2025, Vol. 55
2. 宁波市气象局(宁波市气象台院士工作站)，浙江 宁波 315000;
3. 舟山市嵊泗县气象局，浙江 嵊泗 202450
自1853年布鲁塞尔会议提出志愿观测船(voluntary observing ships，VOS)计划以来，该计划鼓励各海洋国家招募航行于全球洋面的志愿船舶，辅助气象、海洋观测和发报工作，以收集海上气象和水文要素数据，进而丰富海洋表面和海水表层环境的监测数据集[1-3]。随着现代科技的飞速发展，包括电子、通讯、计算机技术和平台技术在内的进步，全球已构建了由剖面漂流浮标、锚系浮标、海洋站、高频雷达站、调查船、志愿船、水下滑翔器和动物遥测等手段组成的海洋观测网络[4-5]。尽管如此，船舶观测仍占据重要地位。2022年约25%的VOS安装了自动气象站，实现了自动化观测[6]。Tim等[7]指出，尽管技术进步带来了浮标、石油平台等独立观测平台，但船舶仍然是海洋气象观测的主要贡献者，其观测资料对于广阔海洋的监测具有重要意义。这些资料在海洋灾害预警、远洋导航、天气预报以及全球气象科学研究等领域具有不可替代的作用[8-9]。Smith等[9]进一步分析指出，船舶观测自动化对于实时监测海表大气的物理性质和海水表层的生物地球化学性质具有重要的技术优势。船舶类型多样，包括商船、研究船、邮轮、轮渡、渔船、游艇等私人船只以及军队或政府经营的船只和不断增长的自主水面舰艇等。相较于固定的海洋观测平台，船舶观测具有便捷、低成本等优势，能够弥补海洋监测区域的不足，展现出广阔的应用前景[10]。
世界气象组织(world meteorological organization, WMO)通过全球通信系统(global telecommunication system, GTS)实现了海洋观测资料的实时共享，增强了全球海洋观测系统的功能。自VOS实施以来，各国航运公司自愿提供的气象观测要素数据与其接受的气象灾害预警和远洋导航服务紧密相关，欧美国家率先推动VOS的实施。VOS主要观测海面的气象水文要素，包括海面有效能见度、风速、风向、气温、气压、相对湿度、海水温度和盐度等[8-9]。船舶的尺寸规格、自动气象传感器的技术指标等均影响海洋观测的数据质量，测报技术人员的综合能力，如能否迅速应对自动观测系统出现死机、硬件错误等异常情况，也会影响船舶数据的采集、传输和分发等环节。Smith等[9]指出，为确保各类数据产品的可用性，必须对数据进行严格的质量评估。船基观测数据的质量控制应贯穿数据的收集、传输、处理和分发全过程。目前，WMO正推动船载自动气象观测的发展，欧洲国家已率先实现船舶搭载欧盟常规气象站进行观测，并每小时传输数据。数据量的大幅增加使得VOS观测资料的应用问题日益凸显。但由于各国航海需求和经费差异，导致各国招募的VOS类型和数量差异较大，观测的气象要素不尽一致。分析总结不同国家VOS观测到的气象数据变化规律，对于推进全球VOS自动化观测体系设计，具有重要参考意义。
另外，各国VOS的船舶特征、气象仪器类型和安装位置等元数据信息的不透明性，使得建立及时、标准化的VOS观测数据质量控制流程和评估方法面临诸多挑战[11]，关于VOS数据质量分析的研究也相对较少。因此，对VOS观测数据进行深入分析，评估其数据可用性显得尤为重要。
本文旨在分析通过GTS以小时级频次共享的海量VOS观测数据，揭示全球海洋气象观测资料的准确性和可用性，并探讨其改进方法，以期为提升海洋气象观测数据的质量和应用水平提供有益参考。
1 数据概况本文选用WMO执行的VOS中2022年GTS共享的海洋气象数据，来自中国气象局气象大数据云平台的全球海洋海面观测数据产品, 对各气象要素观测资料进行数据质量控制检查, 包括缺测检查、空间一致性检查、气候学界限值检查、内部一致性检查和时间一致性检查等，剔除缺测与重复数据，利用有效样本进行数据到报率和可用率分析[12-13]。本文筛选同时观测气温、气压、相对湿度和风向风速等表征海洋表层大气特征的基本气候变量(essential climate variables，ECVs)的志愿船作为代表性站点进行航线分析[7]。
从全球海洋海面观测数据产品中筛选VOS数据，绘制全球VOS航线分布，详见图 1。2022年全球VOS航线主要分布在北半球，包括跨太平洋航线(亚洲东部、东南部-北美西海岸)、亚欧航线(东亚、东南亚-马六甲海峡-印度洋-曼德海峡-红海-苏伊士运河-地中海-直布罗陀海峡-英吉利海峡-西欧各国)、北大西洋航线(西欧、北大西洋-北美洲东岸、南岸)、南太平洋航线(亚太地区国家-太平洋国家-南美洲西海岸)等。
|
图 1 2022年VOS航线分布图 Fig. 1 The VOS route map in 2022 |
2022年共有1 725艘VOS参与GTS观测数据共享，除55条归属国不明的船舶外，美国VOS数量为799艘，占全球船舶总量的46.3%，位居首位；欧洲各国的船舶总量为592艘，占比34.3%；亚洲各国的船舶总量为211艘，占比12.2%；其余国家船舶总量合计68艘，占比3.9%(见图 2)。
|
图 2 各国参与GTS数据共享的船舶数量 Fig. 2 The VOS amount among countries sharing data through GTS |
利用2022年VOS观测资料，分别从观测数据到报情况、气象要素观测种类及数据可用率、气象要素时空变化趋势等方面分析船基观测全球海洋气象数据可用性[14]。
2.1 观测数据到报率数据到报率是分析气象观测数据可用性的重要指标。本文用每月的到报站点数和到报文件数、日均到报频次及到报率等分析VOS数据到报情况，其中到报站点数表示参与GTS数据共享的VOS数量；到报文件数表示VOS当月共享的数据条数；日均到报频次表示当月VOS共享的日均数据条数；到报率表示VOS共享的时均数据条数。计算方法如下：日均到报频次＝到报文件数/(到报站点数×当月天数)；数据到报率＝到报文件数/(到报站点数×当月天数×24)×100%。
2.2 VOS分类及数据可用率目前各国VOS通过GTS共享的观测数据格式不尽统一[15]，不同国家VOS的观测要素差异较大。分析发现，气温、气压、风速、风向、相对湿度等气象要素的有效数据相对较多，并且这5个要素属于基本气候变量，是海洋气象观测的重点。因此，我们将VOS按照其国别和是否同时观测这5个基本气候变量，即ECVs船和非ECVs船进行分类讨论。逐月分析气温、气压、风速、相对湿度的正确数据量及其数据可用率(正确数据占总数据条数的百分比)。
2.3 数据可用性分析根据VOS的航线分布及航行距离，选取西北太平洋、印度洋以及北大西洋海域的ECVs船，评估除风向外的气温、气压、相对湿度、风速的变化趋势。由于ECVs船舶数据是逐小时的离散数据，而全球洋面上的观测数据稀缺，难以为船舶观测数据的可用性分析提供参考。同时，前人研究发现, 卫星遥感数据质量也存在较大误差，不适合与船舶观测数据进行比较分析[16]。ERA5是欧洲中期天气预报中心(European centre for medium-range weather forecasts，ECMWF)发布的最新一代气候再分析数据集，是对1940年1月至今的全球气候进行的第五代大气再分析。ERA5利用先进的建模和数据同化系统，将大量的历史观测数据结合到全球估算中，提供许多大气、陆地表面和海洋状态参数的小时级数据[17]。ERA5具有高时空分辨率的优点，海面气温、气压、相对湿度、风速的时间分辨率为1 h，空间水平分辨率为0.25°×0.25°，被广泛应用于海面气压和风速等观测数据的适用性分析[18-19]。滕骏华等[20]用ECMWF的再分析资料海面风场数据与中国海洋渔业志愿船观测数据进行对比，判断观测数据的可用性。因此，本文基于ERA5逐小时数据对某ECVs船舶数据进行对比分析，先将船舶观测数据与ERA5数据匹配，即采用ERA5的最近格点与船舶站点的经纬度进行时空一致性匹配[19]，再利用客观评估方法如相关系数(correlation coefficent, CC)、均方根误差(root mean square error, RMSE)、相对偏差(relative deviation, RD)分析两组数据的差异。计算公式如下：
| $ C C=\frac{\sum\limits_{i=1}^n\left(E_i-\bar{E}\right)\left(S_i-\bar{S}\right)}{\sqrt{\sum\limits_{i=1}^n\left(E_i-\bar{E}\right)^2} \times \sqrt{\sum\limits_{i=1}^n\left(S_i-\bar{S}\right)^2}}, $ | (1) |
| $ R M S E=\sqrt{\frac{1}{n} \sum\limits_{i=1}^n\left(S_i-E_i\right)^2}, $ | (2) |
| $ R D=\frac{\sum\limits_{i=1}^n\left(S_i-E_i\right)}{\sum\limits_{i=1}^n E_i} \times 100 \% \text { 。} $ | (3) |
式中：S表示船舶站数据；E表示对应的ERA5数据；n表示站点数量。
3 分析结果 3.1 数据到报率VOS通过GTS能够实现小时级实时数据共享，由于执行标准不一致，个别船舶的共享数据频次并非1次/h，而是间隔几小时甚至更长时间。另外，受航程影响和航班安排，VOS每月能够共享的数据量有限。
3.1.1 数据到报率月变化取2022年VOS观测数据经质量控制后的有效数据为观测样本，对比各月参与GTS数据共享的船舶数，分析数据到报率月变化。2022年美国招募的VOS数量占全球VOS的近50%，其数据可用性受到额外关注。表 1为全球及美国VOS的数据到报率对比情况。
|
表 1 2022年全球及美国VOS的观测数据到报率 Table 1 Data reporting rate of VOS between global and USA in 2022 |
从表 1看出，2022年美国VOS每月到报站点数几乎占全球船舶数量的一半，其到报文件数仅约为全球VOS的三分之一，日均数据到报率低于全球VOS到报率9.3个百分点。
3.1.2 数据到报率季变化VOS航行过程中易受海雾、台风、冷空气、大风等恶劣天气影响改变航行计划，进而影响数据到报率。天气变化的季节性规律强，有必要分析各个季节VOS的数据到报情况。基于VOS航线分布特点，以北半球的季节变化为标准进行分析，即3—5月为春季，6—8月为夏季，9—11为秋季，12月及来年1和2月为冬季。图 3为2022年全球VOS数据到报率季节变化图，从图中可以看出，春季到报站点最多，占总站点数的28.71%，但春季数据到报率最低；秋季站点数最少，占总站点数的22.95%，但其数据到报率最高。2022年全球VOS参与数据共享站点数的季节排序为春季>夏季>冬季>秋季。2022年全球VOS观测数据到报率季节排序为秋季>夏季>冬季>春季。
|
((a)各季度到报站点占比; (b)各季度数据到报率。(a) VOS reporting number percentage; (b) Data reporting rate.) 图 3 2022年全球VOS数据到报率季节变化图 Fig. 3 The data reporting rate of VOS in four seasons of 2022 |
ECVs船的招募国主要分布在欧洲的7个国家及亚洲的韩国。根据图 4呈现的数据，可以观察到2022年ECVs船的有效观测数据条数对比情况。德国ECVs船的有效观测数据条数达39.4万余条，占总量的64.4%，远超第二名的法国。统计其他非ECVs船观测的有效数据条数，美国最多，其次为德国。
|
图 4 2022年ECVs船舶有效观测数据条数对比图 Fig. 4 Comparison of the effective observation data from ECVs ship among countries in 2022 |
虽然美国招募的VOS数量最多，这些VOS主要开展气温、风向、风速和能见度的观测，然而对于气压和相对湿度这两项重要的气象要素，美国VOS所提供的数据量十分有限，其观测结果在整体数据中的比例微乎其微。为便于比较，图 5给出全球VOS、美国VOS及非ECVs船的气温、风速和能见度的数据可用率。分析发现2022年全球VOS观测的气温、风速、气压、相对湿度、能见度的数据可用率分别为83.2%、46.1%、42.2%、40.0%、11.5%。美国VOS观测的气温和能见度的数据可用率分别为86.0%和18.5%，高于全球VOS；风速的可用率为34.3%，低于全球VOS。本文将ECVs船中数据质控编码“正确”的数据作为有效数据，得到气压、相对湿度可用率均为100%；气温、风速可用率分别为99.9%、99.7%；能见度可用数据占全部ECVs数据量的2.2%。非ECVs船的气温可用率为79.0%，气压为27.4%，风速为32.4%，相对湿度为25.4%，能见度为13.8%。与全球VOS相比，非ECVs船观测的气温数据可用率下降4.2%，气压下降14.8%，风速下降13.7%，相对湿度下降14.6%，能见度提高2.3%。
|
图 5 2022年全球VOS、美国VOS及非ECVs船的气温(T)、风速(WS)和能见度(VIS)数据可用率 Fig. 5 Data availability ratio of air temperature (T)、wind speed (WS) and visibility (VIS) among global VOS, USA VOS and non ECVs ship in 2022 |
针对能见度数据，统计发现2022年全球VOS的能见度可用数据约为34.6万条，非ECVs船的能见度可用数据量约33.1万条，美国VOS船舶约19.5万条，占全部能见度可用数据的56.4%。而ECVs船能见度可用数据约1.5万条，远低于非ECVs船舶和美国VOS船舶。相对的，美国VOS船在气温和能见度要素上数据可用率良好，但其余要素远低于ECVs船舶，这与地区需求和VOS计划的推行进度密切相关。
3.3 ECVs船的数据可用性VOS数据为全球不同国家或机构共享的观测数据，不同国家的船舶其观测要素差别很大，观测频次也不尽统一，部分VOS数据缺测较多。ECVs船观测要素多，气象观测有效数据量占全球VOS到报数据量的20.3%。为便于研究，本文选取ECVs船作为代表性站点进行航线分析，重点对数据质控与时序连续性给予特别关注，评估其数据可用性。数据质控时需根据船舶时空坐标，识别由于多次传输或者数据合并引起的重复数据和缺测数据，进而建立数据合理性检查标准，判断船舶观测的气象数据时空变化的合理性。
3.3.1 ECVs船与美国VOS的观测要素变化为直观对比ECVs船和美国VOS观测的数据质量，分别选取3条航行距离长、航线分布在全球不同区域的船舶，比较气象要素月变化趋势。图 6为ECVs船与美国VOS观测的气象要素月变化趋势图(以2022年1月为例), 可见ECVs船观测的气温、相对湿度、气压和风场各要素值连续，且变化规律，均在合理区间。美国VOS观测的气象数据规律性差，气温、能见度观测值存在突变。其它月份的结论基本与1月份一致。
|
图 6 (a) ECVs船与(b)美国VOS观测的气象要素(气温、相对湿度、气压、风速、能见度)变化趋势图 Fig. 6 The changing trend of meteorological data (T, RH, P, WS、VIS) between (a) ECVs ship and (b) USA VOS |
选择一条航线贯穿中美欧的ECVs船，通过与ERA5再分析数据对比，分析其观测全球不同海域的气象数据。船号为“EUCDE19”的ECVs船在2022年的逐月航线分布见图 7。图 8为“EUCDE19”船观测的气象要素与ERA5再分析数据对比指标月变化图。从图中可以看出，气温数据与ERA5的一致性最好，CC月均达0.92，RMSE月均1.44 ℃，RD月均2.66%；其次是气压数据，CC月均值达0.85，RMSE月均达3.92 hPa，RD月均仅为-0.12%；相对湿度和风速数据的一致性均不好，CC月均值分别为0.79和0.76，相对湿度的RMSE月均值达9.16%，风速的RD月均高达27.32%。
|
图 7 2022年“EUCDE19”船航线分布月变化 Fig. 7 The monthly variation route map of "EUCDE19" ship during 2022 |
|
图 8 2022年“EUCDE19”船观测的气象数据与ERA5再分析数据对比指标月变化 Fig. 8 The monthly variation of statistical metrics of the data for temperature, pressure, relative humidity, and wind speed of "EUCDE19" ship compared with ERA5 during 2022 |
船号为“EUCDE19”的ECVs船舶风速比ERA5再分析10 m风速偏大，这与陈君芝等[21]利用“两洋一海”地区锚碇浮标站点2020年的平均风速数据与ERA5再分析资料对比得到的结论一致，即ERA5再分析风速总体上存在低估实测风速的系统偏差，尤其是实测风速较大时，ERA5偏离实测风速的现象更为明现。Kent等[11]结合WMO第47号元数据报告评估不同类型的VOS观测气象水文要素时测量高度对数据质量影响的研究中，不同类型的VOS观测风速的高度值一般在20~40 m之间。海面风速随测量高度的增加而增大，使得VOS的观测风速值远高于ERA5的10 m风速值(见图 8(c))。另外该ECVs船的元数据信息不详[22]，船舶类型不明确，风速测量高度无法估算订正，使得本文的深入研究面临挑战。
4 结论和讨论本文分析了全球VOS的数据到报率及气象数据可用率，分类讨论VOS的国别分布及其是否同时观测ECVs, 并对比分析其数据可用性，将ERA5再分析数据与某ECVs船2022年观测的数据进行对比分析，得到以下结论：
(1) 从气象大数据云平台获悉2022年参与数据共享的全球VOS数量为1 725艘，船舶的观测数据日均到报频次为8次/d；数据到报率月均31.8%，呈现出秋季>夏季>冬季>春季的季节性规律。气温、风速、气压、相对湿度、能见度的数据月均可用率分别为83.2%、46.1%、42.2%、40.0%、11.5%。美国招募的VOS数量为799，占全球总量的46.3%，位居首位；主要观测气温、风场和能见度，基本不观测气压和相对湿度。美国VOS观测的气温、风速和能见度的数据月均可用率分别为86.0%、34.3%和18.5%，除风速外，气温和能见度的月均可用率较全球VOS分别提高2.8%和7%。
(2) 分析ECVs船的国别分布和有效数据，评估其气象要素数据可用率。2022年ECVs船的招募国共有8个，其中7个分布在欧洲, 分别是：德国、法国、西班牙、荷兰、爱尔兰、英国、挪威, 另外1个为亚洲的韩国。从ECVs船的数据而言，欧洲国家中德国的有效观测数据条数最多，全年达39.4万余条，占全部ECVs船舶有效数据量的64.4%。其他非ECVs船的气温、风速、气压、相对湿度、能见度的数据月均可用率分别为79.0%、32.4%、27.4%、25.4%、13.8%。对比ECVs船舶与美国招募的VOS的气象要素变化趋势，发现ECVs船的观测数据连续且规律变化；而美国VOS的数据存在突变，规律性差。
(3) 对比ERA5再分析数据与船号为“EUCDE19”的ECVs船在2022年观测的气温、相对湿度、气压和风速数据，发现气温数据与ERA5一致性最高，CC月均达0.92，RMSE月均为1.44 ℃, RD相对较小；其次为气压，CC月均达0.85，RD仅为-0.12%, RMSE相对较小，ECVs船舶观测的气压总体较ERA5稍偏低；相对湿度和风速的数据一致性均较差，CC月均值较低，相对湿度的RMSE月均值较大，为9.16%，而风速的RD月均值过大，达到27.32%。
综上，VOS观测数据可用率中气温数据达83.2%，气压数据达42.2%；分析ECVs船观测数据的可用性，气温数据最佳，气压数据其次; 至于相对湿度、风场、能见度观测数据的可用性尚有很大提升空间。建立VOS观测数据质量控制流程和数据评估方法，需结合当前船基自动观测现状，建立精细的元数据目录对各个船舶和仪器进行详细和标准化的质量监测，才能形成规范的观测数据实时质控流程。另外，采用类似陆基观测基准站的方法, 利用诸如研究船、浮标等多种组合观测资料评估VOS观测数据质量可能是改进海洋观测系统评估的努力方向。
| [1] |
董翔, 张昊睿. 我国船舶测报现状与对策[J]. 海洋开发与管理, 2016, 33(7): 92-96. Dong X, Zhang H R. The current status and countermeasures of China' s ship observations[J]. Ocean Development and Management, 2016, 33(7): 92-96. DOI:10.3969/j.issn.1005-9857.2016.07.019 (  0) |
| [2] |
马乐天, 郭晓维, 漆随平, 等. 海洋气象观测标准国际化路径: 以船舶气象仪为例[J]. 海洋学研究, 2023, 41(2): 123-130. Ma L T, Guo X W, Qi S P, et al. Path of internationalization of marine meteorological: observation standards: Insight from ship meteorological instrument[J]. Journal of Marine Sciences, 2023, 41(2): 123-130. ( 0) |
| [3] |
刘家沂. 国际志愿观测船计划[J]. 海洋开发与管理, 2008, 25(2): 18-22. Liu J X. International voluntary observation ship[J]. Ocean Deve-lopment and Management, 2008, 25(2): 18-22. ( 0) |
| [4] |
韩林生, 王祎. 全球海洋观测系统展望及对我国的启示[J]. 地球科学进展, 2022, 37(11): 1157-1164. Han L S, Wang Y. Prospect of global ocean observing system and enlightenment to China[J]. Advances in Earth Science, 2022, 37(11): 1157-1164. DOI:10.11867/j.issn.1001-8166.2022.081 ( 0) |
| [5] |
Lin M, Yang C. Ocean observation technologies: A review[J]. Chinese Journal of Mechanical Engineering, 2020, 33(4): 102-114. ( 0) |
| [6] |
WMO. Voluntary Observing Ship Scheme[Z]. https://www.ocean-ops.org/sot/vos/. (2022-11-20).
( 0) |
| [7] |
Boyer T, Zhang H M, O'Brien K, et al. Effects of the pandemic on observing the global ocean[J]. Bulletin of American Meteorological Society, 2023, 104(2): 389-410. DOI:10.1175/BAMS-D-21-0210.1 ( 0) |
| [8] |
刘家沂. 我国志愿船管理现状及发展战略措施[J]. 海洋开发与管理, 2008, 25(1): 21-24. Liu J X. The status and development strategy of VOS in China[J]. Ocean Development and Management, 2008, 25(1): 21-24. ( 0) |
| [9] |
Smith S R, Alory G, Andersson A, et al. Ship-based contributions to global ocean, weather, and climate observing systems[J]. Frontiers in Marine Science, 2019, 6: 434-460. ( 0) |
| [10] |
Li Y Z, Wang J C. Technical development of operational in-situ marine monitoring and research on its key generic technologies in China[J]. Acta Oceanologica Sinica, 2023, 42(10): 117-126. ( 0) |
| [11] |
Kent C E, Woodruff D S, Berry I D. Metadata from WMO publication No. 47 and an assessment of voluntary observing ship observation heights in ICOADS[J]. American Meteorological Society, 2007, 24(2): 214-234. ( 0) |
| [12] |
王敏, 徐梅, 年飞翔, 等. 渤海海域海上观测站逐时气温和气压的质量控制分析[J]. 海洋预报, 2023, 40(3): 97-103. Wang M, Xu M, Nian F X, et al. Quality control analysis for hourly air temperature and pressure observations from marine observation stations in the Bohai Sea[J]. Marine Forecasts, 2023, 40(3): 97-103. ( 0) |
| [13] |
田忠翔, 孙虎林, 李志强, 等. 影响夏季北极航道航行的近地面气象要素时空变化特征分析[J]. 海洋学报, 2022, 44(11): 12-30. Tian Z X, Sun H L, Li Z Q, et al. Analysis on the characteristics of the temporal and spatial variation of near-surface meteorological parameters affecting the navigation in Arctic passage in summer[J]. Haiyang Xuebao, 2022, 44(11): 12-30. ( 0) |
| [14] |
何艳丽, 敖振浪. 高频地波雷达风场数据可用性分析[J]. 气象科技, 2015, 43(5): 794-804. He Y L, Ao Z L. Availability analysis of wind data from high frequency surface wave radar[J]. Meteoroligical Science and Technology, 2015, 43(5): 794-804. ( 0) |
| [15] |
Liu C Y, Freeman E, Kent C E, et al. Blending TAC and BUFR marine in situ data for ICOADS near-real-time release 3. 0. 2[J]. Journal of Atmospheric and Oceanic Technology, 2022, 39(12): 1943-1959. ( 0) |
| [16] |
覃皓, 黄明测, 农孟松, 等. 基于FY-4A温湿廓线的强对流过程探空检验及应用分析[J]. 气象科技, 2023, 53(1): 1-13. Qin H, Huang M Z, Nong M S, et al. Comparative verification of sounding data of strong convective processes based on FY-4A temperature and humidity profiles[J]. Meteorological Science and Technology, 2023, 53(1): 1-13. ( 0) |
| [17] |
章振, 张功, 刘长炜, 等. 基于走航观测数据的ERA5南海北部夏季短波辐射收支评[J]. 海洋学报, 2023, 45(2): 51-61. Zhang Z, Zhang G, Liu C W, et al. Estimation of ERA5 shortwave radiation budget in the northern South China Sea in summer based on navigation observation data[J]. Haiyang Xuebao, 2023, 45(2): 51-61. ( 0) |
| [18] |
Zhai R W, Huang C J, Yang W, et al. Applicability evaluation of ERA5 wind and wave reanalysis data in the South China Sea[J]. Oceanology and Limnology, 2023, 41(2): 495-517. ( 0) |
| [19] |
耿珊珊, 韩春花, 徐姗姗, 等. ERA5海面气压和风速再分析资料在渤海和北黄海适用性分析[J]. 海洋通报, 2023, 42(2): 159-168. Geng S S, Han C H, Xu S S, et al. Applicability analysis of the sea surface pressure and wind speed of ERA5 reanalysis data in the Bohai Sea and the northern Huanghai Sea[J]. Marine Science Bulletin, 2023, 42(2): 159-168. ( 0) |
| [20] |
滕骏华, 吴彬锋, 田杰, 等. 海洋渔业志愿船观测数据可用性评估[J]. 海洋预报, 2020, 37(4): 21-28. Teng J H, Wu B F, Tian J, et al. Applicability assessment of marine fishery voluntary ships observation data[J]. Marine Forecasts, 2020, 37(4): 21-28. ( 0) |
| [21] |
陈君芝, 施晓晖, 温敏. ERA5再分析10米风速数据在"两洋一海"的适用性分析[J]. 气象, 2023, 49(1): 39-51. Chen J Z, Shi X H, Wen M. Applicability of ERA5 surface wind speed data in the region of "two oceans and one sea"[J]. Meteo-rological Monthly, 2023, 49(1): 39-51. ( 0) |
| [22] |
WMO. Voluntary Observing Ship Scheme[Z]. http://esurfmar.meteo.fr/qctools/. (2023-09-30).
( 0) |
2. Ningbo Meteorological Bureau (Ningbo Meteorological Observatory Academician Workstation), Ningbo 315000, China;
3. Shengsi Meteorological Bureau, Shengsi 202450, China