CN108009132A - 基于海水中叶绿素a含量变化的台风区域灾害评估方法 - Google Patents
基于海水中叶绿素a含量变化的台风区域灾害评估方法 Download PDFInfo
- Publication number
- CN108009132A CN108009132A CN201711260117.3A CN201711260117A CN108009132A CN 108009132 A CN108009132 A CN 108009132A CN 201711260117 A CN201711260117 A CN 201711260117A CN 108009132 A CN108009132 A CN 108009132A
- Authority
- CN
- China
- Prior art keywords
- typhoon
- chlorophyll
- seawater
- mrow
- determination
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/95—Radar or analogous systems specially adapted for specific applications for meteorological use
- G01S13/955—Radar or analogous systems specially adapted for specific applications for meteorological use mounted on satellite
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Mathematical Physics (AREA)
- Algebra (AREA)
- Computer Hardware Design (AREA)
- Operations Research (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- Electromagnetism (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于海水中叶绿素a含量变化的台风区域灾害评估方法,包括以下步骤:S101卫星数据获取;S102卫星数据预处理;S103通过卫星反演计算获得叶绿素a含量及其在台风来临前后的变化率;S104建立基于叶绿素a含量的变化率rate的台风区域灾害模型S1,采用本发明的一种基于海水中叶绿素a含量变化的台风区域灾害评估方法,通过卫星反演计算获得在台风来临前后的台风区域海水中的叶绿素a含量的变化率,并建立基于叶绿素a含量变化率的台风区域灾害模型,可以实时测定任意具体台风区域的风力等级,更为精准;同时也为风力等级的评估提供了一种新的验证手段。
Description
技术领域
本发明涉及卫星反演技术应用及海洋物理建模领域,尤其涉及一种基于海水中叶绿素a含量变化的台风区域灾害评估方法。
背景技术
我国是全球受台风影响严重的国家之一,历年来我国东南沿海各省甚至内陆地区都会因台风灾害造成重大经济损失和人员伤亡。近几年随着全球气候变化,台风的频发性和不确定性越发突出。如何估算台风区域内的危害程度,帮助台风发生海域的船舶进行避险是一个迫在眉睫的问题。目前主要的解决方法就是运用气象卫星通过云图进行天气预报和灾害预警,然后进行封港封航,采用被动式的方法躲避台风灾害。尽管事前天气预报和灾害预警能够较好的帮助沿海居民和渔船做好防范工作,但是被动防御也存在局限性、被动性和可靠性问题等。对此,国内外学者也针对台风灾害评估做了一些研究,包括1、利用定点浮标对台风进行观测,通过获取少量实测数据来监测台风对海洋表面的影响。这种方法效率低,耗时长,无法同时监测大面积海域。2、运用卫星遥感技术对台风灾害进行监测,具有观测区域大、时空同步、连续的特点,可以从整体上对台风灾害进行研究如监测台风的发展路径以及登陆沿海的过程。但只是针对台风运行的路径预测和台风的破坏程度,而不能对台风不同区域危害程度进行评估。
台风作为一种带有强大风场的天气系统,对所发生海域有剧烈的机械能输入,通过台风导致的上升流和垂向混合及夹卷过程,将亚表层富含硝酸盐和磷酸盐等营养盐的较冷水体带入海洋表层,对浮游生物的生长带来积极的影响,进而引起相应海域海水中叶绿素a含量得变化。因此,需要研究出一种基于海水中叶绿素a含量的变化进行台风区域性灾害评估的方法
发明内容
有鉴于此,本发明提供了一种基于海水中叶绿素a含量变化的台风区域灾害评估方法,解决了现有技术中关于不同台风区域灾害评估不够精确的问题。
本发明采用的技术手段如下:一种基于海水中叶绿素a含量变化的台风区域灾害评估方法,包括以下步骤:
S101卫星数据获取;
S102卫星数据预处理;
S103通过卫星反演计算获得叶绿素a含量及其台风前后的变化率;
S104建立基于叶绿素a含量的变化率rate的台风区域灾害模型S1,
其中参数β0=0.19,β1=0.01,β2=-0.037,f=5×10-5,R=21.9,ρ为观测地气压,Δp为观测地与台风中心的气压差,r是观测地与台风中心的距离,ε是随机误差,
优选地,S102卫星数据预处理步骤中,包括数据读取、辐射定标操作、大气校正和图像裁剪。
优选地,S103步骤中,卫星反演为通过卫星所搭载的传感器对海水表面进行探测;通过海面反射、散射或自发辐射的各个波段电磁波获取海表面温度、海表面粗糙度以及海水所含各种物质浓度的信息来计算海水中叶绿素a含量,叶绿素a反演模型公式:
ChLa=A*(BNIR/BRED)+B
其中,ChLa表示叶绿素a的含量浓度,BNIR和BRED分别表示近红外波段和红外波段,A和B为参数系数。
优选地,S104步骤中,台风移速S2、台风强度S1和叶绿素a含量变化率Rate之间的回归模型为:
Rate=β0+β1S1+β2S2+ε。
综上所述,采用本发明的一种基于海水中叶绿素a含量变化的台风区域灾害评估方法,通过卫星反演计算获得在台风来临前后的台风区域海水中的叶绿素a含量的变化率,并建立基于叶绿素a含量变化率的台风区域灾害模型,可以实时测定任意具体台风区域的风力等级,更为精准;同时也为风力等级的评估提供了一种新的补充验证手段。可根据台风天气海水中叶绿素a含量变化率的高低计算出风力等级,从而帮助船舶选择台风风力相对较小的区域进行航行,减少台风灾害对船舶带来的损失。
附图说明
图1为本发明的一种基于海水中叶绿素a含量变化的台风区域灾害评估方法的流程图;
图2为卫星反演叶绿素a含量的分布直方图;
图3 2015.8.31正常天气情况下海水中叶绿素a分布情况;
图4 2015.10.2台风来临时海水中叶绿素a分布情况;
图5样本点叶绿素a浓度与风力评估值;
图6样本点预测台风等级。
具体实施方式
以下对本发明的原理和特征进行描述,所举实施例只用于解释本发明,并非用于限定本发明的范围。
实施例一:如图1,一种基于海水中叶绿素a含量变化的台风区域灾害评估方法,包括以下步骤:
S101卫星数据获取,选取2013年2月11日美国NASA发射的Landsat8卫星数据进行实验。
S102卫星数据预处理,包括数据读取、辐射定标操作、大气校正和图像裁剪。
(1)数据读取,具体为导入TIFF格式的Landsat8卫星数据,Landsat8卫星数据下载格式为经典的TIFF格式,其中包括11个波段和影像文件,1个质量评估文件和1个TXT格式的元数据,质量评估文件主要包含拍摄时间、经度、纬度、太阳高度等信息。
(2)辐射定标操作,具体将传感器记录的电压或数字量化值转换为绝对辐射亮度值(辐射率)的过程。利用ENVI提供的通用定标工具(Radiometric Calibration)对原始卫星数据进行辐射定标操作。定标公式如下:
L=Gain*DN+Offset (1)
其中L为辐射亮度值,DN数字量化值。
(3)大气校正,具体为获得地物反射率、辐射率、地表温度等真实物理模型参数,用来消除大气中的水蒸气、氧气、二氧化碳等对地物反射的影响,消除大气分子和气溶胶散射的影响。
(4)图像裁剪,具体为根据研究需要,将研究之外的图像区域裁剪掉,保留作为研究对象的图像区域。
S103叶绿素a含量测定,包括卫星反演操作和数据结果分析。
(1)卫星反演操作具体为,通过卫星所搭载的传感器对海水表面进行探测;通过海面反射、散射或自发辐射的各个波段电磁波获取海表面温度、海表面粗糙度以及海水所含各种物质浓度的信息,如海水中叶绿素a含量。
本实验采用波段比值法来进行叶绿素a反演模型的建立,反演公式如下:
ChLa=A*(BNIR/BRED)+B (2)
其中,ChLa表示叶绿素a的浓度,BNIR和BRED分别表示近红外波段和红外波段;A和B表示参数系数。在另外一个实施例中也可以采用现有的反演方法。
(2)数据结果分析具体为,运用叶绿素a反演得到研究区域叶绿素a的含量分布直方图,如图2所示。通过叶绿素a含量分布直方图可以看出,该实验海水中叶绿素a含量浓度主要集中在0-9(μg/L),在合理值范围内。
S104建立灾害模型
(1)建立海水中叶绿素a浓度的变化与热带气旋强度和移速的回归模型
台风与海水中叶绿素a响应的现象常常与多个因素有关。建立多个自变量最优组合来预测和估计因变量,比只用一个自变量进行估计更加有效。
通过对中国南海采集数据进行实验,建立了叶绿素a浓度变化率(Rate)与台风强度(S1)和移速(S2)之间的回归模型如下:
Rate=β0+β1S1+β2S2+ε (3)
其中回归系数β0=0.19,β1=0.01,β2=-0.037由数据估计,ε是随机误差。
(2)建立台风平衡体系模型
台风是一个自组织性非常强的天气系统,它的结构比较清晰且具有特定规律。台风在运动中主要受气压梯度力、科氏力、离心力和摩擦力四力影响。这四种力在理想情况下达到平衡,因此得出:
F气压+F离+F料+F摩=0 (4)
其中气压梯度力F气压由于水平气压差造成,它推动着空气质点从高压区流向低压区:其中,p是观测地气压,r是观测地相距台风的距离。
离心力是指做圆周运动的物体由于自身惯性,总有沿着圆周切线方向飞出去的倾向,这种倾向用离心力F离来描述:其中ρ是台风区域大气密度,v是圆周切向的风速。
科氏力是对旋转体系中进行直线运动的质点由于惯性相对于旋转体系产生的直线运动的偏移的一种描述。其中f是根据所选择区域确定的一个常数:ω是地球自转的角速度。是所选择区域的纬度值,北纬取正,南纬取负。
摩擦力F摩是地球表面摩擦作用带来的,将摩擦力F摩简化成摩擦系数k、风速和风切变因子(hv、hu)的乘积:摩擦系数k可以有两种假定形:
(3)建立基于叶绿素a含量变化对应不同台风区域风力的灾害模型
通过对叶绿素a台风模型的建立来进行台风风力的灾害评估。将摩擦系数k按待定参数进行估计,不失一般性,令huhv=1。于是可将公式(4)变形为:
通过大量的科学实证发现台风海平面气压p(r)的经向分布满足Fujitais经验公式:
其中pE是大气海平面气压(一般为1000hpa),Δp为台风强度因子,是环境与台风中心的气压差,R为台风尺度因子。作用在于将各种大小台风标准化。
对公式(5)和(6)进行整合归纳:
通过利用实测数据,采用数据拟合方法确定台风参数,得到台风尺度因子R=21.9,摩擦因子k″=3.7×10-6。最终得到基于叶绿素a含量的变化率推测台风区域不同位置风力大小的灾害模型:
其中β0=0.19,β1=0.01,β2=-0.037,f=5×10-5,ρ是观测地气压,Δp为观测地与台风中心的气压差Δp,r是观测地相距台风中心的距离,R为台风尺度因子,R=21.9,
通过台风灾害模型的创建,当台风来临时海水中叶绿素a含量会发生相应的规律性变化。经过卫星反演,得到事发水域相应叶绿素a的含量变化率,将研究水域海水中叶绿素a含量率带入台风灾害模型中,对研究区域台风灾害进行具体区域的预测。
台风灾害的评估是通过台风灾害模型计算风速的大小,进而来进行风力的估算。具体度量标准参考热带气旋等级国家标准,如表1所示。
表1热带气旋等级国家标准
S105实验模拟验证
先获取样本点即5个区域实际台风风力等级s,分别为sA、sB、sC、sD、sE;具体参数如表2,,对样本点对应的海水中叶绿素a含量进行反演,得到相应的叶绿素a含量值CHLa,分别为CHLaA、CHLaB、CHLaC、CHLaD和CHLaE,后分别计算出台风前后的叶绿素变化率rate;将样本点相关的参数代入灾害模型如公式8中,得到风力预估值S:SA、SB、SC、SD、SE;(4)分别对比样本点叶绿素a含量变化率和风力评估值、预测风力等级的大小曲线,通过比较实际风力等级和风力评估值S的大小的一致性,验证提前通过研究区域不同样本点的海水中叶绿素a含量来对台风灾害进行评估的可行性。
图3表示2015年8月31日正常天气下,研究区域海水中叶绿素a含量分布情况。通过图3我们可以看出研究区域海水中叶绿素a含量在天气正常的情况下分布比较均匀,且含量较低,主要含量集中在4μg/L。图4表示2015年10月2日,台风“彩虹”来临时,研究区域海水中叶绿素a含量分布情况。其中图像白色部分为台风天气所带来的云层。通过图4我们可以看出研究区域海水中叶绿素a含量在台风“彩虹”来临时,呈现不规则分布。研究区域海水中叶绿素a含量在0.11-9.99μg/L范围内,其中靠近台风圈区域海水中叶绿素含量高达9.99μg/L。其余区域海水中叶绿素a含量根据所在区域台风风力的不同。
通过研究区域正常天气情况下海水中叶绿素a含量分布图3与台风灾害天气情况下海水中叶绿素a含量分布图4的比较得出(1)当台风灾害天气来临时,会造成海水中叶绿素a含量发生明显地变化;(2)海水中叶绿素a含量高低与所在区域台风分力大小有关;(3)风力越大的区域,海水中叶绿素a含量越高。
因此,通过对样本点处的叶绿素a含量进行反演操作计算得出含量变化率rate,将数值带入台风灾害模型中,得到风力评估值S的大小。对研究区域样本点A、B、C、D、E的叶绿素a含量变化率rate和风力评估值S的大小曲线趋势进行比较,如表3和图5。说明样本点A、B、C、D、E叶绿素a浓度变化率带入模型中,计算出来的风力评估值,与实际风力值的大小一致。
表2灾害模型参数表
表3灾害模型验证表
综上所述,采用本发明的一种基于海水中叶绿素a含量变化的台风区域灾害评估方法,通过卫星反演计算获得在台风来临前后的台风区域海水中的叶绿素a含量的变化率,并建立基于叶绿素a含量变化率的台风区域灾害模型,可以实时测定任意具体台风区域的风力等级,更为精准。可根据台风天气海水中叶绿素a含量变化率的高低计算出风力等级,从而帮助船舶选择台风风力相对较小的区域进行航行,减少台风灾害对船舶带来的损失。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明保护的范围之内。
Claims (4)
1.一种基于海水中叶绿素a含量变化的台风区域灾害评估方法,其特征在于:包括以下步骤:
S101卫星数据获取;
S102卫星数据预处理;
S103通过卫星反演计算获得叶绿素a在台风来临前后的变化率;
S104建立基于叶绿素a含量的变化率rate的台风区域灾害模型S1,
<mrow>
<msub>
<mi>S</mi>
<mn>1</mn>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<mi>R</mi>
<mi>a</mi>
<mi>t</mi>
<mi>e</mi>
<mo>-</mo>
<msub>
<mi>&beta;</mi>
<mn>0</mn>
</msub>
<mo>-</mo>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
<msub>
<mi>&beta;</mi>
<mn>2</mn>
</msub>
<mrow>
<mo>(</mo>
<mo>-</mo>
<mi>f</mi>
<mi>r</mi>
<mo>+</mo>
<msqrt>
<mrow>
<msup>
<mrow>
<mo>(</mo>
<mi>f</mi>
<mi>r</mi>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>+</mo>
<mn>4</mn>
<mfrac>
<mrow>
<mi>&Delta;</mi>
<mi>p</mi>
</mrow>
<mi>&rho;</mi>
</mfrac>
<mfrac>
<mrow>
<msup>
<mi>a</mi>
<mn>2</mn>
</msup>
<mo>-</mo>
<mn>1</mn>
</mrow>
<msup>
<mi>a</mi>
<mn>3</mn>
</msup>
</mfrac>
</mrow>
</msqrt>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>&epsiv;</mi>
</mrow>
<msub>
<mi>&beta;</mi>
<mn>1</mn>
</msub>
</mfrac>
</mrow>
其中参数β0=0.19,β1=0.01,β2=-0.037,f=5×10-5,R=21.9,ρ为观测地气压,Δp为观测地与台风中心的气压差,r是观测地与台风中心的距离,ε是随机误差,
2.根据权利要求1所述的一种基于海水中叶绿素a含量变化的台风区域灾害评估方法,其特征在于:所述S102步骤中,包括数据读取、辐射定标操作、大气校正和图像裁剪。
3.根据权利要求1所述的一种基于海水中叶绿素a含量变化的台风区域灾害评估方法,其特征在于:所述S103步骤中,卫星反演为通过卫星所搭载的传感器对海水表面进行探测;通过海面反射、散射或自发辐射的各个波段电磁波获取海表面温度、海表面粗糙度以及海水所含各种物质浓度的信息来计算海水中叶绿素a含量,叶绿素a反演模型公式:
ChLa=A*(BNIR/BRED)+B
其中,ChLa表示叶绿素a的含量浓度,BNIR和BRED分别表示近红外波段和红外波段,A和B为参数系数。
4.根据权利要求1所述的一种基于海水中叶绿素a含量变化的台风区域灾害评估方法,其特征在于:所述S104步骤中,台风移速S2和台风强度S1、叶绿素a含量变化率之间的回归模型为:
Rate=β0+β1S1+β2S2+ε。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711260117.3A CN108009132A (zh) | 2017-12-04 | 2017-12-04 | 基于海水中叶绿素a含量变化的台风区域灾害评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711260117.3A CN108009132A (zh) | 2017-12-04 | 2017-12-04 | 基于海水中叶绿素a含量变化的台风区域灾害评估方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108009132A true CN108009132A (zh) | 2018-05-08 |
Family
ID=62056469
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711260117.3A Pending CN108009132A (zh) | 2017-12-04 | 2017-12-04 | 基于海水中叶绿素a含量变化的台风区域灾害评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108009132A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111538940A (zh) * | 2020-05-12 | 2020-08-14 | 自然资源部第二海洋研究所 | 悬浮物浓度反演模型确定方法及悬浮物浓度确定方法 |
CN113487139A (zh) * | 2021-06-11 | 2021-10-08 | 中国水产科学研究院东海水产研究所 | 一种基于空间位置的区域台风风险评估方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107014763A (zh) * | 2017-04-07 | 2017-08-04 | 山东理工大学 | 叶绿素遥感反演装置及方法 |
-
2017
- 2017-12-04 CN CN201711260117.3A patent/CN108009132A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107014763A (zh) * | 2017-04-07 | 2017-08-04 | 山东理工大学 | 叶绿素遥感反演装置及方法 |
Non-Patent Citations (7)
Title |
---|
DI WU 等: "Study on the assessment method of typhoon regional disaster based on the change of cholorophyll-a concentration in seawater", 《OCEANS 2017-ABERDEEN》 * |
WU D 等: "Typhoon early warning modeling for regional disaster evalution", 《2017 5TH INTERNATIONAL CONFERENCE ON ENTERPRISE SYSTEMS》 * |
丛丕福 等: "基于MODIS模拟的辽东湾叶绿素a的遥感反演模型", 《生态环境学报》 * |
付东洋 等: "台风对海洋叶绿素a浓度影响的定量遥感初探", 《海洋学报》 * |
周志立 等: "基于Landsat8影像反演洪湖叶绿素a浓度", 《湖北大学学报(自然科学版)》 * |
赵文宇 等: "基于Landsat8 数据的东道海子叶绿素a的遥感反演和监测研究", 《新疆环境保护》 * |
邵劲超 等: "台风"麦莎"对西北太平洋近岸和离岸浮游植物叶绿素浓度的影响", 《广东海洋大学学报》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111538940A (zh) * | 2020-05-12 | 2020-08-14 | 自然资源部第二海洋研究所 | 悬浮物浓度反演模型确定方法及悬浮物浓度确定方法 |
CN111538940B (zh) * | 2020-05-12 | 2021-05-28 | 自然资源部第二海洋研究所 | 悬浮物浓度反演模型确定方法及悬浮物浓度确定方法 |
CN113487139A (zh) * | 2021-06-11 | 2021-10-08 | 中国水产科学研究院东海水产研究所 | 一种基于空间位置的区域台风风险评估方法 |
CN113487139B (zh) * | 2021-06-11 | 2022-09-16 | 中国水产科学研究院东海水产研究所 | 一种基于空间位置的区域台风风险评估方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Abnizova et al. | Small ponds with major impact: The relevance of ponds and lakes in permafrost landscapes to carbon dioxide emissions | |
Fer | Near-inertial mixing in the central Arctic Ocean | |
Sun et al. | Strong near-inertial oscillations in geostrophic shear in the northern South China Sea | |
Klemas | Remote sensing of coastal plumes and ocean fronts: overview and case study | |
Fan et al. | Observations of Irminger Sea anticyclonic eddies | |
Danielson et al. | Circulation on the central Bering Sea shelf, July 2008 to July 2010 | |
Masunaga et al. | Dynamics and energetics of trapped diurnal internal Kelvin waves around a midlatitude island | |
Dierssen et al. | Optics and remote sensing of Bahamian carbonate sediment whitings and potential relationship to wind-driven Langmuir circulation | |
Fisher et al. | Wind stress dynamics in Chesapeake Bay: Spatiotemporal variability and wave dependence in a fetch-limited environment | |
Davis et al. | The land‐sea breeze of the red sea: observations, simulations, and relationships to regional moisture transport | |
Hunter et al. | High‐frequency forcing and subtidal response of the Hudson River plume | |
Lin et al. | Development of a GNSS buoy for monitoring water surface elevations in estuaries and coastal areas | |
Wang et al. | Sediment transport and dispersal pattern from the Bohai Sea to the Yellow Sea | |
Krumpen et al. | Sea ice production and water mass modification in the eastern Laptev Sea | |
CN108009132A (zh) | 基于海水中叶绿素a含量变化的台风区域灾害评估方法 | |
Koenig et al. | Observations of turbulence at a near‐surface temperature front in the Arctic Ocean | |
Houghton et al. | Performance statistics of a real-time Pacific Ocean weather sensor network | |
KarisAllen et al. | Present and future thermal regimes of intertidal groundwater springs in a threatened coastal ecosystem | |
Shearman et al. | Evaporative dense water formation and cross‐shelf exchange over the northwest Australian inner shelf | |
Petrusevich et al. | Tidally-generated internal waves in Southeast Hudson Bay | |
Li et al. | Remote sensing studies of suspended sediment concentration variations in a coastal bay during the passages of atmospheric cold fronts | |
Soosaar et al. | River bulge evolution and dynamics in a non-tidal sea–Daugava River plume in the Gulf of Riga, Baltic Sea | |
Romero et al. | Coincident observations of dye and drifter relative dispersion over the inner shelf | |
Wijesekera et al. | Surface wave effects on high-frequency currents over a shelf edge bank | |
Melling | Sea-ice observation: Advances and challenges |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180508 |
|
RJ01 | Rejection of invention patent application after publication |