2025, Vol. 55
2. 中国海洋大学物理海洋教育部重点实验室，山东 青岛 266100
海雾是一种发生在海上大气边界层内，导致海面大气水平能见度(简称能见度)小于1 km的海洋灾害性天气[1]。黄海是中国近海海雾的高发区[2]，也是全球海雾发生频率最高的地区之一[3]。黄海海雾多发于4—7月，发生频率接近全年总数的15%[4]，其中发生在山东半岛南岸的近岸海雾次数占黄海海雾总数(不含黄海东岸近岸海雾)的29.2%[5]。近岸海雾严重影响了港口与沿海的交通以及近海作业，譬如青岛近海约70%的海难事件与海雾造成的低能见度有关[6]。
统计预报和数值预报普遍采用海雾预报方法。采用线性回归或随机森林、决策树等算法建立统计模型进行海雾预报虽然可以能够取得较好的预报效果[7-11]，但是它严重依赖所提取的关键预报因子，而且往往仅能进行单站预报。中尺度大气数值模式是研究和预报海雾的有力工具，可以从物理机制层面对海雾过程进行模拟[6, 8, 12]。然而，海雾数值预报对初始场的高度敏感[13-14]导致预报效果非常依赖数据同化[15-18]，而且海雾预报效果也严重依赖模式物理参数化方案[19-21]，此外模式往往需要几小时的积分调整(spin-up)时间来消除初始场中不同变量之间的不协调性。这些问题使得数值方法只有很低的海雾临近预报技巧[22]。
随着人工智能的迅猛兴起，深度学习技术已经广泛应用于包括大气科学在内的许多领域，并取得了巨大的成功[23-32]。依靠神经网络可以提高自主提取关键数据特征的能力，深度学习技术能够学习并建立输入数据与输出数据的映射关系[33]，其中，使用较为广泛的是长短时记忆网络(long short-term memory, LSTM)和卷积神经网络(convolutional neural network, CNN)。LSTM网络具有记忆单元，可以有效捕捉输入数据中的长期依赖关系，通常用于处理时间序列数据[34]并进行预报[25, 35-37]。CNN被设计用于学习具有拓扑结构的数据[38]，已被广泛应用于气象领域，能够有效的识别和预报各类天气系统[39-42]。深度学习技术出色的预报能力为海雾的预报难题提供了有效的解决方案。通过在预报因子与海雾之间建立映射关系，深度学习技术能够预报海雾的多种特征。Han等[43]对比了多种深度学习技术对海雾消散的单站预报能力，发现循环神经网络(recurrent neural network，RNN)具有最好的预报能力。Castillo-Botón等[44]尝试使用全连接网络(fully connected neural network, FCNN)搭建的多层感知机(multi-layer perceptron, MLP)对海雾浓度进行单站预报，其预报准确度要好于传统的回归预报方法。Kim等[45]基于U-Net网络构建了一个卫星亮温预报模型，通过亮温来预报海雾雾区，1 h预报的正报率(probability of detection，POD)达到了0.9。上述研究表明，使用深度学习技术尝试对海雾直接进行预报是可行的。然而海雾的形成和发展过程相当复杂，受到较多的物理因素的影响[21, 46-47]。若要准确预报海雾雾区，需要借助深度学习技术引入融合更多与海雾生消演变相关的物理因子[48]。
针对山东半岛南岸近海海雾预报的实际迫切需求，本文尝试采用深度学习方法来构建一个海雾雾区的临近预报模型。基于前人研究基础，预报模型使用卷积长短时记忆(convolutional LSTM，ConvLSTM)神经网络和CNN构建了编码模块处理输入数据，以达到更好融合时空信息的目的; 融合后的时空信息将通过预报模块做出循环预报，保证海雾雾区预报的时空连续性; 然后解码模块解码预报的时空信息，将海雾的空间场进行还原，从而得到完整的海雾雾区预报。
1 数据与方法 1.1 研究区域与数据聚焦于山东半岛南岸的海雾预报，确定了预报区域(34°N—38°N，119°E—123°E; 见图 1(a)中的红框)，该区域主要位于黄海西北部。青岛近海海雾雾季为4—7月[49]，主导类型为平流冷却雾(简称平流雾)。在整个雾季，偏南盛行气流将黑潮或者更低纬度区域附近的暖湿空气向北输送，由于山东半岛南岸近海海温偏低，暖湿空气流经其上时逐渐冷却成雾[1, 4, 14, 50]。
|
((a)中红框区域为海雾预报区域，黄框区域为海雾训练数据选取区域，蓝色虚线框区域则为样本数据区域; (b)中黑色虚线表示被去除的区域。图片背景云图为北京时(BST, 下同)2018年3月12日12时葵花8号卫星真彩色影像，红色三角(120.59°E，35.82°N)用做后续敏感性试验中的温度基准点。(a) The red box indicates the sea fog forecasting area; The yellow box represents the area selected for sea fog training data, and the blue dashed box outlines the sample data domain. (b) Black dashed lines indicating excluded areas. The background image is a true-colour cloud image from the Himawari-8 satellite at 12:00 BST on March 12, 2018. The red triangle (120.59°E, 35.82°N) marks the temperature reference point for subsequent sensitivity experiments.) 图 1 研究区域(a)及样本数据分块裁剪为固定大小的小方块(b)示意图 Fig. 1 Study areas(a) and illustration of sample data partitioned into fixed-size small blocks(b) |
由于预报区域的覆盖范围较小，使得该区域内发生的海雾个例的数据总量难以达到深度学习模型训练对数据集的要求，因此数据集采样(即海雾个例的挑选)使用了一个扩大的区域(见图 1(a)中的黄框，范围为27°N—41°N，116°E—128°E)，包含了整个渤海、黄海与东海北部。为了保证得到的样本数据块大小一致，以东西跨度12°与南北跨度10°的方框(见图 1(a)蓝色虚线框)在黄色区域中选取样本。选取得到的海雾样本数据会被进一步裁剪为固定大小(60×60格点，重叠域为30格点)的子区域(见图 1(b)中的小方块)，其中无海雾或者海雾格点数少于10%的区域会被去除(见图 1(b)虚线区域)。
基于日本气象厅(Japan Meteorological Administration, JMA)的葵花卫星可见光云图(下载网址: https://www.eorc.jaxa.jp/ptree/)与韩国气象厅(Korea Meteorological Administration, KMA)的地面分析图(下载网址: http://222.195.136.24/chart/kma/data_keep/)，收集了2015—2023年3—7月间的白天海雾过程44例用于预报模型的训练和测试。这些个例无中高云遮挡，持续时间至少为6 h，并且生成、发展和消散的过程均在训练数据选取区域(见图 1(a)黄框区域)内发生。JMA葵花8/9卫星数据(逐时，2 km分辨率; 下载网址: https://www.eorc.jaxa.jp/ptree/registration_top.html)与东北亚区域全球海洋观测系统(North East Asian regional global ocean observing system, NEAR-GOOS; 逐日，0.25°分辨率)的海表面温度(sea surface temperature, SST)数据(下载网址: https://www.data.jma.go.jp/gmd/goos/data/pub/JMA-product/mgd_sst_glb_D/)被用于海雾雾区的识别与海雾掩码的制作。日间海雾的识别方法来自Wang等[16]，该识别方法已被多个研究用于黄海海雾的识别[21, 51-53]，具有很高的可靠性。海雾掩码是由0和1组成的整数标签，它们分别用于表示相应区域无雾与有雾两种状态。在训练海雾预报模型和进行海雾预报时，输入的海雾掩码用于表示相应时刻的雾区分布信息。除此以外，输入数据还使用了来自欧洲中期天气预报中心(European Centre For Medium-range Weather Forecasts, ECMWF)的第五代大气再分析数据(ECMWF reanalysis v5, ERA5)和根据美国国家海洋和大气管理局(National Oceanic and Atmospheric Administration，NOAA)的全球陆地1 000 m基准高程(global land one-kilometer base elevation，GLOBE)数据[54]得到的海陆掩码数据，分别用于提供物理信息和海陆分布信息。
1.2 方法ConvLSTM网络由LSTM网络改进而来。传统的LSTM单元由遗忘门ft、输入门it、输出门ot、输入数据xt、单元状态ct和隐藏状态ht构成(见图 2(a); 变量下标t表示单元所在的当前时刻)，其中ht也是LSTM单元输出的预测序列。LSTM单元通过三个门(ft，it，ot)控制数据的输入(xt)，输入数据与历史数据(ct-1，ht-1)的融合以及预报信息的输出(ct，ht)。LSTM单元各个部分之间的关系可用如下公式表示:
| $ \begin{gather*} i_{\mathrm{t}}=\sigma\left(W_{\mathrm{xi}} x_{t}+W_{\mathrm{hi}} h_{t-1}+W_{\mathrm{ci}}{ }^{\circ} c_{t-1}+b_{\mathrm{i}}\right), \\ f_{t}=\sigma\left(W_{\mathrm{xf}} x_{t}+W_{\mathrm{hf}} h_{t-1}+W_{\mathrm{cf}}{ }^{\circ} c_{t-1}+b_{\mathrm{f}}\right), \\ c_{t}=f_{t}{ }^{\circ} c_{\mathrm{t}-1}+i_{t}{ }^{\circ} \mathit{tanh} \left(W_{\mathrm{xc}} x_{t}+W_{\mathrm{hc}} h_{t-1}+b_{\mathrm{c}}\right), \\ o_{t}=\sigma\left(W_{\mathrm{xo}} x_{t}+W_{\mathrm{ho}} h_{t-1}+W_{\mathrm{co}}{ }^{\circ} c_{t}+b_{\mathrm{o}}\right), \\ h_{t}=o_{t}{ }^{\circ} \mathit{tanh} \left(c_{t}\right) 。\end{gather*} $ | (1) |
|
(图中各变量的具体含义见正文，可见ConvLSTM中加入了卷积操作(*)来处理输入数据。The specific meanings of each variable can be found in the text and it can be seem that convolutional operations (*) are incorporated to process input data in the ConvLSTM.) 图 2 LSTM网络结构(a)与ConvLSTM网络结构(b)示意图 Fig. 2 Diagram of the LSTM network structure (a) and diagram of the ConvLSTM network structure (b) |
式中: W为权重; b为偏置; σ为Sigmoid函数，○表示哈达玛乘积。LSTM单元的特殊设计使得LSTM网络非常适合处理一维时间序列数据并进行预测，但LSTM却没有能力有效利用带有空间关联信息的数据，如气象场数据。通过将卷积操作引入LSTM单元，Shi等[55]提出了ConvLSTM网络(见图 2(b))。ConvLSTM单元与LSTM单元的区别在于处理输入数据xt和隐藏状态ht时使用了卷积运算而非矩阵乘法，由此可以兼顾空间和时间特征，其相应的状态转移公式表示为
| $ \begin{gather*} i_{t}=\sigma\left(W_{\mathrm{xi}} * X_{t}+W_{\mathrm{hi}} * H_{t-1}+W_{\mathrm{ci}} { }^{\circ} C_{t-1}+b_{\mathrm{i}}\right), \\ f_{t}=\sigma\left(W_{\mathrm{xf}} * X_{t}+W_{\mathrm{hi}} * H_{t-1}+W_{\mathrm{cf}} { }^{\circ} C_{t-1}+b_{\mathrm{f}}\right), \\ C_{t}=f_{t} { }^{\circ} C_{t-1}+i_{t} { }^{\circ} \tanh \left(W_{\mathrm{xc}} * X_{t}+W_{\mathrm{hc}} * H_{t-1}+b_{\mathrm{c}}\right), \\ o_{t}=\sigma\left(W_{\mathrm{xo}} * X_{t}+W_{\mathrm{ho}} * H_{t-1}+W_{\mathrm{co}} { }^{\circ} C_{t}+b_{\mathrm{o}}\right), \\ H_{t}=o_{t} { }^{\circ} \tanh \left(C_{t}\right) 。\end{gather*} $ | (2) |
式中: *表示卷积运算; Xt，Ht和Ct为t时刻的三维张量，前两维表示空间特征，第三维表示不同通道的特征; Ht-1和Ct-1表示前一时刻ConvLSTM单元的状态，通过将单元过去的状态与当前时刻(t)的观测数据融合，从而表示数据的时间依赖关系。
海雾的形成和发展受到天气尺度与局地中小尺度气象因素的影响[21]，并且这些影响因素具有空间连续性和时间关联性，使用ConvLSTM网络能够有效捕捉海雾与这些影响因素之间的时空依赖关系，从而使模型更好地学习影响海雾的复杂气象过程从而准确预报海雾。
2 海雾预报模型 2.1 数据集JMA葵花8/9卫星数据、NEAR-GOOS海温数据与ERA5数据用于生成模型训练数据集(记为H8/9-ERA5-Fm)，所用数据的详细信息见表 1。
|
表 1 模型训练数据集所采用数据的具体信息一览表 Table 1 Overview of data specifics used in the model training dataset |
数据集H8/9-ERA5-Fm的制作流程如图 3所示。通过判断太阳天顶角(solar zenith angle, SZA)的大小，日间的海雾数据被筛选出来，用于接下来的日间海雾识别。海雾雾区的识别使用了短波红外亮温和海温差阈值(infrared SST temperature difference, ISTD)[16]，即IR4通道的亮温和SST的差值大于4 ℃。为了获得更加精准的海雾雾区，将固定的阈值更换为动态阈值(动态ISTD)，并通过对比识别结果与卫星可见光云图以确定最佳阈值。初步的海雾识别结果进一步使用VIS通道数据去除非雾区数据[56]。ERA5和海陆掩码数据分别使用双线性插值法和最邻近查找法插值到海雾数据格点与识别结果合并，并以50%的重叠面积裁剪成60×60格距大小的子图像，从而构建出H8/9-ERA5-Fm数据集。H8/9-ERA5-Fm数据集需要划分为训练集和验证集，训练集用于训练模型，验证集用于验证模型的准确性。为了使尽量多的数据用于模型的训练，同时保证验证模型的样本的数量足够多，减少偶然因素的影响，以7∶3的比例随机划分H8/9-ERA5-Fm数据集，即70%的数据作为训练集而剩下的30%则作为验证集。
|
图 3 H8/9-ERA5-Fm数据集制作流程 Fig. 3 Chart flow for the creation of H8/9-ERA5-Fm dataset |
图 4给出了海雾预报模型(fog forecasting model，FFM)的整体结构和三大模块的详细结构。FFM中的编码器由6个编码模块构成，用于学习输入数据。得益于编码模块中CNN和ConvLSTM网络的使用，FFM能够接受多个时次的输入数据。但是，本文聚焦于海雾的临近预报，因此模型的输入和预报时次都被设定为3。图 4(a)展示了1 h间隔的连续3个时次的输入t-2、t-1、t与3个时次输出t、t+1、t+2。通过编码器的学习，输入数据中的时空信息得到融合，使FFM更容易学习和预报海雾雾区的变化。融合后的时空信息输入预报模块进行海雾雾区预报，输出的预报信息同时被用于给出海雾雾区分布以及下一时刻的预报。这种循环预报的设计保证了海雾雾区预报的时空连续性，但也会造成预报过程中误差的累积。为了对累积的误差进行控制，在FFM中复用同一个解码器解码海雾的空间场，使模型同时根据历史时刻与当前时刻的预报信息进行预报。解码器由6个解码模块构成，以生成与输入数据相同大小的雾区预报。
|
图 4 模型FFM的整体结构图(a)与三大模块的详细结构图(b) Fig. 4 The overall structural diagram of the FFM (a) and the detailed structural diagram of the three primary modules of the FFM (b) |
除了包含CNN网络与ConvLSTM网络对输入数据进行学习和预报外，编码模块和预报模块中还包含了ReLU激活函数和批归一化层。激活函数是一类非线性函数，能够赋予深度学习模型非线性拟合的能力，ReLU则是其中最常用的函数[57]。批归一化层用于将数据进行归一化，在保持数据分布不变的同时能够加速模型的训练，减少过拟合现象的发生[48, 58]。为了从预报信息中还原海雾空间场，解码模块中使用了反卷积神经网络(deconvolutional neural network, DCNN)[59], 根据预报信息还原海雾空间场，通过Sigmoid激活函数给出海雾雾区的分布概率，并以0.5作为阈值将分布概率转换为海雾雾区预报。
2.3 预报流程基于H8/9-ERA5-Fm数据集与FFM模型，设计了近海海雾的临近预报流程(见图 5)。预报流程包括训练与预报两个阶段(见图 5(a)、5(b))，前者是把训练集数据输入FFM进行多个周期的训练，以得到模型内最优的参数配置，后者则是使用训练完成的模型进行海雾预报。模型的训练由优化器配合损失函数来完成。损失函数是用于计算模型预报和观测事实差异(一般被称作“损失”)的算法，计算得到的损失能够被优化器用于模型内参数的调整，以减小模型预报和观测事实之间的损失。通过不断输入数据重复该优化的过程，就能不断提升模型预报的准确性。优化器的种类众多[60]，广泛使用的Adam优化器[61]被用于本文FFM模型的优化。由于海雾雾区预报与二分类任务类似(有雾和无雾)，本文使用二元交叉熵损失函数[62]来计算模型的损失。
|
(模型接受三个时次(t-2，t-1，t)的输入，给出未来三个时次(t+1，t+2，t+3)的预报，t为当前时刻。After the FFM taking inputs from the previous three time steps (t-2, t-1, t), it will provide forecasts for the next three time steps (t+1, t+2, t+3), where t denotes the current time step.) 图 5 海雾预报模型训练流程(a)和海雾预报模型预报流程(b) Fig. 5 Training process of the FFM (a) and forecasting process of the FFM (b) |
如图 5(a)所示，在训练阶段FFM模型不断接受3个时次(t-2，t-1，t)的输入数据并预报未来3个时次(t+1，t+2，t+3)的海雾雾区，损失函数根据预报和观测计算出损失并传递给优化器，对模型进行优化; 模型遍历完一遍训练集中的数据称为一个周期，通过多个周期的训练，模型的损失会逐渐稳定在一定的范围内，此时认为模型最优并停止训练。然后在图 5(b)所示的预报阶段，验证集中的数据按照与训练集相同的时次输入完成训练的FFM模型得到预报雾区，预报结果将被统计以对模型的准确度进行评估。
3 海雾预报模型的测试 3.1 预报模型的训练模型的优化使用了Adam优化器，它拥有三个可设置的超参数: 学习率，β1和β2。学习率控制优化器优化模型时参数调整的幅度，较大的学习率可能会导致模型训练失败，因此Adam优化器的初始学习率设置为0.001，并且每10个周期减小一半。β1和β2控制参数调整的方向，使用默认值就能得到较好的训练效果[61]。表 2详细列出了模型构建和训练过程的其他参数配置。
|
|
表 2 模型训练和参数配置 Table 2 Training and parameter configurations of the model |
对于模型的训练和预报效果，使用准确率和损失两个指标来对模型的训练进行分析。损失由损失函数计算得到，准确率(Raccuracy)的计算公式如下:
| $ \begin{equation*} R_{\text {accuracy }}=\frac{C}{T} 。\end{equation*} $ | (3) |
式中: C代表准确预报的格点数; T代表子图像的总格点数(60×60，见1.1节)。在验证集上评估模型海雾雾区的预报效果时，所有预报的子图像会被合并，得到完整的海雾雾区分布。为了定量评估预报效果，针对预报区域(见图 1(a)红色框)采用正报率(POD)、误报率(FAR)、预报偏差(Bias)、公正预兆评分(ETS)4个评分指标[16, 63]:
| $ \begin{align*} & P O D=\frac{H}{O}, \\ & F A R=\frac{F-H}{F}, \\ & B i a s=\frac{F}{O}, \\ & E T S=\frac{H-R}{F+O-H-R}, \\ & R=F \cdot \frac{O}{N} 。\end{align*} $ | (4) |
式中: H代表准确预报的格点数; O代表观测有雾的格点数; F代表预报有雾的格点数; R代表随机预报时应得到的有雾的格点数; N代表预报区域的总格点数; 除了正报率POD，还有误报率(FAR)，预报偏差评分Bias，以及前三个评分的综合指标——公正预兆评分(ETS)。ETS评分越高，表明模型的整体预报效果更好。
3.2 训练结果的分析预报模型在训练和验证过程中的准确率和损失变化曲线如图 6所示。训练集的准确率在初始5周内不断提升(见图 6(a)中的红线)，损失率相应地不断降低(见图 6(b)中的红线)，然后两者缓慢地分别向1.0与0逼近; 在验证集上，准确率最好可超过0.9，损失低于0.4，但准确率与损失率(蓝色实线)随时间剧烈起伏变化; 平滑后(蓝色虚线)显示，模型在验证集上的准确率逐渐上升，但是损失在下降前有一个上升过程。训练集准确率和损失的变化说明模型能够学习训练集中包含的物理信息，但是模型在验证集上效果不佳，这是由于训练集的数据不够充足导致模型没有训练到最佳状态。
|
(虚线为五点滑动平均后的变化趋势。The dashed line represents the trend smoothed with a five-point moving average.) 图 6 在训练集(红色)和验证集(蓝色)上模型的(a)准确率和(b)损失随周期数的变化趋势 Fig. 6 Trends of the model's accuracy (a) and loss over epochs for the training set (red) and validation set (blue) (b) |
表 3统计了FFM模型在验证集中13次海雾个例的1, 2和3 h这3个时次的雾区临近预报评分。对于POD评分，约50%个例的3个预报时次的预报评分均超过0.8，最高可达0.99;在FAR中超过一半的结果每个时次的预报评分低于0.2;对于Bias项，1 h的预报结果中仅有两个结果的偏差超过0.2，3 h的结果中一半的偏差在0.2以下，大部分预报结果的Bias评分稳定在1.0左右; 整体来看3种评分均表明模型的雾区预报具有较高的准确性，总体预报效果较好。需要注意的是，相较于小范围海雾个例，大范围海雾个例的预报效果明显更好，例如在2016年6月9日和2017年3月4日两个小范围海雾个例中，3 h的POD下降到0.5以下，FAR最高升至0.52，预报偏差最大超过0.4。由ETS这个综合指标来看，1 h预报结果的评分均超过0.5，最高达到0.94，即使在3 h的预报评分中也仅有4例评分低于0.3，这表明FFM模型具有准确做出海雾临近预报的能力。从平均值上看，模型预报的效果整体表现出随预报时间延长而变差的趋势，但POD和ETS每个时次的平均评分仍分别保持在0.7和0.5以上。
|
|
表 3 模型在验证集上的雾区临近预报评分 Table 3 Fog area nowcasting scores of the model on the validation set |
2018年3月12日，在山东半岛南岸近海发生了一次典型的近岸海雾个例(记为case-2018)，该个例日间的雾区演变如图 7所示。从图 7可见，上午08时，两块大范围海雾(灰色斑块)已分别在黄海西北部和黄海东北部海域形成，西北部雾区与山东半岛南部相接，范围更大，与东北部雾区间存在狭长的晴空区。由位势高度场(蓝色实线)可知，背景环流场主要为南风和西南风，在风场的平流作用下西北部雾区向东北部移动并与东北部雾区的南部接触(见图 7(c))，同时北部发展出新的小片雾区，形成海雾包围晴空区的局面(见图 7(d))。随着海雾的继续发展，晴空区逐渐消失，两块独立雾区合并成为一块由黄海西北部延伸至黄海北部的大范围海雾，海雾东部的狭长雾区逐渐消散，南部在平流作用下向北压缩形成东北-西南走向的雾区(见图 7(e)，7(f))。
|
(图中灰色雾区为识别出的观测雾区，蓝色等值线为1 000 hPa位势高度。The grey area represents the observed sea fog, and the blue contour lines indicate the 1 000 hPa geopotential height.) 图 7 海雾case-2018雾区演变 Fig. 7 Evolution of the fog area in case-2018 |
前人的研究表明[1]，风场、水汽场以及近海面温度场对海雾的生成和发展有着重要的影响。为了探究这三种气象要素在模型预报中的贡献，分析模型对海雾过程中存在的物理过程的理解，设计如下6组敏感性试验，通过输入12日08、09、10时数据，预报11、12、13时的海雾雾区，来分别对风场(U、V)、近海面温度梯度和比湿(Q)三种预报要素进行测试。Exp-Sen_W1和Exp-Sen_W2试验将风场的风速在保持风向不变的情况下分别调整到原风速的0.1和2.5倍。Exp-Sen_S1和Exp-Sen_S2以120.59°E、35.82°N位置(见图 1(a)红色三角)的SKT作为基准温度，计算出其他格点的SKT相对于该基准点的差值，通过将差值调整为原差值的0.1和5倍计算出新的SKT，从而将陆地和海面的温度梯度调整为原梯度的0.1和5倍。Exp-Sen_Q1和Exp-Sen_Q2分别在Exp-Ctrl控制组的基础上分别将比湿减少和增加4 g/kg。
4.2 预报结果分析根据表 4的试验设置进行海雾case-2018的临近预报试验，图 8给出了雾区观测、控制试验与风速敏感性预报的结果。对比观测(见图 8(a)—8(c))，Exp-Ctrl较准确地预报出黄海北部雾区的生成以及雾区中晴空区的形成和消失(见图 8(d)，8(e))，以及东部狭长雾区的消散过程(见图 8(d)—8(f))，海雾雾区与观测结果能够很好的吻合，但东部雾区更窄，南部雾区中也没有晴空区的出现(见图 8(f))。
|
|
表 4 临近预报试验试验设计 Table 4 Experiment configurations for sea fog nowcasting |
|
(以Exp-Ctrl组结果(灰色)为参照，得到敏感性试验中增加(橙色)和减少(红色)的雾区。Using the Exp-Ctrl results (gray) as a reference, the sensitivity experiments show areas with increased (orange) and decreased (red) fog coverage.) 图 8 case-2018个例11—13时(BST)的观测雾区(蓝色)、Exp-Ctrl与敏感性试验Exp-Sen_W1和Exp-Sen_W2的雾区预报结果 Fig. 8 Observed fog area (blue) from 11:00 BST to 13:00 BST in case-2018 along with fog area forecasts from the Exp-Ctrl and sensitivity experiments Exp-Sen_W1 and Exp-Sen_W2 |
图 9进一步给出了其他敏感性试验的预报结果。以Exp-Ctrl雾区结果为参照，对比分析6个敏感性试验的预报雾区。Exp-Sen_W1试验中，风速的减小使雾区的边缘产生了消散，消散的区域主要集中于黄海北部的雾区(见图 8(h)，8(i))，这可能是由于风速变弱导致向北输送的暖湿空气减少(经计算，雾区区域1 000 hPa的水汽通量最多减少500 g/(m·s·hPa)以上)，从而导致雾区的消散; Exp-Sen_W2试验中雾区变化更加明显，经过调整绝大部分雾区区域风速超过10 m/s，预报结果显示1 h内雾区大面积减少(见图 9(j))，3 h后海雾几乎完全消散(见图 9(l))，这与过大的风速加强了近海面机械湍流，从而会破坏近海面稳定层结导致海雾消散的结论相吻合[1]。Exp-Sen_S1和Exp-Sen_S2试验中，近海面温度的变化未对雾区预报产生较大的影响，不管是增大还是减小温度梯度都仅导致雾区的边缘部分消散或发展(见图 9(a)—9(f))。通过计算两个试验中的气-海温差(见图 10)，发现减小温度梯度后使更多海域的气-海温差适宜海雾的形成，但雾区并未明显扩大; 增大温度梯度后部分雾区所在区域的气-海温差过高或过低(见图 10(d)—10(f))，不再适合海雾的维持和发展[21, 64]，但模型并未做出显著的响应。比湿场的改变对海雾的发展产生了影响，Exp-Sen_Q1试验中比湿的减少导致雾区中晴空区面积增加(见图 9(g))，最终与外界连通(见图 9(h))，表现为东南侧的雾区消散; Exp-Sen_Q2中比湿的增加则促使了海雾的生成，使雾区整体变大(见图 9(k)，9(l))，甚至在雾区南部生成了新的雾区(见图 9(j))。
|
(以Exp-Ctrl组结果(灰色)为参照，得到敏感性试验中增加(橙色)和减少(红色)的雾区。Using the Exp-Ctrl results (gray) as a baseline, the sensitivity experiments show areas of increased (orange) and decreased (red) fog coverage.) 图 9 case-2018个例11—13时(BST)敏感性试验Exp-Sen_S1、Exp-Sen_S2、Exp-Sen_Q1和Exp-Sen_Q2的雾区预报结果 Fig. 9 Fog area forecasts from sensitivity experiments Exp-Sen_S1, Exp-Sen_S2, Exp-Sen_Q1, and Exp-Sen_Q2 for case-2018 from 11:00 BST to 13:00 BST |
|
(灰色区域为识别出的观测雾区，粗红、蓝色等值线分别表示3和-3 ℃的气-海温差等值线。The grey area represents the observed sea fog, The bold red and blue contour lines correspond to air-sea temperature differences of 3 and-3 ℃, respectively.) 图 10 case-2018个例8—10时(BST)敏感性试验Exp-Sen_S1和Exp-Sen_S2中的气-海温差 Fig. 10 Air-sea temperature differences during sensitivity experiments Exp-Sen_S1 and Exp-Sen_S2 for case-2018 from 08:00 BST to 10:00 BST |
海雾数值预报对误差十分敏感，而数值预报中初始场误差和模式误差的存在是不可避免的，这导致采用数值预报方式进行海雾临近预报的预报技巧很低。此外，中小尺度数值预报一般需要几个小时的积分调整时间，这对海雾数值临近预报所采取的数据同化方法提出了很高的要求。虽然目前很多研究表明，基于观测数据驱动的深度学习预报方法可用于海雾预报，但其中绝大部分工作针对的是站点预报，雾区预报的工作很少而且缺乏物理信息的引入和融合。本文基于CNN、DCNN和ConvLSTM网络构建了一个能够有效融合物理信息的海雾预报模型FFM，针对山东半岛南岸近海海雾进行了临近预报试验的尝试，主要结论如下:
(1) 海雾预报模型FFM与H8/9-ERA5-Fm数据集训练之后，具有较好的海雾临近预报的能力，3 h雾区预报的平均POD和ETS分别达到了0.74和0.55。
(2) 通过分析一个典型海雾个例的雾区预报结果，发现预报模型FFM能够准确预报海雾雾区的变化; 一系列敏感性试验结果表明，预报模型FFM能合理地响应输入的物理因子对海雾发展的影响，这说明预报模型成功地引入与融合了物理信息。
值得指出的是，本文构建的海雾预报模型还有待诸多改进，譬如，模型不能显著响应海温的变化，说明模型没有很好的融合全部的物理信息; 反演算法得到的海雾掩码存在误差，并且受中高云遮挡的雾区无法反演，导致模型预报受到反演算法效果的限制; 44个海雾个例提供的训练样本仍然较少，导致评价训练效果的准确率与损失随时间的变化不够稳定，说明模型的训练效果没有达到最佳的状态。因此，接下来需要增加更多的海雾个例，输入更多与海雾生消演变相关的物理因子，并优化预报模型以更好的融合物理信息; 为了增强此预报模型的实际应用价值, 还需要定量评估它与数值模式的预报效果优劣。
| [1] |
Wang B. Sea Fog[M]. Beijing: China Ocean Press, 1985.
(  0) |
| [2] |
张苏平, 鲍献文. 近十年中国海雾研究进展[J]. 中国海洋大学学报(自然科学版), 2008(3): 359-366. Zhang S P, Bao X W. The main advances in sea fog research in China[J]. Periodical of Ocean University of China, 2008(3): 359-366. DOI:10.16441/j.cnki.hdxb.2008.03.003 ( 0) |
| [3] |
Xu M, Wu M, Chen K, et al. M4 fog: A global multi-regional, multi-modal, and multi-stage dataset for marine fog detection and forecasting to bridge ocean and atmosphere[J]. Computer Science, DOI: arXivpreprintarXiv:2406.13317, 2024.
( 0) |
| [4] |
Koračin D, Dorman C E. Marine Fog: Challenges and Advancements in Observations, Modeling, and Forecasting[M]. Cham: Springer International Publishing, 2017.
( 0) |
| [5] |
Jin G, Gao S, Shi H, et al. Impacts of sea-land breeze circulation on the formation and development of coastal sea fog along the Shandong Peninsula: A case study[J]. Atmosphere, 2022, 13(2): 165. DOI:10.3390/atmos13020165 ( 0) |
| [6] |
傅刚, 李鹏远, 张苏平, 等. 中国海雾研究简要回顾[J]. 气象科技进展, 2016, 6(2): 20-28. Fu G, Li P Y, Zhang S P, et al. A brief review of marine fog research in China[J]. Advances in Meteorological Science and Technology, 2016, 6(2): 20-28. ( 0) |
| [7] |
黄健, 黄辉军, 黄敏辉, 等. 广东沿岸海雾决策树预报模型[J]. 应用气象学报, 2011, 22(1): 107-114. Huang J, Huang H J, Huang M H, et al. Decision tree forecasting models of sea fog for the coast of Guangdong Province[J]. Journal of Applied Meteorological Science, 2011, 22(1): 107-114. DOI:10.3969/j.issn.1001-7313.2011.01.011 ( 0) |
| [8] |
史得道, 吴振玲, 高山红, 等. 海雾预报研究综述[J]. 气象科技进展, 2016, 6(2): 49-55. Shi D D, Wu Z L, Gao S H, et al. A summary of research on sea fog forecasting[J]. Advances in Meteorological Science and Technology, 2016, 6(2): 49-55. ( 0) |
| [9] |
高荣珍, 李欣, 任兆鹏, 等. 青岛沿海海雾决策树预报模型研究[J]. 海洋预报, 2016, 33(4): 80-87. Gao R Z, Li X, Ren Z P, et al. Study of the sea fog prediction by classification and regression tree (CART) analyses in Qingdao costal area[J]. Marine Forecasts, 2016, 33(4): 80-87. ( 0) |
| [10] |
高松, 徐江玲, 刘桂艳, 等. 基于机器学习的青岛市区近岸海雾集成预报方法[J]. 海洋科学, 2021, 45(3): 33-42. Gao S, Xu J L, Liu G Y, et al. Ensemble forecast of sea fog in Qingdao costal area based on machine learning[J]. Marine Sciences, 2021, 45(3): 33-42. ( 0) |
| [11] |
Xiang Y, Zhang Q, Wang M, et al. Intelligent model for offshore China sea fog forecasting[J]. Computer Science, DOI: arXivpreprintarXiv:2307.10580, 2023.
( 0) |
| [12] |
高山红, 齐伊玲, 张守宝, 等. 利用循环3DVAR改进黄海海雾数值模拟初始场Ⅰ: WRF数值试验[J]. 中国海洋大学学报(自然科学版), 2010, 40(10): 1-9. Gao S H, Qi Y L, Zhang S B, et al. Initial conditions improvement of sea fog numerical modeling over the Yellow Sea by using cycling 3DVAR part Ⅰ: WRF numerical experiments[J]. Periodical of Ocean University of China, 2010, 40(10): 1-9. DOI:10.16441/j.cnki.hdxb.2010.11.001 ( 0) |
| [13] |
Lewis J M, Koračin D, Redmond K T. Sea fog research in the United Kingdom and United States: A historical essay including outlook[J]. Bulletin of the American Meteorological Society, 2004, 85(3): 395-408. DOI:10.1175/BAMS-85-3-395 ( 0) |
| [14] |
Gao S, Lin H, Shen B, et al. A heavy sea fog event over the Yellow Sea in March, 2005:Analysis and numerical modeling[J]. Advances in Atmospheric Sciences, 2007, 24: 65-81. DOI:10.1007/s00376-007-0065-2 ( 0) |
| [15] |
李冉, 高山红, 王永明. 直接同化卫星辐射数据的黄海海雾数值试验研究[J]. 中国海洋大学学报(自然科学版), 2012, 42(3): 10-20. Li R, Gao S H, Wang Y M. Numerical study on direct assimilation of satellite radiances for sea fog over the Yellow Sea[J]. Periodical of Ocean University of China, 2012, 42(3): 10-20. DOI:10.16441/j.cnki.hdxb.2012.03.002 ( 0) |
| [16] |
Wang Y, Gao S, Fu G, et al. Assimilating MTSAT-derived humidity in nowcasting sea fog over the Yellow Sea[J]. Weather and Forecasting, 2014, 29(2): 205-225. DOI:10.1175/WAF-D-12-00123.1 ( 0) |
| [17] |
王永明, 高山红. 黄海海雾数值模拟中多普勒雷达径向风数据同化试验[J]. 中国海洋大学学报(自然科学版), 2016, 46(8): 1-12. Wang Y M, Gao S H. Assimilation of doppler radar radial velocity in Yellow Sea fog numerical modeling[J]. Periodical of Ocean University of China, 2016, 46(8): 1-12. DOI:10.16441/j.cnki.hdxb.20150361 ( 0) |
| [18] |
高小雨, 高山红. 黄海海雾短时临近预报中云水路径的EnKF同化研究[J]. 海洋与湖沼, 2019, 50(2): 248-260. Gao X Y, Gao S H. EnKF assimilation of cloud water path in nowcasting sea fog over the Yellow Sea[J]. Oceanologia et Limnologia Sinica, 2019, 50(2): 248-260. ( 0) |
| [19] |
陆雪, 高山红, 饶莉娟, 等. 春季黄海海雾WRF参数化方案敏感性研究[J]. 应用气象学报, 2014, 25(3): 312-320. Lu X, Gao S H, Rao L J, et al. Sensitivity study of WRF parameterization schemes for the spring sea fog in the Yellow Sea[J]. Journal of Applied Meteorological Science, 2014, 25(3): 312-320. ( 0) |
| [20] |
Zhang L, Shi H, Gao S, et al. Overestimated fog-top entrainment in WRF simulation leading to unrealistic dissipation of sea fog: A case study[J]. Remote Sensing, 2024, 16(10): 1656. DOI:10.3390/rs16101656 ( 0) |
| [21] |
张苏平, 衣立, 高山红. 海雾导论[M]. 第1版. 北京: 气象出版社, 2024. Zhang S P, Yi L, Gao S H. An Introduction to Sea Fog[M]. 1st edition. Beijing: China Meteorological Press, 2024. ( 0) |
| [22] |
Yano J I, Ziemiański M Z, Cullen M, et al. Scientific challenges of convective-scale numerical weather prediction[J]. Bulletin of the American Meteorological Society, 2018, 99(4): 699-710. DOI:10.1175/BAMS-D-17-0125.1 ( 0) |
| [23] |
Scher S, Messori G. Predicting weather forecast uncertainty with machine learning[J]. Quarterly Journal of the Royal Meteorological Society, 2018, 144(717): 2830-2841. DOI:10.1002/qj.3410 ( 0) |
| [24] |
Chen H, Chandrasekar V, Tan H, et al. Rainfall estimation from ground radar and TRMM precipitation radar using hybrid deep neural networks[J]. Geophysical Research Letters, 2019, 46(17-18): 10669-10678. DOI:10.1029/2019GL084771 ( 0) |
| [25] |
Zhao J, Deng F, Cai Y, et al. Long short-term memory-Fully connected (LSTM-FC) neural network for PM2.5 concentration prediction[J]. Chemosphere, 2019, 220: 486-492. DOI:10.1016/j.chemosphere.2018.12.128 ( 0) |
| [26] |
Boukabara S A, Krasnopolsky V, Stewart J Q, et al. Leveraging modern artificial intelligence for remote sensing and NWP: Benefits and challenges[J]. Bulletin of the American Meteorological Society, 2019, 100(12): ES473-ES491. DOI:10.1175/BAMS-D-18-0324.1 ( 0) |
| [27] |
Han L, Sun J, Zhang W. Convolutional neural network for convective storm nowcasting using 3D doppler weather radar data[J]. IEEE Transactions on Geoscience and Remote Sensing, 2020, 58(2): 1487-1495. DOI:10.1109/TGRS.2019.2948070 ( 0) |
| [28] |
Ravuri S, Lenc K, Willson M, et al. Skilful precipitation nowcasting using deep generative models of radar[J]. Nature, 2021, 597(7878): 672-677. DOI:10.1038/s41586-021-03854-z ( 0) |
| [29] |
Zhang X, Jin Q, Yu T, et al. Multi-modal spatio-temporal meteorological forecasting with deep neural network[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2022, 188: 380-393. DOI:10.1016/j.isprsjprs.2022.03.007 ( 0) |
| [30] |
Bi K, Xie L, Zhang H, et al. Accurate medium-range global weather forecasting with 3D neural networks[J]. Nature, 2023, 619(7970): 533-538. DOI:10.1038/s41586-023-06185-3 ( 0) |
| [31] |
Lam R, Sanchez-Gonzalez A, Willson M, et al. Learning skillful medium-range global weather forecasting[J]. Science, 2023, 382(6677): 1416-1421. DOI:10.1126/science.adi2336 ( 0) |
| [32] |
Kochkov D, Yuval J, Langmore I, et al. Neural general circulation models for weather and climate[J]. Nature, 2024, 632(8027): 1060-1066. DOI:10.1038/s41586-024-07744-y ( 0) |
| [33] |
Lapedes A, Farber R. How Neural Nets Work[C]. Proceedings of the 1987 International Conference on Neural Information Processing Systems. Cambridge, MA, USA: MIT Press, 1987: 442-456.
( 0) |
| [34] |
Hochreiter S, Schmidhuber J. Long short-term memory[J]. Neural Computation, 1997, 9(8): 1735-1780. DOI:10.1162/neco.1997.9.8.1735 ( 0) |
| [35] |
Kratzert F, Klotz D, Brenner C, et al. Rainfall-runoff modelling using long short-term memory (LSTM) networks[J]. Hydrology and Earth System Sciences, 2018, 22(11): 6005-6022. DOI:10.5194/hess-22-6005-2018 ( 0) |
| [36] |
Hunt K M R, Matthews G R, Pappenberger F, et al. Using a long short-term memory (LSTM) neural network to boost river streamflow forecasts over the western United States[J]. Hydrology and Earth System Sciences, 2022, 26(21): 5449-5472. DOI:10.5194/hess-26-5449-2022 ( 0) |
| [37] |
Sabzipour B, Arsenault R, Troin M, et al. Comparing a long short-term memory (LSTM) neural network with a physically-based hydrological model for streamflow forecasting over a Canadian catchment[J]. Journal of Hydrology, 2023, 627: 130380. DOI:10.1016/j.jhydrol.2023.130380 ( 0) |
| [38] |
Fukushima K, Miyake S. Neocognitron: A new algorithm for pattern recognition tolerant of deformations and shifts in position[J]. Pattern Recognition, 1982, 15(6): 455-469. DOI:10.1016/0031-3203(82)90024-3 ( 0) |
| [39] |
Lagerquist R, McGovern A, Ii D J G. Deep learning for spatially explicit prediction of synoptic-scale fronts[J]. Weather and Forecasting, 2019, 34(4): 1137-1160. DOI:10.1175/WAF-D-18-0183.1 ( 0) |
| [40] |
Lebedev V, Ivashkin V, Rudenko I, et al. Precipitation Nowcasting with Satellite Imagery[C]. Proceedings of the 25th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining. Anchorage AK USA: ACM, 2019: 2680-2688.
( 0) |
| [41] |
Wimmers A, Velden C, Cossuth J H. Using deep learning to estimate tropical cyclone intensity from satellite passive microwave imagery[J]. Monthly Weather Review, 2019, 147(6): 2261-2282. DOI:10.1175/MWR-D-18-0391.1 ( 0) |
| [42] |
Han L, Sun J, Zhang W. Convolutional neural network for convective storm nowcasting using 3-D Doppler weather radar data[J]. IEEE Transactions on Geoscience and Remote Sensing, 2020, 58(2): 1487-1495. DOI:10.1109/TGRS.2019.2948070 ( 0) |
| [43] |
Han J H, Kim K J, Joo H S, et al. Sea fog dissipation prediction in Incheon Port and Haeundae Beach using machine learning and deep learning[J]. Sensors, 2021, 21(15): 5232. DOI:10.3390/s21155232 ( 0) |
| [44] |
Castillo-Botón C, Casillas-Pérez D, Casanova-Mateo C, et al. Machine learning regression and classification methods for fog events prediction[J]. Atmospheric Research, 2022, 272: 106157. DOI:10.1016/j.atmosres.2022.106157 ( 0) |
| [45] |
Kim Y, Ryu H S, Hong S. Data-to-data translation-based nowcasting of specific sea fog using geostationary weather satellite observation[J]. Atmospheric Research, 2023, 290: 106792. DOI:10.1016/j.atmosres.2023.106792 ( 0) |
| [46] |
胡瑞金, 周发琇. 海雾过程中海洋气象条件影响数值研究[J]. 青岛海洋大学学报, 1997(3): 16-24. Hu R J, Zhou F X. A numerical study on the effects of air sea conditions on the process of sea fog[J]. Journal of Ocean University of Qingdao, 1997(3): 16-24. ( 0) |
| [47] |
胡瑞金, 董克慧, 周发琇. 海雾生成过程中平流、湍流和辐射效应的数值试验[J]. 海洋科学进展, 2006(2): 156-165. Hu R J, Dong K H, Zhou F X. Numerical experiments with the advection, turbulence and radiation effects in the sea fog formation process[J]. Advances in Marine Science, 2006(2): 156-165. ( 0) |
| [48] |
Mahdavi S, Amani M, Bullock T, et al. Enhanced oceanic fog nowcasting through satellite-based recurrent neural networks[J/OL]. Big Earth Data, 2024: 1-20. https://www.tandfonline.com/doi/abs/10.1080/20964471.2024.2412379.
( 0) |
| [49] |
Zhang S P, Xie S P, Liu Q Y, et al. Seasonal variations of Yellow sea fog: Observations and mechanisms[J]. Journal of Climate, 2009, 22(24): 6758-6772. DOI:10.1175/2009JCLI2806.1 ( 0) |
| [50] |
Kwon Y O, Alexander M A, Bond N A, et al. Role of the gulf stream and Kuroshio-Oyashio systems in large-scale atmosphere-ocean interaction: A review[J]. Journal of Climate, 2010, 23(12): 3249-3281. ( 0) |
| [51] |
Yang Y, Wang Y, Gao S, et al. A new observation operator for the assimilation of satellite-derived relative humidity: Methodology and experiments with three sea fog cases over the Yellow Sea[J]. Journal of Meteorological Research, 2021, 35(6): 1104-1124. ( 0) |
| [52] |
Yang Y, Gao S, Wang Y, et al. Impact of feature-dependent static background error covariances for satellite-derived humidity assimilation on analyses and forecasts of multiple sea fog cases over the Yellow Sea[J]. Remote Sensing, 2022, 14(18): 4537. ( 0) |
| [53] |
Gao X, Gao S, Li Z, et al. A revised method with a temperature constraint for assimilating satellite-derived humidity in forecasting sea fog over the Yellow Sea[J]. Frontiers in Earth Science, 2023, 10(2022): 992246. ( 0) |
| [54] |
Karin T. toddkarin/global-land-mask: Release of version 1.0.0[S]. Zenodo, 2020.
( 0) |
| [55] |
Shi X, Chen Z, Wang H, et al. Convolutional LSTM network: A machine learning approach for precipitation nowcasting[J]. Computer Science, DOI: arXivpreprintarXiv:1506.04214, 2015.
( 0) |
| [56] |
刘希, 胡秀清. 基于MTSAT卫星的我国东部沿海雾区的自动识别[J]. 台湾海峡, 2008(1): 112-117. Liu X, Hu X Q. Sea fog automatic detection over the East China Sea using MTSAT data[J]. Journal of Oceanography in Taiwan Strait, 2008(1): 112-117. ( 0) |
| [57] |
Glorot X, Bordes A, Bengio Y. Deep Sparse Rectifier Neural Networks[C]. Proceedings of the Fourteenth International Conference on Artificial Intelligence and Statistics. [s. l. ]: JMLR Workshop and Conference Proceedings, 2011: 315-323.
( 0) |
| [58] |
Bjorck J, Gomes C, Selman B, et al. Understanding batch normalization[J]. Computer Science, DOI: arXivpreprintarXiv:1806.02375, 2018.
( 0) |
| [59] |
Zeiler M D, Krishnan D, Taylor G W, et al. Deconvolutional Networks[C]. 2010 IEEE Computer Society Conference on Computer Vision and Pattern Recognition. San Francisco, CA, USA: IEEE, 2010: 2528-2535.
( 0) |
| [60] |
Ruder S. An overview of gradient descent optimization algorithms[J]. Computer Science, DOI: arXivpreprintarXiv:1609.04747, 2017.
( 0) |
| [61] |
Kingma D P, Ba J. Adam: A method for stochastic optimization[J]. Computer Science, DOI: arXivpreprintarXiv:1412.6980, 2017.
( 0) |
| [62] |
Jadon S. A Survey of Loss Functions for Semantic Segmentation[C]. 2020 IEEE Conference on Computational Intelligence in Bioinformatics and Computational Biology (CIBCB). Via del Mar, Chile: IEEE, 2020: 1-7.
( 0) |
| [63] |
Doswell C A, Flueck J A. Forecasting and verifying in a field research project: DOPLIGHT '87[J]. Weather and Forecasting, 1989, 4(2): 97-109. ( 0) |
| [64] |
王亚男, 李永平. 冷空气影响下的黄东海海雾特征分析[J]. 热带气象学报, 2009(2): 216-221. Wang Y N, Li Y P. Climatological anaylsis of sea fog with cold air in the East China Sea and Yellow Sea[J]. Journal of Tropical Meteorology, 2009(2): 216-221. ( 0) |
2. Key Laboratory of Physical Oceanography, Ministry of Education, Ocean University of China, Qingdao 266100, China