1822号“山竹”台风龙卷过程观测与预警分析

2018年9月17日09:37—10:00,在登陆台风“山竹”外围螺旋雨带中,广东省佛山市三水区到肇庆市四会区发生了EF2级强龙卷,龙卷路径长度18 km,持续时间23 min,平均时速47 km/h,导致不少建筑物损毁。本次过程佛山市进行了龙卷预警试验,提前37 min发布了龙卷预警,龙卷没有造成人员伤亡。利用观测资料对产生强龙卷的环境场特征、地面自动站和雷达观测的中小尺度特征以及龙卷预警试验进行了分析,结果表明:产生龙卷的微型超级单体出现在台风外围和副高边缘之间的强东南急流中,具有低层辐合、高层辐散、水汽充足等典型台风外围龙卷环流形势特征;强的低空0~1 km垂直风切变、大的风暴相对螺旋度和低的抬升凝结高度等环境条件利于龙卷的生成;龙卷影响时,邻近地面自动气象站观测要素表现出明显的信号,瞬时大风和最低气压的极值区呈东南至西北向带状分布,与龙卷路径一致,龙卷过境前后,单站气压“漏斗”明显,5 min降压/升压幅度达-2.5 hPa/+2.1 hPa;广州多普勒天气雷达探测到龙卷母体风暴的低层钩状回波和入流缺口特征,以及低层强中气旋和类TVS特征。预警试验初步表明,对台风龙卷高发区,在环境场有利情况下,若低层出现中等或以上强度中气旋,其底高在1 km以下,可以考虑发布龙卷预警。      

台风“摩羯”与“温比亚”环流中龙卷小尺度涡旋特征及可预警性分析

利用多普勒天气雷达探测资料,结合常规气象观测资料和天气实况及灾情调查,对2018年8月14日台风“摩羯”（1814）和8月19日台风“温比亚”（1818）产生龙卷的环境物理量及龙卷风暴强度结构特征进行了分析,对诱发龙卷和未诱发龙卷的小尺度气旋性涡旋特征进行了对比。结果表明：两次台风减弱低压东北象限是龙卷发生的关键区,低层高湿,强的低层垂直风切变和大的相对风暴螺旋度是关键物理量;龙卷出现时都伴有ΔV＞20.0 m·s-1的小尺度气旋性涡旋,且基本出现在2.0 km高度以下,但并不是所有这种低层小尺度气旋性涡旋都能诱发龙卷;以ΔV＞20.0 m·s-1为阈值,龙卷识别具有较高的命中率,识别准确率为31.8%,空报率为67.4%,漏报率为6.7%;约35.7%的龙卷没有识别时间提前量,半数龙卷几乎没有预警时间提前量。     

冕宁县、喜德县彝海-小相岭地区地质遗迹景观资源特征及其评价

冕宁县、喜德县彝海-小相岭地区地质遗迹景观资源多样,地域组合良好,其高山断陷湖泊彝海、小相岭第四纪冰川遗迹颇具特色。从地质遗迹景观的地貌特征、景观成因以及类型组合出发,将该区划分为三大片区。通过对各片区地质遗迹景观的类型组合、独特性、科学价值、区位条件等方面的定性和定量评价,认为该区符合省级地质公园的建设条件,建议建立统一的管理机构,联合申报和开发。     

前期土壤湿度、海表面温度对中国夏季极端气温的预测能力评估

基于中国587站日最高、最低气温观测资料、月平均的ERA_interim土壤湿度（Soil Moisture,SM）再分析资料及扩展重建的海表面温度（Sea Surface Temperature,SST）资料（ERSST）,对极端气温指数进行了定义,利用变形的典型相关分析和集合典型相关分析方法（Ensemble Canonical Correlation,ECC）,分析了1979-2009年我国夏季极端气温与前期（春、前冬）SM、SST间的线性联系,建立了中国夏季极端气温预测模型,并对独立样本检验的效果进行了评估。结果表明：1）与中国夏季极端气温联系密切的前期SST异常的空间分布为类PDO（Pacific Decadal Oscillation）型,前期土壤湿度异常的区域为华南、青藏高原、东北和西北地区。2）交叉检验结果表明基于前冬预测因子的极端气温预测模型技巧高于春季,基于SM的极端气温预测模型技巧高于SST。3）独立样本检验表明基于前期SM、SST的ECC模型对中国东部夏季极端气温有一定的预测能力。因此,可以在夏季极端气温的预测业务中考虑前期SM、SST的影响。     

海底孔压对波浪响应试验研究及数值模拟

孔隙水压力在海底土尤其在砂性海床中扮演着一个非常重要的角色.波浪的周期性加载作用,在砂土及粉土中产生超静孔隙水压力,其幅值大小是海床发生液化破坏的控制因素.在海上工程的历次调查中发现孔压引起许多液化破坏现象,如粉土海床的塌陷、凹坑、坡度较大处的粉砂流及构筑物基础周围的过量冲刷造成石油管架下沉等等,因此研究海床中孔压对波浪的响应具有重要的理论意义和实践意义.     

白令海峡区域太平洋入流水主要特征及其影响因素研究进展

作为北极海洋要素的重要来源之一,白令海峡区域的太平洋入流水在北冰洋表层海洋环流和物质能量输运过程中发挥着重要作用,对区域乃至全球气候和生态系统产生深远影响,然而现今的研究对太平洋入流水出现的新变化以及其如何参与北冰洋的海洋–大气过程了解得还不够深入。本文梳理了目前国内外有关太平洋入流水流量、环流与水团等主要特征的相关研究进展,总结了太平洋入流水的流量变化和驱动机制、环流路径和影响因素,以及与太平洋水有关的水团特征,并在前人研究的基础上对未来的研究方向予以展望。     

2016与1998年春季北大西洋海表温度异常的差异及成因

利用再分析资料以及混合层海温诊断方程, 研究1997—1998与2015—2016年超级厄尔尼诺次年北大西洋海表温度异常(sea surface temperature anomalies, SSTA)的差异及成因。结果显示, 北大西洋SSTA在1998年春季呈明显正负正三极型式分布, 而在2016年呈弱的负正负型态。诊断热带北大西洋SSTA的影响因素表明, 1998年春季暖SSTA除了之前研究强调的海洋表面向大气的潜热输送异常减少, 以及吸收太阳辐射的增加外, 海洋动力过程即Ekman纬向漂流也起着重要的作用。热力过程与厄尔尼诺峰值后出现的北大西洋涛动(North Atlantic Oscillation, NAO)负位相有关, 其可引起亚速尔高压减弱, 产生西南风异常, 通过风-蒸发-海表温度(sea surface temperature, SST)反馈机制使热带北大西洋蒸发减弱, 海表增暖, 沃克环流下沉支的东移对这一增暖也有贡献。与1997—1998厄尔尼诺事件不同, 2015—2016厄尔尼诺事件没有强迫出负位相NAO, 而是出现弱NAO正位相, 热带北大西洋为弱的东风异常, 使海表发生一定的冷却, 形成2016春季北大西洋SSTA与1998年的明显差异。     

复杂卫星图像中的小目标船舶识别

船舶作为海上的重要目标,实现对船舶自动识别有重要的意义。针对卫星图像中云雾、海岸背景等复杂海情对船舶识别带来的干扰,以及小目标船舶高漏检率问题,本文提出一种多尺度深度学习模型训练策略,在此基础上构建了一种船舶识别的深度学习网络,该网络可分为多尺度训练、特征提取、生成目标建议区域、船舶分类这4个部分。首先,采用多尺度的训练策略,将多尺度的船舶样本送入网络中进行训练,这样在训练样本中加入了大量小目标船舶的样本,使网络充分提取到小目标船舶的特征;其次,通过卷积神经网络对目标船舶进行特征自适应提取;然后,目标区域建议网络可依据卷积神经网络提取到的特征,在图像中找到感兴趣目标区域,即框定船舶的位置;最后,通过多个全连接层的组合,将高维特征映射到一个4元组中,再运用分类函数输出每一类船舶的概率值,概率值最大的则为该船舶的类别。同时为解决云雾遮挡和海岸背景的干扰,采用了一种负样本增强学习的方法,在样本数据集中加入了大量只含有云雾和海岸背景的图片,进行负样本扩充,增强网络模型对云雾及海岸背景的特征学习能力,以此解决复杂海情的影响。实验结果表明,所提方法有效解决了复杂海情条件下的船舶识别难,以及小目标船舶识别难的问题,实现了复杂海情条件下的船舶识别。同时,与现有成熟的深度学习目标识别算法相比,本文算法的精确度和召回率分别提升了6.98%和18.17%,所训练的模型具有良好的泛化能力和鲁棒性。     

全水深多波束测深系统Seabeam3012在西太平洋马里亚纳海山区地形测量中的应用

中国科学院海洋研究所在开展西太平洋马里亚纳海山区多学科综合科学考察的过程中,利用“科学”轮船载的全水深多波束测深系统Seabeam3012对多个海山进行了地形测量工作。针对作业过程中遇到的恶劣海况导致采集数据质量差、多波束系统易检测错误海底信息、测线布设难度大等问题,提出了基于船体姿态对数据质量影响分析的多波束测线方向优化、基于地形变化并参考浅地层剖面资料的作业参数优化和基于实时采集情况的多波束采集测线布设优化等一系列措施,有效地提高了海山区多波束数据采集质量,并提高了作业效率。获得的高品质地形数据,为多学科协同研究奠定了基础,为ROV等设备的现场作业提供了安全保障。