对涡度，用于表征流体旋转强度；usm和 vsm分别为高通滤波后的亚中尺度流速东西分量和南北分量。
亚中尺度动能计算公式如下：
| $ K E_{\mathrm{sm}}=\left(u_{\mathrm{sm}}^2+v_{\mathrm{sm}}^2\right) / 2 。$ | (2) |
式中：KEsm表示亚中尺度动能，表征亚中尺度运动的能量水平。
混合层深度(Mixed layer depth, MLD)采用OFES再分析资料的直接输出。
1.2.2 中尺度拉伸率的计算中尺度拉伸率(Mesoscale strain rate, MSR)基于模式数据中的地转流计算，其计算公式如下：
| $ M S R=\sqrt{\left(\partial_x u_{\mathrm{ms}}-\partial_y v_{\mathrm{ms}}\right)^2+\left(\partial_x v_{\mathrm{ms}}+\partial_y u_{\mathrm{ms}}\right)^2} 。$ | (3) |
式中：MSR表示中尺度拉伸率，描述背景场导致的拉伸效应；ums和vms为低通滤波后的中尺度地转流速分量；研究中将MSR除以局地科氏参数f(f=2Ωsinφ，Ω为地球自转角速率，φ为纬度)，以实现无量纲化。
2 结果 2.1 亚中尺度动能年际变化特征基于1/30(°)高分辨率OFES模式数据，本研究对南海东北部亚中尺度动能的时间分布特征进行了分析，研究区域为18°N—20°N，117°E—120°E。该区域亚中尺度动能表现出显著的“冬强夏弱”季节变化特征：冬季(12月至次年2月)动能达到全年峰值，而夏季(6月至8月)则降至最低值，呈现波谷。这一分布特征表明，南海北部亚中尺度动能具有显著的“冬强夏弱”季节变化规律。为避免年内季节变化对年际变化研究的干扰，并突出年际变化的影响，本文选取每年冬季的亚中尺度动能平均值作为该年亚中尺度强度的表征指标。
图 2展示了1991—2019年表层亚中尺度动能的气候态月平均分布。其中，亚中尺度动能与罗斯贝数在年际变化上表现出较好的一致性(r=0.75)，这意味着两者均可以作为表征亚中尺度过程强度的指标。因此，本文采用亚中尺度动能作为亚中尺度过程的表征指标，刻画亚中尺度过程的年际变化特征。
|
( KEsm表示亚中尺度动能。KEsm represents submesoscale kinetic energy. ) 图 2 1991—2019年表层亚中尺度动能气候态月平均分布 Fig. 2 Monthly mean climatological distribution of surface submesoscale kinetic energy from 1991 to 2019 |
图 3显示了南海东北部亚中尺度动能的逐年时间序列分布。结果显示，该区域动能平均值在1993、1995、2004、2014和2015年出现显著高值，而在1996、1997、2001、2006、2009和2013年则出现明显低值。这一结果不仅证实了亚中尺度动能存在显著的年周期变化，还揭示了序列为3~5 a准周期的振荡特征。这种周期性可能与海洋内部动力过程或外部强迫的周期性变化密切相关，其共同作用可能通过锋生过程和混合层斜压不稳定机制影响亚中尺度动能的年际变化。下文将针对其影响因素及调控机制进行详细分析。
|
( R为两者的相关系数，p值是检验值。蓝线为罗斯贝数Ro，红线表示亚中尺度动能KEsm。R is the correlation coefficient between the two, and the p value is the test statistic. The blue line represents Rossby number Ro, and the red line represents submesoscale kinetic energy KEsm. ) 图 3 逐年冬季亚中尺度动能、罗斯贝数分布时间序列 Fig. 3 Interannual time series of winter submesoscale kinetic energy and Rossby number distribution |
图 4展示了罗斯贝数逐日空间平面分布，亚中尺度过程在高、低值年之间存在显著差异，且亚中尺度动能的分布与黑潮的形态变化密切相关。不同的黑潮形态对南海亚中尺度过程的影响表现出明显的差异性，黑潮主流径基本形态可划分为Looping流径、Leaking流径、Leaping流径。Looping流径时，南海东北部会形成明显的反气旋式环流结构。而Leaking流径时，黑潮是分支形态。黑潮向北流入吕宋海峡后，一路分支进入南海，呈气旋式流动；另一路分支朝东北流去，直至台湾岛东部。Leaping流态是黑潮紧贴吕宋岛东岸，直接跨过吕宋海峡，继续向北进入东海，几乎不入侵南海。如图 4(a)—(d)所示，在高值年期间，亚中尺度过程异常活跃。此时，黑潮以Looping形态入侵南海，在吕宋海峡至台湾海峡左侧形成闭合的海表面等高线，呈现出典型的流套结构。流套内部存在强烈的环流和剪切力，促进了水体的强烈混合与交换，进而诱导中尺度涡旋的生成。背景场中可见明显的反气旋涡，这些中尺度涡旋在传播和演化过程中携带大量能量，并通过强烈的湍流混合、涡度变化以及水体温度、盐度的剧烈波动等机制，进一步激发亚中尺度过程的活跃性，形成涡丝等典型结构。
|
( (a)—(d) 高值年；(e)—(h) 低值年。填色为罗斯贝数，箭头为大中尺度流速，黑色实线为典型黑潮路径，黑框代表计算选取的范围，序号后标注对应日期，格式为年-月-日。(a)—(d) High-value years; (e)—(h) Low-value years. Coloring represents the Rossby number, arrows indicate the large-to-mesoscale flow velocity, black solid lines denote the typical Kuroshio path, and the black box outlines the selected calculation area, the date in the format of year-month-day is marked after the serial number. ) 图 4 典型高、低值年罗斯贝数逐日空间分布 Fig. 4 Spatial distribution of daily Rossby number in contrasting high/low-value years |
相比之下，在低值年期间，黑潮主要表现为Leaping流态，其跨越吕宋海峡但未显著入侵南海，未能直接带来高温高盐水团以改变背景场，也未诱导出显著的中尺度涡旋，因此对南海东北部亚中尺度过程的影响较弱，导致亚中尺度动能处于较低水平(见图 4(e)—(h))。由此可以推断，在不同年份，黑潮流量增大或流径发生显著变化时，其携带的水体与南海内部水体之间的相互作用增强，从而激发出更多的中尺度涡旋。这些涡旋在南海东北部传播和演化，由此影响亚中尺度动能的年际变化。
2.2 亚中尺度动能年际变化调控机制分析图 5的逐年计算结果揭示了亚中尺度动能与中尺度拉伸率存在显著相关性(r=0.64)，而与混合层深度的相关性较弱(r=0.05)，表明两者在调控亚中尺度动能年际变化中具有差异性作用。具体表现为：亚中尺度动能与中尺度拉伸率呈现相似的年周期变化趋势，二者变化特征也存在差异——亚中尺度动能在1993、1995、1998、2004和2015年出现急剧升降的尖峰型波动，具有强烈的年际突变特征；而中尺度拉伸率除1993年出现显著变化外，整体呈平缓波动趋势，未出现明显峰值特征。值得注意的是，混合层深度在1997、2003和2013年与亚中尺度动能同步呈先降后升趋势，但在2007年却出现显著背离，这进一步印证了其对动能年际变化的非主导作用。
|
( R为两者的相关系数，p值是检验值。红线表示亚中尺度动能KEsm，蓝线分别表示混合层深度(MLD)(a)和中尺度拉伸率(MSR)(b)。R is the correlation coefficient between the two, and the p value is the test statistic. The red line represents the submesoscale kinetic energy(KEsm), while the blue lines represent the mixed layer depth (MLD) (a) and the mesoscale strain rate (MSR)(b), respectively. ) 图 5 1991—2018年冬季亚中尺度动能与混合层深度(a)、中尺度拉伸率(b)的逐年统计 Fig. 5 Interannual statistics of submesoscale kinetic energy, mixed layer depth (MLD)(a), and mesoscale strain rate (MSR)(b), during winter from 1991 to 2018 |
图 6展示了南海东北部海域29 a来混合层深度、中尺度拉伸率与亚中尺度动能的空间相关性分布。图 6(a)显示，南海东北部海域的混合层深度与亚中尺度动能的年际变化整体相关性较低，呈负相关关系。值得注意的是，吕宋海峡西北部和台湾海峡西南部作为两个显著的负相关中心，其相关性系数小于-0.4，表明二者存在中度负相关关系。具体而言，混合层深度的增加会抑制亚中尺度过程，而混合层变浅则有助于激发亚中尺度过程。然而，在南海东北部的大部分区域，混合层深度与亚中尺度动能年际变化之间未出现显著关系，这进一步说明混合层深度变化并非亚中尺度动能年际变化的主导因素。
|
( R为两者的相关系数，p值是检验值，黑色十字为经过显著性检验，MLD为混合层深度，MSR为中尺度拉伸率，Cor代表相关系数。R is the correlation coefficient between the two, the p value is the test statistic, the black crosses indicate results that have passed significance testing, MLD represents mixed layer depth, MSR represents mesoscale strain rate, and the Cor represents correlation coefficient. ) 图 6 1991—2018年冬季亚中尺度动能与混合层深度(a)、中尺度拉伸率(b)的相关系数空间分布 Fig. 6 Spatial distribution of correlation coefficients between submesoscale kinetic energy, mixed layer depth (a), and mesoscale strain rate (b) during winter from 1991 to 2018 |
图 6(b)显示，过去29 a间，中尺度拉伸率与亚中尺度动能的年际变化呈显著正相关，且相关性在空间上存在明显差异。中部海域的相关性较高，而向西部和南部逐渐递减。整体而言，高相关性区域主要集中在21°N、119°E附近，相关系数约为0.6，局部最高可达0.8，表明两者之间存在较强的正相关关系。相比之下，台湾海峡至吕宋海峡沿线的相关性较低，表现为正负相关交替，整体相关性较弱。在黑框标记的重点研究区域内，显著正相关系数最高可达0.6，证明该区域的亚中尺度动能年际变化主要受中尺度拉伸率的调控：中尺度拉伸率较高时，亚中尺度动能也相应增加。结合吕宋海峡黑潮入侵的流态特征，推测当黑潮以Looping流态入侵时，背景流场的拉伸和形变增强，从而激发更强的亚中尺度过程。
图 7展示了1996年2月15日和1998年2月1日这两天的亚中尺度动能、中尺度拉伸率和混合层深度的分布。通过横向分析单日要素的对应关系，以及纵向对比亚中尺度动能活跃与衰弱时混合层深度和中尺度拉伸率的变化，可以得出以下结论。在图 7(a)中，黑框东北区域出现了一个反气旋，其覆盖范围广，超过黑框区域的四分之三。在涡旋的边缘和内部，罗斯贝数均出现较高值。而在图 7(d)中，黑框区域内未见明显涡旋结构，整体流速较小，高值仅集中在吕宋海峡至台湾海峡一线，罗斯贝数在±0.2之间。这些特征与中尺度拉伸率的分布高度一致。进一步分析图 7(c)，中尺度拉伸率的高值区出现在黑框区域的中部，并呈现出较完整的环形结构，表明该区域中尺度拉伸率较高。与此相比，图 7(f)中的中尺度拉伸率高值仅出现在吕宋海峡一线，未出现其他特殊结构。至于混合层深度的分布，与其他两者的关联性不显著。通过逐日对比图可清晰地看到，中尺度拉伸率和亚中尺度动能的空间分布较为吻合，这再次证明了南海东北部亚中尺度动能的年际变化受到中尺度拉伸锋生过程的调控。
|
( 填色为罗斯贝数，箭头为大中尺度流速，黑色实线为典型黑潮路径，黑框代表计算选取的范围。Ro为罗斯贝数，MLD为混合层深度，MSR为中尺度拉伸率。(a)—(c)1996年2月15日；(d)—(f) 1998年2月1日。Coloring represents the Rossby number, arrows indicate the large-to-mesoscale flow velocity, black solid lines denote the typical Kuroshio path, and the black box outlines the selected calculation area. Ro stands for Rossby number, MLD represents mixed layer depth, MSR represents mesoscale stretching rate.(a)—(c) 15 February 1996; (d)—(f)1 February 1998. ) 图 7 亚中尺度表层罗斯贝数(a)、(d)，混合层深度(b)、(e)及中尺度拉伸率(c)、(f)空间分布 Fig. 7 Spatial distribution of submesoscale surface Rossby number (a)、(d), mixed layer depth (b)、(e), and mesoscale strain rate (c)、(f) |
基于水平分辨率1/30(°)的OFES模式数据，本研究系统分析了南海东北部亚中尺度动能的年际变化特征及其调控机制，得到主要结论如下：
(1) 基于卫星高度计验证的高分辨率模式数据，采用时间滤波方法提取了南海东北部亚中尺度信号，首次系统揭示了该区域表层亚中尺度动能具有3~5 a周期的显著年际变化特征。计算表层亚中尺度动能气候态月平均分布，并对逐年冬季亚中尺度动能、罗斯贝数分布时间序列进行分析，发现南海东北部亚中尺度动能不仅存在冬季强、夏季弱的季节变化规律，还具有显著的年际变化特征，在年际尺度上表现为高值年与低值年交替波动的变化态势。
(2) 通过分析典型高、低值年的罗斯贝数空间分布特征，并结合亚中尺度动能与混合层深度、拉伸率之间的逐年统计关系及其空间相关性。发现南海东北部亚中尺度动能的年际变化主要受背景流场的影响。其中，在本研究关注的南海东北部冬季，数据显示，中尺度涡的拉伸效应是亚中尺度动能年际变化的主导因素，而混合层深度的贡献相对有限。当黑潮入侵路径为Looping流态时，背景流的形变拉伸显著增强，中尺度涡拉伸诱导锋生过程增强，促进亚中尺度过程生成。
| [1] |
Qiu C, He B, Wang D, et al. Mechanisms of a shelf submesoscale front in the northern South China Sea[J]. Deep Sea Research Part Ⅰ: Oceanographic Research Papers, 2023, 202: 104197. DOI:10.1016/j.dsr.2023.104197 (  0) |
| [2] |
McWilliams J C. Submesoscale, coherent vortices in the ocean[J]. Reviews of Geophysics, 1985, 23(2): 165-182. DOI:10.1029/RG023i002p00165 ( 0) |
| [3] |
McWilliams J C. Submesoscale currents in the ocean[J]. Proceedings. Mathematical, Physical, and Engineering Sciences, 2016, 472(2189): 20160117. ( 0) |
| [4] |
Haza A C, Özgökmen T M, Griffa A, et al. Parameterization of particle transport at submesoscales in the Gulf Stream region using Lagrangian subgridscale models[J]. Ocean Modelling, 2012, 42: 31-49. DOI:10.1016/j.ocemod.2011.11.005 ( 0) |
| [5] |
Wang S H, Song Z Y, Ma W D, et al. Mesoscale and submesoscale turbulence in the Northwest Pacific Ocean revealed by numerical simulations[J]. Deep Sea Research Part Ⅱ: Topical Studies in Oceanography, 2022, 206: 105221. DOI:10.1016/j.dsr2.2022.105221 ( 0) |
| [6] |
Shcherbina A Y, Sundermeyer M A, Kunze E, et al. Submesoscale stirring in the upper ocean[J]. Bulletin of the American Meteorological Society, 2015, 96(8): 1257-1280. DOI:10.1175/BAMS-D-14-00015.1 ( 0) |
| [7] |
Sarkar S, Pham H T, Ramachandran S, et al. The interplay between submesoscale instabilities and turbulence in the surface layer of the Bay of Bengal[J]. Oceanography, 2016, 29(2): 146-157. DOI:10.5670/oceanog.2016.47 ( 0) |
| [8] |
Thomas L N, Tandon A, Mahadevan A. Submesoscale Processes and Dynamics[M]. [s. l. ]: American Geophysical Union, 2008: 17-37.
( 0) |
| [9] |
Klein P, Lapeyre G. The oceanic vertical pump induced by mesoscale and submesoscale turbulence[J]. Annual Review of Marine Science, 2009, 1: 351-375. DOI:10.1146/annurev.marine.010908.163704 ( 0) |
| [10] |
Ramirez-Romero E, Macias D, Bruno M, et al. Submesoscale, tidally-induced biogeochemical patterns in the Strait of Gibraltar[J]. Estuarine Coastal & Shelf Science, 2012, 101(5): 24-32. ( 0) |
| [11] |
Sun W, Dong C. Isopycnal and diapycnal mixing parameterization schemes for submesoscale processes induced by mesoscale eddies[J]. Deep Sea Research Part Ⅱ: Topical Studies in Oceanography, 2022, 202: 105139. DOI:10.1016/j.dsr2.2022.105139 ( 0) |
| [12] |
Wang Q, Dong C, Dong J, et al. Submesoscale processes-induced vertical heat transport modulated by oceanic mesoscale eddies[J]. Deep Sea Research Part Ⅱ: Topical Studies in Oceanography, 2022, 202: 105138. DOI:10.1016/j.dsr2.2022.105138 ( 0) |
| [13] |
Chen Y, Li Q P, Yu J. Submesoscale variability of subsurface chlorophyll-a across eddy-driven fronts by glider observations[J]. Progress in Oceanography, 2022, 209: 102905. DOI:10.1016/j.pocean.2022.102905 ( 0) |
| [14] |
Mahadevan A. The Impact ofSubmesoscale physics on primary productivity of plankton[J]. Annual Review of Marine Science, 2016, 8(1): 161-184. DOI:10.1146/annurev-marine-010814-015912 ( 0) |
| [15] |
Sasaki H, Klein P, Qiu B, et al. Impact of oceanic-scale interactions on the seasonal modulation of ocean dynamics by the atmosphere[J]. Nature Communications, 2014, 5: 5636. DOI:10.1038/ncomms6636 ( 0) |
| [16] |
Mensa J A, Garraffo Z, Griffa A, et al. Seasonality of the submesoscale dynamics in the Gulf Stream region[J]. Ocean Dynamics, 2013, 63(8): 923-941. DOI:10.1007/s10236-013-0633-1 ( 0) |
| [17] |
Capet X, Mcwilliams J C, Molemaker M J, et al. Mesoscale to submesoscale transition in the California current system. Part Ⅰ: Flow structure, eddy flux, and observational tests[J]. Journal of Physical Oceanography, 2008(1): 44. ( 0) |
| [18] |
Zhang J, Zhang Z, Qiu B, et al. Seasonal modulation of submesoscale kinetic energy in the upper ocean of the northeastern South China Sea[J]. Journal of Geophysical Research: Oceans, 2021, 126: 11-25. ( 0) |
| [19] |
Zhang Z. Submesoscale dynamic processes in the South China Sea[J]. Ocean-Land-Atmosphere Research, 2024, 3: 1-17. ( 0) |
| [20] |
Lin H, Liu Z, Hu J, et al. Characterizing meso-to submesoscale features in the South China Sea[J]. Progress in Oceanography, 2020, 188: 102420. DOI:10.1016/j.pocean.2020.102420 ( 0) |
| [21] |
Zhang Z, Zhang Y, Qiu B, et al. Spatiotemporal characteristics and generation mechanisms of submesoscale currents in the northeastern South China Sea revealed by numerical simulations[J]. Journal of Geophysical Research: Oceans, 2020, 125(2): 112-126. ( 0) |
| [22] |
Zhang Z, Zhang X, Qiu B, et al. Submesoscale currents in the subtropical upper ocean observed by long-term high-resolution mooring arrays[J]. Journal of Physical Oceanography, 2021, 51(1): 187-206. DOI:10.1175/JPO-D-20-0100.1 ( 0) |
| [23] |
张雨辰, 张新城, 张金超, 等. 南海亚中尺度过程的时空特征与垂向热量输运研究[J]. 中国海洋大学学报(自然科学版), 2020, 50(12): 1-11. Zhang Y C, Zhang X C, Zhang J C, et al. Spatiotemporal characteristics and vertical heat transport of submesoscale processes in the South China Sea[J]. Periodical of Ocean University of China, 2020, 50(12): 1-11. DOI:10.16441/j.cnki.hdxb.20200035 ( 0) |
| [24] |
Dong J, Zhong Y. The spatiotemporal features of submesoscale processes in the northeastern South China Sea[J]. Acta Oceanologica Sinica, 2018, 37(11): 8-18. DOI:10.1007/s13131-018-1277-2 ( 0) |
| [25] |
Zheng R, Jing Z. Submesoscale-enhanced filaments and frontogenetic mechanism within mesoscale eddies of the South China Sea[J]. Acta Oceanologica Sinica, 2022, 41(7): 42-53. DOI:10.1007/s13131-021-1971-3 ( 0) |
| [26] |
Cao H, Meng X, Jing Z, et al. High-resolution simulation of upper-ocean submesoscale variability in the South China Sea: Spatial and seasonal dynamical regimes[J]. Acta Oceanologica Sinica, 2022, 41(7): 26-41. DOI:10.1007/s13131-022-2014-4 ( 0) |
| [27] |
Sasaki H, Qiu B, Klein P, et al. Interannual to decadal variations of submesoscale motions around the North Pacific Subtropical Countercurrent[J]. Fluids, 2020, 5(3): 116. DOI:10.3390/fluids5030116 ( 0) |
| [28] |
Qiu B, Chen S, Klein P, et al. Seasonal mesoscale and submesoscale eddy variability along the North Pacific Subtropical Countercurrent[J]. Journal of Physical Oceanography, 2019, 44(12): 3079-3087. ( 0) |
2. Sanya Oceanographic Laboratory, Sanya 572024, China;
3. Key Laboratory of Physical Oceanography of Ministry of Education, Frontiers Science Center for Deep Ocean Multispheres and Earth System, Ocean University of China, Qingdao 266100, China