《中国科学院海洋研究所在基于天气分型的海浪统计降尺度模拟方面取得新进展》

  • 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:2024-01-07
  • 近日,中国科学院海洋研究所尹宝树研究团队在基于天气分型的海浪统计降尺度模拟方面取得新进展,相关成果发表在国际学术期刊Ocean Modelling(JCR1区)。全球变暖背景下中国近海海浪灾害风险持续增加,探究极端海浪的未来多尺度变化及不确定性,是防灾减灾、科学应对气候变化风险的国家重大需求。但基于海浪动力谱模型的大集合模拟计算效率较低,不能对快速变化的极端天气气候过程驱动的海浪作出迅速有效的预测预估。

    科研人员利用天气分型统计降尺度方法,率先构建了大尺度大气环流场与中国近海海浪多变量(有效波高、波周期和波向)的统计关系,重点揭示了关键大尺度大气环流场影响近海海浪的季节变化特征,并将相关统计模型应用于中国近海海浪的多年代际(1959-2021)后报模拟。通过系统对比验证,发现具有回归引导聚类方法的天气分型降尺度模型比单纯的天气分型降尺度模型能够更好地模拟中国近海有效波高、极值波高、平均周期、平均波向、波能通量等变量的气候态特征、时空演变规律及长期变化趋势特征。

    该方法不仅考虑了涌浪对局地海浪的影响,也考虑了海浪变化与大气驱动变化间的物理联系、波浪多参量之间的依赖关系。其计算效率高,是海浪大集合预测预估模拟的较理想方法。研究构建并系统确证了该方法在中国近海(极端)海浪模拟的适定性问题,为探究中国近海(极端)波浪对气候变化的响应提供了重要方法基础。

    中国科学院海洋研究所与青岛科技大学联培硕士研究生赵广锋为论文第一作者,中国科学院海洋研究所副研究员李德磊为通讯作者。合作者包括英国南安普顿大学国家海洋研究中心博士Paula Camus、青岛科技大学副教授张新丽、中国科学院海洋研究所研究员齐继峰、尹宝树。研究得到了国家自然科学基金、中国科学院战略先导科技专项(B类)、中国科学院青促会、泰山学者计划等的共同资助。

    论文信息: Guangfeng Zhao, Delei Li*, Paula Camus, Xinli Zhang, Jifeng Qi, Baoshu Yin, 2023, Weather-type statistical downscaling for ocean wave climate in the Chinese marginal seas, Ocean Modelling, 187, 102297

     https://doi.org/10.1016/j.ocemod.2023.102297

  • 原文来源:https://qdio.cas.cn/2019Ver/News/kyjz/202401/t20240104_6951202.html
相关报告
  • 《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.
  • 《中国科学院海洋研究所在波浪数值模式智能修正方面取得新进展》

    • 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:2025-07-31
    • 近日,中国科学院海洋研究所人工智能海洋学研究组在极端天气条件下的海浪预报智能修正方面取得突破性进展。相关成果以“Real-Time Wave Model Error Correction via Coupled Neural Networks and WAM under Extreme Weather”为题,发表在国际海洋学期刊 Ocean Modelling。 本研究聚焦于极端天气条件下数值波浪模式在显著波高(SWH)预测中的系统性误差问题。传统的数值模式(如WAM)在台风等强天气过程中容易出现高幅度偏差,特别是在风–波相互作用剧烈区域。为此,研究团队提出了一种基于Fortran–Python耦合框架的实时误差修正系统,将空间—时间注意力神经网络与WAM模式深度融合,实现了对极端条件下波浪模拟误差的智能纠正。 该系统以CFOSAT卫星观测为训练基准,结合台风路径与季节时间等物理先验信息,训练构建了空间—时间注意力神经网络(ECN)。其核心架构通过QKV机制动态关注误差关键区域,并通过嵌入式Fortran–Python接口实现与WAM模式的实时耦合。在每6小时的模拟步长内,模型自动识别并纠正预测误差,实现高时效性与高精度的协同模拟。 研究团队在西北太平洋区域选取了114个台风事件作为训练集,在墨西哥湾32个飓风事件上进行了泛化测试。结果显示,ECN模型在WAM基础上使显著波高的RMSE下降24.6%,结构相似性指数(SSIM)提升26.3%;在新事件上的泛化精度进一步提升RMSE达47%,SSIM提升超30%。特别是在极端波浪条件下,修正系统对谱能量分布和传播方向的拟合能力大幅增强。 该研究展示了一种可嵌入现有数值模式、具备实时性、轻量级且具物理一致性的智能纠错框架,为未来的极端海况实时预报与智能耦合建模提供了新范式。 论文第一作者为中国科学院海洋研究所博士研究生刘蔼栎,沈栋梁博士后为通讯作者,合作者包括李晓峰研究员。研究工作得到国家自然科学基金创新研究群体项目、国家资助博士后研究人员计划、国家自然科学基金重大基金与青岛市科技惠民专项等项目的支持。 论文信息: Aiyue Liu,?Xiaofeng Li,?Dongliang Shen*,?Real-Time Wave Model Error Correction via Coupled Neural Networks and WAM under Extreme Weather,?Ocean Modelling (2025),?doi: https://doi.org/10.1016/j.ocemod.2025.102600