文章信息
- 李爱莲, 刘泽, 洪新, 侯一筠, 管守德. 2021.
- LI Ai-lian, LIU Ze, HONG Xin, HOU Yi-jun, GUAN Shou-de. 2021.
- 台风条件下ERA5再分析数据对中国近海适用性评估
- Applicability of the ERA5 reanalysis data to China adjacent Sea under typhoon condition
- 海洋科学, 45(10): 71-80
- Marine Sciences, 45(10): 71-80.
- http://dx.doi.org/10.11759/hykx20200502001
-
文章历史
- 收稿日期:2020-05-02
- 修回日期:2020-06-12
2. 青岛海洋科学与技术试点国家实验室海洋动力过程与气候功能实验室, 山东 青岛 266237;
3. 中国科学院大学, 北京 100049;
4. 中国科学院海洋大科学中心, 山东 青岛 266071;
5. 国家海洋局烟台海洋环境监测中心, 山东 烟台 264006;
6. 中国海洋大学 物理海洋学实验室, 山东 青岛 266100
2. Laboratory for Ocean and Climate Dynamics, Qingdao National Laboratory for Marine Science and Technology, Qingdao 266237, China;
3. University of Chinese Academy of Sciences, Beijing 100049, China;
4. Center for Ocean Mega-Science, Chinese Academy of Sciences, Qingdao 266071, China;
5. Yantai Ocean Environment Monitoring Center Station of State Oceanic Administration, Yantai 264006, China;
6. Physical Oceanography Laboratory/IAOS, Ocean University of China, Qingdao 266100, China
近年来, 台风导致的海上强风与灾害性海浪给中国近海带来巨大损失。尤其是近40年来随着全球变暖, 台风登陆强度逐渐增强[1], 对沿海地区经济和人身安全威胁日益严重。近海浮标观测资料提供了台风期间的风场、波浪场等许多的宝贵信息[2-5]。然而, 由于观测资料主要是单站点数据且站位较少, 站点数据以及空间分布的相关资料严重匮乏, 制约了对海上强风与台风浪的时空分布特征和影响评估的研究。再分析资料的出现解决了观测资料的匮乏和时空不均等问题, 被广泛应用在主流风浪模式预报或后报中, 但受观测资料、数值预报模式和同化方案等因素影响, 再分析资料的适用性也有待于进一步检验。
再分析资料同化了大量卫星资料及地面和高空等常规观测资料, 具有时间序列长、分辨率高等优点。欧洲中期天气预报中心(ECWMF)是较早开展数据再分析研究的机构, 其分析资料已历经了FGGE、ERA-15、ERA-40、ERA-Interim四代。ERA5再分析资料是由欧盟资助、ECMWF运营的哥白尼气候变化服务(Copernicus climate change service, C3S)打造的最新一代即第五代再分析资料。目前ECMWF发布了1979年以来的数据, 在2020年实现从1950年1月开始到实时数据覆盖, 并实现实时之后3个月内的数据覆盖。截止目前为止, Lv等[6]、冯兴如等[5]、Sheng等[7]、陈子健等[8]都利用ECMWF再分析数据用于中国渤黄东海的风浪模式研究。
关于全球和区域尺度上再分析资料适用性, 国内外学者已开展了许多的研究。Monney等[9]用观测数据对比分析了ERA-40、ERA-Interim以及NCEP/ NCAR再分析数据, 发现再分析资料易高估陆地上的冬季气温, 且ERA-Interim对冬季气温的描述优于ERA-40与NCEP/NCAR。Decker等[10]评估了GSFC、NCEP以及ECMWF等再分析数据, 结果显示ERA-Interim再分析近地面气温、风速和降水数据与观测数据的相关性均优于NCEP/DOE和CFSR。朱彦良等[11]利用NCEP/NCAR和ERA-Interim再分析资料对比分析了在安徽寿县获得的为期7个月逐6 h RS92探空资料, 发现ERA-Interim再分析资料的描述优于NCEP/ NCAR再分析资料。孟宪贵等[12]利用山东省及周边地区10个站点的地面和高空观测资料对ERA5再分析资料的适用性进行了初步评估, 发现ERA5的适用性总体上要优于ERA-Interim再分析资料, 地面和对流层低层的相对湿度、风场提高更为明显。
ECMWF是波浪模拟最常用的风场, 作为驱动场被广泛应用于风浪模式研究[6, 13-19]。许多学者研究了ECMWF风场用于波浪模拟的效果。Signell等[14]用ECMWF风场作为SWAN模型的输入来预报地中海的波浪, 结果发现ECMWF场低估了风速的大小, 没有再现台风风场的空间结构。Cavaleri等[15]使用不同分辨率的ECMWF数据进行评估, 结果显示分辨率越高, 风速与波高数据与观测数据之间的误差越小, 且分辨率对风速的影响更明显。Moeini等[20]评估了ECMWF和实测风场两种地面风源通过SWAN模式在波斯湾波浪模拟中的质量, 结果发现ECMWF低估了风的强度, 且高波模型校准导致了低波被高估。Lv等[6]用ECMWF风场作为SWAN模型的输入来进一步了解渤海风浪的特征, 研究表明ECMWF风场资料低估了渤海上空的风速, 但总体趋势和主导方向与观测资料一致。虽然以前许多研究表明ECMWF风场数据的风速通常偏低, 但经过适当校正后可用于数值模式研究[21]。冯兴如等[5]将ECMWF作为背景风场, 利用非结构网格的海浪-海流耦合模式SWAN+ADCIRC模拟了1997—2016年影响浙江和福建海域的台风浪过程, 并将其中4个台风过程期间的海浪与观测数据进行对比验证, 模拟结果和实测结果吻合较好。
2019年第9号台风“利奇马”在浙江沿海地区登陆后一路向北, 影响了渤黄东海大片海区且造成了巨大的损失, 因此对于该台风期间的海洋灾害研究尤为重要。台风期间海洋灾害的研究需要适用性较高的再分析资料。本文利用渤海(QF104)、黄海(QF108)及东海(QF5003)各一套浮标数据, 初步评估台风“利奇马”期间ERA5再分析数据对中国渤黄东海适用性。
1 台风与数据 1.1 台风“利奇马”2019年第9号超强台风“利奇马”于2019年8月4日下午在西北太平洋洋面生成, 之后沿西北方向移动, 强度不断加强, 8月7日5时加强为台风, 8月7日23时加强为超强台风, 并继续向西北方向浙江沿海靠近, 于8月10日1时45分前后在浙江省温岭市城南镇沿海登陆, 登陆时中心附近最大风力达16级(52 m/s), 中心最低气压为930 hPa, 为2019年登陆中国的最强台风, 也成为自1949年以来登陆浙江第三强的台风(登陆浙江最强台风为1956年8月1日台风“Wanda”, 其次是2006年8月10日台风“桑美”)。随后第9号台风“利奇马”纵穿浙江、江苏两省并移入黄海海面, 又于8月11日20时50分左右在山东省青岛市黄岛区沿海再次登陆, 登陆时中心附近最大风力达9级(23 m/s), 中心最低气压为980 hPa, 此后其移入渤海海面并不断减弱, 最终于8月13日14时被中央气象台停止编号。“利奇马”台风共造成中国1 402.4万人受灾, 57人死亡, 14人失踪, 209.7万人紧急转移安置, 直接经济损失537.2亿元人民币[22-24]。
在台风“利奇马”期间, 对比分析ERA5再分析数据与浮标站点观测数据以探究ERA5再分析资料在渤黄东海的适用性, 其中台风路径与浮标站点位置如图 1所示。
![]() |
图 1 201909号台风“利奇马”路径及3个浮标观测站点分布[基于审图号为GS(2016)1611号的地图制图, 余同] Fig. 1 Best track of typhoon "Lekima" and 3 buoy observation stations |
文中使用了2019年8月4日0时—2019年8月16日0时的渤海(QF104)、黄海(QF108)及东海(QF5003)3套浮标数据, 包括风速、风向、有效波高、有效周期、平均波向及海面温度等观测数据, 时间间隔为1 h。三套浮标的位置坐标分别是(38.034°N, 119.852°E)(QF104)、(35.255°N, 122.011°E) (QF108)、(31.700°N, 122.600°E) (QF5003), 对应的水深分别为19 m、48 m、29 m, 如图 1所示。
1.3 ERA5再分析数据ERA5再分析资料是由欧盟资助、ECMWF运营的哥白尼气候变化服务中心(Copernicus climate change service, C3S)打造的最新一代再分析资料, 在其前身ERA-Interim的基础上实现时空分辨率的提升, 由ERA-Interim的时空分辨率是80 km(垂直方向上是60层, 间隔是0.1 hPa)和6 h, 提升为ERA5再分析资料的80 km(垂直方向上是137层, 间隔是0.01 hPa)和1 h。同时, ERA5提供的变量将由ERA-Interim的100种增加到240种, 这其中包括由耦合的海浪模式所提供的波高、波向等变量, 方便用户更准确地分析大气以及海洋状态。
2 方法本文选取了2019年第9号台风“利奇马”期间的10 m高度经向风速、10 m高度纬向风速、海面温度、有效波高, 平均波向与平均周期等ERA5再分析数据, 利用浮标观测数据对以上要素的适用性进行初步分析, 为与浮标观测要素一致分别计算了10 m风速与风向。由于浮标观测数据在某些时刻缺少观测或包含一些奇异极值, 对3个浮标站点处的观测数据进一步处理后进行分析。
利用线性相关系数(dCC)来对比分析再分析数据对观测数据的模拟程度, 利用相对误差(dRE)、平均差(dAD)、标准差(dSSD)及均方根误差(dNRMSE)等比较ERA5再分析数据与观测数据之间的偏离程度。某一变量观测与再分析资料的相关系数等计算公式为:
${d_{{\rm{RE}}}} = \frac{{\eta _{{\rm{max}}}^{{\rm{model}}} - \eta _{{\rm{max}}}^{{\rm{obs}}}}}{{\eta _{{\rm{max}}}^{{\rm{obs}}}}} \times 100{\rm{\% }}, $ | (1) |
${d_{{\rm{AD}}}} = \frac{1}{N}\mathop \sum \limits_{n = 1}^N \eta _{n, j}^{{\rm{model}}} - \frac{1}{N}\mathop \sum \limits_{n = 1}^N \eta _{n, j}^{{\rm{obs}}}, $ | (2) |
${d_{{\rm{SSD}}}} = \frac{1}{N}\mathop \sum \limits_{n = 1}^N {(\eta _{n, j}^{{\rm{model}}} - \bar \eta _{n, j}^{{\rm{model}}})^2} - \frac{1}{N}\mathop \sum \limits_{n = 1}^{\rm{N}} {(\eta _{n, j}^{{\rm{obs}}} - \bar \eta _{n, j}^{{\rm{obs}}})^2}, $ | (3) |
${d_{{\rm{NRMSE}}}} = {\left[ {\frac{{\mathop \sum \nolimits_{n = 1}^N {{(\eta _{n, j}^{\bmod el} - \eta _{n, j}^{obs})}^2}}}{{\mathop \sum \nolimits_{n = 1}^N {{(\eta _{n, j}^{obs})}^2}}}} \right]^{\frac{1}{2}}}, $ | (4) |
${d_{CC}} = \frac{{\frac{1}{N}\mathop \sum \nolimits_{n = 1}^N (\eta _{n, j}^{{\rm{model}}} - \bar \eta _{n, j}^{{\rm{model}}})\left( {\eta _{n, j}^{{\rm{obs}}} - \bar \eta _{n, j}^{{\rm{obs}}}} \right)}}{{{\sigma _{{\rm{model}}}}{\sigma _{{\rm{obs}}}}}}.$ | (5) |
为了验证台风“利奇马”期间ERA5再分析数据的适用性, 我们选择了10 m高度经向风速、10 m高度纬向风速、有效波高、平均周期、平均波向和海面温度等再分析资料, 与浮标观测数据进行对比分析, 分析结果如下。
3.1 风场再分析数据评估图 2为2019年第9号台风“利奇马”期间, 不同浮标站点处风速与风向变化的时间序列对比, 其中黑线代表ERA5再分析数据, 红点代表浮标观测数据。由图 2可观察到, ERA5再分析风速最大值与实测风速最大值较吻合, 变化趋势也基本一致, 且风速具有明显的低频振荡特征。在QF108浮标站点处, ERA5与观测的最大风速分别为19.27 m/s和18.70 m/s, 对应时刻分别为2019年8月11日0时和2019年8月11日7时, 相对误差为3.05%, 平均差、标准差和均方根误差分别为–0.19、2.33与0.14, 这意味着在该站点处ERA5数据与观测数据在数值上匹配较好, 但是风速最大值所发生的时间有偏差。此外, 其相关系数为0.97, 说明该站点处ERA5数据与观测数据的时间变化趋势匹配较好。同样, QF104 (QF5003)浮标站点处, ERA5再分析与观测的最大风速分别为18.52 (18.56) m/s和20.19 (18.00) m/s, 达到风速最大值的时间分别为2019年8月11日13时和2019年8月11日11时(2019年8月10日17时和2019年8月10日13时), 相对误差与相关系数分别为–8.27% (3.11%)与0.84 (0.95)。结果表明, ERA5再分析风速数据与浮标站点数据在数值大小与随时间变化趋势上具有很好的一致性, 但是最大值发生时间有偏差。对于风向数据, 由于0°与360°为同一位置, 故对数据进行处理后计算得到的EAR5再分析数据与浮标站点数据之间的平均差、标准差、均方根误差以及相关系数如表 1所示, 观察到QF104、QF108与QF5003浮标站点处ERA5再分析数据与观测数据的相关系数(均方根误差)分别为0.92、0.91和0.98(0.12、0.20和0.09), 说明ERA5再分析数据与观测数据在数值与变化趋势上较为吻合。
![]() |
图 2 201909号台风“利奇马”期间ERA5再分析风速、风向(黑线)与浮标观测数据(红点)在QF104、QF108及QF5003站点处的时间序列(图中08-06、08-10、08-14分别表示8月6日0时、8月10日0时、8月14日0时, 余同) Fig. 2 ERA5 reanalysis data (black line) and observation data (red hexagon) time series of the wind speed and wind direction during typhoon 'Lekima' at the three buoys QF104, QF108 and QF5003 |
浮标站点 | ERA5最大值 | 浮标数据最大值 | dRE | dAD | dSSD | dNRMSE | dCC | |
风速/ (m∙s–1) |
QF104 | 18.52 | 20.19 | −8.27% | 0.10 | −2.18 | 0.29 | 0.84 |
QF108 | 19.27 | 18.70 | 3.05% | –0.19 | 2.33 | 0.14 | 0.97 | |
QF5003 | 18.56 | 18.00 | 3.11% | 0.24 | 4.57 | 0.18 | 0.95 | |
风向/(°) | QF104 | — | — | — | 3.49 | −347.15 | 0.12 | 0.92 |
QF108 | — | — | — | 5.43 | −112.21 | 0.20 | 0.91 | |
QF5003 | — | — | — | –5.98 | 638.34 | 0.09 | 0.98 | |
注: “—”代表该变量数值最大值对比无意义, 不考虑 |
我们选择了3个最普遍最具有代表性的风浪特征量: 有效波高, 平均波向和平均周期。将再分析数据与与台风“利奇马”期间的观测数据进行对比。其中图 3是有效波高与平均周期的对比分析, 可以看出, 两个特征量的时间序列都遵循先增加后减小的趋势, ERA5再分析数据与观测数据变化趋势基本一致, 但观测时间序列曲线有一些明显的波动, ERA5再分析数据更平滑。同时, ERA5再分析有效波高数据最大值偏高, 平均周期整体偏小。在QF108浮标站点处, ERA5再分析数据与观测数据的最大有效波高分别为5.35 m和4.60 m, 相对误差为16.52%, 平均差、标准差和均方根误差分别为0.17、0.37与0.20, 达到最大值时间均为2019年8月11日4时。这表示在该站点处ERA5数据与观测数据在数值上匹配相对较好且最大值所在时刻一致, 但最大值差异较大。此外, 其相关系数为0.98, 说明该站点处ERA5数据与观测数据的时间变化趋势匹配较好。同样, QF104 (QF5003)浮标站点处, ERA5与观测的最大有效波高分别为4.47 (4.49) m和4.00 (5.00) m, 相对误差为11.75% (–10.20%), 最大值对应时刻分别为2019年8月11日15时和2019年8月11日14时(2019年8月10日2时和2019年8月10日15时)。结果表明, ERA5有效波高数据与浮标站点数据在随时间变化趋势上具有很好的一致性, 且总体数值大小匹配较好, 但极值数据质量有待进一步提高, 其中QF104浮标结果最好。同理, 平均周期数据与浮标站点数据的对比结果信息见图 3与表 2, 观察到ERA5数据整体偏小于观测数据, 且极值差异较大。QF104、QF108和QF5003三个站点处ERA5再分析平均周期数据与观测数据之间的相关系数分别为0.95、0.84和0.87, 可知, ERA5再分析平均周期数据与观测数据时间变化趋势相对较吻合, 且QF104浮标结果最好, QF108与QF5003浮标结果相对差一些。
![]() |
图 3 201909号台风“利奇马”期间ERA5再分析有效波高、平均周期数据(黑线)与浮标观测数据(红点)在QF104、QF108及QF5003站点处的时间序列 Fig. 3 ERA5 reanalysis data (black line) and observation data (red hexagon) time series of significant wave height and period during typhoon 'Lekima' at the three buoys QF104, QF108 and QF5003 |
浮标站点 | ERA5最大值 | 浮标数据最大值 | dRE | dAD | dSSD | dNRMSE | dCC | |
有效波高/m | QF104 | 4.47 | 4.00 | 11.75% | 0.12 | 0.13 | 0.20 | 0.98 |
QF108 | 5.35 | 4.60 | 16.52% | 0.17 | 0.37 | 0.20 | 0.98 | |
QF5003 | 4.49 | 5.00 | –10.20% | –0.06 | 0.14 | 0.14 | 0.97 | |
平均周期 /s |
QF104 | 8.32 | 8.80 | −5.45% | −0.50 | 0.28 | 0.15 | 0.95 |
QF108 | 8.66 | 11.4 | −24.03% | −0.77 | −1.08 | 0.16 | 0.84 | |
QF5003 | 10.20 | 13.00 | −21.54% | −0.92 | −2.28 | 0.17 | 0.87 |
图 4是平均波向对比分析, 实测数据来自两个浮标数据QF104与QF108, QF5003浮标数据缺测。从图中观察到, ERA5平均波向数据与实测数据差异较大, 实测数据波动性大, 而ERA5数据相对平滑。由于数据误差较大, 本文不针对平均波向进行进一步分析。
![]() |
图 4 201909号台风“利奇马”期间ERA5再分析平均波向数据(黑线)与浮标观测数据(红点)在QF104与QF108站点处的时间序列 Fig. 4 ERA5 reanalysis data (black line) and observation data (red hexagon) time series of the wave direction during typhoon 'Lekima' at the two buoys QF104 and QF108 |
图 5展示了海面温度的对比验证。从图中观察到, QF104浮标站点处ERA5再分析海面温度数据与观测数据之间的相关系数为0.56, 相对误差为–6.59%, 平均差、标准差和均方根误差分别为2.32、–4.48与0.12, 匹配较差。QF5003浮标站点处, ERA5再分析海面温度数据与观测数据之间的相关系数为0.85, 相对误差为–10.52%, 平均差、标准差和均方根误差分别为0.27、–3.81与0.06, ERA5再分析海面温度数据随时间变化较平稳, 而浮标观测数据波动大, 匹配一般。QF108浮标站点处, ERA5再分析海面温度数据与观测数据之间的相关系数为0.89, 相对误差为–6.40%, 平均差、标准差和均方根误差分别为0.09、–0.41与0.02, 且变化趋势相对一致, 都遵循先增加后减小再后来趋于平稳, 匹配较好。从三个浮标站点处的观测数据中观察到, 受台风“利奇马”影响之后, 渤、黄、东海均出现了降温, 但ERA5在渤海和东海均低估了海面降温。在QF108浮标处, 浮标观测海面温度由2019年8月9日9时的29.5 ℃降至2019年8月12日17时的25.9 ℃, 出现了3.6 ℃的温度差, ERA5再分析海面温度在该时间段内的降温趋势与浮标观测数据相对一致。然而在QF104浮标处, 浮标观测海面温度由2019年8月9日8时的28.4 ℃降至2019年8月12日18时的21.4 ℃, 出现了7 ℃的温度差, 而ERA5再分析海面温度在该时间段内没有呈现出明显的降温特征, 其中该浮标站点处出现的降温趋势可能与台风“利奇马”的路径有关(台风“利奇马”在浙江沿海区域登陆后, 一路北上, QF104浮标一直受到台风的影响)。在QF5003浮标处, 浮标观测海面温度呈现先降后升的趋势, ERA5再分析海面温度同样呈现了先降后升的趋势, 但是低估了降温与升温的幅度。
![]() |
图 5 201909号台风“利奇马”期间ERA5再分析海面温度数据(黑线)与浮标观测数据(红点)在QF104、QF108及QF5003站点处的时间序列 Fig. 5 ERA5 reanalysis data (black line) and observation data (red dot) time series of the sea surface temperature during typhoon 'Lekima' at the three buoys QF104, QF108 and QF5003 |
上文3.1至3.3分别评估了台风“利奇马”期间单站点处ERA5再分析风速、风向、有效波高、平均周期、波向及海面温度数据, 结果显示与实测数据的相关性较好; 但是单站点数据具有一定的局限性, 无法描述空间场的分布特征。图 6与图 7分别为台风“利奇马”期间台风中心靠近各浮标站点时刻的风场与有效波高的空间分布图。可以看到, 2019年8月10日12时台风中心靠近东海区域浮标站点QF5003, 且浮标位于台风中心的右前方大风区内, 此区域受到向岸风的影响, 受台风灾害影响最严重。同样, 2019年8月11日6时台风中心靠近黄海区域浮标站点QF108, 2019年8月12日6时台风中心靠近渤海区域浮标站点QF104, 各站点在对应时刻均位于台风路径右侧大风区内, 受到向岸风的影响。对应时刻的风速、风向与有效波高的空间分布符合台风风场与波浪的空间分布特征。结合单站点与空间场的评估分析结果, 表明台风“利奇马”自浙江沿岸登陆后的时间内ERA5再分析风场与有效波高数据在渤、黄、东海区域风浪研究中适用。
![]() |
图 6 台风“利奇马”期间ERA5再分析资料中台风中心靠近浮标站点时刻的风速与风向空间分布 Fig. 6 Wind speed (colormap, m s−1) and wind direction (red arrow) distribution at the time when the typhoon center is close to the buoys during typhoon 'Lekima' |
![]() |
图 7 台风“利奇马”期间ERA5再分析资料中台风中心靠近浮标站点时刻的有效波高空间分布 Fig. 7 Significant wave height distribution at the time when the typhoon center is close to the buoys during typhoon 'Lekima' |
浮标站点 | ERA5最大值/℃ | 浮标数据最大值/℃ | dRE | dAD | dSSD | dNRMSE | dCC |
QF104 | 27.92 | 29.89 | –6.59% | 2.32 | –4.48 | 0.12 | 0.56 |
QF108 | 29.11 | 31.10 | –6.40% | 0.09 | –0.41 | 0.02 | 0.89 |
QF5003 | 29.17 | 32.60 | –10.52% | 0.27 | –3.81 | 0.06 | 0.85 |
图 6与图 7分析了台风中心靠近浮标站点时刻的ERA5再分析资料的空间分布, 符合风场与波浪场的分布特征。鉴于观测数据的局限性, 接下来分析从2019年8月4日0时至2019年8月16日0时台风“利奇马”的整个生命周期内的ERA5再分析风场数据。图 8为台风“利奇马”期间ERA5再分析风速最大值全场分布图, 从图中观察到全场大风区位于台风路径的右侧, 全场风速最大值为28.21 m/s, 其发生时刻为2019年8月9日18时, 对应的坐标位置为(29.000°N, 122.250°E), 根据日本气象厅提供的台风中心路径信息可知, 此时台风中心的位置坐标为(28.200°N, 121.3°E), 最大风速为43.73 m/s, 且台风“利奇马”期间的最大风速发生在2019年8月8日15时, 最大值为54.02 m/s。可知在远海处强台风阶段, ERA5再分析风场数据与实际风速差距较大。
![]() |
图 8 台风“利奇马”期间ERA5再分析资料中风速最大值分布 Fig. 8 Maximum wind speed (m·s−1) distribution during typhoon 'Lekima' |
本文利用台风“利奇马”期间ERA5再分析数据与浮标站点的观测数据, 采用相关系数和均方根误差等统计方法, 对渤黄东海区域再分析资料10 m高度经向风速、10 m高度纬向风速、风向、有效波高、平均周期、平均波向及海面温度的适用性进行了对比分析, 结果表明:
1) ERA5再分析资料中的风速、风向和有效波高数据与浮标观测数据匹配度较好, 平均周期与海面温度数据次之。ERA5再分析资料中的风速、风向和有效波高数据与浮标观测数据之间的平均相关系数(平均均方根误差)分别为0.92(0.20)、0.94(0.14)和0.98(0.18), 平均周期和海面温度数据与浮标观测数据之间的平均相关系数(平均均方根误差)分别为0.88(0.16)和0.76(0.07), ERA5再分析资料中的风速、风向、有效波高数据与浮标观测数据的相关性明显优于平均周期与海面温度数据; ERA5再分析平均波向数据相对平滑, 而实测数据波动性大, 两者之间的相关性有待进一步提高。
2) 由第3节数据评估中给定的不同浮标不同要素之间对比的结果观察到: 针对同一参数, 在3个不同位置处的浮标观测数据与ERA5再分析数据之间的相关性和误差存在差异, 这可能是由于浮标观测位置不同, 其所处的海洋环境不同所造成的; 同一浮标位置处, 不同要素(风速、风向与有效波高等)的浮标观测数据与ERA5再分析数据之间的对比结果同样存在一定差异, 这可能是因为不同的要素受影响的因素不同造成的。
以上结论是基于台风“利奇马”期间的再分析和观测资料, 对渤黄东海风暴潮研究具有一定的参考价值, 但更长时间尺度上的变化以及ERA5与其他再分析资料的横向对比分析仍需进一步研究。
[1] |
GUAN S D, LI S Q, HOU Y J, et al. Increasing threat of landfalling typhoons in the western North Pacific between 1974 and 2013[J]. International Journal of Applied Earth Observation and Geoinformation, 2018, 68: 279-286. DOI:10.1016/j.jag.2017.12.017 |
[2] |
MO D X, HOU Y J, LI J, et al. Study on the storm surges induced by cold waves in the Northern East China Sea[J]. Journal of Marine Systems, 2016, 160: 26-39. DOI:10.1016/j.jmarsys.2016.04.002 |
[3] |
杨万康, 尹宝树, 伊小飞, 等. 基于Holland风场的台风浪数值计算[J]. 水利水运工程学报, 2017(4): 28-34. YANG Wankang, YIN Baoshu, YI Xiaofei, et al. Numerical calculation and research of typhoon waves based on Holland wind field[J]. Hydro-Science and Engineering, 2017(4): 28-34. |
[4] |
应王敏, 郑桥, 朱陈陈, 等. 基于SWAN模式的"灿鸿"台风浪数值模拟[J]. 海洋科学, 2017, 41(4): 108-117. YING Wangmin, ZHEN Qiao, ZHU Chenchen, et al. Numerical simulation of "CHAN-HOM" typhoon waves using SWAN model[J]. Marine Sciences, 2017, 41(4): 108-117. |
[5] |
冯兴如, 杨德周, 尹宝树, 等. 中国浙江和福建海域台风浪变化特征和趋势[J]. 海洋与湖沼, 2018, 49(2): 233-241. FENG Xingru, YANG Dezhou, YIN Baoshu, et al. The change and trend of the typhoon waves in Zhejiang and Fujian coastal areas of China[J]. Oceanologia et Limnologia Sinica, 2018, 49(2): 233-241. |
[6] |
LV X, YUAN D, MA X, et al. Wave characteristics analysis in Bohai Sea based on ECMWF wind field[J]. Ocean Eng, 2014, 91: 159-171. DOI:10.1016/j.oceaneng.2014.09.010 |
[7] |
SHENG Y, SHAO W, LI S, et al. Evaluation of typhoon waves simulated by WaveWatch-III model in shallow waters aound Zhoushan Islands[J]. Journal of Ocean University of China, 2019, 18(2): 365-375. DOI:10.1007/s11802-019-3829-2 |
[8] |
陈子健, 陈学恩, 刘涛. 不同参数化方案试验对南黄海典型台风中心最低气压和最大风速数值模拟影响[J]. 中国海洋大学学报(自然科学版), 2019, 49(3): 28-35. CHEN Zijian, CHEN Xueen, LIU Tao. The effect of different parameterization schemes for the maximum wind speed and the lowest sea-level pressure of the typical typhoon for southern Yellow Sea area[J]. Periodical of Ocean University of China, 2019, 49(3): 28-35. |
[9] |
MONNEY P A, MULLIGAN F J, FEALY R. Comparison of ERA-40, ERA-Interim and NCEP/NCAR reanalysis data with observed surface air temperature over Ireland[J]. Int J Climatol, 2010, 31(4): 545-557. |
[10] |
DECKER M, BRUNKE M A, WANG Z, et al. Evaluation of the reanalysis products from GSFC, NCEP and ECMWF using flux tower observations[J]. J Climate, 2011, 25(6): 1916-1944. |
[11] |
朱彦良, 凌超, 陈洪滨, 等. 两种再分析资料与RS92探空资料的比较分[J]. 气候与环境研究, 2012, 17(3): 381-391. ZHU Yanliang, LING Chao, CHEN Hongbin, et al. Comparison of two reanalysis data with the RS92 radiosonde data[J]. Climatic and Environmental Research, 2012, 17(3): 381-391. |
[12] |
孟宪贵, 郭俊建, 韩永清, 等. ERA5再分析数据适用性初步评估[J]. 海洋气象学报, 2018, 38(1): 91-99. MENG Xiangui, GUO Junjian, HAN Yongqing, et al. Preliminarily assessment of ERA5 reanalysis data[J]. Journal of marine meteorology, 2018, 38(1): 91-99. |
[13] |
CAIRES S, STERL A. A new nonparametric method to correct model data: Application to significant wave height from the ERA-40 re-analysis[J]. Journal of Atmospheric and Oceanic Technology, 2005, 22(4): 443-459. DOI:10.1175/JTECH1707.1 |
[14] |
SIGNELL R P, CARNIEL S, CAVALERI L, et al. Assessment of wind quality for oceanographic modelling in semi-enclosed basins[J]. Journal of Marine Systems, 2005, 53: 217-233. DOI:10.1016/j.jmarsys.2004.03.006 |
[15] |
CAVALERI L, BERTOTTI L. The improvement of modelled wind and wave fields with increasing resolution[J]. Ocean Eng, 2006, 33: 553-565. DOI:10.1016/j.oceaneng.2005.07.004 |
[16] |
ARDHUIN F, BERTOTTI L, BIDLOT J R, et al. Comparison of wind and wave measurements and models in the western Mediterranean sea[J]. Ocean Eng, 2007, 34: 526-541. DOI:10.1016/j.oceaneng.2006.02.008 |
[17] |
BRENNER S, GERTMAN I, MURASHKOVSKY A. Preoperational ocean forecasting in the southeastern Mediterranean Sea: Implementation and evaluation of the models and selection of the atmospheric forcing[J]. Journal of Marine Systems, 2007, 65: 268-287. DOI:10.1016/j.jmarsys.2005.11.018 |
[18] |
XU Y, WANG Z. Response of surface ocean conditions to Typhoon Rammasum (2014)[J]. Journal of Coastal Research, 2017, 80(sp1): 92-97. |
[19] |
CAVALERI L, SCLAVO M. The calibration of wind and wave model data in the Mediterranean Sea[J]. Coastal Eng, 2006, 53(7): 613-627. DOI:10.1016/j.coastaleng.2005.12.006 |
[20] |
MOEINI M H, ETEMAD-SHAHIDI A, CHEGINI V. Wave modeling and extreme value analysis off the northern coast of the Persian Gulf[J]. Appl Ocean Res, 2010, 32: 209-218. DOI:10.1016/j.apor.2009.10.005 |
[21] |
MAZAHERI S, KAMRANZAD B, HAJIVALIE F. Modification of 32 years ECMWF wind field using QuikSCAT data for wave hindcasting in Iranian Seas[J]. Journal of Coastal Research(Special Issue), 2013, 65: 344-349. |
[22] |
杨利. 台风"利奇马"致530余亿元直接经济损失[EB/OL]. (2019-08-15)[2020-05-01]. http://www.bjnews.com.cn/news/2019/08/15/615677.html.
|
[23] |
宋华成. "利奇马"风雨综合强度为1961年以来最大已致56人死亡[EB/OL]. (2019-08-14)[2020-05-01]. http://news.weather.com.cn/2019/08/3228731.shtml.
|
[24] |
刘丽萍. 应急管理部发布2019年8月全国自然灾害基本情况[EB/OL]. (2019-09-04)[2020-05-01]. https://www.mem.gov.cn/xw/bndt/201909/t20190904_336230.shtml.
|