Performances of seven datasets in presenting the upper ocean heat content in the South China Sea

In this study, the upper ocean heat content (OHC) variations in the South China Sea (SCS) during 1993- 2006 were investigated by examining ocean temperatures in seven datasets, including World Ocean Atlas 2009 (WOA09) (climatology), Ishii datasets, Ocean General Circulation Model for the Earth Simulator (OFES), Simple Ocean Data Assimilation system (SODA), Global Ocean Data Assimilation System (GODAS), China Oceanic ReAnalysis system (CORA), and an ocean reanalysis dataset for the joining area of Asia and Indian-Pacific Ocean (AIPO1.0). Among these datasets, two were independent of any numerical model, four relied on data assimilation, and one was generated without any data assimilation. The annual cycles revealed by the seven datasets were similar, but the interannual variations were different. Vertical structures of temperatures along the 18°N, 12.75°N, and 120°E sections were compared with data collected during open cruises in 1998 and 2005-08. The results indicated that Ishii, OFES, CORA, and AIPO1.0 were more consistent with the observations. Through systematic comparisons, we found that each dataset had its own shortcomings and advantages in presenting the upper OHC in the SCS.     

最优化插值同化方法在预报南海台风浪中的应用

由经验的holland台风模型和NCEP再分析风场资料相结合构造出南海台风风场，结果较好地符合了TOPEX／Poseidon(T／P)卫星高度计观测的风速分布。以此作为第三代海浪模式的输入风场，模拟了1999年约克(York)台风经过南海海域的台风浪，并利用T／P卫星高度计观测的有效波高资料对模式进行同化。结果显示，同化影响半径取为2000km效果较好，同化影响时间是35h，同化改善了模式预报的精度。     

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。     

南海中尺度涡的季节和年际变化特征分析

以11a(1993—2003年)TOPEX/Poseidon、Jason和ERS1/2高度计的融合资料为基础,统计了南海中尺度涡的时空分布,分析了南海中尺度涡的季节和年际变化,并结合QuikSCAT、ERS1/2风场资料初步探讨了南海中尺度涡形成的可能机制。研究结果表明,南海中尺度涡存在明显的季节和年际变化,而季风强迫是这种变化的主要驱动因素。冬季冷涡(气旋涡)主要分布在吕宋岛西北和越南东南海域,而暖涡(反气旋涡)主要在18°N以北出现。春季暖涡在南海中部开始出现并得到充分发展。夏季暖涡明显多于冷涡,暖涡主要分布在越南东南和吕宋岛西北海域,而冷涡分布于越南以东和南海东北部。秋季冷涡主要分布在越南沿岸,暖涡则分布在南海东北部;11a海面高度异常均方根的时空分布变化也显示了南海中尺度涡存在较强的年际变化。     

南海表层水温年际变化的大尺度特征

通过对COADS海洋气象资料的分析,得出南海表层水温(SST)年际变化的若干大尺度特征.结果表明:南海SST年际具有一定的准周期性,其显著周期为24～30个月;南海SST年际变化与年循环之间有着一种锁相关系,关键位相在于北半球冬春季节;南海典型冷暖年份合成SST距平场的时空结构十分相似;在年际时间尺度上,南海SST和南方涛动指数有反相关系,与经向风海面热收支之间有同位相关系;南海暖池面积指数的年际变化与南海SST年际变化一致.