CN114611800A - 一种黄海绿潮中长期趋势预测方法 - Google Patents
一种黄海绿潮中长期趋势预测方法 Download PDFInfo
- Publication number
- CN114611800A CN114611800A CN202210253275.0A CN202210253275A CN114611800A CN 114611800 A CN114611800 A CN 114611800A CN 202210253275 A CN202210253275 A CN 202210253275A CN 114611800 A CN114611800 A CN 114611800A
- Authority
- CN
- China
- Prior art keywords
- green tide
- months
- area
- green
- sea
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- 230000007774 longterm Effects 0.000 title claims abstract description 8
- 238000009826 distribution Methods 0.000 claims abstract description 52
- 238000011161 development Methods 0.000 claims abstract description 25
- 238000012544 monitoring process Methods 0.000 claims abstract description 13
- 238000001556 precipitation Methods 0.000 claims description 18
- 239000013535 sea water Substances 0.000 claims description 8
- 238000012935 Averaging Methods 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000005286 illumination Methods 0.000 claims description 4
- 238000012950 reanalysis Methods 0.000 claims description 4
- 238000010219 correlation analysis Methods 0.000 claims description 2
- 238000000611 regression analysis Methods 0.000 claims description 2
- 238000011160 research Methods 0.000 abstract description 15
- 230000002265 prevention Effects 0.000 abstract description 6
- 230000009467 reduction Effects 0.000 abstract description 3
- 238000012360 testing method Methods 0.000 description 14
- 230000008859 change Effects 0.000 description 11
- 230000000875 corresponding effect Effects 0.000 description 10
- 241000196252 Ulva Species 0.000 description 9
- 230000000694 effects Effects 0.000 description 9
- 230000008569 process Effects 0.000 description 8
- 230000005855 radiation Effects 0.000 description 7
- 241000195493 Cryptophyta Species 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 239000002131 composite material Substances 0.000 description 3
- 230000002596 correlated effect Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 241001474374 Blennius Species 0.000 description 2
- 241000195628 Chlorophyta Species 0.000 description 2
- 241000208125 Nicotiana Species 0.000 description 2
- 235000002637 Nicotiana tabacum Nutrition 0.000 description 2
- 241000206607 Porphyra umbilicalis Species 0.000 description 2
- 241000196253 Ulva prolifera Species 0.000 description 2
- 238000011497 Univariate linear regression Methods 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 239000003653 coastal water Substances 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000004880 explosion Methods 0.000 description 2
- 230000035755 proliferation Effects 0.000 description 2
- 239000002028 Biomass Substances 0.000 description 1
- 101100063069 Caenorhabditis elegans deg-1 gene Proteins 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 230000026058 directional locomotion Effects 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000007429 general method Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000033001 locomotion Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000000050 nutritive effect Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 241000894007 species Species 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
- 239000003643 water by type Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种黄海绿潮中长期趋势预测方法，包括以下步骤：a确定黄海绿潮的研究区域(33‑37°N，119‑123°E)，并以35°N为界，将其划分为绿潮生成和发展两个关键区，确定影响绿潮生长和漂移的主要因子为气象和海洋因子；b获取绿潮多源监测数据和关键区域的气象和海洋要素观测数据；c分析绿潮卫星发现时间、绿潮主体漂移方向、绿潮最大分布面积三个指标的前期气象影响因子和海影响因子，并分别建立预测模型；d获取所需预测年度绿潮发生前期的气象要素值和海洋要素值，根据步骤c建立的预测模型，对当年黄海绿潮卫星发现时间、主体漂移方向和最大分布面积等指标进行中长期趋势预测，获得预测结果。本发明可为绿潮防灾减灾工作提供必要的技术支撑。
Description
技术领域
本发明涉及绿潮灾害预警领域，具体地说是涉及一种黄海绿潮中长期趋势预测方法。
背景技术
绿潮是指海洋大型藻类在一定环境条件下暴发性增殖或聚集形成大面积漂浮的海洋生态异常现象。绿潮在全球沿岸海域暴发并造成严重危害的现象变得越来越频繁。绿潮发生的地理范围日趋增大，已经成为一种世界性的海洋灾害。自1980年起，美国、加拿大、荷兰、法国、意大利、日本和韩国等国家，均暴发过绿潮灾害，法国沿岸海域尤为严重。从1997年到2001年，受绿潮危害的滨海城市从60个增加到103个。2007年，中国黄海南部和中部局部海域首次发现由绿藻大量增殖而发生的绿潮，之后连续10余年暴发大规模黄海绿潮灾害。
国外学者关于绿潮预测的研究主要集中在绿潮的生长机制、漂移沉降等方面，并得到了初步的成果。Aurousseau在法国绿潮灾害比较严重的Brest湾，建立了三维生物地球化学模式，对该海域漂浮绿潮的生长和腐败-漂移-沉降过程进行了模拟。Cugier建立了浮游植物三维生态学模型和三维水动力模型，并建立了适用于Brest湾绿潮特征的三维生物地球化学模型，同时开展了潮间带绿潮的预报研究。Perrot发展了预测潮间带海藻的简单方法，并于2007年建立了绿潮在潮间带生长和漂移的预测模式。可以看出，国外对绿潮预测的研究多针对于海湾和潮间带区域，预测时效较短，而黄海绿潮发生在开阔海域，在生成和发展的过程中要经过大规模、长时间的漂移。因此这些研究不能很好地应用于黄海绿潮的中长期趋势预测。
国内学者对于绿潮预测方面的研究，主要从生物学和海洋大气环境动力学的角度展开，并取得了一定的进展。张苏平和衣立等分别从黄海水文气象条件变化方面对2008、2009年绿潮聚集和定向移动进行研究分析，认为风场是绿潮漂动的主要强迫场；导致2009年绿潮推迟暴发的关键因素是黄海西部降水而不是海面温度；风场驱动下的海洋表层流场年际变化是绿潮漂移路径变异的主要原因。黄娟基于三维全动力POM海洋模式和2008～2009年黄海绿潮多源实测和监测数据，利用拉格朗日粒子追踪方法对绿潮的漂移轨迹进行应急预测，得到的黄海绿潮漂移轨迹和数模结果具有密切的关系。Lin从交叉学科的角度研究绿潮成因和动力机制，发现漂浮浒苔在物种以及种内水平具有高度的遗传均一性，推测2008年4～5月在南黄海中部稳定冷涡的发生发展和运动过程与浒苔的漂流聚集密切相关，可以利用冷涡来预测绿潮的生消和漂移。上述研究结合黄海绿潮在特定年份的发展过程，提出了影响绿潮爆发和漂移的局地因子，并对影响机理进行了初步分析。然而，目前的研究未提出针对黄海绿潮季节尺度趋势预测的一般性方法，也甚少考虑大气和海洋环境对绿潮发生发展的影响。
发明内容
基于上述技术问题，本发明提出一种黄海绿潮中长期趋势预测方法。
本发明所采用的技术解决方案是：
一种黄海绿潮中长期趋势预测方法，包括以下步骤：a以35°N为界，将黄海海域划分为绿潮生成和发展两个关键区，分别为区域1和区域2，其中区域1的范围为33～35°N，119～123°E，区域2的范围为35～37°N，119～123°E，确定影响绿潮生长和漂移的主要因子为气象因子和海洋因子；
b获取绿潮卫星遥感、无人机、船舶等多源历史监测数据，以及关键区域的气象和海洋要素历史再分析数据集；
c基于获取的监测数据，分析绿潮卫星发现时间、主体漂移方向和最大分布面积三个指标的前期气象和海洋影响因子，并建立预测模型；
c1卫星发现时间预测模型
构建卫星首次发现时间预测因子：海温Xsst、海水盐度Xsal和降水率Xprate；建立三元回归模型，如下式(1)；
Ydate＝-2.90Xsst-15.17Xsal+3.77Xprate+496.32 (1)
各因子选取区域及时段为：Xsst区域1，2月5候至5月1候(1候＝5天，下同)；Xsal区域1，3月6候至5月4候；Xprate区域1，2月2候至4月5候；
绿潮实际发生时间为5月17+Ydate日。例如：当Ydate＝-1时，实际发生时间为5月16日；当Ydate＝2时，实际发生时间为5月19日。5月17日为绿潮历史平均卫星发现日期。
c2绿潮主体漂移方向预测模型
按照绿潮主体漂移方向，将其分为西进型、北偏西型、北上型和北偏东型；
构建绿潮主体漂移方向的预测因子：流向Xocn_deg_1和风向Xwnd_deg_2；建立二元回归模型，如下式(2)；
Ygreentide_deg＝1.03Xocn_deg_1+0.80Xwnd_deg_2-82.81 (2)
各因子选取区域及时段为：Xocn_deg_1区域1，6月1候至3候；Xwnd_deg_2区域2，5月6候至6月3候；
绿潮主体漂移方向的角度即为Ygreentide_deg；例如：90°表示绿潮主体向正北方向漂移，135°表示向西北方向漂移；
c3绿潮最大分布面积预测模型
构建绿潮最大分布面积的预测因子：海温Xsst和流的纬向分量Xocn_u；建立二元回归模型，如下式(3)；
S＝6.36×103Xsst+3.96×105Xocn_u-1.33×105 (3)
各因子选取区域及时段为：Xsst区域1，3月4候至4月6候；Xocn_u区域1，6月2候至5候。
绿潮最大分布面积即为S；
d获取所需预测年度绿潮发生前期的气象要素值和海洋要素值，根据步骤c建立的预测模型，对黄海绿潮发生、发展趋势进行预测，获得预测结果。
优选的，步骤b中：所述气象要素包括气温、光照、降水、风向和风速；所述海洋要素包括海温、海流、浪高和浪向。
优选的，步骤c中：通过已有年度的气象要素数据、海洋要素数据和当年度所对应的绿潮监测数据，采用合成分析、超前-滞后相关分析及多元回归分析等方法建立预测模型。
优选的，在建立预测模型前，将各气象要素数据和海洋要素数据做候平均和区域平均处理。
本发明的有益技术效果是：
本发明提出一种黄海绿潮中长期趋势预测方法，该方法融合最新的绿潮多源监测数据和大气海洋再分析数据，分析黄海绿潮的年际变化特征和发生发展趋势，进而分析区域大气和海洋环境要素对黄海绿潮的影响，建立黄海绿潮发生、发展趋势预测模型，为相关部门提前开展绿潮防灾减灾工作部署，制定应急处置方案提供必要的技术支撑。
附图说明
下面结合附图与具体实施方式对本发明作进一步说明：
图1为本发明方法研究区域示意图；
图2示出卫星首次发现时间与大气和海洋要素相关系数；
图3示出卫星首次发现时间最优一元/二元/三元回归模型与实测值对比图；
图4示出2008～2019年绿潮主体漂移路径分类图；
图5为5月4～6候风场和流场合成图(上风场；下流场；从左至右依次对应四种路径)；
图6为6月1～3候风场和流场合成图(上风场；下流场；从左至右依次对应四种路径)；
图7为6月4～6候风场和流场合成图(上风场；下流场；从左至右依次对应四种路径)；
图8示出区域1流向流速与漂移角度的相关系数；
图9示出区域2风向风速与漂移角度的相关系数；
图10示出绿潮漂移方向最优一元/二元回归模型拟合值与实测值对比图；
图11为2008至2019年各年最大分布面积和最大覆盖面积；
图12示出绿潮最大分布面积与大气和海洋要素的相关系数；
图13为绿潮最大分布面积最优一元/二元回归模型拟合值与实测值对比图。
具体实施方式
黄海绿潮爆发已有十余年的历史，各年份绿潮的生成时间、漂移路径、登陆时间、分布面积、覆盖面积等时空特征不尽相同。特别是近年来，在全球气候变化背景下，我国近海海洋环境的极端和异常现象增多，导致影响绿潮爆发和漂移趋势的海洋大气因子复杂，预测难度增大。
由此，认识黄海绿潮的变化特征，分析海洋和大气环境因子对绿潮的影响，有利于深入理解黄海绿潮爆发和漂移的动力学过程；建立中长期趋势预测方法，对黄海绿潮的爆发和漂移路径进行有效预报，可以为相关部门提前开展绿潮防灾减灾工作部署，制定应急处置方案提供必要的科学依据。
黄海绿潮的发生时间通常为每年的4月至8月。4月中旬由船舶最初发现；5月达到卫星可见的规模；随后不断生长并大规模向北漂移；6月中旬至7月中旬，绿潮面积达到峰值，并开始登陆山东半岛南部沿岸；之后面积开始衰减，至8月前后逐渐消亡。
由于全球和黄海海域的海洋气候环境存在年际变化，绿潮的发生发展也具有明显的年际差异。本发明主要针对绿潮卫星发现时间、主体漂移方向和最大分布面积三个要素建立预测模型。上述三个要素既可以全面描述绿潮的发展特征，又是决定绿潮灾害对社会经济影响的关键因素。
本发明提出一种黄海绿潮中长期趋势预测方法，包括以下步骤：
a以35°N为界，将黄海海域划分为绿潮生成和发展两个关键区，分别为区域1和区域2，其中区域1的范围为33～35°N，119～123°E，区域2的范围为35～37°N，119～123°E，确定影响绿潮生长和漂移的主要因子为气象因子和海洋因子；
b获取绿潮卫星遥感、无人机、船舶等多源历史监测数据，以及关键区域的气象和海洋要素历史再分析数据集；
c基于获取的监测数据，分析绿潮卫星发现时间、主体漂移方向和最大分布面积三个指标的前期气象和海洋影响因子，并建立预测模型；
c1卫星发现时间预测模型
构建卫星首次发现时间预测因子：海温Xsst、海水盐度Xsal和降水率Xprate；建立三元回归模型，如下式(1)；
Ydate＝-2.90Xsst-15.17Xsal+3.77Xprate+496.32 (1)
各因子选取区域及时段为：Xsst区域1，2月5候至5月1候(1候＝5天，下同)；Xsal区域1，3月6候至5月4候；Xprate区域1，2月2候至4月5候。
卫星实际发现日期为5月(17+Ydate)日(5月17日为绿潮历史平均卫星发现日期)。
c2绿潮主体漂移方向预测模型
按照绿潮主体漂移方向，将其分为西进型、北偏西型、北上型和北偏东型；
构建绿潮主体漂移方向的预测因子：流向Xocn_deg_1和风向Xwnd_deg_2；建立二元回归模型，如下式(2)；
Ygreentide_deg＝1.03Xocn_deg_1+0.80Xwnd_deg_2-82.81 (2)
各因子选取区域及时段为：Xocn_deg_1区域1，6月1候至3候；Xwnd_deg_2区域2，5月6候至6月3候。
绿潮主体漂移方向的角度即为Ygreentide_deg。例如：90°表示绿潮主体向正北方向漂移，135°表示向西北方向漂移。
c3绿潮最大分布面积预测模型
构建绿潮最大分布面积的预测因子：海温Xsst和流的纬向分量Xocn_u；建立二元回归模型，如下式(3)；
S＝6.36×103Xsst+3.96×105Xocn_u-1.33×105 (3)
各因子选取区域及时段为：Xsst区域1，3月4候至4月6候；Xocn_u区域1，6月2候至5候。
绿潮最大分布面积即为S。
d获取所需预测年度绿潮发生前期的气象要素值和海洋要素值，根据步骤c建立的预测模型，对黄海绿潮发生、发展趋势进行预测，获得预测结果。
上述步骤a中：所述气象要素包括气温、光照、降水、风向和风速；所述海洋要素包括海温、海流、浪高和浪向。
诸多研究表明，影响绿潮生长和漂移的主要因子包括气温、光照、降水、风向、风速等气象因子，海温、海流、浪高、浪向等海洋动力因子，以及营养盐、pH值等海洋生态因子。本发明方法主要基于气象和海洋动力因子建立绿潮趋势预测模型。
本发明对于绿潮趋势预测方法的研究，从时间尺度上划分，属于短期气候预测的范畴，主要分析大气和海洋热、动力要素的前期信号对绿潮年际变化的影响，不考虑高频信号的影响，因此在建立预测模型前，首先将各大气和海洋要素做候平均(1候＝5天)处理。
上述步骤b中：大气和海洋数据资料可选取The NCEP Climate Forecast SystemVersion 2(CFS v2)，绿潮多源监测数据来源于我国海洋主管部门，时间为2008年1月至2019年12月。
上述步骤c1中，卫星发现时间预测模型的建立，还涉及以下内容：
表1列出了2008～2019年卫星首次发现时间。2008～2019年间，绿潮卫星(MODIS)发现时间为5月上旬末至6月初，平均值和中值均为5月17日。最早为2016年的5月10日，最晚为2010年的6月2日。最早与最晚相差23天。总的来说，卫星首次发现时间有提前的趋势。
为建立定量化预测模型，将时间数值化，早于平均时间为负值，晚于平均时间为正值，绝对值大小表示偏离平均值的天数。
表1
一般认为，在绿潮生成之前，主要受大气和海洋热力因子的影响，而绿潮生成之后，在受热力因子影响的同时，还受风、流等动力因子的影响。本发明主要从绿潮生成前期的大气海洋热力因子入手，分析影响绿潮生成时间的主要因子，并建立定量化预测模型。
图2为部分大气和海洋要素与卫星首次发现时间的滑动相关系数。下面逐一分析各要素与绿潮卫星发现时间的相关性。
海温(sst)自年初起，相关系数持续为负值，其相关性除了在2月份有所波动外，1～5月其余时间负相关系数均稳定在-0.4左右，表明前期海温越低，绿潮发现时间越晚，即海温偏高有利于绿潮的早期生成。
海水盐度(sal)的滑动相关系数变化趋势与海温相似，总体呈负相关关系，即海水盐度越低，绿潮发现时间越晚。可以理解为，海水盐度偏高可以为绿潮早期生成创造更为有利的条件。
气温(at)与海温都是表征冷热程度的物理量，但气温的相关系数变化幅度较大，这是由于大气与海洋相比，属于高频变化。从图2中可以看出，尽管气温信号并不稳定，但从3月4候至4月6候相关系数仍保持为负值，表明前期气温越低，绿潮发现时间越晚。
降水率(prate)的滑动相关系数也具有较强的波动性，但其相关系数总体上处于正值，且有6候的相关系数大于0.5，可见降水与绿潮发现时间呈正相关关系，即降水偏多，绿潮发现时间偏晚。
向下短波辐射(dswsfc)与其它因子相比，相关性偏弱。其中，仅有2月6候的负相关系数超过0.5，对比降水率的相关系数，同期降水相关系数超过0.8。经计算，二者间具有显著的负相关关系。由此可见，向下短波辐射与卫星发现时间的相关性较差，且非独立预测因子，故不将其列为预测因子。
综合以上，构建卫星首次发现时间的可能影响因子：Xsst(2月5候至5月1候)、Xsal(3月6候至5月4候)、Xat(3月4候至4月6候)和Xprate(2月2候至4月5候)。
表2列出了使用不同因子组合建立一元/多元回归模型的相关系数(R)和标准差(STD)。由表2中所列信息可知，与卫星发现时间(用Y表示)关系最密切的因子是降水率，R达到0.62，通过95％显著性检验；海温、盐度和气温R均为0.52，通过90％显著性检验。因此最优一元回归模型为公式(3-1)。
Y1＝6.27Xprate-11.17 (3-1)
建立二元回归模型时可见，Xat和Xprate组合、Xsst和Xprate组合较单一因子相比，R有所提升，STD有所下降，表明在考虑降水率的基础上，搭配气温或海温因子建立回归模型具有更好的预测效果。最优二元回归模型见公式(3-2)。
Y2＝-2.44Xat+4.95Xprate+18.83 (3-2)
如果同时考虑三个因子的影响，建立三元回归模型，则最优组合为Xsst、Xsal和Xprate，即海温、盐度和降水的因子组合对卫星发现时间具有更好的预报效果。最优三元回归模型为公式(3-3)
Y3＝-2.90Xsst-15.17Xsal+3.77Xprate+496.32 (3-3)
表2
图3为最优一元/二元/三元回归模型拟合值与卫星首次发现时间对比图。
综合以上，预测绿潮卫星首次发现时间的关键因子为区域1的海温(sst，2月5候至5月1候)、盐度(sal，3月6候至5月4候)和降水率(prate，2月2候至4月5候)，最优预测模型为公式(3-3)，预测值与观测值的相关系数为0.73，模型误差为5.64d。
上述步骤c2中，绿潮主体漂移方向预测模型的建立，还涉及以下内容：
绿潮生成后，于黄海海域自南向北漂移。由于大气和海洋环境要素存在年际差异，各年的绿潮漂移路径也有所不同，尤其是漂移路径的东西差异，直接影响绿潮的登陆位置及致灾区域。
按照绿潮主体漂移方向，将其分为西进型(含西进后转向)(TYPE-W)、北偏西型(TYPE-NW)、北上型(TYPE-N)和北偏东型(TYPE-NE)，见图4。
图5至图7按漂移方向合成了绿潮生成初期和发展前期的风场和流场。由左至右依次为：西进型、北偏西型、北上型、北偏东型；上：风场；下：流场。5月4-6候，图5中(b)、(c)、(d)的主体风向有顺时针变化趋势，分别对应北偏西型、北上型、北偏东型路径，图5中(a)的特点为黄海西侧自南至北均为东南风，持续的东风分量导致绿潮路径为西进型。该时段内，各路径对应的流向差异不明显，但从流速上看从图5中(e)至(h)有流速逐渐减小的趋势。
6月1-3候，不同路径对应的风和流差异更加明显，不仅体现在风向和流向，还体现在风速和流速的大小以及风速和流速大值区的空间分布。从风场来看，西进型路径对应的风速大值区位于黄海西南部，江苏省沿岸，主体风向为ESE；北偏西型路径的风速大值区范围与西进型相比有所增大，向北向东扩展，主体风向顺时针旋转，大致为SE方向；北上型路径的风速大值区进一步增大，几乎覆盖了整个黄海东南部海域，主体风向进一步顺时针旋转，大致为SSE；北偏东路径所对应的风场与其它风场差异较大，黄海中南部海域风速整体偏小，表明北偏东型绿潮在其发展初期的漂移速度较小。
值得注意的是，虽然风矢量的方向呈顺时针旋转，但与绿潮实际漂移的方向并不完全吻合，绿潮漂移方向较风向偏右，说明流的作用不容忽视。该海域风与流定性地满足艾克曼漂流的关系，进一步印证了流的作用。图6中(e)-(h)为不同路径对应的流场分布，由于流矢量在图中的差别不易分辨，下文将定量计算流与绿潮漂移方向的相关关系。
6月4-6候，北偏西型和北上型所对应的风场减弱，西进型和北偏东型对应的风场加强。尤其是北偏东型风场明显增强，35°N以北海域有南到西南风，对应流场的东向流也增强，表明北偏东型路径的绿潮在该时段北上东移速度增大。以上是定性分析，下面定量分析各因子的对漂移方向的影响。
将风和流分别按区域划分做平均，计算风和流逐候变化与漂移方向的相关系数。为便于计算，将绿潮漂移方向、风向、流向的角度统一在平面直角坐标系上(例如：90°表示绿潮向正北方向漂移、北向流、南风，135°表示绿潮向西北方向漂移、西北向流、东南风，以此类推。)通过计算得出，区域1的流场和区域2的风场对绿潮漂移方向影响明显(区域1的风场和区域2的流场相关性未通过95％置信度检验)。该结果表明，在35°N以南海域，流场对绿潮漂移方向的影响更明显；而在35°N以北海域，风场对绿潮漂移方向的影响更明显。
现有研究成果指出，绿潮藻生成初期，主要在海表面以下生长，而在绿潮藻北漂的过程中，逐渐发展成熟，漂浮至海表面。本发明的研究表明，35°N以南海域绿潮藻主要受流驱动，在35°N以北海域绿潮藻主要受风驱动，该现象进一步印证了现有的研究成果。
图8显示，流向与漂移方向总体呈正相关关系，表明流向角度增大，漂移方向角度随之增大；流速在6月4-6候与漂移方向呈负相关关系，表明流速越小，漂移角度越大(偏西)。图9显示，风向与漂移方向总体也呈正相关关系，在5月6候、6月2候和6月3候的相关系数通过显著性检验；而风速的相关系数仅在6月1候通过显著性检验。
根据相关系数曲线，定义绿潮漂移方向的预测因子。在定义因子时，需考虑以下几个原则：(1)选取的因子要有一定的延续性；(2)定义因子的时间宜早不宜晚，以保证预测的时效性；(3)兼顾不同区域、不同驱动力的影响。由此定义出两个预测因子：①6月1-3候区域1的流向(ocn_deg_1)；②5月6候-6月3候区域2的风向(wnd_deg_2)。
采取与步骤c1中相同的方法，建立绿潮漂移方向的一元/二元最优回归模型。
最优一元回归模型为公式(3-6)，拟合相关系数为0.73，通过95％显著性检验，STD为14.97°。
Ygreentide_deg＝0.98Xwnd_deg_2+0.82 (3-6)
最优二元回归模型为公式(3-7)，拟合相关系数为0.84，通过95％显著性检验，STD为12.32°。
Ygreentide_deg＝1.03Xocn_deg_1+0.80Xwnd_deg_2-82.81 (3-7)
表3示出不同因子组合建立一元/多元回归模型检验结果。
表3
图10示出最优一元/二元回归模型拟合值与绿潮漂移方向对比图。
综合以上，预测绿潮漂移方向的关键因子为区域1的流向(ocn_deg，6月1-3候)和区域2的风向(wnd_deg，5月6候-6月3候)，最优预测模型为公式(3.7)，预测值与观测值的相关系数为0.84，模型误差为12.32°。
上述步骤c3中，绿潮最大分布面积的建立，还涉及以下内容：
在绿潮的发生和发展过程中，不仅各年份的路径存在差异，其发展规模也存在年际变化。
表征绿潮规模有两个要素，分别为分布面积和覆盖面积。绿潮分布面积指发现漂浮绿潮的整个海域包络线以内的总面积；绿潮覆盖面积指绿潮实际覆盖的海域面积。
图11为2008至2019年各年最大分布面积和最大覆盖面积的年际变化。最大分布面积达到或超过50000km2的年份有5年，分别为2009、2014、2015、2016和2019年，其中2009年分布面积最大，达到58000km2；2012年分布面积最小，不足20000km2；平均分布面积约40000km2。覆盖面积最大值也出现在2009年，约为2100km2，其余年份均未超过1000km2。最小值为2018年的193km2。平均覆盖面积约620km2。
绿潮在生长过程伴随着向北漂移，绿潮的发展规模可能会受到海陆分布和漂移路径的影响。上述提到最大分布面积达到或超过50000km2的2009、2014、2015、2016和2019年，均为绿潮主体漂移路径偏东或漂移方向为北偏东的年份。其中，面积最大的2009年，绿潮的生成位置、漂移路径均偏东，表明绿潮的位置和路径与其最大分布面积具有一定的相关性。
如果说绿潮生成时间主要与海气热力因子有关，绿潮漂移路径主要与海气动力有关，那么绿潮最大分布面积则是海气热力和动力因子综合作用的结果。
为寻求绿潮最大分布面积的影响因子，本发明选取了与绿潮发展规模可能相关的海气热力和动力因子，并按照区域划分，分别计算区域1、区域2和区域1+2各要素区域平均值与当年最大分布面积的相关系数。
表4
表4列出影响绿潮发展规模的可能因子，其中有6个变量的相关系数通过显著性检验，分别为海温、盐度、降水率、表面短波辐射、风的纬向分量和流的纬向分量，如图12所示，变量名后的数字表示区域，方框标记出了相关性较强的时段。
图12中，有5个因子的关键影响区都位于区域1，仅有盐度的关键影响区是区域2，说明绿潮生成前期和初期的大气和海洋环境对绿潮的发展规模起主导作用。下面对各因子的相关性进行具体分析。
所有因子中，相关性最强且信号持续时间最长的是sst。持续的正相关信号表明前期海温越高，绿潮分布面积越大。7月1候前后，sst与绿潮分布面积的相关性由正转负，表明进入7月随着sst升高并达到一个温度的临界点后，sst对绿潮藻的生长由促进作用转为抑制作用。
与其它因子不同，sal是唯一影响关键区为区域2的因子，它的关键影响时段在7月初，表明在绿潮发展到最盛时，海水中的盐分多少对绿潮能否继续发展有较大影响。
降水率和向下短波辐射是一组与大气中水汽含量有关的物理量。prate与绿潮最大分布面积在5月3候呈正相关关系，但信号持续时间较短，对绿潮的生成作用有待考证；7月2候前后prate与绿潮最大分布面积呈负相关关系，表明绿潮发展盛期的降水将造成绿潮面积减小。向下短波辐射的关键影响时间是在6月2候前后，说明在绿潮生成初期，充足的光照有利于绿潮的生长。
风和流的纬向分量属于动力因子，它们通过影响绿潮的漂移路径对绿潮最大分布面积产生影响。具体来说，当风和流的纬向分量为正时，有利于绿潮向东漂移，东部开阔的海域有利于绿潮的发展和扩散。
在选取绿潮最大分布面积的影响因子时，需考虑以下几个原则：(1)因子强相关信号要有一定的时间持续性；(2)定义因子的时间宜早不宜晚，以保证绿潮预测的时效性；(3)兼顾大气与海洋、热力与动力因子的影响。由此定义出3个预测因子：Xsst(3月4候至4月6候)、Xdswsfc(6月2候至3候)、Xocn_u(6月2候至5候)。
表5列出了使用不同因子组合建立一元/多元回归模型的相关系数(R)和标准差(STD)。由表中所列信息可知，与绿潮最大分布面积(S)关系最好的因子是Xocn_u，R达到0.75，通过95％显著性检验。因此最优一元回归模型为：
S1＝5.45×105Xocn_u+5.68×104 (3-8)
在Xocn_u因子的基础上增加Xsst因子，R提升至0.80，STD下降至9.58×103，最优二元回归模型为：
S2＝6.36×103Xsst+3.96×105Xocn_u-1.33×105 (3-9)
若同时考虑三个因子的影响，建立三元回归模型，得到的预测效果并没有较二元回归模型有所提高。因此采用公式(3-9)作为绿潮最大分布面积的预测模型。
表5
图13为最优一元/二元回归模型拟合值与绿潮最大分布面积对比图。
综合以上，预测绿潮最大分布面积的关键因子为区域1的海温(sst，3月4候至4月6候)和流的纬向分量(ocn_u，6月2-5候)，最优预测模型为公式(3.9)，预测值与观测值的相关系数为0.80，模型误差为9.58×103km2。
下面结合2020年和2021年的具体应用实例对本发明作进一步说明：
(1)2020年绿潮预测应用与评估
应用本发明方法，将2020年海洋和大气观测资料代入模型，计算得出绿潮首次卫星发现时间为5月17日，主体漂移方向为北偏西18°，最大分布面积为46521平方公里。
根据《2020年北海区海洋灾害公报》(以下简称“2020公报”)及卫星遥感监测数据，2020年4月上旬至7月下旬，绿潮灾害影响我国黄海沿岸海域。5月21日，卫星遥感首次于苏北浅滩养殖区北部约20公里的海域发现浒苔绿潮，分布面积1654平方公里，覆盖面积5平方公里；6月11日起，浒苔绿潮陆续影响青岛、烟台、日照、威海等近岸海域；6月23日，浒苔绿潮分布面积达到最大，约18237平方公里；7月下旬，浒苔绿潮基本消亡。绿潮主体漂移方向约为北偏西30°。
对预测结果进行检验，卫星首次发现时间预测时间为5月17日，实际发生时间为5月21日，误差为4天，小于模型误差(5.64天)。绿潮主体漂移方向预测值为北偏西18°，实际为北偏西30°，方向准确，角度偏差为12°，小于模型误差(12.32°)。绿潮最大分布面积预测值为46521平方公里，实际约18237平方公里，偏差超出模型允许误差。根据“2020公报”记录，“2020年自然资源部与江苏省在苏北辐射沙洲紫菜养殖区共同组织开展了浒苔绿潮防控试验。通过开展除藻作业、提前回收紫菜养殖筏架等，从源头上控制了入海浒苔绿藻初始生物量。与近五年均值相比，2020年浒苔绿潮最大覆盖面积下降54.9％，持续时间缩短近30天。浒苔绿潮防控试验取得显著成效。”因此，绿潮实际分布面积远小于预测面积，主要是由绿潮防控试验所致。预测模型的建立针对海洋和气象要素等自然影响因子，不包含人为干预。
(2)2021年绿潮预测应用与评估
应用本发明方法，将2020年海洋和大气观测资料代入模型，计算得出绿潮首次卫星发现时间为5月14日，主体漂移方向为北偏西6°，最大分布面积为57633平方公里。
根据自然资源部北海局卫星遥感监测数据，2021年5月17日卫星首次在苏北浅滩附近海域发现成规模漂浮绿潮；随后逐渐向北漂移，先后影响青岛市、日照市、烟台市和威海市近岸海域；6月21日，黄海浒苔绿潮分布面积达到61898平方公里，为当年最大值，也是有绿潮灾害以来观测到的最大值；8月起绿潮进入消亡期，至下旬基本消亡。绿潮主体漂移方向约为北偏西2°。
对预测结果进行检验，卫星首次发现时间预测时间为5月14日，实际发生时间为5月17日，误差为3天，小于模型误差(5.64天)。绿潮主体漂移方向预测值为北偏西6°，实际为北偏西2°，方向准确，角度偏差为4°，小于模型误差(12.32°)。绿潮最大分布面积预测值为57633平方公里，实际约61898平方公里，误差为4265平方公里，小于模型误差(9580平方公里)。
经过2020和2021年绿潮预测应用与评估，除2020年绿潮规模受人为治理的影响外，各要素预测值均小于预测误差，模型应用效果良好。
上述方式中未述及的部分采取或借鉴已有技术即可实现。
需要说明的是，在本说明书的教导下，本领域技术人员所作出的任何等同替代方式，或明显变形方式，均应在本发明的保护范围之内。
Claims (4)
1.一种黄海绿潮中长期趋势预测方法，其特征在于包括以下步骤：
a以35°N为界，将黄海海域划分为绿潮生成和发展两个关键区，分别为区域1和区域2，其中区域1的范围为33～35°N，119～123°E，区域2的范围为35～37°N，119～123°E，确定影响绿潮生长和漂移的主要因子为气象因子和海洋因子；
b获取绿潮卫星遥感、无人机、船舶多源历史监测数据，以及关键区域的气象和海洋要素历史再分析数据集；
c基于获取的数据，分析绿潮卫星发现时间、主体漂移方向和最大分布面积三个指标的前期气象和海洋影响因子，并建立预测模型；
c1卫星发现时间预测模型
构建卫星首次发现时间预测因子：海温Xsst、海水盐度Xsal和降水率Xprate；建立三元回归模型，如下式(1)；
Ydate＝-2.90Xsst-15.17Xsal+3.77Xprate+496.32 (1)
各因子选取区域及时段为：Xsst区域1，2月5候至5月1候，1候＝5天；Xsal区域1，3月6候至5月4候；Xprate区域1，2月2候至4月5候；
绿潮实际发生时间为5月17+Ydate日；
c2绿潮主体漂移方向预测模型
按照绿潮主体漂移方向，将其分为西进型、北偏西型、北上型和北偏东型；
构建绿潮主体漂移方向的预测因子：流向Xocn_deg_1和风向Xwnd_deg_2；建立二元回归模型，如下式(2)；
Ygreentide_deg＝1.03Xocn_deg_1+0.80Xwnd_deg_2-82.81 (2)
各因子选取区域及时段为：Xocn_deg_1区域1，6月1候至3候；Xwnd_deg_2区域2，5月6候至6月3候；
绿潮主体漂移方向的角度即为Ygreentide_deg；例如：90°表示绿潮主体向正北方向漂移，135°表示向西北方向漂移；
c3绿潮最大分布面积预测模型
构建绿潮最大分布面积的预测因子：海温Xsst和流的纬向分量Xocn_u；建立二元回归模型，如下式(3)；
S＝6.36×103 Xsst+3.96×105 Xocn_u-1.33×105 (3)
各因子选取区域及时段为：Xsst区域1，3月4候至4月6候；Xocn_u区域1，6月2候至5候。
绿潮最大分布面积即为S；
d获取所需预测年度绿潮发生前期的气象要素值和海洋要素值，根据步骤c建立的预测模型，对黄海绿潮发生、发展趋势进行预测，获得预测结果。
2.根据权利要求1所述的一种黄海绿潮中长期趋势预测方法，其特征在于，步骤b中：所述气象要素包括气温、光照、降水、风向和风速；所述海洋要素包括海温、海流、浪高和浪向。
3.根据权利要求1所述的一种黄海绿潮中长期趋势预测方法，其特征在于，步骤c中：通过已有年度的气象要素数据、海洋要素数据和当年度所对应的绿潮监测数据，采用合成分析、超前-滞后相关分析及多元回归分析方法建立预测模型。
4.根据权利要求3所述的一种黄海绿潮中长期趋势预测方法，其特征在于：在建立预测模型前，将各气象要素数据和海洋要素数据做候平均和区域平均处理。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210253275.0A CN114611800B (zh) | 2022-03-15 | 2022-03-15 | 一种黄海绿潮中长期趋势预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210253275.0A CN114611800B (zh) | 2022-03-15 | 2022-03-15 | 一种黄海绿潮中长期趋势预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114611800A true CN114611800A (zh) | 2022-06-10 |
| CN114611800B CN114611800B (zh) | 2023-08-04 |
Family
ID=81863610
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210253275.0A Active CN114611800B (zh) | 2022-03-15 | 2022-03-15 | 一种黄海绿潮中长期趋势预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114611800B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116125028A (zh) * | 2023-04-17 | 2023-05-16 | 国家海洋技术中心 | 基于波动滑翔器的绿潮监测和漂移路径追踪方法及系统 |
| CN116467565A (zh) * | 2023-06-20 | 2023-07-21 | 国家海洋局北海预报中心((国家海洋局青岛海洋预报台)(国家海洋局青岛海洋环境监测中心站)) | 一种浒苔绿潮斑块最优搜寻区域预报方法 |
| CN118155080A (zh) * | 2024-05-10 | 2024-06-07 | 国家海洋局北海预报中心((国家海洋局青岛海洋预报台)(国家海洋局青岛海洋环境监测中心站)) | 一种基于指数回归模型的浒苔覆盖面积预测方法 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090126254A1 (en) * | 2005-03-28 | 2009-05-21 | Hidekatsu Yamazaki | Method for Predicting Depth Distribution of Predetermined Water Temperature Zone, Method for Predicting Fishing Ground of Migratory Fish, and System for Delivering Fishing Ground Prediction Information of Migratory Fish |
| KR20120075948A (ko) * | 2010-12-29 | 2012-07-09 | 전남대학교산학협력단 | 다중회귀분석을 통한 수질 환경 추정 방법 |
| CN105403680A (zh) * | 2015-12-02 | 2016-03-16 | 浙江省海洋监测预报中心 | 一种基于浮标在线监测数据的赤潮短期预警方法及用途 |
| US20170083823A1 (en) * | 2015-09-22 | 2017-03-23 | San Diego State University Research Foundation | Spectral Optimal Gridding: An Improved Multivariate Regression Analyses and Sampling Error Estimation |
| CN109326086A (zh) * | 2018-10-16 | 2019-02-12 | 天津科技大学 | 一种基于生态模型的绿潮灾害预警系统及其使用方法 |
| CN112330197A (zh) * | 2020-11-24 | 2021-02-05 | 西南技术物理研究所 | 一种气象水文数据质量控制与评价方法 |
| CN112801381A (zh) * | 2021-02-02 | 2021-05-14 | 徐粱钰 | 一种水母灾害早期预警方法 |
| CN113484923A (zh) * | 2021-07-13 | 2021-10-08 | 山东省海洋预报减灾中心 | 一种绿潮灾害的遥感监测评估方法 |
| CN113807562A (zh) * | 2021-06-25 | 2021-12-17 | 中国海洋大学 | 海洋表面温度的预测方法 |
-
2022
- 2022-03-15 CN CN202210253275.0A patent/CN114611800B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090126254A1 (en) * | 2005-03-28 | 2009-05-21 | Hidekatsu Yamazaki | Method for Predicting Depth Distribution of Predetermined Water Temperature Zone, Method for Predicting Fishing Ground of Migratory Fish, and System for Delivering Fishing Ground Prediction Information of Migratory Fish |
| KR20120075948A (ko) * | 2010-12-29 | 2012-07-09 | 전남대학교산학협력단 | 다중회귀분석을 통한 수질 환경 추정 방법 |
| US20170083823A1 (en) * | 2015-09-22 | 2017-03-23 | San Diego State University Research Foundation | Spectral Optimal Gridding: An Improved Multivariate Regression Analyses and Sampling Error Estimation |
| CN105403680A (zh) * | 2015-12-02 | 2016-03-16 | 浙江省海洋监测预报中心 | 一种基于浮标在线监测数据的赤潮短期预警方法及用途 |
| CN109326086A (zh) * | 2018-10-16 | 2019-02-12 | 天津科技大学 | 一种基于生态模型的绿潮灾害预警系统及其使用方法 |
| CN112330197A (zh) * | 2020-11-24 | 2021-02-05 | 西南技术物理研究所 | 一种气象水文数据质量控制与评价方法 |
| CN112801381A (zh) * | 2021-02-02 | 2021-05-14 | 徐粱钰 | 一种水母灾害早期预警方法 |
| CN113807562A (zh) * | 2021-06-25 | 2021-12-17 | 中国海洋大学 | 海洋表面温度的预测方法 |
| CN113484923A (zh) * | 2021-07-13 | 2021-10-08 | 山东省海洋预报减灾中心 | 一种绿潮灾害的遥感监测评估方法 |
Non-Patent Citations (4)
| Title |
|---|
| GORO YOSHIDA等: "Persisent occurrence of floating Ulva green tide in Hiroshima Bay,Japan:seasonal succession and growth patterns of Ulva pertusa and Ulva spp.(Chlorophyta,Ulvales)", HYDROBIOLOGIA * |
| YONGYU ZHANG等: "Ulva prolifera green tide outbreaks and their environmental impact in the Yellow Sea,China", NATIONAL SCIENCE REVIEW * |
| 王丹;何恩业;刘桂梅;刘钦政;: "秦皇岛北戴河赤潮生物与环境因子之间的关系", 海洋预报, no. 05 * |
| 袁本坤等: "《绿潮预报和警报发布》标准的编制", 《第十四届中国标准化论坛论文集》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116125028A (zh) * | 2023-04-17 | 2023-05-16 | 国家海洋技术中心 | 基于波动滑翔器的绿潮监测和漂移路径追踪方法及系统 |
| CN116125028B (zh) * | 2023-04-17 | 2023-07-14 | 国家海洋技术中心 | 基于波动滑翔器的绿潮监测和漂移路径追踪方法及系统 |
| CN116467565A (zh) * | 2023-06-20 | 2023-07-21 | 国家海洋局北海预报中心((国家海洋局青岛海洋预报台)(国家海洋局青岛海洋环境监测中心站)) | 一种浒苔绿潮斑块最优搜寻区域预报方法 |
| CN116467565B (zh) * | 2023-06-20 | 2023-09-22 | 国家海洋局北海预报中心((国家海洋局青岛海洋预报台)(国家海洋局青岛海洋环境监测中心站)) | 一种浒苔绿潮斑块最优搜寻区域预报方法 |
| CN118155080A (zh) * | 2024-05-10 | 2024-06-07 | 国家海洋局北海预报中心((国家海洋局青岛海洋预报台)(国家海洋局青岛海洋环境监测中心站)) | 一种基于指数回归模型的浒苔覆盖面积预测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114611800B (zh) | 2023-08-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114611800B (zh) | 一种黄海绿潮中长期趋势预测方法 | |
| Strub et al. | Seasonal and nonseasonal variability of satellite‐derived surface pigment concentration in the California Current | |
| Wang et al. | Rapid decline of total Antarctic sea ice extent during 2014–16 controlled by wind-driven sea ice drift | |
| Kerwin et al. | Pollen-based summer temperature reconstructions for the eastern Canadian boreal forest, subarctic, and Arctic | |
| Talley et al. | The Okhotsk Sea and Oyashio Region | |
| Brock et al. | Southwest monsoon circulation and environments of recent planktonic foraminifera in the northwestern Arabian Sea | |
| Maynard | Relationship between diatoms in surface sediments of the Atlantic Ocean and the biological and physical oceanography of overlying waters | |
| Dandonneau et al. | Meridional and seasonal variations of the sea surface chlorophyll concentration in the southwestern tropical Pacific (14 to 32 S, 160 to 175 E) | |
| Zheng et al. | Spatiotemporal distribution and influencing factors of Ulva prolifera and Sargassum and their coexistence in the South Yellow Sea, China | |
| CN109884734A (zh) | 一种基于相似离度的海水温度相似预报方法 | |
| CN115062527A (zh) | 一种基于深度学习的静止卫星海温反演方法及系统 | |
| Landwehr et al. | Using global reanalysis data to quantify and correct airflow distortion bias in shipborne wind speed measurements | |
| Rodríguez et al. | Spatial and temporal dynamics of the hydrology at Salinas Bay, Costa Rica, Eastern Tropical Pacific | |
| Bourassa et al. | Noninertial flow in NSCAT observations of Tehuantepec winds | |
| Le Borgne et al. | Operational SST retrieval from MSG/SEVIRI data | |
| N. TAKAYABU et al. | Diurnal march of rainfall simulated in a T106 AGCM and dependence on cumulus schemes | |
| Cambronero-Solano et al. | Hydrographic variability in the Gulf of Papagayo, Costa Rica during 2017-2019 | |
| Kamae et al. | Atmospheric circulations associated with sea-ice reduction events in the Okhotsk Sea | |
| Abdullah et al. | Variations of sea level and tidal behaviour during El Nino/La Nina: An example of Malaysian Coastline | |
| Wu et al. | Analysis on the causes of massive stranding of Yellow Sea green tide on Lianyungang and Rizhao coasts in 2022 | |
| Kuciauskas et al. | Using NUCAPS to observe the thermodynamic structure of strong Saharan air layer outbreaks about its source within the deserts of northeast Africa | |
| Islami et al. | Aqua MODIS and altimetry satellite data utilization for determining the effective time and area of fishing in South Sulawesi | |
| Kawai et al. | Characteristics of the satellite-derived sea surface temperature in the oceans around Japan | |
| Gargett | The effects of KT≠ KS in a Stommel-like model of the upper Atlantic Meridional Overturning Circulation under steady surface flux forcing | |
| Alves et al. | Improving surface wind databases for extreme wind-wave simulation and analysis in the South Atlantic Ocean |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |