基于海洋气候数据集的区域海平面变化非线性预测

本文基于中国首套长时间序列、高精度、高时空一致性的全球海洋气候数据集产品, 利用1993年1月至2015年12月的山东半岛近海海平面异常数据, 构建了基于集合经验模式分解(EEMD)和长短期记忆神经网络(LSTM)的海平面非线性变化组合预测模型。EEMD可以得到海平面异常的各周期项、线性趋势及残差部分, LSTM模型可对其进行逐个预测并重构得到最终的海平面异常预测结果。EEMD-LSTM组合模型海平面异常预测的均方根误差仅为25.87 mm, 取得了令人满意的效果。基于该组合模型预测2016-2025年山东半岛近海海平面上升速率将达到3.54 mm·a^-1。     

基于相空间重构与模糊神经网络耦合的海温预测模型

在海温预报中引入混沌理论,将相空间重构理论与模糊神经网络相结合,建立了海温预测模型.通过相空间重构,把一维海温时间序列拓展为多维序列,而多维序列包含着各态历经的信息,从而挖掘出了丰富的海温变化空间的信息,有利于模糊神经网络的训练.利用建立好的模糊神经网络模型,对海温预报问题进行了建模、训练和预测.实际的预测结果表明,该模型预报精度较高,预测结果可以为业务工作提供一定的参考与借鉴.     

基于相空间重构与模糊神经网络的海温垂直分布预测模型

在海温预报中引入混沌理论,将相空间重构与模糊神经网络相结合,提出了海温垂直建模预测模型。通过相空间重构,把海温时间序列拓展为多维序列,而多维序列包含着各态历经的信息,从而挖掘出了丰富的海温变化空间的信息,有利于模糊神经网络的训练。利用建立好的模糊神经网络模型,较好地对海温的垂直结构进行了建模、训练和预测。实际的预测结果表明,该模型预报精度较高,超前1~5个月的预测值的相对误差均控制在10%以内,预测结果可以为业务工作提供一定的参考与借鉴。     

海平面变化的小波和自回归模型集成预测试验

针对海面变化预测时间序列模型中趋势组份和周期(准周期)组份的提取和预测问题,基于吴淞站1955～2001年月平均潮位序列,采用小波分析(WA)与自回归(AR)模型相结合的方案,对小波分解的不同尺度分量序列,借助于时间序列模型进行分量预测,再对它们进行叠加建立预测模型,进行了月平均潮位预测试验.以1955～1996年数据为基础建立模型,1997～2001年数据作为验证,结果表明两种方法的结合使用显示了较好的效果,具有较高的精度.     

基于集合经验模态分解与BP组合模型的短期余水位预测

水位在忽略观测误差的前提下,可分解为潮位和余水位,后者具有较强的空间相关性以及非平稳特征,是影响水位预报精度的主要因素。港口工程、航运计划编制等方面对实时高精度水位预报具有重要需求,这对余水位预报模型构建提出了更高要求。另外,利用高精度余水位预报模型可减少验潮站布设数量。针对余水位短期预测模型精度不高的现状,本文对余水位进行集合经验模态(EEMD)分解,获得余水位在时间序列上的本征模函数(IMF);使用快速傅立叶变换(FFT)分析各本征模函数的频谱特征;再利用BP神经网络对各个本征模函数进行训练,预测了未来6 h、12 h、24 h的余水位值。对哥伦比亚河下游河口处的3组典型验潮站的余水位数据的预测结果表明,在未来6 h、12 h内的余水位的预测精度达到厘米级,在24 h内接近厘米级,证明了该组合模型在余水位短期预测方面的可行性。     

基于Stacking机器学习模型的南海北部海温预报

基于Stacking(ET-ET)的机器学习算法,利用美国国家环境预报中心再分析数据和MGDSST海温融合数据,建立了一套高效的海温长期预报方法,并在南海北部海域开展了1 a的表层海温长期预报实验。结果表明：基于Stacking(ET-ET)机器学习模型的表层海温长期预报的均方根误差降至0.52℃,平均绝对百分比误差降至1.58%,明显优于基于支持向量机、人工神经网络和长短期记忆模型的预报结果。     

高分辨率海水表层二氧化碳分压重构——以大西洋为例

海洋是自然界中重要的碳汇,海-气二氧化碳通量通常利用大气和海水表层的二氧化碳分压(pCO₂)差进行估算。受制于时空分布不均匀的观测样本和预测数据,目前已有海水表层二氧化碳分压的重构结果在空间分辨率上仍有较大可提升空间。为在高空间分辨率下更好地拟合时空变化,基于表层大洋二氧化碳地图(SOCAT)的海水表层二氧化碳逸度(f CO₂)数据集和遥感卫星等多源数据,利用XGBoost模型建立了海水表层二氧化碳分压值与海洋物理、生物、光学等要素的非线性关系,并根据样本时空频率构建权重模型,最终重构了2000-2018年大西洋0.041 7°×0.041 7°下月度海水表层二氧化碳分压分布。预测结果的相关系数为0.966,均方根误差为8.087μatm,平均偏差为4.012μatm,与同类重构结果相比,海水表层二氧化碳分压的时空变化趋势一致性强,且在空间分辨率上具有优势。     

基于模糊时间序列的华南台风登陆时最大风速极值预测模型

利用1995—2017年登陆华南地区的台风登陆时最大风速极值数据,构建基于模糊时间序列的台风登陆时最大风速极值预测模型,并将该模型与传统时间序列ARIMA模型作对比。其预测结果表明,模糊时间序列的平均绝对误差、平均相对误差和均方根误差分别为2. 621 m·s-1、0. 066和2. 727 m·s-1,预测的精确度明显高于传统时间序列ARIMA模型,同时也表明将模糊时间序列应用于登陆时最大风速极值的预测能够获得较理想的预测结果。     

SST融合产品在渤黄海的质量评估与修正研究

为获取高空间分辨率与空间覆盖率的海表面温度(Sea Surface Temperature,SST)产品,基于最优插值方法,对微波辐射计Wind Sat、AMSR-E、ASMR2、HY-2 RM和红外辐射计MODIS、AVHRR的SST观测数据进行融合,生成了一种0.1°空间分辨率的每日SST融合产品,利用浮标数据在渤黄海区域进行了精度评估和修正,并分析了该区域的SST时空分布特征。结果表明:SST融合产品的在中国近海的精度为1.1℃,利用浮标数据修正后的精度略有改善;利用修正的SST产品对渤黄海区域SST分布特征进行了分析,分析结果显示,渤黄海海域冬季海温最为均匀,春季在海水升温过程中海温不均匀性明显。     

区域平均海平面高度异常的统计预测

本研究基于SODA(Simple Ocean Data Assimilation)的月平均海洋数据,提取出南海区域平均海平面高度异常(SSHA)的时间序列,并基于该时间序列开展了统计预测工作。研究中使用时间序列分解方法,将南海区域平均逐月SSHA时间序列分解为3个部分:年际变化项、季节项和扰动项。根据分解出的这3项时间序列变化特征,分别使用指数平滑法和自回归移动平均法去拟合时间序列中的年际变化项和扰动项,季节项将作为循环变化项叠加到前两项上。由此,建立了适用于该时间序列的预测模型,并且测试了该模型的预测能力。结果显示,研究建立的南海平均海平面高度异常模型的平均有效预报时间约为7个月,预报能力在春季和秋季较其余季节要强一些。另外,该模型在模拟时段内的预报技巧具有显著的十年际变化特征。     

海洋表层温度对台风"蔷薇"路径和强度预测精度的影响

基于中尺度大气模式WRF(Weather Research and Forecasting Model),首先对2007年3次船舶辐射通量观测进行模拟,以检验WRF对长波和短波辐射通量的模拟能力,结果表明使用中国近海海洋环境数值预报系统环流模式POM(Princeton Ocean Model)模拟的高时空分辨率的海洋表层温度能够显著改进短波辐射通量的模拟,而对长波辐射通量模拟的改进不明显。然后,将业务化运行的中国近海海洋环境数值预报系统后报的逐时海洋表面温度(SST)作为WRF底边界条件,对2008年15号强台风"蔷薇"(Jangmi)过程进行了数值后报试验。结果表明,与使用NCEP/NCAR的SST试验后报的台风中心位置偏差相比,使用高时空分辨率的SST能够较为显著地改善"蔷薇"的路径模拟,台风中心位置模拟偏差减少11%,尤其在台风减弱阶段,台风中心位置模拟偏差减少37%。台风强度在台风发展的不同阶段对下垫面SST的变化敏感性不同。台风路径附近的海表面温度下降会导致海洋向大气输送的热量减少从而减弱台风强度。     

海洋表层温度对台风"蔷薇"路径和强度预测精度的影响

基于中尺度大气模式WRF(Weather Research and Forecasting Model),首先对2007年3次船舶辐射通量观测进行模拟,以检验WRF对长波和短波辐射通量的模拟能力,结果表明使用中国近海海洋环境数值预报系统环流模式POM(Princeton Ocean Model)模拟的高时空分辨率的海洋表层温度能够显著改进短波辐射通量的模拟,而对长波辐射通量模拟的改进不明显。然后,将业务化运行的中国近海海洋环境数值预报系统后报的逐时海洋表面温度(SST)作为WRF底边界条件,对2008年15号强台风"蔷薇"(Jangmi)过程进行了数值后报试验。结果表明,与使用NCEP/NCAR的SST试验后报的台风中心位置偏差相比,使用高时空分辨率的SST能够较为显著地改善"蔷薇"的路径模拟,台风中心位置模拟偏差减少11%,尤其在台风减弱阶段,台风中心位置模拟偏差减少37%。台风强度在台风发展的不同阶段对下垫面SST的变化敏感性不同。台风路径附近的海表面温度下降会导致海洋向大气输送的热量减少从而减弱台风强度。     

基于ARIMA与LSTM的海岸带地面沉降预测方法

快速的地面沉降是一种地质灾害,它关系到社会的可持续发展,甚至威胁人类的生命财产安全。InSAR技术可以获取地表长时间、大范围的形变数据,可用于分析潜在的地面沉降问题,为预防地质灾害提供了一种可靠手段。如何基于InSAR数据对地面沉降进行预测,一直是研究人员关注的重点方向和难题。为此,本文在前人对地面沉降预测研究的基础上,提出了一种将差分移动平均自回归(ARIMA)模型与深度学习中的长短期记忆单元(LSTM)模型相结合的地面沉降预测方法,即利用InSAR得到的形变量数据与ARIMA模型预测结果作差,然后利用LSTM对该差值进行训练与预测。以杭州湾2017—2019年InSAR监测数据为例验证了该方法,结果表明,与传统的单一预测算法相比,本文方法的均方根误差至少减小了2.23 mm,平均绝对误差至少减小了0.98 mm,平均预测精度至少提升了15.19%,验证结果证实了本文方法的可行性,为地面沉降预警工作提供了新的思路和方法。     

基于相似系数的海温中长期统计预报方法研究

海温是认知和研究大气、海洋物理性质和演变规律的重要海洋环境动力要素之一,也是海洋预报组成中不可或缺的组成部分,对海温的分布及演变规律进行研究对海洋经济、环保和国防安全具有重要的意义。本文提出了一种基于相似系数的海温统计预报方法,利用数理统计分析方法,构建基于相似系数的统计预报模型来实现海温的单点时间序列预报。在南海海域海温预报中长期实验中,该方法比气候态预报和ARIMA预报方法的结果更优,证明该方法的有效性并为海温的中长期预报提供了新思路。     

基于机器学习的青岛市区近岸海雾集成预报方法

利用2014—2017年青岛小麦岛海洋站观测资料,采用机器学习方法建立了青岛市区近岸海雾集成预报模型,通过主成分分析方法对预报因子进行了优选。结果表明:采用能见度、风向、风速、气压、露点、气温、海温、气温露点差、气海温差、相对湿度、云量、气温24h变温12个预报因子建立的海雾集成预报模型,对2018年海雾预报的TS评分约为0.64,海雾预报正确率约为0.783,具有较好的预报能力,为海雾预报提供了新的方法。     

IOCAS ICM及其ENSO实时预测试验和改进

厄尔尼诺和南方涛动(ENSO)是仅次于季节变化的最强年际气候变率信号,对全球气候和天气产生重要影响。准确、及时、有效地预报ENSO事件的发生和演变具有重大的实用意义。以中国科学院海洋研究所冠名的中等复杂程度海气耦合模式(IOCAS ICM),每月定期进行ENSO实时预报试验。IOCAS ICM实时预报结果目前收录于美国哥伦比亚大学国际气候研究所(IRI),以作进一步的集成分析和应用。该模式的大气部分是一个描述对海表温度(SST)年际异常响应的风应力异常经验模式,海洋部分包括了动力海洋模块、SST距平模块(嵌套于动力海洋模块中)和次表层上卷海温(T_e)距平模块三部分。IOCAS ICM的特点之一是开发了次表层海温反算优化这一创新技术,可有效改进热带太平洋SST异常的模拟和预报。IOCAS ICM和其他海气耦合模式的最新预报结果(以2017年9月为初条件)表明,2017年年末热带太平洋会处于一个SST冷异常态,最大变冷中心集中在赤道东太平洋,但并不足以达到拉尼娜(La Ni?a)事件的水平,SST冷异常可能会在2018年春季逐渐减弱,转化为中性状态。此外,本文还对四维变分资料同化方法(4D-Var)以及条件非线性最优扰动方法(CNOP)在IOCAS ICM中的应用进行了讨论。     

海洋资料同化对气候季节-年际预测技巧及初始场的影响试验

集合卡尔曼滤波(Ensemble Kalman filter, EnKF)是一种国内外广泛使用的海洋资料同化方案, 用集合成员的状态集合表征模式的背景误差协方差, 结合观测误差协方差, 计算卡尔曼增益矩阵, 有效地将观测信息添加到模式初始场中。由于季节、年际预测很大程度上受到初始场的影响, 因此资料同化可以提高模式的预测性能。本文在NUIST-CFS1.0预测系统逐日SST nudging的初始化方案上, 利用EnKF在每个月末将全场(full field)海表温度(sea surface temperature, SST)、温盐廓线(in-situ temperature and salinity profiles, T-S profiles)以及卫星观测海平面高度异常(sea level anomalies, SLA)观测资料同化到模式初始场中, 对比分析了无海洋资料同化以及加入同化后初始场的区别、加入海洋资料同化后模式提前1~24个月预测性能的差异以及对于厄尔尼诺-南方涛动(El Niño-southern oscillation, ENSO)预测技巧的影响。结果表明, 加入海洋资料同化能有效地改进初始场, 并且呈现随深度增加初始场改进越显著的特征。加入同化后, 对全球SST、次表层海水温度的平均预测技巧均有一定的提高, 也表现出随深度增加预测技巧改进越明显的特征。但加入海洋资料同化后, 模式对ENSO的预测技巧有所下降, 可能是由于模式误差的存在, 使得同化后的预测初始场从接近观测的状态又逐渐恢复到与模式动力相匹配的状态, 加剧了赤道太平洋冷舌偏西、中东部偏暖的气候平均态漂移。     

OSTIA数据在中国近海业务化环流模型中的同化应用

The prediction of sea surface temperature(SST) is an essential task for an operational ocean circulation model. A sea surface heat flux, an initial temperature field, and boundary conditions directly affect the accuracy of a SST simulation. Here two quick and convenient data assimilation methods are employed to improve the SST simulation in the domain of the Bohai Sea, the Yellow Sea and the East China Sea(BYECS). One is based on a surface net heat flux correction, named as Qcorrection(QC), which nudges the flux correction to the model equation; the other is ensemble optimal interpolation(En OI), which optimizes the model initial field. Based on such two methods, the SST data obtained from the operational SST and sea ice analysis(OSTIA) system are assimilated into an operational circulation model for the coastal seas of China. The results of the simulated SST based on four experiments, in 2011, have been analyzed. By comparing with the OSTIA SST, the domain averaged root mean square error(RMSE) of the four experiments is 1.74, 1.16, 1.30 and 0.91°C, respectively; the improvements of assimilation experiments Exps 2, 3 and 4 are about 33.3%, 25.3%, and 47.7%, respectively.Although both two methods are effective in assimilating the SST, the En OI shows more advantages than the QC,and the best result is achieved when the two methods are combined. Comparing with the observational data from coastal buoy stations, show that assimilating the high-resolution satellite SST products can effectively improve the SST prediction skill in coastal regions.     

2007 年长江口邻近海域夏季上升流演变机制研究

研究长江口邻近海域夏季上升流强度和空间分布的变化,对渔业生产和赤潮的防治具有重要的指导意义.采用2007年6~10月高分辨率卫星遥感资料 NGSST 海表温度和 CCMP 风场,通过经验正交函数(EOF)分解和区域海洋数值模式(ROMS)研究了该海域夏季上升流的短期演变机制及其与 SST 异常的关系.结果表明,夏季上升流强度和范围存在明显变化,是引起该海域 SST 异常的重要原因;风场对上升流短期演变起着关键作用,风应力旋度对局地上升流变化的影响与沿岸风应力同等重要;地形变化影响着上升流中心的分布,陡而窄的海底凸起容易在顺流侧形成较强的上升流中心,并在逆流侧诱发下降流.     

基于DINEOF的风云极轨气象卫星海表温度重构方法研究

海表温度是表征海洋表层热力状况的重要海洋参数,日均全天候覆盖的海温观测数据可为服务台风监测及其他海洋灾害时空演变的精细化预报提供数据支撑。可见光红外扫描辐射计和中分辨率光谱成像仪反演的海温产品具有较高的空间分辨率,但是红外遥感反演的海温产品受到云、雾和霾的影响,在云下存在大面积、无规律的缺值;微波辐射计反演的海温产品空间分辨率低,但可穿透云层,实现全天候海温观测。本文基于风云三号B、C、D三颗极轨气象卫星红外和微波遥感仪器反演的海温资料,利用经验正交函数插值法(DINEOF)重构得到全球海表温度产品。与全球分析场日平均海温OISST数据进行比较可知：原始海温资料的均方根误差为0.59~0.70℃,DINEOF重构后海温资料均方根误差降至0.10~0.34℃;相关系数从0.33~0.48提升到0.78~0.98。多传感器重构海温数据空间分布上连续可信,能够监测不同季节的海温变化特征及暖池空间模态。风云三号气象卫星微波遥感的加入显著提升了重构海温的空间连续覆盖率和时间分辨率。