2022, Vol. 52
2. 中国海洋大学物理海洋教育部重点实验室，山东 青岛 266100
东中国海地处西北太平洋，是世界上最宽阔的陆架边缘海之一，受黑潮、台湾暖流、对马暖流、近岸沿岸流等多重流系的影响，水动力环境复杂[1-4]。近年来受人类活动和自然变化的共同影响，东中国海局部海域的生态环境恶化，赤潮、缺氧灾害频发，海上污染事件也时有发生[5-6]。此外，绿潮自2008年以来连续13年影响南黄海和山东近海，严重威胁区域生态系统和渔业资源安全乃至人类健康，制约了经济可续发展。发展水动力预报技术，实现近海环境的实时模拟及预报，是了解海洋生态灾害和海上灾害防控的重要基础。
近年来，国内外相继发展了多尺度的海洋模拟预报系统。如美国国家海洋伙伴NOPP(National Oceanographic Partnership Program)计划发展了HYCOM(Hybrid Coordinate Ocean Model)全球海洋预报系统，每天1次给出全球未来7天的水动力预报。法国的Mercator和英国的FOAM(Forecasting Ocean Assimilation Model)全球海洋预报系统提供1/12(°)涡旋识别模式数据，以及为区域模式提供边界条件的1/4(°)数据[7-8]。日本建立了MRICOM预报系统，提供全球、北太平洋、西北太平洋1(°)、1/2(°)、1/10(°)每5天一次的60天预报数据[9]。对于陆架近海，O’Dea等[10]在欧洲西北大陆架建立了业务海洋预报系统，以应对近陆架海域业务系统中难以广泛应用数据同化的问题。Marta-Almeida等[11]针对巴西东南部建立了自动化海洋预报系统，每天提供5天的水动力预报。Peng等[12]建立了美国旧金山湾海洋预报系统，提供海湾附近的水文预报。中国在海洋预报方面也取得了较大进展。如沈红等[13]基于POMgcs模式建立了中国海及邻近海域三维温盐流数值预报系统，每天自动进行7天的水动力预报。Wang等[14]以ROMS模式为基础发展了南海海流预报系统，对温盐及海平面进行预报。
目前，中国建立的大部分区域或近岸海洋预报系统仍多使用气候态海洋边界，或使用国外开源的大气与海洋模式预报强迫。海洋与大气之间的协调一致性如何还不明确，数据的稳定性也难以保证。近年来，中国正在加快研发适合于中国及周边海域的“两洋一海”海洋-大气耦合预报系统，该系统在数据同化、国产众核适用模拟方面取得了多项自主成果，在台风的模拟预报方面已经体现出良好的优越性[15]。基于此，发展降尺度预报技术，建立降尺度的东中国海水动力预报系统，研究耦合预报结果在区域海洋环境预报中的适用性，对区域的动力和生态灾害预警和防控具有重要意义。本文基于“两洋一海”耦合预报系统，构建东中国海降尺度预报系统框架，对比分析预报模式对海洋-大气耦合预报强迫和非耦合海洋、大气强迫的敏感性，为理解和改进预报系统提供科学依据。
1 模式与数据本文使用的数值模式是东中国海ROMS海洋模式(见图 1)，由Rong等[16]开发并用于研究潮汐对长江冲淡水的影响。Rong等[16]和Li等[17]验证了模式对东中国海潮波-潮流系统的模拟能力，Guo等[18]进一步验证了模式对温盐和长江冲淡水的模拟能力。模式采用非等距曲线网格，计算范围包括长江口和渤、黄、东海，在东海陆架区分辨率较高，可达2~3 km，向外海逐渐增加至约10 km。模式水平网格数为362×242，垂直方向采用s坐标，共20层，垂直方向的坐标拉伸系数θs=5，θb=0.4。模式开边界对水位使用Chapman边界条件，对二维流场使用Flather边界条件，对三维流场使用的是Radiation边界条件，模式的其它参数配置可参见Rong等[16]和Guo等[18]。
|
( 每隔5条画一条线。等深线以米为单位。For visual clarity, only selected grid lines (1 out of 5) are showed. Bathymetry contours are given in meters. ) 图 1 东中国海ROMS海洋模式计算区域和模式网格 Fig. 1 ROMS model domain and horizontal curvilinear coordinate system in East China Sea |
基于东中国海ROMS海洋模式，本文将构建东中国海水动力短期预报系统。系统使用的海洋和大气强迫为“两洋一海”耦合预报系统(APRCP：Asia-Pacific Regional Coupled Prediction System)的预报结果[19]。APRCP耦合预报模式的网格范围为25°S—66°N，30°E—187°E，其中大气模式为WRF(Weather Research and Forcasting Model)，海洋模式为ROMS(Regional Ocean Modeling System)，大气模式水平分辨率为27 km，海洋模式水平分辨率9 km(见图 2)，模型每天预报1次，给出未来18天的海洋和大气预报结果。APRCP耦合预报系统中海洋-大气耦合方式为海洋向大气提供海表面温度(SST)作为大气的下界面边界条件，大气向海洋提供的海表面通量(短波辐射、净热通量等)作为强迫场，该模式将高分辨率耦合模式与精细化观测信息的结合，同化了众多开源和自主观测资料，实现了高分辨率和高频的区域耦合模拟、同化及预报[19]。本研究使用APRCP的海洋和大气预报结果作为东中国海预报模式的海洋和大气强迫。对于大气强迫，由于东中国海ROMS模式使用块体公式(COARE-3.0)计算海气热通量，使用的APRCP大气强迫变量包括海面气温、海面气压、相对湿度、降雨、海面10 m风速和长波辐射通量，时间频率是6 h；对于海洋开边界，需要用到APRCP海洋模式预报的温度、盐度、海面高度、三维流场，时间频率是6 h。
|
图 2 “两洋一海”区域耦合预报系统计算区域 Fig. 2 Model domain of the Asia-Pacific regional coupled prediction system |
为了对比分析海洋-大气耦合预报强迫的适用性，本研究还构建了非耦合的海洋和大气强迫驱动的东中国海水动力预报系统，其中海洋边界强迫使用的是HYCOM全球海洋预报结果，上边界大气强迫使用的是GFS全球大气预报结果。HYCOM全球海洋预报系统使用垂向混合坐标，每天预报一次给出未来7天的预报结果，目前实时更新的GOF 3.1全球数据始于2014年，提供3 h间隔数据，包括温、盐及海表面高度等，数据水平分辨率在40°S—40°N区间，为0.08(°)×0.08(°)，其余区域为0.08(°)×0.04(°)。GFS全球大气预报系统的动力核心为立方球有限体积模型(FV3)，是美国国家海洋与大气管理局NOAA(National Oceanic and Atmospheric Administration)推出的全球数值天气预报计算模式，每天4次给出未来16天的预报结果，水平分辨率为0.25°。本研究使用了GFS大气预报模式00Z时刻的预报场区驱动海洋模式进行预报计算，使用00Z、06Z、12Z、18Z时刻的分析场进行分析计算，相关变量与APRCP相同；使用HYCOM的分析场和预报场进行相应的分析和预报计算，包括温度、盐度、海面高度和三维流场。
本研究的验证分析主要使用海表面温度(SST)和海平面异常(SLA)资料。SST数据使用NOAA提供的SST最优插值日平均数据OISST-V2，该数据融合了不同平台，包括卫星、船舶、浮标和Argo浮标的观测数据，空间分辨率为0.25(°)×0.25(°)。SLA数据由CMEMS(Copernicus Marine Environment Monitoring Service)提供，该数据由法国卫星海洋学存档数据中心AVISO(Archiving Validetion and Inter Pretation of Satellite Oceanographic Data)发布的多任务高度计数据整合系统DUACS(Data Unification and Altimeter Combination System)处理得到，融合了包括JASON-3、SENTINEL-3A、HY-2A等多个高度计的测高产品，空间分辨率为0.25(°)×0.25(°)。
2 东中国海水动力短期预报系统的构建和验证 2.1 预报系统的框架设计APRCP海洋-大气耦合预报系统采用美国国家环境预报中心NCEP(National Centers for Environmental Prediction)的CFSv2预报数据驱动，同化的海洋数据主要有OSTIA(Operational Sea Surface Temperature and Sea Ice Analysis)卫星观测海表温度数据、AVISO提供的海表面高度数据和Argo浮标温盐资料等，同化的大气数据主要包括全球通讯系统GTS观测数据集和卫星观测风场资料等。系统2016年启动运行，2018年开始进行准业务化预报，同化模块每24 h进行一次观测资料同化，每天1次给出未来18天的预报结果。
本文在APRCP耦合预报系统的基础上首先构建了东中国海短期预报的流程，预报系统采用“后报-预报循环计算”设计(见图 3)：预报系统在每日预报之前，对前一日进行“后报”，“后报”使用的海洋和大气强迫均为当前可获得的最佳分析场，即APRCP启动每批次预报前的同化分析场。预报计算在前一日“后报”的基础上热启动，对未来7天的海洋动力环境进行短期预报。“后报-预报循环计算”的优势之一是后报和预报二者相对独立，后报模拟可以持续、独立执行并进行数据同化，体现了模块设计的优越性。优势之二是预报计算总是由当前最优初始场启动，预报结果不参与后续预报。基于上述设计思路，本文基于Python语言编写了相关功能模模块，包括“气象与海洋信息预处理模块”、“后报-预报循环计算”控制模块等，实现了东中国海水动力短期预报系统的准业务化运行，系统自2019年4月1日启动运行，运行良好。
|
图 3 东中国海水动力短期预报流程 Fig. 3 The computing process of East China Sea short term forecasting system |
此外，本文同步运行了HYCOM海洋预报和GFS大气预报驱动的非耦合强迫东中国海短期预报系统(ECS-HYCOM+GFS)，与基于APRCP海洋-大气耦合预报的东中国海短期预报系统(ECS-APRCP)对比分析，研究析耦合预报强迫的适用性和模式对外强迫变化的敏感性。由于仍缺乏大量的观测资料，与ECS-HYCOM+GFS的对比某种程度上可以揭示ECS-APRCP的模拟能力和模式敏感性。
2.2 预报模拟验证本研究重点分析耦合预报在东中国海短期预报中的适用性以及模式对耦合强迫和非耦合强迫的敏感性，因此选取“后报-预报”循环计算部分的“后报”进行分析，分析时段为2019年4月1日—2020年6月1日。图 4显示了模拟时段内观测与模拟SST的相关系数的空间分布，二者具有良好的一致性，大部分区域均高于0.9，仅在黑潮锋面区域略低，这可能与模式无法准确模拟该区域丰富的中尺度和亚中尺度锋面涡旋有关。图 5显示了模拟范围SST的均方根误差(RMSE)随时间的变化，可以看出ECS-APRCP和ECS-HYCOM+GFS系统模拟的SST，中国近海的RMSE处于0.5~1.7 ℃，与国际应用较广的HYCOM同化模式相当。值得注意的是，ECS-APRCP模拟的SST均方根误差相较于APRCP显著降低，这主要是因为APRCP海洋模式没有考虑潮汐，无法模拟出东中国海广泛存在的潮汐锋和相应的锋面温度变化，导致强潮混合区的SST模拟偏高，体现了潮汐在东中国海数值模拟中的重要性。
|
图 4 2019-04—2020-06期间(a)ECS-APRCP和(b)ECS-HYCOM+GFS模拟温表温度(SST)与观测温表温度(OISST)相关系数的空间分布 Fig. 4 The distribution of correlation coefficient between model simulated SST and OISST during April 2019 to June 2020: (a) ECS-APRCP and (b) ECS-HYCOM+GFS |
|
( 中断时段表示系统数据缺失。The gap denotes no data available. ) 图 5 2019-04—2020-06期间模式模拟与OISST的空间均方根误差随时间的变化 Fig. 5 Time series of spatial RMSE between model simulated SST and OISST during April, 2019 to June, 2020 |
由于卫星观测和数值模拟的海表面高度采用了不同的参考面，二者通常较难以直接进行对比。图 6给出了模拟时段卫星观测平均绝对动力高度和模式模拟的平均海面高度的对比。需要指出的是，APRCP和HYCOM均没有考虑潮汐，因此图 6中APRCP和HYCOM模拟结果均不包括潮汐引起的余水位。可以看出，ECS-APRCP和ECS-HYCOM模式均能较好的再现海面高度近岸低-外海高的空间特征，观测中琉球岛链以东的涡旋引起的海面高度变化也对应良好。但二者也存在系统性差异，卫星观测的平均绝对动力高度(见图 6(a))比模式模拟的平均海面高度高约0.5 m(见图 6(b)~(e))，这体现了不同参考面的影响[20]。本文后续分析的海平面异常(SLA)为观测或模拟减去其平均海面高度的异常值。
|
( (c、e)中网格区域外的结果为所使用的外强迫场。The results outside the model domain shown in (c) and (e) are APRCP and HYCOM, respectively. Data shown in (c, e) outside the model domain is the external forcing. ) 图 6 (a) 卫星观测的平均绝对动力高度(填色，单位：m)与不同模式模拟的平均海面高度(填色，单位：m)的对比(b)~(e)分别为APRCP、ECS-APRCP、HYCOM和ECS-HYCOM+GFS的模拟结果 Fig. 6 Comparison of time averaged (a) absolute dynamic topography(shaded, unit: m) and (b) APRCP, (c) ECS-APRCP, (d)HYCOM and (e)ECS-HYCOM+GFS simulated sea surface height(shaded, unit: m) during April, 2019 to June, 2020 |
黑潮是连接东海与热带西太平洋的纽带，和东海之间存在着丰富的物质和能量交换。台湾东北的黑潮入侵已被大量的观测和模拟证实[21-23]，在一定程度上决定了东海的动力和生态环境。一般认为，黑潮在台湾东北的向岸入侵冬季强、夏季弱，且具有显著的季节和年际变化，受黑潮流量和中尺度涡旋等多重因素的影响[24-25]。目前，模式在中尺度涡模拟方面的能力仍有待加强，不同模式结果给出的中尺度涡时空特征不尽相同[26]，这可能会影响黑潮入侵的时间和空间变化。
图 7给出了APRCP、ECS-APRCP、HYCOM和ECS-HYCOM模拟的台湾以东黑潮流量变化。APRCP和HYCOM模拟的该时段黑潮平均流量分别为21.9和27.9 Sv，季节变化不显著，但存在非常显著的季节内震荡。APRCP和HYCOM模拟的黑潮流量具有相似的变化规律，但部分时段表现出较大差异，如2019年10—12月期间，HYCOM比APRCP强15~20Sv，且流幅更宽、流速更大(见图 8)。对SLA的分析显示，10月下旬至12月上旬期间在黑潮右侧石垣岛附近存在一个反气旋涡，该反气旋涡在卫星观测和HYCOM模拟中均有所体现，但在APCRP中则没能准确模拟(见图 8)。一般而言，反气旋涡会增强黑潮东侧的水位，从而增加黑潮进入东海的流量[27-28]，与本研究中的现象一致。
|
( 断面位置显示在图 8(a)中。The section location is shown in Fig. 8(a). ) 图 7 不同模式模拟的台湾以东黑潮流量 Fig. 7 The simulated Kuroshio volume transport in east of Taiwan in four different models |
|
( (b~c)中的箭头表示表层流。(a)中红线对应图 7中计算黑潮流量选取的断面，(b、c)中网格区域外的结果为所使用的海洋强迫场。Ectors shown in (b) and (c) are the surface current. The red line in (a) is the section used to calculate the Kuroshio Volume Transport in Fig. 7. The data shown in (b, c) outside the model domain is oceanic external forcing. ) 图 8 2019年10月17至12月15日期间(a)卫星观测平均海平面异常与(b)ECS-HYCOM+GFS和(c)ECS-APRCP模拟的平均海平面异常对比 Fig. 8 Comparison between (a) satellite observed mean SLA, (b) ECS-HYCOM+GFS and (c) ECS-APRCP simulated mean SLA during October 17 to December 5, 2019 |
为了讨论涡旋和黑潮流量的模拟偏差对跨陆坡向岸入侵的影响，进一步在该区域进行了粒子示踪实验，并统计粒子的分布特征。粒子释放位置位于台湾东部断面(24.9°N，122 °E—123 °E)0~300 m范围内，水平方向每隔0.01°、垂直方向每隔25 m释放粒子，连续释放10 d，并计算50 d，其中上100 m和100~300 m分别代表黑潮表层水和黑潮次表层水[29-30]。定义初始位于表层(< 100 m)和次表层(100~300 m)，且曾经入侵到200 m以浅陆架区的粒子分别为Surf200粒子和Sub200粒子。ECS-HYCOM+GFS实验中Surf200和Sub200粒子的占比为33.4%、29.2%，ECS-APRCP中为28.7%、23.9%，表明黑潮流速增大有利于粒子跨越200 m等深线。定义存留时间Tsurf、Tsub为入侵粒子在200 m以浅陆架区的平均滞留时间，ECS-HYCOM+GFS中Tsurf与Tsub为3.5和13 d，ECS-APRCP中为3.8和16.5 d，表明次表层水的存留时间更长。图 9显示了不同实验黑潮表层和次表层粒子入侵频次的空间分布图，可以看出，对于黑潮表层水入侵，黑潮流量大时(ECS-HYCOM+GFS)入侵主要发生在台湾东北陆坡西部，流量小时入侵主要发生台湾东北陆坡东部，二者的入侵强度和存留时间相差不大，且都没有跨过100 m等深线继续向岸入侵。与黑潮表层水入侵相比，黑潮次表层水的向岸入侵更强，特别是黑潮流量偏弱时(ECS-APRCP)，次表层向岸入侵的范围和存留时间都有所增强，黑潮次表层水有显著的跨越100 m等深线向岸入侵的态势。台湾以东反气旋涡不仅会增大黑潮流量，还会改变陆坡附近的海水垂向层结，增加了陆架与深水区的位势涡度梯度，增强了跨越陆坡的位势涡度障碍，使得黑潮入侵减弱[31]，与本文的结论一致。
|
( 颜色表示曾经入侵到200 m以浅陆架粒子的累积频次分布，使用了区域的最大值来标准化，因此最大为1；黑线(24.9°N，122°E—123°E)表示粒子释放的初始位置。The ratio has been normalized by the regional maximum for visual clarify. Only the particles ever intruding into the shelf region (< 200 m) are shown. The black line (24.9 °N, 122 °E—123 °E) indicates the initial position of the particles. ) 图 9 (a，c)ECS-HYCOM+GFS实验和(b，d)ECC-APRCP实验中(a，b)黑潮表层水(< 100 m)和(c，d)黑潮次表层水(100~300 m)的向岸入侵分布 Fig. 9 The ratio of water particles intruding into the shelf shallower than 200 m for (a, b) the Kuroshio surface water and (c, d) the Kuroshio subsurface water in experiment (a, c) ECS-HYCOM+GFS and (b, d) ECS-APRCP |
多学科研究结果发现，黑潮入侵东海存在底部分支，并强调了黑潮次表层水入侵对浙闽陆架和长江口外动力环境的影响[32]。本文的数值实验也表明，黑潮次表层水的入侵范围强于黑潮表层水，与前人结果一致。需要强调的是，海洋模式在涡旋模拟方面的技巧和差异会影响涡旋和黑潮流量的季节内变化特征，进一步影响对黑潮向东海跨陆坡入侵的评估。
4 东中国海数值预报系统对大气强迫的敏感性研究耦合预报系统在台风预报中有一定的优越性[33]，但由于同化方案和运行方式的不同，与独立的大气预报模式相比仍存在一定差异。本文以极端天气事件台风为例，分析了耦合预报大气强迫的模拟偏差和可能影响。选取2019年1909号台风“利奇马”(Lekima)与1913号台风“玲玲”(Lingling)为例进行分析。台风轨迹来自日本气象厅(JMA：Japan Meteoro-logical Agency)的台风最佳路径资料，该数据还包括中心气压信息。“利奇马”和“玲玲”分别于2019年8月8—9日和9月5—6日影响中国东海，是本文重点分析的时段。
图 10显示了APRCP和GFS模拟的“利奇马”和“玲玲”的轨迹和强度。可以看出，GFS模拟的台风轨迹与观测更为一致，而APRCP的预报路径与观测间存在约1°的偏差。此外，GFS模拟的台风强度更强，影响范围更大，最大风速与JMA给出的台风最大风速也更为接近。台风不仅可以影响上层海洋的动力环境，还可以对局地的生物地球化学循环产生影响，甚至影响海洋的碳源汇格局。台风的模拟偏差可能会对动力生态环境产生重要影响。
|
( 风场显示时间分别为(a、b)2019-08-09 8:00 CST，(c，d)2019-09-06 8:00 CST。Superimposed are the wind field at a selected time of (a, b) 2019-08-09 8:00 CST, and (c, d) 2019-09-06 8:00 CST. ) 图 10 (a、c)APRCP和(b、d)GFS预报的“利奇马”(a, b)和“玲玲”(c, d)的轨迹和风场强度 Fig. 10 Comparison of (a, c) APRCP and (b, d) GFS predict typhoon track of (a, b) Lekima and (c, d) Lingling |
海洋对台风最直观的响应是SST的变化，图 11显示了受台风“利奇马”和“玲玲”影响，SST的空间分布。可以看出，受台风影响，SST表现出不同程度的下降，在台风经过后出现最大降温的冷尾迹，最大温降出现在台风路径右侧(见图 11(a)、11(e))。ECS-HYCOM+GFS和ECS-APRCP均可以再现SST的冷尾迹，但强度略大于观测，这可能是由于OISST的时空平滑减弱了SST的空间差异[34]。此外，由于GFS预报的台风强度显著大于APRCP，对应的SST冷尾迹也更显著。
|
( (a、b、c、d)为台风“利奇马”，(e、f、g、h)为台风“玲玲”，(a、e)为OISST，(b、f)为ECS-GFS预报，(c、g)为ECS-APRCP预报，(d、h)为ECS-APRCP增强实验。其中(a、e)SST为日均值，其余为选定时刻的CST(北京时间)。Distribution of the (a, e) observed OISST and simulated SST by (b, f) ECS-GFS, (c, g) ECS-APRCP and (d, h) ECS-APRCP strengthened experiment for (a, b, c, d) typhoon Lekima and (e, f, g, h) typhoon Lingling. The SST shown in (a, e) are the daily mean while others are selected snapshots (CST). ) 图 11 观测和不同强迫实验模拟的SST的对比 Fig. 11 Comparison of observed SST and simulated SST in different cases |
为了解析台风强度模拟偏差对海洋动力环境的影响，本文根据GFS和APRCP的风场模拟差异调整了APRCP的风场强度，通过分析以台风中心为圆心的台风合成场的差异，得出二者的偏差，并将该偏差应用于修正APRCP的风场强度，而不改变其路径和其它海气界面参数，即在保持APRCP台风轨迹不变的情况下，将台风强度增大到与GFS相当，研究海洋的响应特征。图 11(d)、11(h)显示了APRCP风场强度增强实验模拟的SST的空间分布。可以看出，SST的反馈较GFS和APRCP强迫实验均更为显著。这表明简单增大风场强度可能会高估台风对海洋的影响。
对温度变化方程中各诊断量的分析表明，增大风场不仅会改变海洋的对流和混合，还会影响海气界面的海-气耦合过程，进一步影响海洋的反馈。图 12对比了GFS、APRCP和APRCP风场增强实验中任一时刻的海表净热通量。可以看出，APRCP耦合模式大气强迫和GFS非耦合大气强迫海表热通量存在较大差异，这主要是不同模式的台风模拟偏差引起的，但总体表现出台风过境时大气从海洋获取热量，台风过境后冷尾迹区大气向海洋输送热量的特征。增大APRCP风场强度与GFS相当后，二者的海气界面净热通量仍表现出较大差异(见图 12(a)(c)，12(d)(f))，这主要是由于海气界面的其它状态参数如气温、湿度、气压等并未同步变化。APRCP风场增强会导致海气界面热通量交换增强(见图 12(b)(c)、12(e)(f))，台风过境时，其最大风速半径附近海表热通量呈负值，主要由潜热通量增强[35]引起的海洋向大气释放热量，引起了海洋的异常强降温。台风过境后，冷尾迹区由于SST异常偏低，感热通量增大，大气向海洋输送热量增强(见图 11(c)(f))，SST在台风过境后逐渐恢复。
|
( (a，d)为ECS-GFS预报，(b，e)为ECS-APRCP预报，(c，f)为ECS-APRCP增强实验，时间为2019-08-09 8:00 CST(利奇马)和2019-09-06 8:00 CST(玲玲)。(a, d) ECS-HYCOM+GFS, (b, e) ECS-APRCP and (c, f) ECS-APRCP strengthened experiment for (a, b, c) typhoon Lekima at 2019-08-09 8:00 CST and (d, e, f) typhoon Lingling at 2019-09-06 8:00 CST. ) 图 12 台风“利奇马”和“玲玲”期间不同强迫下海表净热通量的对比 Fig. 12 Distribution of surface net heat flux in different cases during typhoon Lekima and typhoon Lingling |
本文基于中国近海高分辨率ROMS海洋模式和“两洋一海”海洋-大气耦合预报系统(APRCP)，设计了降尺度嵌套的预报流程和框架，建立了东中国海水动力短期预报系统，并结合预报系统模拟结果和数值实验，讨论了东中国海短期预报系统对海洋-大气耦合预报强迫和非耦合强迫的敏感性和可能机制，主要得到如下结论：
(1) 降尺度东中国海水动力短期预报系统具有较好的模拟技巧，可以基本再现东中国海的海表面温度和动力高度变化，“后报-预报循环计算”设计可以充分利用大尺度模式的分析结果。
(2)“两洋一海”海洋-大气耦合预报系统与HYCOM模拟的黑潮流量基本一致，不同时段的模拟差异主要反映了中尺度涡的影响。不同模式对中尺度涡的模拟技巧差异会影响黑潮流量变化，并进一步影响东中国海水动力环境的模拟和预报。台湾以东的反气旋式涡旋会导致黑潮流量增大，台湾东北处黑潮表层水的向岸入侵变化不大，黑潮次表层水跨陆坡向岸入侵的范围和存留时间都减弱，进一步影响局地和东海的动力和生态环境。
(3)“两洋一海”海洋-大气耦合预报模式模拟的台风强度与GFS相比偏弱，这会导致台风期间海洋的响应偏弱。简单增大风场会改变海洋的对流和混合，但会高估海洋对台风的响应，这主要是因为海气界面其它状态变量未能同步变化所致。修正偏弱的台风模拟风场是海洋数值模拟中的惯用做法，本研究显示该做法会高估海洋的响应，是需要关注的问题。
本文构建了东中国海水动力环境的降尺度预报框架，预报技巧既依赖于东中国海高分辨率海洋模式，也依赖于大气和海洋强迫的模拟技巧。相较于前人研究，本研究采用的非等距曲线网格可以提升重点区域预报的精细化程度，提升预报效率；潮汐-环流耦合模拟，模式的模拟性能(如SST)显著提高；“后报-预报循环计算”的设计思路可以更为合理的避免误差累积；APRCP海洋-大气耦合预报系统自主可控，具有良好发展前景。虽然目前APRCP海洋-大气耦合预报系统的性能部分方面仍弱于HYCOM，但是，APRCP耦合预报系统和东中国海短期预报系统都在不断优化各自的同化方案，并在发展更高分辨率的模拟预报系统，模拟技巧和预报水平未来都将显著提高。
| [1] |
Sen Jan, Joe Wang, Ching-Sheng Chern, et al. Seasonal variation of the circulation in the Taiwan Strait[J]. Journal of Marine Systems, 2002, 35(3): 249-268. (  0) |
| [2] |
Liang W D, Tang T Y, Yang Y J, et al. Upper-ocean currents around Taiwan[J]. Deep-Sea Res Part Ⅱ: Topical Studies in Oceanography, 2003, 50(6): 1085-1105. ( 0) |
| [3] |
Liu H C, Gong G C, Chang J. Lateral water exchange between shelf-margin upwelling and Kuroshio waters influences phosphorus stress in microphytoplankton[J]. Marine Ecology Progress, 2010, 409: 121-130. ( 0) |
| [4] |
许灵静. 长江口及其邻近海域黑潮次表层水的入侵机制及其生态效应[D]. 青岛: 中国科学院大学, 2019. Xu L J. Intrusion Mechanism and Ecological Effect of the Kuroshio Subsurface Water to the Changjiang Estuary and its Adjacent Area[D]. Qingdao: University of Chinese Academy of Sciences, 2019. ( 0) |
| [5] |
张善发, 王茜, 关淳雅, 等. 2001—2017年中国近海水域赤潮发生规律及其影响因素[J]. 北京大学学报(自然科学版), 2020, 56(6): 1129-1140. Zhang S F, Wang Q, Guan C Y, et al. Study on the occurrence law of red tide and its influencing factors in the offshore waters of China from 2001 to 2017[J]. Acta Scientiarum Naturalium Universitatis Pekinensis, 2020, 56(6): 1129-1140. ( 0) |
| [6] |
Chung Chi Chen, Gwo Ching Gong, Fuh Kwo Shiah. Hypoxia in the East China Sea: One of the largest coastal low-oxygen areas in the world[J]. Marine Environmental Research, 2007, 64(4): 399-408. ( 0) |
| [7] |
France GODAE Ocean View Science Team. GODAE Ocean View National Reports 2011: France Mercator[R]. Paris: The 3rd Meeting of the GODAE OceanView Science Team, 2011. https://www.godae-oceanview.org/outreach/meetings-workshops/govst-iii-meeting/report/
( 0) |
| [8] |
UK GODAE OceanView Science Team. GODAE OceanView National Reports 2011: UK FOAM[R]. Paris: The 3rd Meeting of the GODAE OceanView Science Team, 2011.
( 0) |
| [9] |
Japan GODAE OceanView Science Team. GODAE OceanView National Reports 2011: Japan MOVE/MRI. COM[R]. Paris: The 3rd Meeting of the GODAE OceanView Science Team, 2011.
( 0) |
| [10] |
O'Dea, Arnold, Edwards, et al. An operational ocean forecast system incorporating NEMO and SST data assimilation for the tidally driven European North-West Shelf[J]. Journal of Operational Oceanography, 2012, 5(1): 3-17. ( 0) |
| [11] |
Marta-Almeida M, Pereira J, Cirano M. Development of a pilot Brazilian regional operational ocean forecast system, REMO-OOF[J]. Journal of Operational Oceanography, 2011, 4(2): 3-15. ( 0) |
| [12] |
Peng M C, Richard Jr, Zhang A J, et al. Towards the development of the national ocean service San Francisco Bay operational forecast system[J]. Journal of Marine Science & Engineering, 2014, 2(1): 247-286. ( 0) |
| [13] |
沈红, 韩君, 曹丽霞, 等. 基于POMgcs模式中国海及邻近海域三维温盐流数值预报海面温度的检验分析[J]. 海洋通报, 2014, 33(1): 45-55. Shen H, Han J, Cao L X, et al. Evaluation and analysis on the sea surface temperature from a three-dimensional ocean forecast system for the China seas and adjacent seas based on POMgcs[J]. Marine Science Bulletin, 2014, 33(1): 45-55. ( 0) |
| [14] |
Wang Y G, Wei Z X, Lian Z, et al. Development of an ocean current forecast system for the South China Sea[J]. Aquatic Procedia, 2015, 3: 157-164. ( 0) |
| [15] |
Li M, Zhang S, Wu L, et al. A high-resolution Asia-Pacific regional coupled prediction system with dynamically downscaling coupled data assimilation[J]. Science Bulletin, 2016, 65(21): 1849-1858. ( 0) |
| [16] |
Rong Z, Li M. Tidal effects on the bulge region of Changjiang River plume[J]. Estuarine Coastal & Shelf Science, 2012, 97: 149-160. ( 0) |
| [17] |
Li M, Rong Z. Effects of tides on freshwater and volume transports in the Changjiang River plume[J]. Journal of Geophysical Research Oceans, 2012, 117(C6): 6027. ( 0) |
| [18] |
Guo Y R, Rong Z R, Li B, et al. Physical Processes causing the formation of hypoxia off the Changjiang Estuary after Typhoon Chan-hom, 2015[J]. Journal of Oceanology and Limnology, 2019, 37(1): 1-17. ( 0) |
| [19] |
Zhang S Q, Liu Y, Ma X H, et al. The 'Two oceans and one sea' extended range numerical prediction system with an ultra-high resolution atmosphere-ocean-land regional coupled model[J]. Atmospheric and Oceanic Science Letters, 2018, 11(4): 364-371. ( 0) |
| [20] |
Strub P Ted, James Corinne, Combes Vincent, et al. Altimeter-derived seasonal circulation on the Southwest Atlantic shelf: 25°S~43°S[J]. Journal of Geophysical Research: Oceans, 2015, 120(5): 5148-5153. ( 0) |
| [21] |
胡筱敏, 熊学军, 乔方利, 等. 利用漂流浮标资料对黑潮及其邻近海域表层流场及其季节分布特征的分析研究[J]. 海洋学报, 2008, 30(6): 1-16. Hu X M, Xiong X J, Qiao F L, et al. Surface current field and seasonal variability in the Kuroshio and adjacent regions derived from satellite-tracked drifter data[J]. Acta Oceanologica Sinica, 2008, 30(6): 1-16. ( 0) |
| [22] |
Oey L Y, Chang M C, Chang Y L, et al. Decadal warming of coastal China Seas and coupling with winter monsoon and currents[J]. Geophysical Research Letters, 2013, 40(23): 6288-6292. ( 0) |
| [23] |
杨德周. 东海陆架黑潮入侵及生态响应数值模拟研究[D]. 青岛: 中国科学院大学, 2011. Yang D Z. Numerical Study on the Kuroshio Intrusion on the East China Sea Shelf and Its Influence on the Biological Process[D]. Qingdao: University of Chinese Academy of Sciences, 2011. ( 0) |
| [24] |
Liu C T, Cheng S P, Chuang W S, et al. Mean structure and transport of Taiwan Current (Kuroshio)[J]. Acta Oceanographica Taiwanica, 1998, 36: 159-176. ( 0) |
| [25] |
Lee T N, Johns W E, Liu C, et al. Mean transport and seasonal cycle of the Kuroshio east of Taiwan with comparison to the Florida Current[J]. Journal of Geophysical Research, 2001, 106(C10): 22143-22158. ( 0) |
| [26] |
吴力川. 南海区域海洋模式适应性比较分析及改进[D]. 武汉: 武汉理工大学, 2013. Wu L C. Ocean Models Adaptability Comparison and Improvement in the South China Sea[D]. Wuhan: Wuhan University of Technology, 2013. ( 0) |
| [27] |
Yang Y, Liu C T. Uncertainty reduction of estimated geostrophic volume transports with altimeter observations East of Taiwan[J]. Journal of Oceanography, 2003, 59(2): 251-257. ( 0) |
| [28] |
Ichikawa K, Tokeshi R, Kashima M, et al. Kuroshio variations in the upstream region as seen by HF radar and satellite altimetry data[J]. Intr J Remote Sensing, 2008, 29(21): 6417-6426. ( 0) |
| [29] |
宋金明, 袁华茂. 黑潮与邻近东海生源要素的交换及其生态环境效应[J]. 海洋与湖沼, 2017, 48(6): 1169-1177. Song J M, Yuan H M. Exchange and ecological effects of biogenic elements between Kuroshio and adjacent East China Sea[J]. Oceanologia et Limnologia Sinica, 2017, 48(6): 1169-1177. ( 0) |
| [30] |
卢汐, 宋金明, 袁华茂, 等. 黑潮与毗邻陆架海域的碳交换[J]. 地球科学进展, 2015, 30(2): 214-225. Lu X, Song J M, Yuan H M, et al. Carbon distribution and exchange of Kuroshio and adjacent China Sea Shelf: A review[J]. Advances in Earth Science, 2015, 30(2): 214-225. ( 0) |
| [31] |
Yin Y Q, Lin X P, He R Y, et al. Impact of mesoscale eddies on Kuroshio intrusion variability northeast of Taiwan[J]. Journal of Geophysical Research Oceans, 2017, 122(4): 3021-3040. ( 0) |
| [32] |
杨德周, 尹宝树, 侯一筠, 等. 黑潮入侵东海陆架途径及其影响研究进展[J]. 海洋与湖沼, 2017, 48(6): 1196-1207. Yang D Z, Yin B S, Hou Y J, et al. Advance in research on Kuroshio intrusion and its ecological influence on the continental shelf of East China Sea[J]. Oceanologia et Limnologia Sinica, 2017, 48(6): 1196-1207. ( 0) |
| [33] |
Gopalakrishnan S, Liu Q, Marchok T, et al. Hurricane weather research and forecasting (HWRF) model: 2011 scientific documentation[J]. NCAR/TN-522 +STR, 2012. ( 0) |
| [34] |
D'Asaro E A, Sanford T B, Niiler P P, et al. Cold wake of hurricane Frances[J]. Geophysical Research Letters, 2007, 34(15): L15609. ( 0) |
| [35] |
裴玉华, 热带太平洋上层海洋对台风的响应[D]. 青岛: 中国海洋大学, 2015. Pei Y H. Upper Ocean Response to Typhoon in the Tropical Pacific[D]. Qingdao: Ocean University of China, 2015. ( 0) |
2. The Key Laboratory of Physical Oceanography. Ministry of Education, Ocean University of China, Qingdao 266100, China