利用经验正交函数数据插值法重构东中国海叶绿素a质量浓度场

利用经验正交函数数据插值法(Data INterpolating Empirical Orthogonal Functions)重构由MODIS-Aqua卫星提供的三级产品叶绿素a质量浓度,得到了从2003—2009年东中国海叶绿素a质量浓度的月平均场。东中国海近岸叶绿素a质量浓度7 a平均值明显高于外海。对叶绿素a质量浓度季节平均场进行分析研究表明,东中国海叶绿素a质量浓度主要受长江径流、海表水温和季风的影响。对叶绿素a质量浓度异常场进行EOF分析表明,第一模态方差贡献为37.8％,空间分布显示,在长江口东北部出现叶绿素a质量浓度异常高值区,时间变化以半年和半年以下周期为主;第二模态方差贡献为21.4％,空间分布显示,在长江口东部出现叶绿素a质量浓度异常高值区,时间系数主要表现为年际变化。     

ENSO事件非对称性成因研究

利用NCEP、SODA等再分析资料,对东太平洋上层海洋的热量收支进行了计算,研究了产生ENSO冷暖事件强度非对称的可能原因。对海表温度异常(SSTA)的分析发现,在东太平洋SSTA存在明显的正偏,即El Nio事件中正异常的幅度大于La Nia事件中负异常的幅度,体现出ENSO事件的非对称性。通过对上层海洋热量收支的计算发现,造成ENSO事件非对称性的可能原因有3个:(1) 非线性温度平流,水平非线性温度平流在ENSO冷暖事件中均为正值,因此增强El Nio事件而减弱La Nia事件;(2) 次表层温度异常对温跃层深度异常的非线性响应,由于东太平洋温度剖面的特性,使得次表层温度异常对El Nio期间正的温跃层深度变化更为敏感,造成次表层温度异常幅度在El Nio期间比La Nia期间大,从而通过－wT′_z项引起上层海温的非对称性;(3) 赤道太平洋的纬向风异常的正偏:由于赤道太平洋存在较强的纬向西风,导致东太平洋温跃层深度异常正偏,进而造成次表层温度异常的非对称－wT′_z,并通过项影响上层海温的非对称性。     

深度学习在印度洋偶极子预报中的应用研究

印度洋偶极子（IOD）是热带印度洋秋季最强的年际变率,它会通过大气遥相关来影响世界许多地区的气候。目前耦合气候模式对IOD预报技巧仍非常有限,远低于热带太平洋的厄尔尼诺事件的预报技巧。鉴于深度学习具备高效的数据处理能力,本文使用深度学习中的卷积神经网络（CNN）与人工神经网络中的多层感知机（MLP）处理再分析观测资料,从而进行IOD预报。由于当预报初始时刻为北半球冬春季时,对IOD事件的预报技巧较低。因此,为探索CNN的预报能力,本文仅使用三种（1～3月、2～4月、3～5月）初始时刻的海表温度异常（SSTA）作为CNN的输入数据,来预报其后续七个月的印度洋偶极子指数（DMI）、东极子指数（EIOI）和西极子指数（WIOI）。结果表明:CNN对DMI、EIOI和WIOI的有效预测时效均超过了6个月。与现在耦合动力模式相比,CNN模型能够显著提升DMI和EIOI的预报技巧,但对WIOI的预报技巧提升有限。当预报提前时间为7个月时,CNN模型能够比较准确地预报1994、1997与2019年的IOD事件。由于CNN模型能够更好地抓住印度洋海温的空间结构特征,它对IOD事件的预报技巧比传统神经网络MLP高。