Wave-Turbulence Cascades and Deep Ocean Mixing: Inferring Diapycnal Diffusivity in High-Resolution Ocean Models
Notice bibliographique
Résumé
Internal wave dynamics play a critical role in understanding ocean diapycnal diffusivity and associated mixing processes, particularly in the deep ocean context. Building upon prior analyses of internal wave breaking and its influence on diapycnal diffusivity, in this study we employ a high-resolution regional ocean model to infer ocean diapycnal diffusivity due to internal wave (IW) breaking [Momeni et al., 2025]. Our work leverages the Bouffard-Boegman parameterization, which distinguishes between reversible and irreversible mixing components. This framework provides a robust methodology to infer diapycnal diffusivity profiles from turbulent dissipation rates, improving upon earlier KPP-based approaches that lacked this critical distinction. This inference is made possible through the work of Skitka et al. [2024], which directly measured dissipation rates from numerical simulations.The findings reinforce and expand on earlier results from dynamically downscaled simulations in the northeast Pacific, which revealed a pronounced wave-turbulence cascade and highlighted the suppression of higher-order IW modes due to the background component of KPP. By deactivating this component, higher-order modes engage in triad resonance interactions with lower-order modes and are effectively energized; they subsequently undergo shear instability, enhancing mixing rates and aligning diffusivity profiles with empirical observations. This mechanism is discussed in detail in Momeni et al. [2024].Our results underscore KPP’s limitations in distinguishing mixing processes and its tendency to overestimate shear contributions to diffusivity. These insights pave the way for improving diapycnal diffusivity parameterizations in low-resolution climate models by emphasizing mechanisms rooted in internal wave breaking rather than simplified parameterizations. Future work will focus on higher-resolution simulations to refine these findings and address basin- and latitude-dependent variations. ReferencesKayhan Momeni, Yuchen Ma, William R Peltier, Dimitris Menemenlis, Ritabrata Thakur, Yulin Pan, Brian K Arbic, Joseph Skitka, and Matthew H Alford. Breaking internal waves and ocean diapycnal diffusivity in a high-resolution regional ocean model: Evidence of a wave-turbulence cascade. Journal of Geophysical Research: Oceans, 129(6):e2023JC020509, 2024.Kayhan Momeni, W Richard Peltier, Joseph Skitka, Yuchen Ma, Brian K Arbic, Dimitris Menemenlis, and Yulin Pan. An alternative buoyancy reynolds number-based inference of ocean diapycnal diffusivity due to internal wave breaking: results from a high-resolution regional ocean model. Geophysical Research Letters, 2025. Submitted for publication.Joseph Skitka, Brian K Arbic, Yuchen Ma, Kayhan Momeni, Yulin Pan, William R Peltier, Dimitris Menemenlis, and Ritabrata Thakur. Internal-wave dissipation mechanisms and vertical structure in a high-resolution regional ocean model. Geophysical Research Letters, 51(17):e2023GL108039, 2024.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».