基于BP神经网络方法的近岸数值海温预报释用技术

为了提高近岸精细化海温预报精度,利用神经网络方法,分析了海温数值预报及观测数据在释用中的作用,研究了定点近岸海温影响因子的最优配置方案,建立了定点海温精细化数值预报释用模型,评估了释用模型性能。误差分析结果显示,数值海温产品及其观测在建模中起到了降低和稳定模型误差的作用;释用模型将定点数值预报的误差从2.2°C减少至0.7°C;预报误差较调训误差略高,但考虑到预报误差的稳定性,数值释用与人工经验预报水平持平,因此,该方法具有十分广阔的拓展空间和应用前景。     

中国近岸海域基础预报单元海温预报指导产品研制

基于海温数值预报系统和偏差订正释用方法,开发了中国近岸海域基础预报单元海温预报指导产品,并对2018年7月—2019年9月长时间序列的预报结果进行了检验评估。结果表明:该产品对未来3 d预报的日平均绝对误差分别达到了0.17℃、0.30℃和0.38℃,预报准确度良好,能够为我国县级海域提供较为准确的海温预报产品。     

基于卫星遥感海温数据的南海SST预报误差订正

尝试利用卫星遥感高分辨率海表温度资料GHRSST (Group for High Resolution Sea Surface Temperature) 与海表温度(sea surface temperature, SST)数值预报产品之间的误差, 建立一种南海SST模式预报订正方法。首先, 利用南海的Argo浮标上层海温数据对GHRSST 海温数据进行验证, 结果表明两者之间均方根误差约为0.3℃, 相关系数为0.98, GHRSST 海温数据可用于南海业务化数值预报SST的订正。预报订正后的SST与Argo浮标海温数据相比, 24h、48h和72h的均方根误差均由0.8℃左右下降到0.5℃以内。与GHRSST 海温数据相比, 南海北部海域(110°E—121°E, 13°N—23°N)订正后的24h、48h和72h的SST预报空间误差均显著减小, 在冷空气影响南海期间或中尺度涡存在的过程中, SST预报订正效果也较为显著。因此, 该方法可考虑在南海业务化SST数值预报系统中应用。     

基于LSTM-RNN的海水表面温度模型研究

针对数值模式和统计学习方法在海表面温度(SST)建模中的不足,将长短时记忆循环神经网络(LSTM-RNN)应用于SST的建模。使用研究海区24 a月平均的SST和太阳辐射、风场、蒸发降水等物理参数,通过LSTM-RNN构建西太平洋研究海区SST时间序列变化模型,用于预报研究海区下个月SST。建立了两个模型model1和model2,model1仅使用SST数据作为model2的对照,model2使用SST和其他物理参数。结果表明:model2在验证数据中的MAE为0. 15℃,RMSE为0. 19℃,相关性系数为0. 978,和model1相比总体准确性提升31%,表明LSTM-RNN应用于SST建模是可行的; LSTM-RNN可以建立其他物理参数与SST的关系,从而显著提升海水表面温度模型的准确性。     

A forecasting model for wave heights based on a long short-term memory neural network

To explore new operational forecasting methods of waves, a forecasting model for wave heights at three stations in the Bohai Sea has been developed. This model is based on long short-term memory(LSTM) neural network with sea surface wind and wave heights as training samples. The prediction performance of the model is evaluated,and the error analysis shows that when using the same set of numerically predicted sea surface wind as input, the prediction error produced by the proposed LSTM model at Sta. N01 is 20%, 18% and 23% lower than the conventional numerical wave models in terms of the total root mean square error(RMSE), scatter index(SI) and mean absolute error(MAE), respectively. Particularly, for significant wave height in the range of 3–5 m, the prediction accuracy of the LSTM model is improved the most remarkably, with RMSE, SI and MAE all decreasing by 24%. It is also evident that the numbers of hidden neurons, the numbers of buoys used and the time length of training samples all have impact on the prediction accuracy. However, the prediction does not necessary improve with the increase of number of hidden neurons or number of buoys used. The experiment trained by data with the longest time length is found to perform the best overall compared to other experiments with a shorter time length for training. Overall, long short-term memory neural network was proved to be a very promising method for future development and applications in wave forecasting.     

基于最优插值方法的微波-红外辐射计数据融合全球海面温度网格产品

A new 0.1° gridded daily sea surface temperature(SST) data product is presented covering the years 2003–2015. It is created by fusing satellite SST data retrievals from four microwave(Wind Sat, AMSR-E, ASMR2 and HY-2 A RM)and two infrared(MODIS and AVHRR) radiometers(RMs) based on the optimum interpolation(OI) method. The effect of including HY-2 A RM SST data in the fusion product is studied, and the accuracy of the new SST product is determined by various comparisons with moored and drifting buoy measurements. An evaluation using global tropical moored buoy measurements shows that the root mean square error(RMSE) of the new gridded SST product is generally less than 0.5℃. A comparison with US National Data Buoy Center meteorological and oceanographic moored buoy observations shows that the RMSE of the new product is generally less than 0.8℃. A comparison with measurements from drifting buoys shows an RMSE of 0.52–0.69℃. Furthermore, the consistency of the new gridded SST dataset and the Remote Sensing Systems microwave-infrared SST dataset is evaluated, and the result shows that no significant inconsistency exists between these two products.     

基于观测和再分析数据的LSTM深度神经网络沿海风速预报应用研究

基于海洋气象历史观测资料和再分析数据等，利用LSTM深度神经网络方法，开展在有监督学习情况下的海面风场短时预报应用研究。以中国近海5个代表站为研究区域，通过气象台站观测数据和ERA-Interim 6 h再分析数据构建数据集。选取21个变量作为预报因子，分别构建两个LSTM深度神经网络框架(OBS_LSTM和ALL_LSTM)。经与2017年WRF模式6 h预报结果对比分析，得出如下结论:构建的两个LSTM风速预报模型可以大幅降低风速预报误差，RMSE分别降低了41.3%和38.8%，MAE平均降低了43.0%和40.0%；风速误差统计和极端大风分析发现，LSTM模型能够抓住地形、短时大风和台风等敏感信息，对于大风过程预报结果明显优于WRF模式；两种LSTM模型对比发现，ALL_LSTM模型风速预报误差最小，具有很好的稳定性和鲁棒性，OBS_LSTM模型应用范围更广泛。     

基于深度学习的赤潮发生预报方法研究

赤潮作为海洋灾害,对海洋渔业、生态、经济,以及人类生产、生活造成了严重影响。一直以来,赤潮受到研究者的广泛关注,但由于它的形成机制比较复杂,使得赤潮预报极具挑战性。针对赤潮预报的研究问题,本文收集了厦门海域赤潮发生前后的海洋监测数据,结合皮尔逊相关系数、散布矩阵、复相关系数方法,分析多环境因子与赤潮发生多要素的关联情况,重点采用基于深度学习的LSTM与CNN融合方法,挖掘环境因子的时序依赖,发现序列数据的局部特征,对赤潮发生进行预报。在厦门一号和厦门二号数据集中,本方法在预报未来12 h内的赤潮情况时,RMSE、MAE误差分别达到0.521 8、0.504 3。通过协同对比模型进一步确定赤潮发生的预报概率,在两个数据集上的最终预报准确率分别为67.58%和63.49%。本研究为赤潮的分析预报提供了探索经验,证明了将深度学习方法应用于赤潮预报的可行性。     

ERA-Interim 再分析数据在中国沿海的质量评估

本文采用1979~2012年的中国沿海台站观测数据对ERA-Interim(简称"ERA-I")的气温、气压和海温数据进行质量评估。结果表明:(1)从常年平均来看,ERA-I气温、气压和海温多年月平均变化与观测数据吻合较好,可以反映气候态的季节变化特征。与台站观测数据相比,ERA-I气温平均偏高0.19℃,气压平均偏低0.17 h Pa,海温平均偏高0.70℃。(2)从年际变化情况来看,ERA-I和台站观测的气温、气压和海温变化趋势一致,气温和海温呈上升趋势,气压呈下降趋势。但在海南岛附近使用ERA-I气温做年际变化分析和在东海台湾海峡至北部湾沿岸使用ERA-I海温做年际变化趋势分析时要谨慎。(3)从月均变化分析来看,ERA-I月均气温、气压和海温数据与台站实测数据具有很好的一致性。从误差空间分布来看,ERA-I气温在黄海沿岸平均误差最小,ERA-I气压在渤海沿岸平均误差最小,ERA-I海温在南海沿岸平均误差最小。需要特别指出的是,ERA-I月均海温在渤海和台湾海峡附近沿岸平均误差较大(部分站均方根误差超过2.5℃),在上述区域使用ERA-I海温数据时应考虑其产品偏差。     

基于EEMD和ARIMA的海温预测模型研究

类型丰富、时空分辨率高的海洋探测数据,为信号分解和机器学习算法的应用提供了可能。本文针对如何建立有效的海温预测模型这一问题,使用高时空分辨率的海表温度(SST)融合产品,引入信号处理领域的集合经验模态分解(EEMD)和机器学习领域的自回归积分滑动平均模型(ARIMA)。首先利用最适于分解自然信号的EEMD方法,将海温数据分解成多个确定频率的序列;再利用ARIMA分别对各个频率的序列进行预测,最后将各个序列的预测结果进行组合。该方法在丰富数据的支撑下,比以往直接使用海温数据所建立的预测模型精度更高,为更好地进行海温预测提供了新方法。     

海浪对ASCAT散射计反演风场的影响研究

To improve retrieval accuracy, this paper studies wave effects on retrieved wind field from a scatterometer. First, the advanced scatterometer(ASCAT) data and buoy data of the National Data Buoy Center(NDBC) are collocated. Buoy wind speed is converted into neutral wind at 10 m height. Then, ASCAT data are compared with the buoy data for the wind speed and direction. Subsequently, the errors between the ASCAT and the buoy wind as a function of each wave parameter are used to analyze the wave effects. Wave parameters include dominant wave period(dpd), significant wave height(swh), average wave period(apd) and the angle between the dominant wave direction(dwd) and the wind direction. Collocated data are divided into sub-datasets according to the different intervals of each wave parameter. A root mean square error(RMSE) for the wind speed and a mean absolute error(MAE) for the wind direction are calculated from the sub-datasets, which are considered as the function of wave parameters. Finally, optimal wave conditions on wind retrieved from the ASCAT are determined based on the error analyses. The results show the ocean wave parameters have correlative relationships with the RMSE of the retrieved wind speed and the MAE of the retrieved wind direction. The optimal wave conditions are presented in terms of dpd, swh, apd and angle.     

黄海近岸海雾的初始场择优集合预报试验:个例研究

选取2014年4月发生的一次黄海近岸海雾个例,利用WRF(Weather Research and Forecasting)模式开展了集合预报试验研究。依据每个集合成员初始场中海平面气压、2 m温度、2 m水汽混合比与2 m相对湿度(relative humidity, RH)4个变量的均方根误差(root mean square error, RMSE)与RMSE集合平均值的相对大小,以剔除高于者而保留低于者的原则,设计了4种不同的初始场集合体择优方案,实施了一系列数值预报试验,比较了不同择优方案的集合预报效果。研究结果表明:(1)蒙特卡罗方法所生成的集合体中存在不少海雾预报效果较差的成员,这会降低集合预报效果,因此初始场择优十分必要;(2)以RH作为择优变量的择优方案(记为RH-RMSE方案),集合预报效果明显优于其他3种方案;(3)对比不择优集合预报,采用RH-RMSE方案的择优集合预报效果不仅节省了50%左右的计算时间,并且公正预兆评分(equitable threat score,ETS)改进率高达36%左右。本研究提出的RH-RMSE方案具有业务化应用前景。     

基于志愿观测船舶和浮标数据的SST日产品质量评价研究

选用浮标、志愿观测船舶(VOS)数据作为验证数据对MODIS Aqua,MODIS Terra,AVHRR-OI,OSTIA和RTG五种SST日产品进行了时相差异、近海SST偏差和SST偏差区域整体差异分析的质量评价,以期为日产品的后续应用提供依据。结果表明:不同分析方案得到结论基本一致,在时相差异方面,各季节及年度分析显示各日产品优劣特性相近,其中AVHRR-OI最优(年数据分析回归系数为0.973 6,R2为0.976 0,RMSE为0.71℃),RTG、MODIS Aqua和MODIS Terra次之,OSTIA最差(年数据分析回归系数为0.945 4,R2为0.943 7,RMSE为1.08℃);在近海区域,AVHRR-OI比其他日产品能更真实地反映海表温度状况,OSTIA最差(二者Grade分别为30和13);在海洋表面区域整体特性方面,AVHRR-OI日产品质量在研究区海域存在更少的高正值和低负值,且均值和RMSE也更理想(最低仅分别为0.40和0.59℃);而RTG和OSTIA则差于AVHRR-OI。     

Satellite observations of the partial pressure of carbon dioxide in the surface water of the Huanghai Sea and the Bohai Sea

Based on 5 831 continuous in situ measurements of the partial pressure of carbon dioxide on the sea surface p(CO2),related parameters of the sea surface temperature(SST) and chlorophyll-a(Chl a) concentration in 2010 winter,spring and summer of the Huanghai Sea and the Bohai Sea,the inherent relations among them are investigated preliminarily.This study reveals that the seasonal variability of SST and Chl a concentration has a significant influence on p(CO2).The authors have proposed a new algorithm to estimate p(CO2) from SST and Chl a concentration measurements.Compared with the vessel data,the root mean square error(RMSE) of p(CO2) retrieved by using the new model is 13.45 μatm(1atm=101.325 kPa) and the relative error is less than 4%.Then,SST and Chl a concentration data observed by satellite are used to retrieve p(CO2) in the Huanghai Sea and the Bohai Sea;and a better accuracy can be obtained if the quality control for sea surface chlorophyll-a concentration observed by satellite is used.The RMSE of retrieved p(CO2) data with quality control and that without quality control are 15.82 μatm and 31.74 μatm,respectively.     

HY-2B扫描微波辐射计海温产品在典型区域的精度验证和分析

“海洋二号B”卫星（HY-2B）于2018年10月25日发射,是我国第二颗海洋动力环境探测卫星,其上搭载有包括扫描微波辐射计（SMR）在内的多个载荷,海表面温度（SST）是SMR的主要产品之一。本文分别利用NOAA提供的iQuam实测海温数据、CORIOLIS卫星WINDSAT反演的海温遥感产品、NCEP模式海温数据,在两个典型区域,对2020年1月1日至2020年12月31日期间的HY-2B/SMR海温产品进行了验证,其中HY-2B/SMR与iQuam实测海温的Bias为0.004℃,RMSE为0.65℃左右,CORR高于0.95。通过进一步分析,由区域A的分析结果揭示出HY-2B/SMR海温产品精度随纬度变化的规律及其原因,同时,由区域B的分析结果揭示出陆地、岛礁以及RFI对海温总体反演精度的影响约为0.1℃。     

青岛市供热期最高与最低气温的客观预报方法研究

冬季最高与最低气温的准确预报可以让供热公司调节燃煤使用量,达到节能减排的目的。首先基于WRF(Weather Research and Forecasting)模式构建一个区域大气实时预报系统,然后建立客观预报方程对WRF预报气温进行修订,利用2011—2012年供热期(12月—3月)预报与观测数据开展青岛站最高与最低气温客观预报方法研究。供热期内气象部门日最高与最低气温预报的均方根误差(RMSE)平均为3.6℃,而WRF预报平均约为2.0℃,减小了44.4%;地面风与温度平流的相关性分析确定温度平流是导致WRF预报气温误差的一个显著因素,利用统计获取的南北方向温度平流和RMSE建立方程并应用于2011年供热期,相对于气象部门预报,1—3月RMSE改进率基本在50.0%以上。文中提出的客观预报方法可以运用于其它站点进行不同供热片区的温度预报服务。     

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。     

基于MODIS遥感影像的福建近岸海表温度反演

借助福建沿岸13个海洋台站的海表温度(SST)实测资料,选取相应时间的MODIS遥感影像,通过对4个相关变量的线性回归统计,建立了适用于福建近岸的SST区域反演模型,对建立的反演模型精度进行验证,并与SeaDAS模型的反演精度进行比较,SST区域反演模型的精度优于SeaDAS模型。利用该SST区域反演模型,对福建近岸的SST进行了遥感反演和时空变化分析。结果表明,福建近岸的SST与大陆沿岸流、南海暖流、台湾海峡东岸黑潮暖流的分布以及季节的变化密不可分。     

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。     

集合同化方法在黄海海域海表面温度同化中的应用

The effects of sea surface temperature(SST) data assimilation in two regional ocean modeling systems were examined for the Yellow Sea(YS). The SST data from the Operational Sea Surface Temperature and Sea Ice Analysis(OSTIA) were assimilated. The National Marine Environmental Forecasting Center(NMEFC) modeling system uses the ensemble optimal interpolation method for ocean data assimilation and the Kunsan National University(KNU) modeling system uses the ensemble Kalman filter. Without data assimilation, the NMEFC modeling system was better in simulating the subsurface temperature while the KNU modeling system was better in simulating SST. The disparity between both modeling systems might be related to differences in calculating the surface heat flux, horizontal grid spacing, and atmospheric forcing data. The data assimilation reduced the root mean square error(RMSE) of the SST from 1.78°C(1.46°C) to 1.30°C(1.21°C) for the NMEFC(KNU) modeling system when the simulated temperature was compared to Optimum Interpolation Sea Surface Temperature(OISST) SST dataset. A comparison with the buoy SST data indicated a 41%(31%) decrease in the SST error for the NMEFC(KNU) modeling system by the data assimilation. In both data assimilative systems, the RMSE of the temperature was less than 1.5°C in the upper 20 m and approximately 3.1°C in the lower layer in October. In contrast, it was less than 1.0°C throughout the water column in February. This study suggests that assimilations of the observed temperature profiles are necessary in order to correct the lower layer temperature during the stratified season and an ocean modeling system with small grid spacing and optimal data assimilation method is preferable to ensure accurate predictions of the coastal ocean in the YS.