利用卫星遥感海面温度、高度联合反演南海北部三维温度场

利用历史观测得到的温度剖面数据,通过严格筛选和插值,建立了南海北部的气候态垂向温度剖面。随后,利用回归统计分析的方法构建了海面温度异常(SSTA)、海面高度异常(SSHA)联合扩展温度剖面的经验回归模型,并采用卫星遥感得到的SST和SSH数据扩展了南海北部的三维海洋温度场,其时间分辨率为天,空间分辨率为0.25°×0.25°。通过与观测数据的对比研究,扩展得到的温度场可以较为准确地反映南海北部温度剖面的结构特征,并且能有效地体现出一些中尺度变化过程。结果表明,本研究反演得到的三维温度扩展场是较为可靠的,它可以作为海洋数值模型的初始场,实现现场观测数据和卫星遥感数据的互补,有助于更好地分析南海北部温度场的三维结构及变化特征。     

基于POMgcs模式中国海及邻近海域三维温盐流数值预报海面温度的检验分析

对基于POMgcs海洋模式建立中国海及邻近海域三维温盐流数值预报系统的海面温度产品,进行检验分析。利用2011年预报的月平均海面温度数据同卫星观测的月平均海面温度资料相比较,发现三维温盐流数值预报系统预报偏高。此外,分别利用2011年GTS海洋观测海面温度数据和2012年2、3、4月份卫星融合海面温度数据,与该系统海面温度预报逐日产品进行检验分析。检验结果表明:预报精度随着预报时效逐渐降低;预报海面温度高于观测值1℃~2℃。     

中国海及邻近海域卫星观测资料同化试验

利用1个基于POMgcs海洋模式和多重网格三维变分同化方法建立的中国海及邻近海域海面高与三维温盐流数值预报模型,通过一系列数值试验,研究了同化卫星测高和卫星遥感海面温度观测资料对该模型预报能力的影响。试验结果表明,同化卫星测高资料可明显改善海面高度与三维温度和盐度的分析预报效果,使1 200 m以上的温度预报误差减小0.16℃,并能有效提高对海洋中尺度现象的预报能力;同化卫星遥感海面温度对100 m以上的温度和盐度的预报效果有所改善,可使海面温度的预报误差减小10%。     

基于Argo剖面和SST以及SLA数据重构三维网格温度场

基于2004年1月—2017年4月的Argo剖面数据和SST数据,采用客观分析方法,构建出三维网格温度初始场,再采用回归分析方法统计出海面高度异常与三维网格温度初始场之间的相关关系,最后利用高分辨率的海面高度异常信息重构三维温度分析场。在西北太平洋区域构建了0.5°×0.5°的月平均三维温度分析场,垂向分辨率5 m(5～300 m)和10 m(300～700 m)。通过与BOA_Argo和EN4的逐月平均温度数据的时空分布对比分析表明:所构建的温度场能够较为真实地反映海洋温度场的垂向结构变化特征,能将SST信号的特征反映到混合层,并且能反映下层水团变化过程和特征。该分析场可以用于研究下层中小尺度温度变化特征,也可以作为模式初始场改进模式对海洋下层温盐的模拟结果。     

利用遥感SST反演上层海洋三维温度场

通过统计相关分析验证了一个简单的温度参数模型在太平洋海域的较好适用性。基于Argo观测资料及WOA09气候态温度数据,采用最大角度法求得此模型的相关参数,并利用高分辨率卫星遥感海表温度反演了太平洋上层海域空间分辨率为1°×1°的气候态月平均三维温度场。与实测资料的比较分析表明反演结果是较为真实可靠的,并可作为海洋数值模式积分的初猜场,为实现现场观测(如:Argo)与卫星观测的优势互补,构建太平洋海域完整的三维温度分析场提供一种新途径。     

利用海面温度和海面动力高度反演西太平洋月平均温度场

海水三维温度场是海洋研究和海洋工程领域中最重要的数据资料之一。本研究基于量纲分析法获得海面参数和海水内部温度剖面之间的函数关系,进而提出了一种利用海面温度和海面动力高度反演大洋月平均三维温度场的方法。本研究基于该方法估算了西太平洋海域0～1 000 m深度范围月平均三维温度场,并将反演结果与基于Argo资料获得的三维温度场进行了比较,其结果证明了该方法的有效性。     

基于ROMS模式的南海SST与SSH四维变分同化研究

卫星遥感观测获得了大量高分辨率的海面实时信息，包括海面温度（SST）和海面高度（SSH）等，同化进入数值模式可有效提升模拟精度。本文基于ROMS模式与四维变分同化方法（4DVAR），使用AVHRR SST和AVISO SSH数据，开展了南海区域同化实验。为检验同化的效果，分别利用HYCOM再分析资料和Argo温盐实测数据分析了同化结果的海面高度、流场及温盐剖面的精度。对比结果表明，SST和SSH的同化能够改善ROMS的模拟结果:同化后海面高度场能够更为准确地捕捉海洋的中尺度特征，与HYCOM海面高度再分析资料相比，平均绝对偏差和均方根误差分别为0.054 m和0.066 m；与HYCOM 10 m层流场相比，东向与北向流速平均绝对偏差分别为0.12 m/s和0.11 m/s，相比未同化均提升约0.01 m/s；温盐同化结果与Argo温盐实测具有较高的一致性，温度和盐度平均绝对偏差为0.45℃、0.077，均方根误差为0.91℃、0.11，单个的温盐廓线对比说明，同化结果与HYCOM再分析资料精度相当。     

中国近海海面高度异常资料再处理

卫星海面高度异常产品再处理的研究多集中在欧洲和美国近海,中国近海尚未有过。在产生AVISO(Archiving Validation and Interpolation of Satellite Oceanographic Data)全球0.25°多颗卫星海面高度异常产品时,只用了1/3~1/2的部分沿轨资料,给区域海洋动力学研究造成了一定的限制。本研究尝试利用多颗卫星的所有沿轨资料及25个测潮站的观测资料,通过最优插值方法产生一份新的中国近海海面高度异常资料。新资料的空间分辨率仍为0.25°,但使用了来自3颗卫星(Jason-1、Jason-2、Cryo Sat-2)的所有沿轨资料及25个测潮站的观测资料。新资料的范围为10°S~50°N、90°~160°E。新资料与AVISO资料的对比分析表明新资料更接近沿轨海面高度异常观测,同时也更接近测潮站资料。与AVISO资料相比,新资料与沿轨海面高度异常观测的均方根误差降低了10.03%,与测潮站资料的均方根误差降低了9.6%。     

基于海面位势高度和海表温度构建西太平洋三维温度场

提出了一个基于上一年逐月三维再分析温盐场和第二年月平均卫星观测数据,包括海表温度SST(Sea Surface Temperature),海面高度异常SLA(Sea Level Anomaly),来推算区域海洋三维温度场的方法。选取西太平洋区域作为验证算法有效的海区。该三维水域的水平海域范围设定为:30°N～50°N,140°W～180°W,水平分辨率为1°;深度方向为从海表至-1 000 m,划分为19层。重构的第一步是利用上一年的逐月的温盐场,在该三维空间的每个网格点上建立一个温度和卫星观测的海表温度、海面位势高度的回归方程。根据该回归方程和第二年的卫星观测数据可以得到第二年的该区域的三维温度场。第二步把相同月份的该区域存在的Argo温度廓线同化进重构的温度场来提高重构的精度。重构的2015、2016年的温度场和CMEMS(Copernicus Marine Environment Monitoring Service)提供的再分温度场的相关系数分别达到了0.992 9和0.991 2,均方根误差为0.79和0.89℃;在-200 m以深的区域,均方根差异小于1℃,-200 m以浅的区域,均方根差异在1～2℃。表明该重构方法是合理有效的,所以基于第一年的温盐三维数据和第二年的卫星观测的海表数据可以重构第二年的三维温度场。     

基于融合U-Net及ConvLSTM的海面高度异常预报方法研究

海面高度异常是反映海洋环境状况的主要变量之一。本文使用1993—2019年的融合月均海面高度异常数据,建立了基于深度学习的海面高度异常预测神经网络模型,提出了基于融合U型网络(U-Net)和卷积长短记忆网络(ConvLSTM)的中长期海面高度异常预报模型。在研究海域0.25°×0.25°的空间分辨率下,模型测试集预报结果的均方根误差和平均绝对误差分别为0.039 m和0.027 m,均优于全连接LSTM预报模型和ConvLSTM+CNN预报模型,为大中尺度的海面高度异常预报提供了新的方法。     

中国远洋作业渔场海表温度异常年际变动分析

基于美国国家海洋大气局(NOAA)气候预测中心月平均SST资料,利用时间序列的统计学特征分析了中国7个主要远洋作业渔场1982~2011年海表温度异常(SSTA)年际变动,用功率谱方法计算时间序列的显著变动周期,并用相关分析探讨了去除趋势项后的SSTA与南方涛动指数(Southern Oscillation Index,SOI)的相关性。结果表明,1982~2011年中国主要远洋作业渔场SSTA为–0.3~0.3℃,波动周期约为3~4 a,平均SSTA总体呈现上升趋势,与SOI存在显著的相关性(r=–0.509),说明渔场的SSTA与ENSO事件有着密切联系;从渔场SSTA升降趋势来看,除了东太平洋和东南太平洋SSTA出现下降趋势,其余渔场的SSTA均有一定程度的上升,其中西北太平洋SSTA上升最为显著;从渔场SSTA的变化周期来看,东太平洋和西南大西洋的SSTA变化周期为3~4 a,东南太平洋为4 a,西太平洋为5 a,其余的短期周期性较不明显,约为10 a;与SOI时间序列进行相关分析得到,东太平洋、中大西洋以及西南大西洋均与SOI存在显著的相关性,相关系数分别为–0.895、0.471和–0.598,其余渔场与SOI无显著相关。通过各渔场间的对比得到以下特征:赤道附近海域东太平洋SSTA变化往往与西太平洋和中大西洋反相,而与印度洋同相;中纬度海域的3个渔场中,南半球中纬度渔场温度变化要比北半球中纬度渔场小;东、西印度洋SSTA存在显著相关性,印度洋内部SSTA正负变化情况基本一致。     

六种遥感海表温度产品的比对分析

海表温度(sea surface temperature, SST)产品是研究全球海洋大气系统的重要数据源, 在海洋相关领域的研究和应用方面具有重要价值。对2007年1和7月的六种不同SST产品(AVHRR-only, AMSR+AVHRR, NCODA, RSS, RTG-HR和OSTIA)在南大洋阿古拉斯回流(Agulhas Return Current, ARC)与绕极环流交汇区域的产品特性进行了比对统计分析, 包括SST分析、SST梯度分析、统计参数分析和波数谱分析。分析结果表明产品之间SST时空变化分布的整体趋势一致, RTG-HR在空间分布上过于平滑, OSTIA解析的大洋锋面最弱, RSS包含噪声较多, NCODA相对其他产品存在较大偏差。发现在AVHRR数据的覆盖率较好的情况下与以红外数据构建的AVHRR-only相比, AMSR数据并不能提供更多的SST信息, 反而会降低产品的空间解析能力。     

春季东海黑潮海表温度与风场的年代际变化特征

利用高分辨率遥感海表温度和海表面风场数据,通过经验正交分解(EOF)和合成分析等方法对春季(3—5月)东海黑潮海温暖舌和海表面风场的年代际变化特征进行分析。结果表明:春季黑潮海温暖舌存在明显的年代际变化特征,在1996/1997年发生由弱到强的位相转换,该年代际变化主要受到北太平洋涡旋振荡(NPGO)的调制。进一步研究表明,与气候态相反,春季黑潮海表温度和风场散度在年代际尺度上表现出显著的负相关关系,合成分析表明,该现象主要是由黑潮西侧东海陆架海域海温的异常增暖所造成。     

海面表层水温与表皮水温的相关研究

海洋水温是海洋研究的重要参数之一.本文介绍了"表皮温度"和"表层温度"的不同概念,分析了表皮和表层温度不同的产生机理,初步建立了两个温度之间的关系式,分析了回归方程产生的误差.     

1.5 Ma以来南海南北上部水体温度变化对比

浮游有孔虫表层海水古温度转换函数、表层暖水种属种含量比值,以及次表层暖水种含量的变化,表明南海北部1．5Ma以来表层、次表层海水温度逐渐降低,其主要变化阶段为0．86～0．94Ma和0．64～0．68Ma。与南海南部西太平洋暖池区的17957站研究结果对比．发现南海南部1．5Ma以来表层、次表层海水温度逐渐增加．发生的主要时间为1．23～1．3Ma和0．64～0．68Ma。南海北部的上部海水结构变化主要受东亚冬季风影响,而南海南部则主要受西太平洋暖池影响,因此,南海南、北上部海水温度的变化说明0．9Ma后尤其是0．68Ma以来东亚冬季风强化,西太平洋暖池加强。     

南极海冰快速下降历史事件的时空特征分析

卫星记录以来,南极海冰范围发生5次快速下降事件,研究这5次事件的时空特征,对进一步认识海冰快速下降事件的物理机制具有重要意义。基于海冰范围和海冰密集度的卫星数据,从时间和空间两个维度总结5次南极海冰快速下降事件的特征,再结合大气和海洋各项环境因素的再分析数据,探讨海冰快速下降的影响因素及其驱动过程。结果显示:南极海冰快速下降的空间分布存在季节性差异, 2021年8～12月以及2016年8～12月的春季南极海冰快速下降由别林斯高晋海、威德尔海、印度洋和西太平洋区域的海冰减少所主导; 2010年12月至2011年4月以及1985年12月至1986年4月的夏季南极海冰快速下降由威德尔海、罗斯海沿岸和西太平洋区域的海冰减少所主导;2008年4～8月的冬季南极海冰快速下降则由别林斯高晋海和西太平洋的部分区域的海冰减少所主导。探究影响海冰的环境因素发现,海表面温度和海表面净热通量对海冰减少的热力效应影响具有区域性差异。此外,南极海冰快速下降受阿蒙森低压的影响,相应的海表面风异常既通过经向热输运的热力效应导致海冰减少,也通过风的动力效应驱动海冰漂移使得海冰密集度降低。     

2017 年中国近海海温和气温气候特征分析

2017 年，全球平均海表温度较常年值偏高0.29~0.43 ℃，是自1960 年以来第三热的年份，仅次于2015 和2016 年，同时是没有厄尔尼诺事件影响的全球海洋最热年。1960-2017 年，中国近海年平均海表温度呈显著波动上升趋势，每十年升高0.16 ℃。2017 年中国近海年平均海表温度较常年值偏高0.64 ℃，是自1960 年以来的中国近海第二最热年份，仅次于1998 年。基于国家海洋局沿海海洋观测台站资料分析，1960-2017 年，中国沿海年平均海表温度以每十年0.15 ℃的速率上升（高于全球平均海表温度的升温速率每十年0.11 ℃）。2017 年中国沿海海表温度较常年值偏高0.8 ℃，是1960 年有记录以来的最高值，比2015 年所创的最高纪录高0.2 ℃。1965-2017 年，中国沿海年平均气温以每十年0.30 ℃的速率上升。2017年中国沿海气温较常年值偏高1.1 ℃，也是1965 年有记录以来的最高值，比2016 年高0.2 ℃。     

台风背景下海浪对海表流场和海表温度的影响

海浪作为海-气界面中重要的物理过程,对海洋上混合层的近表面分布具有重要作用。本文以台风"威马逊"和"麦德姆"为背景,基于FVCOM耦合模式模拟了台风浪及上层海洋的响应过程,探讨了海浪对海表流场和海表温度的影响。结果表明耦合模式能够较准确地模拟出有效波高,台风过境后海表流场在海浪的作用下反映出与台风相对应的气旋性特性,改变的流场量级可达0.4 m/s;海表温度出现不同程度的下降,最大降温约4℃,最大降温中心与流场变化区域相对应,且降温区相对台风路径呈显著的"右偏性"。最大降温滞后台风中心过境2 d左右,恢复时间一般超过10 d,与实况相吻合。     

Trends of sea surface temperature and sea surface temperature fronts in the South China Sea during 2003–2017

The trends of the sea surface temperature(SST) and SST fronts in the South China Sea(SCS) are analyzed during2003–2017 using high-resolution satellite data. The linear trend of the basin averaged SST is 0.31°C per decade,with the strongest warming identified in southeastern Vietnam. Although the rate of warming is comparable in summer and winter for the entire basin, the corresponding spatial patterns of the linear trend are substantially different between them. The SST trend to the west of the Luzon Strait is characterized by rapid warming in summer, exceeding approximately 0.6°C per decade, but the trend is insignificant in winter. The strongest warming trend occurs in the southeast of Vietnam in winter, with much less pronounced warming in summer. A positive trend of SST fronts is identified for the coast of China and is associated with increasing wind stress. The increasing trend of SST fronts is also found in the east of Vietnam. Large-scale circulation, such as El Ni?o, can influence the trends of the SST and SST fronts. A significant correlation is found between the SST anomaly and Ni?o3.4 index, and the ENSO signal leads by eight months. The basin averaged SST linear trends increase after the El Ni?o event(2009–2010), which is, at least, due to the rapid warming rate causing by the enhanced northeasterly wind. Peaks of positive anomalous SST and negatively anomalous SST fronts are found to co-occur with the strong El Ni?o events.