一种应用于遥感影像的自适应边缘检测算法

本文基于传统的边缘检测算法提出了一种自适应的边缘检测算法,算法对传统边缘检测的4个过程进行了替代与改进,适用于遥感影像。本算法对梯度算子依据距离加权,构造了较为精确的梯度算子模板;通过二次非极大值抑制,保证了单次响应原则,间接提高了定位精度;提出了阈值圆的方法进行阈值判定,并通过静态动态结合的检测方法提高了算子对不同频率区域的适配性;引入引导滤波进行影像平滑,在去噪同时,良好地保持了边缘特性。实验结果表明：本算法符合单次响应原则,误检率低,定位精度高,细节清晰,边缘检测完整,适合于遥感影像的边缘检测。     

一个ENSO多模式集合预报系统介绍

厄尔尼诺-南方涛动(El Ni?o and Southern Oscillation,简称ENSO)是短期气候预测的主要可预报性来源.为提高ENSO的预报水平,我们构建了一个包含5个动力耦合模式的多模式集合预报系统,其中各个模式具有不同的复杂程度、参数化方案、分辨率、初始化和集合扰动生成方案,以尽可能全面地考虑各种不确定性对预报结果的影响.回报试验结果表明:多模式集合的预报效果明显好于任何一个单一模式,其显著降低了均方根误差,并提高了异常相关性技巧.该多模式集合的预报效果可以比肩甚至优于同期北美多模式比较计划中的ENSO多模式集合预报技巧.此外,多模式集合预报能够削弱“春季预报障碍”的影响,提供更为可靠的概率预报.实时预报能够提前六个月准确地捕捉到近期连续两年的拉尼娜事件,并且该系统从2022年4月开始的预报也显示出连续三年拉尼娜事件的可能性.总体来说,这一多模式集合预报系统能够提供比任何模式成员更加准确的确定性预报和概率预报.这些改进主要得益于:一方面不同模式之间的优势互补增加了可预报信息,另一方面该系统集合成员规模较大有助于更为合理地刻画预报不确定性的分布.     

基于卡尔曼滤波的中国区域气温和降水的多模式集成预报

利用TIGGE资料集下欧洲中期天气预报中心(ECMWF)、日本气象厅(JMA)、美国国家环境预报中心(NCEP)、中国气象局(CMA)和英国气象局(UKMO)5个模式预报的结果,对基于卡尔曼滤波的气温和降水的多模式集成预报进行研究。结果表明,卡尔曼滤波方法的预报效果优于消除偏差集合平均(BREM)和单模式的预报,但是对于地面气温和降水,其预报效果也存在一定的差异。在中国区域2 m气温的预报中,卡尔曼滤波的预报结果最优。而对于24 h累积降水预报,尽管卡尔曼滤波在所有量级下的TS评分均优于BREM,但随着预报时效增加,其在大雨及以上量级的TS评分跟最佳单模式UKMO预报相当,改进效果不明显。卡尔曼滤波在地面气温和24 h累积降水每个预报时效下的均方根误差均最优,预报效果更佳且稳定。     

基于全球及区域气候模式的江苏省降水变化趋势预估

利用气象观测资料,8个全球耦合气候系统模式的集合平均以及区域气候模式(RegCM4)的结果,通过方差分析、相关分析、趋势分析、扰动法等方法对模式性能进行了评估,并对江苏省在未来RCP8.5高端排放情景下降水的变化趋势进行了预估。结果表明,在RCP8.5情景下,至2020、2030和2050年,全球模式模拟的江苏省年平均降水在未来有逐渐增加的趋势,线性增加率约为7 mm/(10 a)。至2050年,江苏省年平均降水量将增加2%左右;区域模式模拟的年平均降水在未来线性增加率为1.5 mm/(10 a),变化不显著。区域模式模拟的夏季降水在未来有所增加,最多可增加20%～30%,但增幅随时间逐渐减小;全球模式模拟的夏季降水比现在有所减少,至2050年,减少了大约10%。区域模式模拟的冬季降水在未来不同时间段均比现在有所减少,同现在相比,最多可减少30%～40%;而全球模式模拟的冬季降水在未来则是先减少,后增加,至2050年,比现在大约增加10%。对于不同季节,总体而言,南部地区降水量的变化较北部地区显著。对于极端降水事件来说,江苏省未来小雨日数将减少,而暴雨日数则微弱增加。但由于全球模式本身的性能、区域模式对全球模式的依赖性以及温室气体排放的不确定性使上述预估结果仍具有不确定性。     

集合数据同化方法的发展与应用概述

集合数据同化方法具有简洁概念化的公式和应用起来相对容易等优点,因此,它们获得了普及性的应用;近10年来集合数据同化方法已经得到了快速的发展。综述了包括集合卡尔曼滤波(EnKF,Ensemble Kalman Filter)、集合卡尔曼平滑(EnKS,Ensemble Kalman Smoother)、集合方均根滤波(EnSRF,Ensemble Square-Root Filter)和减秩卡尔曼滤波(SEEK,Singular Evolutive Extended Kalman Filter)等集合数据同化方法的研究进展状况。通过与其它数据同化方法的对比,总结出了这些方法的特点,探讨了我国在集合数据同化方法研究中存在的问题并展望了该方法的研究和应用前景。     

基于CMIP6多模式集合的华中地区气候变化模拟与预估

选用华中地区1961—2014年逐日气象观测资料、1961—2100年12个CMIP6模式统计降尺度和偏差订正结果,评估CMIP6模式在区域的气温和降水量时空分布模拟结果,选出6个气温模式、4个降水量模式。基于优选模式集合的平均结果,分别分析未来SSP1-2.6、SSP2-4.5、SSP5-8.5三种情景下2021—2100年华中地区不同时期气温和降水量的变化趋势。结果表明：多模式集合平均结果的气温年际变率模拟好于降水量,降水量空间模拟好于气温。三种情景下区域气温、降水量均为增加趋势,气温增速分别为0.13℃/10 a、0.30℃/10 a、0.62℃/10 a,降水量增速分别为16.2 mm/10 a、12.3 mm/10 a、19.3 mm/10 a。未来2021—2100年三种情景下华中地区降水量多为南部减小北部增大,气温近期、中期为西部降低、中东部升高,远期除湖北西部山区降低外,其他地区均为升高趋势。     

胶州湾三维变动边界的潮流数值模拟

基于Blumberg等（1986）的河口、陆架和海洋模式，引入变边界处理技术，建立了胶州湾三维变动边界的潮流模型，模型以σ-正交曲线坐标下三维非线性潮波方程为基本方程，引入2.5阶瑞封闭方程组，采用分裂算子法数值求解方程组，利用湍封闭方程求解垂直紊动粘滞系数，采用干湿网格方法模拟潮流漫滩过程，三维变动边界潮流模型计算结果与实测值吻合良好。     

利用DINEOF方法重构缺测的卫星遥感海温数据

针对海温数据补缺问题提出一种基于经验正交函数(EOF)分解的缺测数据重构方法--经验正交函数插值法(DINEOF).此方法是一种自适应的EOF分解方法,不需要任何先验信息,并且能估算出重构数据的误差大小.奇异值(SVD)分解时采用了Lanczos算子以提高计算速度,并利用了交叉验证的算法以确定出重构时所需最优的EOF阶数.实测数据处理结果表明,DINEOF方法能很好地重构大面积的缺测数据,具有较高精度及实际可操作性.     

CMIP5模式对南海SST的模拟和预估

分析了32个CMIP5模式对南海历史海表温度(SST)的模拟能力和不同排放情景下未来SST变化的预估。通过检验各气候模式对南海历史SST增温趋势和均方差的模拟,发现大部分模式都能较好地模拟出南海20世纪历史SST的基本特征和变化规律,但也有部分模式的模拟存在较大偏差。尽管这些模拟偏差较大的模式对SST多模式集合平均的影响不大,但会增加未来情景预估的不确定性。剔除15个模式后,分析了南海SST在RCP26、RCP45和RCP85三种排放情景下的变化趋势,发现在未来百年呈明显的增温趋势,多模式集合平均的增温趋势分别为0.42、1.50和3.30℃/(100a)。这些增温趋势在空间上变化不大,但随时间并不是均匀变化的。在前两种排放情景下,21世纪前期的增温趋势明显强于后期,而在RCP85情景下,21世纪后期的增温趋势强于前期。     

无主漂油源集合预测方法研究

采用基于"拉格朗日"粒子追踪方法的油粒子数值溯源模式,引入天气预报中的"集合预报"方法,考虑气象、海洋环境背景场误差因素,研究无主溢油源的集合预测方法。对某次渤海中西部溢油溯源事件的数值模拟结果表明,溢油源集合预测分析结果与溢油源实际调查情况相符,表明无主漂油源集合预测方法科学、结论可信。