基于质点-网格模式的海冰厚度变化过程数值模拟

根据渤海冰情,在海冰动力学和热力学研究基础上,应用一种质点-网格海冰模式于渤海海域.该模式采用了质点-网格法,有效地避免了传统模式的数值扩散问题.该模式采用了冰厚分布函数,用多种类型冰代替用于渤海业务预报的平整冰、堆积冰和开阔水3-level模式.进行理想场的数值试验,模拟冰厚变化动力过程.还使用该模式和业务预报模式对于实际渤海冰情进行了不同个例的预报试验,发现该模式在提高冰外缘线预报精度方面有一定的优势.     

北极喀拉海工程海冰冰情特征统计分析

本文基于ICDC海冰密集度、冰厚及NSIDC冰速数据,分析了喀拉海工程海冰时空变化特征,并采用ECMWF大气强迫资料,进一步分析了影响喀拉海冰情的热力与动力因素。结果显示,喀拉海海冰冰情总体呈现由重变轻趋势;海冰时空变化显著,存在8个月的高密集度完全冰封期,冬季月份全海域冰厚高于60cm,夏季西南部冰厚低于20cm,冻结快,融化慢;油气代表点处冰厚频率分布呈双峰状,常冰向及强冰向以NW、NNW及SSE方向为主;冬季积温是决定融冻期海冰覆盖率特征和增长期冰厚指数的主要因素;自2005年起,喀拉海夏季几近无冰,经向风场与海冰覆盖率开始存在相关性。     

质点-网格海冰模式在渤海的数值预报试验

在海冰动力学和热力学的研究基础上,开发应用于渤海的质点-网格海冰模式.该模式采用质点-网格法,有效地避免了传统海冰模式的数值扩散问题.该模式采用冰厚分布函数取代传统渤海业务海冰预报模式中平整冰、堆积冰和开阔水的三类海冰分型.应用质点-网格海冰模式对2003年～2004年冬季渤海冰情进行了业务化逐日数值预报试验,并对预报结果进行统计检验和分析比较.     

渤海冬季油气生产危险冰情报警方法

目前，渤海中的油气田冬季生产都有可能遭受不同程度的冰灾威胁，建立渤海冬季油气生产危险冰情报警系统和防冰减灾的海冰管理方法是很有必要的。本文提出一套适用于渤海不同冰区以及不同型式油气开发工程的冬季油气生产危险冰情报警方法，其中包括渤海海冰生消过程中的监测，预报系统，对不同类型开发工程危险情报警标准的考虑以及海冰管理数据库和专家系统软件。本文是在辽东湾油气田海冰管理实验和研究基础上提出的。对渤海冬季生     

辽东湾海洋工程可靠性设计的海冰参数选取

海冰参数的合理取值是海洋工程海冰灾害风险评估的重要内容。利用1950—2018年的冰情等级(5个等级)数据,进行了1950—2018、1950—1990、1991—2018三种情景下的回归分析,确定了不同时期的冰情等级概率分布密度函数。利用鲅鱼圈雷达观测站2002—2017年的海冰现场实测资料,分别对鲅鱼圈附近海域一般冰厚、最大冰厚、最小冰厚进行概率分布拟合。基于上述概率分布结果,给出不同冰情等级的重现期,进而对海冰作业条件给出的设计参考值进行评价。结果表明:1990年以后2级、3级冰情重现期相对1990年之前变小,4级、5级冰情重现期相对1990年之前变大,规范给出重现期范围已不能代表辽东湾冬季海冰情况。本研究成果可为辽东湾海洋工程可靠性设计提供重要数据支撑。     

结合纹理特征的SVM海冰分类方法研究

海冰分类是遥感监测领域中的重要应用之一,海冰分类的准确性对于评估海冰冰情、保证航海安全和开辟北极航道具有重要的意义。针对海冰分类问题,本文选用Sentinel-1遥感数据,结合纹理特征分析,提出了一种改进的SAR海冰分类方法。该方法选用灰度共生矩阵提取特征值,通过实验得到适宜用于海冰分类的多特征组合,在此基础上利用支持向量机开展SAR海冰类型的分类研究。实验结果表明,该方法可以实现对海冰SAR图像中一年冰、多年冰和海水3种类型识别,与传统的海冰分类方法神经网络和最大似然法相比较,使用SVM分类方法,结合纹理特征开展海冰类型监测是可行的,同时也表明多特征组合有利于提高SAR图像的分类精度,从而验证了本方法的有效性,为海冰分类提供了一种新思路。     

渤海冰-海洋耦合模式Ⅰ.模式和参数研究

在国内外冰-海洋耦合模式研究基础上,根据渤海水文、气象和冰情特点,以国家海洋环境预报中心的渤海海冰预报模式和POM海洋模式为基础,开发了一个冰-海洋耦合模式.在该耦合模式中,冰和海洋之间的动量和热量交换是双向的,冰厚和冰密集度的变化不仅由冰表面和冰底的热收支决定,还由开阔水的表面热收支决定.侧重阐述了耦合模式的动力和热力学过程的耦合,并对模式中一些热力参数进行了讨论.     

2002～2003年冬季渤海的冰情及预报

本文简要地分析了2002～2003年冬季渤海冰情特征，将海冰数值预报模式与传统的中长期海冰统计预报有机地结合起来，有效地提高了海冰预报精度，初步形成预报时效互补、点面结合、预报产品多样化、预报传递网络化的业务化海冰预报系统，满足不同用户和社会的需求，在防冰减灾工作中提高了经济和社会效益。     

黄、渤海海冰长期变化特征分析

选取渤海、黄海北部冰情等级、冰面积资料和大气环流逐月资料,采用小波分析和交叉小波分析方法,研究海冰长期变化特征及其气候成因。结果发现黄、渤海海冰具有多尺度变化特征,存在低频变化、高频变化和无明显周期的演变过程。西太平洋副高、亚洲极涡以及纬向环流是影响海冰生成与变化的直接因素。黄、渤海海冰还与印度洋副高、北美副高,以及大西洋副高存在显著年代际相关关系。     

浅议2009～2010年度渤海油田防冰工作

介绍中海石油(中国)有限公司天津分公司2009～2010年度防冰工作情况,对渤海油田总体冰情、海冰油田预防部署、油田海冰预报与监测以及油田生产防冰、破冰措施进行介绍。最后作者浅议了对渤海油田海冰管理应急预案的改进意见和对社会责任。     

北极海冰密集度数值预报及验证评估研究

本文系统地评估了国家海洋环境预报中心于我国第七次北极科学考察期间开展的北极海冰密集度数值预报结果。该预报系统基于麻省理工大学通用环流模式,并采用牛顿松弛逼近（Nudging）资料同化方法,计算输出未来1~5 d的北极海冰密集度预报产品。本文将数值预报结果同卫星观测的海冰密集度、再分析资料和"雪龙"号第七次北极考察期间观测的海冰密集度数据进行了对比分析。结果表明,预报的北极海冰密集度小于卫星观测值,24 h、72 h和120 h预报结果的偏差分别为-2.7%、-3.1%和-3.2%;数值产品的预报技巧好于气候态结果和惯性预报,但是在海冰出现快速融化或冻结时,基于Nudging同化的数值预报技巧仍有不足。另外,相比船测数据,数值预报结果在海冰边缘区的偏差相对较大,24 h、72 h和120 h预报结果的偏差分别为8.8%、12.0%和14.5%。     

Nudging资料同化对北极海冰密集度预报的改进

北极夏季海冰的快速减少使得北极航道提前开通成为可能。为了给北极冰区船运活动提供及时可靠有效的海冰预报保障,急需提高海冰预报水平。本文基于麻省理工大学通用环流模式(MITgcm),使用牛顿松弛逼近(Nudging)资料同化方法将德国不莱梅大学的第二代先进微波辐射成像仪(AMSR2)海冰密集度资料同化到模式中,建立了北极海冰数值预报系统。设计试验对比3种不同Nudging系数计算方案的改进效果,结果表明选择合适参数后,不同方案均能显著改进海冰密集度初始场。通过设计有无Nudging同化的两组预报试验,结合卫星遥感海冰密集度及中国第五次北极科学考察期间"雪龙"船的走航海冰密集度观测数据,定量分析了Nudging同化方案对北极海冰密集度的24~120 h预报结果的改进效果。结果表明,Nudging同化对120 h内全北极海冰密集度的空间分布和移动单点目标的海冰密集度预报结果均有显著改善;但在海冰变化很小的情况下,Nudging同化试验的24~120 h预报结果均劣于惯性预报结果,说明基于Nudging同化的数值预报系统还需进一步提高预报技巧。     

基于LSTM的海洋表面短期风速预测研究

为实现对海面风速精确的短期预测,提出了一种基于长短期记忆(LSTM,longshort-termmemory)神经网络的短期风速预测模型,选取OceanSITES数据库中单个浮标站点采集的风速历史数据作为模型输入,经过训练设置最佳参数等步骤,实现了以LSTM方法,对该站点所在海区海面风速在各季节性代表月份海面风速的24 h短期预测。同时通过不同预测时长的实验以及与BP(back propagation)神经网络神经网络和径向基函数神经网络(radialbasisfunctionneuralnetwork,RBF)的预测效果对比实验,证明了LSTM预测方法相比上述两种神经网络预测方法,在海表面风速预测应用中的优越性。最后通过多个海域对应的站点风速数据预测实验,证明了LSTM神经网络模型的普遍适用性,由相关系数和预测误差的分析可知该方法具备应对急剧变化数据的预测稳定性,可以作为海洋表面风速短期预测的一种可靠方法。     

2002～2003渤海海冰数值预报

海冰数值预报是海冰业务预报的主要方法之一。国家海洋环境预报中心建立了业务化的渤海海冰数值预报系统，并进行了多年的业务化运行。随着我国卫星遥感事业和数值天气预报技术的发展，海冰预报系统也在不断发展中。本文介绍了2002～2003冬季应用HY—1卫星海冰遥感和T213数值天气预报模式产品对该海冰数值预报系统的改进，对2002～2003冬季海冰数值预报的结果进行了分析和比较。     

Forecast of storm surge by means of artificial neural network

This study describes the construction and verification of a model of sea level changes during a storm surge, applying artificial neural network (ANN) methodology in hydrological forecasting in a tideless sea where the variation of water level is only wind generated. Some neural networks were tested to create the forecast model. The results of ANN were compared with observed sea-level values, and with the forecasts calculated by different routine methods. The results of verification show that the neural network methodology could be successfully applied in the routine, operational forecast service.     

Arctic sea ice concentration and thickness data assimilation in the FIO-ESM climate forecast system

To improve the Arctic sea ice forecast skill of the First Institute of Oceanography-Earth System Model (FIO-ESM) climate forecast system, satellite-derived sea ice concentration and sea ice thickness from the Pan-Arctic Ice-Ocean Modeling and Assimilation System (PIOMAS) are assimilated into this system, using the method of localized error subspace transform ensemble Kalman ?lter (LESTKF). Five-year (2014–2018) Arctic sea ice assimilation experiments and a 2-month near-real-time forecast in August 2018 were conducted to study the roles of ice data assimilation. Assimilation experiment results show that ice concentration assimilation can help to get better modeled ice concentration and ice extent. All the biases of ice concentration, ice cover, ice volume, and ice thickness can be reduced dramatically through ice concentration and thickness assimilation. The near-real-time forecast results indicate that ice data assimilation can improve the forecast skill significantly in the FIO-ESM climate forecast system. The forecasted Arctic integrated ice edge error is reduced by around 1/3 by sea ice data assimilation. Compared with the six near-real-time Arctic sea ice forecast results from the subseasonal-to-seasonal (S2S) Prediction Project, FIO-ESM climate forecast system with LESTKF ice data assimilation has relatively high Arctic sea ice forecast skill in 2018 summer sea ice forecast. Since sea ice thickness in the PIOMAS is updated in time, it is a good choice for data assimilation to improve sea ice prediction skills in the near-real-time Arctic sea ice seasonal prediction.     

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。     

Bias correction of sea surface temperature retrospective fore-casts in the South China Sea

Offline bias correction of numerical marine forecast products is an effective post-processing means to improve forecast accuracy. Two offline bias correction methods for sea surface temperature(SST) forecasts have been developed in this study: a backpropagation neural network(BPNN) algorithm, and a hybrid algorithm of empirical orthogonal function(EOF) analysis and BPNN(named EOF-BPNN). The performances of these two methods are validated using bias correction experiments implemented in the South...