登录
 机构网站
  1. 首页
  2. 情报产品
  3. 快讯详情

《中国科学院海洋研究所南极冬季云-大气环流-海冰耦合研究取得新进展》

  • 来源专题：中国科学院文献情报系统—海洋科技情报网
  • 编译者： liguiju
  • 发布时间：2022-02-23

  • 中国科学院海洋研究所海洋地质与环境重点实验室黄海军课题组王云鹤博士后、毕海波副研究员同哥伦比亚大学Xiaojun Yuan教授和Mark A. Cane教授合作，在南极冬季云-大气环流-海冰耦合机制的探究方面取得新进展，研究成果近日在国际学术期刊Environmental Research Letters（一区TOP期刊，IF=6.8）在线发表。

    云影响着地球辐射平衡，对气候系统有着重要作用。南极具有极端低温、低湿、低气溶胶的气候环境条件，使得该地区云的形成及与海冰的作用过程异于其他地区。现阶段，缺乏对云过程的了解，导致南极气候模式中大气-冰相互作用的模拟产生明显误差。

    该研究基于1979-2019年卫星和再分析数据，分析发现了wave-3主导着南极冬季云量、大气环流和海冰的主要耦合模态。该耦合系统中，水汽的水平输送和垂向运动都对南极中层云的形成产生重要影响，并导致中层云异常最易发生在最大经向风异常和气压异常区之间。系统中的云在阿蒙森海产生的辐射异常可在一个月内造成12厘米厚的海冰生消。另外，中层云对海冰的辐射强迫加强了大气环流对海冰的热动力驱动；相反，因地形影响，低层云对海冰的辐射影响被大气环流驱动所抵消。

    上述发现对南极气候过程有了更深理解，对南极气候模式的构建有着新的启示。

    文章链接：

    1. Yunhe Wang, Xiaojun Yuan*, Mark A. Cane. A coupled mode of cloud, atmospheric circulation, and sea ice controlled by wave–3 pattern in Antarctic winter. Environmental Research Letters. 2022. https://iopscience.iop.org/article/10.1088/1748-9326/ac5272

    2. Yunhe Wang, Xiaojun Yuan, Haibo Bi*, Yu Liang, Haijun Huang*, Zehua Zhang, and Yanxia Liu. The Contributions of Winter Cloud Anomalies in 2011 to the Summer Sea-Ice Rebound in 2012 in the Antarctic. Journal of Geophysical Research: Atmospheres 124, 3435-3447 (2019). https://agupubs.onlinelibrary.wiley.com/doi/10.1029/2018JD029435

  • 原文来源：http://www.qdio.cas.cn/2019Ver/News/kyjz/202202/t20220215_6355472.html
152浏览量
原文链接
相关报告

  • 《中国科学院海洋研究所基于深度学习的南极海冰季节内预测研究取得新进展》
    • 来源专题：中国科学院文献情报系统—海洋科技情报网
    • 编译者：liguiju
    • 发布时间：2023-10-07
    • 近日，中国科学院海洋研究所李晓峰研究团队与美国哥伦比亚大学研究团队合作，发展一款基于深度学习的南极海冰季节内预测模型。该模型具备超前4周的海冰预测能力，其技巧表现显著高于欧洲的ECMWF以及美国的NCEP和GFDL-SPEAR等主流数值模式，这一成果对于开发南极高空间分辨率海冰业务化预测模式具有重要意义，并在国际学术期刊Geophysical Research Letters发表。 不同于北极海冰持续快速消融，南极海冰在全球变暖背景下，从1979年至2015年表现微弱的增长，随后快速下降，同时呈现出强烈的季节性和纬向不对称性。然而，由于对海冰厚度、波浪-海冰相互作用、海冰流变等过程的理解不足，以及模拟海-冰-气耦合系统所产生的较大误差，传统的动力模式在南极海冰预测中表现较差，尤其是在季节内尺度上。 鉴于以上问题，研究团队避开复杂的物理过程，利用深度学习方法，以纯海冰数据驱动，发展了南极海冰季节内预测模型（SIPNet）。该模型主要包括输入、编码器、解码器和输出四个模块，嵌入了具有时空注意力机制的残差神经网络，可兼顾海冰场空间自相关性和时间变率，具有强大的时空特征提取能力，能够捕捉海冰复杂的非线性变化特性。 　研究结果显示，通过对1-8周预测技巧进行评估，SIPNet显著优于其他主流数值模式（如ECMWF、NCEP、GFDL-SPEAR）以及惯性预测，实现了对海冰异常位相和异常量级的准确预测。SIPNet预测结果具有一定的季节性和区域性，秋季的预测技巧达到最高水平，而春季则相对较低；SIPNet在威德尔海域的预测技巧显著优于西太平洋海域。尽管ENSO（厄尔尼诺-南方涛动）和SAM（南极环状模）对海冰异常场的驱动位相相反，导致海冰异常场偏弱，SIPNet仍然能够成功提取和解释这些气候信号。SIPNet模型在处理不同长度的海冰数据序列时表现出了卓越的稳定性，意味着其在不同数据条件下能够保持可靠的预测性能。此外，SIPNet模型的优势还包括较小的计算资源需求和更快的计算速度，为其在实际应用中被广泛采用提供了有力支持。 论文第一作者为中国科学院海洋研究所王云鹤助理研究员，通讯作者为李晓峰研究员和美国哥伦比亚大学Xiaojun Yuan教授，合作作者包括任沂斌助理研究员、普林斯顿大学Mitchell Bushuk教授、自然资源部第一海洋研究所舒启研究员和美国哥伦比亚大学的Cuihua Li博士。研究得到了国家自然科学基金青年项目、山东省自然科学基金青年项目和博士后特别资助（站前）等项目支持。 论文信息： Yunhe Wang, Xiaojun Yuan*, Yibin Ren, Mitchell Bushuk, Qi Shu, Cuihua Li, Xiaofeng Li*. Subseasonal Prediction of Regional Antarctic Sea Ice by a Deep Learning Model. Geophysical Research Letters, 2023, 50(17), e2023GL104347. https://doi.org/https://doi.org/10.1029/2023GL104347
    434浏览量
    原文链接

  • 《中国科学院海洋研究所在北极海冰厚度季节预测方面取得新进展》
    • 来源专题：中国科学院文献情报系统—海洋科技情报网
    • 编译者：liguiju
    • 发布时间：2023-07-24
    • 近日，中国科学院海洋研究所李晓峰研究团队与美国哥伦比亚大学研究团队合作，发展了一款Markov海冰厚度季节预测模型。该模型能够超前预测北极海冰厚度场12个月，显著高于异常持续性预测技巧，填补了北极海冰厚度预测的空白，对于北极航道评估和高空间分辨率模式的开发都具有重要意义。相关研究成果在国际学术期刊Journal of Climate (Top 期刊)上发表。 随着“北极放大”效应进一步增强，北极海冰范围快速减小，海冰厚度迅速减薄，全球面临着巨大的生态气候挑战，同时也给北极航道开发带来了巨大机遇。因此，科学研究和社会经济两方面对海冰预测的需求都在不断增强。然而，目前国际上北极海冰厚度预测仍处于空白。 基于以上背景，研究团队考虑了9个气候变量，包括海冰厚度、海冰密集度、上层海洋热含量、海表温、海表气温、表面辐射通量、表面湍流热通量、位势高度场和风场，基于多变量经验正交分解函数MEOF，分季节地构建了Markov模型，并通过一系列敏感性实验测试了不同气候变量和不同主要模态数量对海冰厚度预测技巧的贡献；利用交叉验证的方法，对模型预测技巧在不同季节和海域进行了评估。 研究结果显示，海冰厚度对于模型预测技巧贡献最大，其他气候变量中，上层海洋热含量对模型技巧贡献最大。另外，海冰厚度可预测性具有与海冰密集度相反的时空特征，冷季的可预测性高于暖季，北极中央海盆的海冰厚度可预测性高于边缘海和外海（Wang et al. 2022, 2023）。模型可对北极中央海盆海冰厚度超前预测12个月，评价指标-异常相关性系数在0.7到0.8之间。Markov海冰厚度季节预测模型基于MEOF构建，可滤除不可预测的小尺度特征，捕捉海-冰-气耦合系统的主要协变信号；该模型由四个季节模块组成，采用不同的预测因子和主要模态数量适应不同季节的海冰驱动物理过程，这些原因共同贡献了海冰厚度的高预测技巧。 论文第一作者为中国科学院海洋研究所王云鹤助理研究员、通讯作者为李晓峰研究员和美国哥伦比亚大学Xiaojun Yuan教授，合作作者包括毕海波副研究员、任沂斌助理研究员等。研究得到了国家自然科学基金青年项目、山东省自然科学基金青年项目、博士后特别资助（站前）的资助。 论文信息： Yunhe Wang, Xiaojun Yuan*, Haibo Bi, Yibin Ren, Yu Liang, Cuihua Li, and Xiaofeng Li*. Understanding Arctic Sea Ice Thickness Predictability by a Markov Model. Journal of Climate, 2023, 36(15): 4879–4897. https://doi.org/10.1175/JCLI-D-22-0525.1　　  Yunhe Wang, Xiaojun Yuan*, Haibo Bi, Mitchell Bushuk, Yu Liang, Cuihua Li, Haijun Huang. Reassessing seasonal sea ice predictability of the Pacific-Arctic sector using a Markov model. The Cryosphere, 2022, 16(3): 1141-1156. https://doi.org/10.5194/tc-16-1141-2022
    750浏览量
    原文链接