利用三维GPR探测北极夏季海冰厚度及下表面形态特征分析

海冰在全球气候系统中扮演着重要角色。在中国第二次北极科学考察中，使用3D雷达探测结合冰钻进行海冰测量。雷达剖面上可清楚识别冰-水界面，与冰钻测量结果较好地吻合。雷达3D图像清晰显示了冰底界面在3D方向的起伏变化以及冰内构造的空间展布情况。对三维探测区域内海冰厚度统计显示，所测冰盘的平均厚度为4．15m，较厚的区域位于左下角，最大厚度约为6．4m，较薄的区域是在中央和左上角区域，最小的厚度小于3．0m。经过进一步计算可提供如海冰上下表面面积、海冰体积等参数，为遥感和数值模拟提供地面校核数据，也为海冰形成机制和动力作用过程研究提供佐证和依据。     

Fine-resolution simulation of surface current and sea ice in the Arctic Mediterranean Seas

A fine-resolution model is developed for ocean circulation simulation in the National Key Laboratory of Numerical Modeling for Atmospheric Sciences and Geophysical Fluid Dynamics (LASG), Chinese Academy of Sciences, and is applied to simulate surface current and sea ice variations in the Arctic Mediterranean Seas. A dynamic sea ice model in elastic-viscous-plastic rheology and a thermodynamic sea ice model are employed. A 200-year simulation is performed and a dimatological average of a 10-year period (141st-150th) is presented with focus on sea ice concentration and surface current variations in the Arctic Mediterranean Seas. The model is able to simulate well the East Greenland Current, Beaufort Gyre and the Transpolar Drift, but the simulated West Spitsbergen Current is small and weak. In the March climatology, the sea ice coverage can be simulated well except for a bit more ice in east of Spitsbergen Island. The result is also good for the September scenario except for less ice concentration east of Greenland and greater ice concentration near the ice margin. The extra ice east of Spitsbergen Island is caused by sea ice current convergence forced by atmospheric wind stress.     

北极中央区海冰密集度与云量相关性分析

本文使用海冰密集度以及低云、中云、高云的日平均数据,借助滑动相关分析方法,研究了北极中央区海冰密集度与云量之间的相关性,分析了海冰与云的相互作用机制。研究表明,在春季海冰融化季节(4、5月)、秋季海冰冻结季节(10、11月),低云与海冰密集度之间表现为较好的负相关,表明在这段时间内冰区海面蒸发强烈,对低云的形成有重要贡献。在10月和11月,中云与海冰密集度也有很好的负相关,表明秋季低云可以通过抬升形成中云。高云与海冰密集度之间并没有明显的相关性,可能原因:一方面海冰的空间分布对高云无影响,另一方面,高云主要影响到达的短波辐射,从而影响海冰的融化和冻结速度,与海冰厚度有直接显著的关系,而与海冰密集度的关系不明显。此外,在海冰密集度与低云存在较好负相关的情况下会出现某些年份相关性不好的情况,我们的研究发现这是北极中央区与周边海区发生了海冰交换或云交换的结果。     

GNSS-R海洋遥感监测技术综述

介绍了GNSS-R海洋遥感的发展过程、技术原理和理论模型,进一步研究了GNSS-R在海洋遥感各应用领域的主要研究内容,探讨了GNSS-R海洋测风、测高、海冰监测、溢油检测和移动目标探测的技术途径,概述了GNSS-R海洋遥感监测技术所涉及的反演理论和信息提取方法,并根据现有研究成果和海洋遥感的应用需要,提出今后需解决的关键技术和未来的发展方向。     

逐步回归分析在渤海海冰等级预报中的应用

根据1951—2013年渤海海冰等级资料,利用最大熵谱法分析了渤海海冰等级的周期,结果表明渤海海冰具有明显的年际和年代际变化特征,其主要周期为2—7年和11年。相关分析及逐步回归分析表明:渤海海冰的年际变化与西太平洋副高面积及北界指数、太平洋副高面积指数、亚洲区极涡面积指数以及南方涛动指数都有显著的相关关系。利用逐步回归分析方法建立的海冰预报模型经过拟合和试预报都得到了很好的结果,具有较高的可信度。     

CryoSat-2卫星海冰区域波形识别及海冰干舷高确定

利用40%阈值法对CryoSat-2卫星波形数据进行重跟踪,将波形特征参数和海冰浓度相结合,对海冰和Lead(浮冰之间的开阔水域)进行有效识别。利用沿轨前后搜索算法计算海冰干舷高,并引用AWI结果,绘制2011~2013年北冰洋多年冰区域和一年冰区域平均海冰干舷高变化趋势图。比较本文结果与AWI结果的各年同期数据,验证本文结果的可靠性。     

北极地区冰量减少加剧亚欧地区寒冬出现

<正>过去数十年北极地区冰量的减少成倍加剧了亚欧地区寒冬的出现,在线发表于《自然—地球科学》的一项研究得出上述结论。不过,这种寒冬高频率出现的趋势可能会在未来减少,因为到21世纪末期,气候变暖带来的影响有可能超过海冰减少带来的影响。Masato Mori等人利用针对北极海冰浓度的两套不同设定为基准的模型模拟了全球大气循环的200种具有细微差别的情况。这两     

全球热带海洋海表温度场异常对北极海冰的影响

本文利用1951?2021年哈德莱中心提供的海冰和海温最新资料以及美国国家海洋和大气管理局气候预报中心提供的NCEP/NCAR再分析资料,分析探讨了北极海冰70余年的长期变化特征,进而研究了其快速减少与热带海温场异常变化之间的联系,揭示了在全球热带海洋海温场变化与北极海冰之间存在密切联系的事实。结果表明,北极海冰异常变化最显著区域出现在格陵兰海、卡拉海和巴伦支海。热带不同海区对北极海冰的影响存在明显时滞时间和强度差异,热带大西洋的影响相比偏早,印度洋次之,太平洋偏晚。热带大西洋、印度洋和中东太平洋海温异常影响北极海冰的最佳时间分别是后者滞后26个月、30个月和34个月,全球热带海洋影响北极海冰的时滞时间为33个月。印度洋SST对北极海冰的影响程度最强,其次是太平洋,最弱是大西洋。全球热带海洋对北极海冰的影响过程中,热带东太平洋和印度洋起主导作用。当全球热带海洋SST出现正（负）距平时,北极海冰会出现偏少（多）的趋势,而AO、PNA、NAO对北极海冰变化起重要作用,是热带海洋与北极海冰相系数的重要“纽带”。而AO、PNA和NAO不仅受热带海洋SST的影响,同时也受太平洋年代际振荡PDO和大西洋多年代际AMO的影响,这一研究为未来北极海冰快速减少和全球气候变暖机理的深入研究提供理论支撑。     

冬季白令海海冰范围变化及其对大气响应机制研究

白令海是冬季北极海冰变化最明显的区域之一,该区域海冰的季节和长期变化与局地的气候、水文环境和生态系统密切相关,并会影响我国的天气气候过程。为了识别该区冬季海冰的长期变化,基于Hadley中心数据,采用滑动t检验和线性回归分析方法对白令海1960–2020年海冰范围的变化趋势及其空间差异进行分析,并分析了海冰变化对大气环流等大气强迫的影响。结果表明:白令海冬季海冰范围在1960–2020年显著减小,20世纪70年代和2000年前后白令海海冰范围存在显著的均值突变。其过程中伴随着阿留申低压中心低压加强、核心位置向白令海西部偏移以及对应风场分布的变化,这个过程存在一个近20 a周期的振荡。同时,太平洋年代际震荡的相位变化可以通过改变海平面气压来调节经向风,改变进入白令海的热平流,进而影响白令海冬季海冰范围。因此,阿留申低压系统和北太平洋年代际振荡对冬季白令海海冰的变化起到重要的调节作用。     

An artificial neural network-based snow cover predictive modeling in the higher Himalayas

With trends indicating increase in temperature and decrease in winter precipitation, a significant negative trend in snow-covered areas has been identified in the last decade in the Himalayas. This requires a quantitative analysis of the snow cover in the higher Himalayas. In this study, a nonlinear autoregressive exogenous model, an artificial neural network （ANN）, was deployed to predict the snow cover in the Kaligandaki river basin for the next 30 years. Observed climatic data, and snow covered area was used to train and test the model that captures the gross features of snow under the current climate scenario. The range of the likely effects of climate change on seasonal snow was assessed in the Himalayas using downscaled temperature and precipitation change projection from - HadCM3, a global circulation model to project future climate scenario, under the AIB emission scenario, which describes a future world of very rapid economic growth with balance use between fossil and non-fossil energy sources. The results show that there is a reduction of 9% to 46% of snow cover in different elevation zones during the considered time period, i.e., 2Oll to 2040. The 4700 m to 52oo m elevation zone is the most affected area and the area higher than 5200 m is the least affected. Overall, however, it is clear from the analysis that seasonal snow in the Kaligandaki basin is likely to be subject to substantialchanges due to the impact of climate change.