《中国科学院海洋研究所在风暴潮模拟预报方面取得新进展》

  • 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:2023-12-21
  • 风暴潮是我国近海灾害损失最严重的海洋动力灾害过程,准确模拟预报风暴增水对防灾减灾非常重要。中国科学院海洋研究所侯一筠、胡珀课题组通过在海洋数值模式中引入考虑波浪影响的风应力参数化方案,显著提高了山东沿海风暴增水的模拟精度,相关成果在海洋模拟学术期刊Ocean Modelling发表。

    台风和寒潮期间,强风引起的海水异常升降,给沿海区域的人员和财产安全构成严重威胁。为减少风暴潮灾害风险,通常使用数值模式来预测风暴增水。山东沿海地区风暴潮灾害频繁,特别是冬春季的寒潮和夏秋季的北上台风期间,沿海地区会出现强烈的风暴增水现象。与东南沿海等开阔海域相比,山东近海的岸界和水深地形变化复杂,增加了风暴增水的模拟预测难度。

    ADCIRC-SWAN耦合模式常用于模拟近岸的风暴增水和极值波浪,被广泛应用于科学研究和业务预报模式中。通过与实际观测对比,发现使用ADCIRC模式模拟的风暴增水存在系统误差,数值模拟结果偏小且在渤海区域尤甚,而使用耦合模式中的wave setup方案改进效果十分有限。研究发现,通过一种考虑波浪影响的风应力参数化方案来替代模式原有的单纯依赖风速的参数化方案,可以有效地纠正风暴增水的模拟误差。通过模拟评估发现,在渤海区域最大风暴增水的改进效果超过20%。研究进一步揭示这一改进的物理机制,渤海区域独特的海岸线形态特征对风浪演变和风应力增强具有重要影响:浅水渐变地形及限制性的的风区,导致风浪的成长不充分和向岸传播过程中的浅水效应,显著增加了海-气间的动量交换,从而导致风暴增水更强。目前ADCIRC模式中原有方案仅考虑风速,无法准确描述这一机制,因而低估了风应力和风暴增水的数值。

    基于改进的动力模式技术,科研团队构建了山东沿海风暴潮-海浪耦合漫滩数值预测模型,局部最高分辨率为100米,模拟了两次典型强台风过程(波利和利奇马)过境莱州湾期间的海水淹没过程。研究发现,在忽略海堤防御作用的情况下,台风风暴潮会导致莱州湾沿岸大范围的海水淹没风险。研究还定量评估了风场驱动、波浪增强风应力等外部驱动因素对海水淹没的影响程度。

    中国科学院海洋研究所李水清副研究员是论文通讯作者,李朝博士是论文第一作者,其他合作作者包括胡珀研究员、冯兴如研究员、莫冬雪助理研究员和自然资源部北海预报中心李健高级工程师,研究得到了国家自然科学基金等项目资助。

    相关论文信息:

    Li Zhao, Shuiqing Li*, Po Hu, Xingru Feng, Dongxue Mo, Jian Li. 2023. Improving storm surge simulations by considering wave-steepness-dependent drag coefficient in the northern East China Sea. Ocean Modelling. doi: 10.1016/j.ocemod.2023.102283.

    Li Zhao, Shuiqing Li*, Po Hu, Dongxue Mo, Jian Li, Mei Du, Jie Yan, Yijun Hou, Baoshu Yin*. 2022. Numerical study of storm surge-induced coastal inundation in Laizhou Bay, China. Frontiers in Marine Science. doi: 10.3389/fmars.2022.952406.

  • 原文来源:https://qdio.cas.cn/2019Ver/News/kyjz/202312/t20231215_6943448.html
相关报告
  • 《中国科学院海洋研究所在基于神经网络的风暴潮预报方法研究方面取得新进展》

    • 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:熊萍
    • 发布时间:2025-03-04
    • 近日,中国科学院海洋研究所胡珀研究团队研发了一种风暴潮快速预报方法,通过将数值模式和神经网络技术相结合,实现了台风风暴潮的准确快速预报,相关成果在国际期刊ADVANCESINATMOSPHERICSCIENCES发表。 本研究使用DUAL模型风场构建台风过程中的风场和气压场,并结合风暴潮-海浪耦合的ADCIRC-SWAN耦合模式对台风过程进行数值模拟,建立了一套用于神经网络训练的中国南海北部的区域风暴潮灾害过程数据集。基于卷积神经网络和残差结构,构建了一个区域风暴潮预报神经网络模型。该模型在珠江口地区取得了良好的风暴潮预报效果,大大提高了风暴潮预报的时效性。结果表明在风暴潮预报中使用数值模型的模拟结果来训练神经网络可以使神经网络学习数值模型的固有物理机制,从而提高神经网络的预报精度,并且能够在空间场中捕捉风暴增水的空间分布特征。 本文第一作者是中国科学院海洋研究所博士研究生孙源,胡珀研究员是论文通讯作者,其他合作者包括李水清研究员、莫冬雪副研究员和侯一筠研究员。研究工作得到了国家自然科学基金等项目资助。 论文信息: Sun,Y.,P. Hu*,S. Q. Li,D. X. Mo,and Y. J. Hou,2025: Regional storm surge forecast method based on a neural network and the coupled ADCIRC-SWAN model. Adv. Atmos. Sci.,42(1),129-145,https://doi.org/10.1007/s00376-024-3306-8.
  • 《中国科学院海洋研究所在机器学习和数值模拟结合研究悬浮泥沙方面获新进展》

    • 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:熊萍
    • 发布时间:2024-10-28
    • 近日,中国科学院海洋研究所尹宝树研究团队利用SCHISM数值模型,研究了潮流与波浪对悬浮泥沙浓度的影响机制。基于上述认识,用机器学习方法在主要受潮汐潮流影响的封闭海湾构建了悬浮泥沙预测系统,实现了对悬浮泥沙浓度的有效预测。相关成果发表于国际学术期刊Ocean Modelling和Marine Pollution Bulletin。 悬浮泥沙浓度是海洋生态系统中的一个关键参数,对沿海生态动力学的许多方面产生了重大影响。长期以来,国际学术界对悬浮泥沙浓度给予了大量关注。然而,潮流与波浪在各种环境和动态变化条件下对悬浮泥沙浓度变化的具体贡献仍不十分明确。为此,尹宝树研究团队深入研究了有无台风影响时潮流、波流相互作用底应力、波浪辐射应力、波浪破碎等对悬浮泥沙浓度变化的贡献度。 结果表明,在正常海况下,潮流是影响悬浮泥沙浓度变化的主要因素。在受台风影响期间,潮流与波浪对悬浮泥沙变化的贡献相当。其中,波浪轨道速度改变了底部摩擦应力,波浪辐射应力影响水体流速及湍流动能,波能在水平空间的变化改变了波能的传递。以上三种为波浪影响悬浮泥沙变化的主要机制,其他波流相互作用项对悬浮泥沙的影响较小。 对悬浮泥沙浓度的预测,采用数值模拟计算较慢、参数设置复杂,不确定性较大。为了解决这个难题,研究团队在上述机制研究的基础上,提出了将长期稳定的卫星观测数据与人工智能方法结合起来、构建悬浮泥沙浓度预测系统的设想,并结合深度学习模型进行了试验。 研究团队利用风速(ERA5)、潮流(SCHISM结果)以及卫星遥感数据(GOCI)对卷积神经网络(CNN)进行训练。训练结果表明,基于CNN模型预测系统的预测结果与卫星遥感数据在绝大部分区域都有 0.7以上的相关性,表明该系统可以实现对胶州湾悬浮泥沙浓度的有效预测。 中国科学院海洋研究所博士研究生谢建斌为论文第一作者,冯兴如研究员为论文通讯作者。研究得到了国家重点研发计划、国家自然科学基金、崂山国家实验室等项目联合资助。 论文信息: Xie J, Feng X*, Gao G. (2024). Variation of suspended-sediment caused by tidal asymmetry and wave effects[J]. Ocean Modelling. doi: https://doi.org/10.1016/j.ocemod.2024.102454. Xie J, Feng X*, Gao T, et al. (2024). Application of Deep Learning in Predicting Suspended Sediment Concentration: A Case Study in Jiaozhou Bay, China[J]. Marine Pollution Bulletin. doi: https://doi.org/10.1016/j.marpolbul.2024.116255.