基于统计学方法的HYCOM海洋预报结果评价
基于大数据的海洋气象数据分析与预测研究
基于大数据的海洋气象数据分析与预测研究海洋气象数据的分析与预测是一项十分重要的研究领域，它不仅能够提供海洋气象相关信息，还能够为航海、渔业、海岸管理等领域提供决策支持和风险评估。
随着大数据技术的应用和发展，海洋气象数据分析与预测的能力也得到了极大的提升。
本文将从以下几个方面对基于大数据的海洋气象数据分析与预测进行研究。
首先，我们需要收集并整理大量的海洋气象数据。
海洋气象数据通常包括气温、湿度、风速、辐射等多个方面的指标。
在大数据时代，我们可以通过多种途径获取这些数据，例如气象观测站、卫星遥感等。
然后，我们需要对这些数据进行整理和分类，以便后续的分析和预测工作。
其次，我们需要对收集到的海洋气象数据进行分析。
大数据技术可以帮助我们处理和分析庞大的数据集，从中发现隐藏的规律和趋势。
通过数据挖掘和机器学习的方法，我们可以对海洋气象数据进行模式识别、异常检测、聚类分析等，从而揭示出数据中的有用信息。
例如，我们可以通过分析历史气象数据，找到不同气象因素之间的关联关系，并建立相应的预测模型。
第三，基于分析的结果，我们可以进行海洋气象数据的预测。
通过建立数学模型和算法，我们可以利用历史数据来预测未来的海洋气象状况，例如未来几天或几周的温度、风力等。
这些预测结果可以为渔民、海岸管理者等提供决策依据，帮助他们做出合理的安排和决策。
同时，预测结果也可以用于气象灾害的预警和防范工作，提高人们对海洋气象灾害的应对能力。
此外，基于大数据的海洋气象数据分析与预测还可以为气象科学的研究提供更多的数据支持。
通过对海洋气象数据的深入研究和分析，我们可以进一步理解和探索海洋气象现象的规律和机制，为气象学科的发展做出贡献。
总之，基于大数据的海洋气象数据分析与预测研究在当前的海洋科学和气象学科中具有重要的意义。
通过收集、整理和分析海洋气象数据，我们可以从中获取有关海洋气象的各种信息，并通过数学模型和算法进行预测，为航海、渔业、海岸管理等领域提供决策支持。
海洋预报技术及其应用研究
海洋预报技术及其应用研究海洋预报，是指根据海洋环境特征值的历史资料和实时观测结果，运用专门设计的物理模型和数学模型，对一定海域未来时间内的海洋要素、海洋现象、海洋变异及其可能造成的影响，以一定的文字、图表、声像等形式进行描述和发布。
海洋预报包括风暴潮、海浪、海啸、海冰、海流、海温、盐度、潮汐、海平面变化、厄尔尼诺、水质、海岸侵蚀等。
海洋积聚着巨大能量，这些能量一旦以某种突发的方式释放，则可能对人类构成非常大的危害，包括风暴潮、巨大海浪、严重海冰、海啸、赤潮等突发性较强的灾害；海平面变化、海岸侵蚀以及沿岸土地盐渍化等缓发性海洋灾害。
我国沿海地区人口稠密、经济发达，海上各类生产活动蓬勃发展，但频受海洋灾害袭击，每年因海洋灾害造成的直接经济损失在 100亿元以上。
风暴潮、海浪、赤潮、海水入侵和海岸侵蚀等较为严重。
进行海洋预报可以有效地对海洋灾害进行预警，有效经济损失和人员伤亡，在经济社会发展当中发挥了重要的作用。
目前人类社会对海洋分析预报的需求包括：海洋业务化预报、台风预报、季节和气候预测、全球变化研究、海上航运、渔业、目标漂浮物的跟踪预报、海上搜救、溢油预报、海上执法和管理、海上石油和天然气作业、海洋旅游等。
军事方面，海军对海洋分析预报的需求有：水面舰艇的航行安全、作战训练、武器装备性能的发挥、维护国家海上权益、海外救援等。
海洋预报可以对国防安全、海洋经济发展、海洋防灾减灾、海上重大活动、海洋权益维护等起到很好的促进和强有力的支撑，很多海洋预报的产品对军事活动和国防的安全等也有重要的作用。
海洋预报是一切海上活动的基础。
随着海洋数值模拟技术、全球海洋观测系统和海洋数据同化方案技术的发展，以及社会和军事活动对海洋环境信息的迫切需求，驱动着海洋分析预报技术的不断发展。
海洋预报的具体内容有：研制深、浅水海浪数值预报模式，研制适合于海洋环境预报的有限区域海面风场数值预报模式和台风风场数值预报模式，实现中海及邻近海域海浪数值预报。
海洋极端天气现象预测方法研究进展
海洋极端天气现象预测方法研究进展海洋极端天气现象预测方法研究进展摘要：海洋极端天气现象对人类生产、生活以及自然环境都造成了重大影响。
因此，准确预测海洋极端天气现象的发生变得至关重要。
本文综述了海洋极端天气现象预测方法的研究进展，包括物理模型方法、统计方法以及机器学习方法，并探讨了这些方法的优势和不足。
未来的研究应该更注重多源数据的融合以及模型的精细化，以提高海洋极端天气现象预测的准确性和可靠性。
关键词：海洋极端天气现象、预测方法、物理模型、统计方法、机器学习引言海洋极端天气现象，如飓风、台风、暴雨等，对全球范围的生产、生活以及自然环境造成了严重影响。
因此，准确预测和及时预警这些极端天气现象的发生变得尤为重要。
过去几十年来，随着气象科学的发展和技术的不断进步，人们对海洋极端天气现象的预测能力得到了显著提高。
本文主要综述了海洋极端天气现象预测方法的研究进展，并对未来的研究方向进行了展望。
一、物理模型方法1.1 数值天气预报模型数值天气预报模型是基于气象学原理和方程的物理模型，在预测海洋极端天气现象时发挥了重要作用。
通过收集和处理大量的观测数据，数值天气预报模型能够模拟和预测海洋中的气候和天气变化。
然而，数值天气预报模型受限于其分辨率和参数化方案的选择，对一些细小和复杂的物理过程预测存在一定的局限性。
1.2 气候模式气候模式是一种基于物理原理的复杂模型，用于模拟和预测气候系统的演变过程。
通过对大气、海洋、陆地和冰雪等要素进行综合建模，气候模式能够模拟和预测长期气候变化趋势以及极端天气现象的发生频率和空间分布。
然而，由于气候模式计算复杂度高，需要大量的计算资源和较长的计算时间，因此在一些实时预测和应急预警中应用相对有限。
二、统计方法2.1 时间序列分析时间序列分析是一种基于历史数据的统计方法，在研究海洋极端天气现象的发生规律和特征时得到了广泛应用。
通过对历史观测数据进行趋势分析、周期性分析以及季节性分析，时间序列分析能够揭示不同时间尺度上的海洋极端天气现象发生规律。
基于统计能量法SEA的舱室噪声预报及其分析(SEA及建模)
13
13
1. 统计能量分析方法（ 统计能量分析方法（SEA)
建模过程
为了保证统计能量模型具有真实的形状，需要经过分组的有限元网格生 成统计能量模型。要求相邻板材子系统不能在同一组别里，边界节点需 充分融合。按照属性进行分组。
网格图 设备占用空间和船舶晒装不用单独模拟，每个舱室作为独立声腔子系统 存在。声场近似为“散射场”，使得模态密度和模态重合度都较大。 14
基于统计能量SEA 基于统计能量SEA的舱室噪声预报 SEA的舱室噪声预报 及其分析
哈尔滨XXX大学
振动噪声控制研究所 2013年6月10日
目
录
1. 统计能量分析方法（ 统计能量分析方法（SEA) 2. 有限元—统计能量混合法（ 统计能量混合法（FEM-SEA) 3. 舱室噪声预报及分析
2
1. 统计能量分析方法（ 统计能量分析方法（SEA)
11
1. 统计能量分析方法（ 统计能量分析方法（SEA)
建模过程 鉴于船体结构复杂，模态繁多，传统有限元方法计 算，划分网格数量庞大，超过计算机负荷。应建立整体 船体的统计能量模型，并对其进行计算。
12
1. 统计能量分析方法（ 统计能量分析方法（SEA)
建模过程 全船使用 CATIA 建立曲面模型， Hypermesh 划分网格， 导入VAOne建立统计能量模型。
23
3. 舱室噪声预报及分析
主机舱结构噪声
主机舱空气噪声
辅机舱结构噪声
辅机舱空气噪声
24
3. 舱室噪声预报及分析
空调通风口位置图
中心频率/Hz
31.5 40 50 63 80 100 125 160 200
声压级
69.8 70.6 80.3 68.8 72.6 71.9 72.1 79.3 75.9
海洋再分析核心技术要素及发展趋势分析
海洋再分析核心技术要素及发展趋势分析吴新荣;晁国芳;刘克修【摘要】简述了海洋再分析的关键三要素,即观测资料、数值模式和资料同化,介绍了海洋再分析的系统集成、产品制作和检验,以及产品解释应用,分析了海洋再分析的国内外发展现状和趋势.【期刊名称】《海洋信息》【年(卷),期】2018(033)003【总页数】5页(P14-18)【关键词】海洋再分析;资料同化;数值模式;并行化;高性能计算【作者】吴新荣;晁国芳;刘克修【作者单位】国家海洋信息中心天津300171;国家海洋信息中心天津300171;国家海洋信息中心天津300171【正文语种】中文【中图分类】P731海洋再分析利用数据同化技术将历史海洋观测资料与动力模式相结合，再现过去海洋状态场的变化，与海洋预报/预测紧密关联，是国际业务化海洋学的前沿领域。
世界海洋强国在海洋再分析研究领域起步早、规模大，尤其是美国海军研制了全球及区域高分辨率海洋再分析产品，广泛应用于海洋环境安全保障、海洋科学和气候变化研究等领域，产生了较大的军事和社会效益。
从本质上说，海洋再分析主要包括3个关键要素，即观测资料、海洋模式和资料同化。
然而，随着人们对海洋再分析产品时空分辨率和精度要求的日益提高，再分析产品的研制对高性能计算机的需求越来越迫切。
因此，海洋再分析涉及到多学科的交叉，包括物理海洋、计算数学、计算机科学、统计学、气象学等，是一个庞大且复杂的过程。
本文首先介绍海洋再分析的关键三要素，其次对海洋再分析的系统集成、产品制作和检验、解释应用以及国内外发展现状及趋势进行了阐述。
1 海洋再分析关键三要素1.1 观测资料高质量的海洋观测资料是海洋再分析的基础，为了得到高精度的海洋再分析产品，首先需要广泛全面地收集海洋观测资料，要素主要包括温度和盐度。
其次，针对每种类型的观测资料采用特有的质量控制方法，并对所有观测资料进行合并排重和人机交互审核，最终形成海洋再分析所需的基础观测资料集。
基于水文和气象数据的海洋环境评估分析方法研究
基于水文和气象数据的海洋环境评估分析方法研究随着全球人口的增长和工业化的加快，海洋环境的评估和分析变得尤为重要。
海洋环境评估是指通过收集和分析水文和气象数据来评估海洋环境的现状和变化情况，以便制定有效的环境保护措施和管理决策。
本文将介绍基于水文和气象数据的海洋环境评估分析方法的研究现状和进展。
1. 数据收集和处理数据收集是海洋环境评估分析的基础。
水文数据包括海洋温度、盐度、流速、潮汐等参数，而气象数据包括风速、风向、降水量、湿度等参数。
这些数据可以通过浮标、船舶、卫星等方式收集。
收集到的数据需要进行质量控制和处理，包括数据的校准、插补和质量评估等，以确保数据的准确性和完整性。
2. 数据分析和建模基于收集到的水文和气象数据，可以应用统计学和数学模型进行海洋环境分析和建模。
统计学方法包括回归分析、相关分析、聚类分析等，可以用于分析不同参数之间的关系和趋势。
数学模型可以基于物理方程和数值方法，模拟海洋环境的动态过程，如海流运动、水温变化等。
这些分析和建模方法可以帮助我们更好地理解海洋环境的特征和变化规律。
3. 环境指标评估和监测环境指标是评估和监测海洋环境质量的重要指标。
通过分析水文和气象数据，可以计算出一系列的环境指标，如水质指数、潮汐指数、风力指数等。
这些指标可以用于评估海洋环境的健康状况和风险程度。
同时，通过长期监测环境指标的变化，可以及时发现环境问题，并采取相应的措施进行干预和管理。
4. 风险评估和应急响应海洋环境评估分析方法还可应用于风险评估和应急响应。
通过分析水文和气象数据，可以预测海洋污染和灾害事件的可能性和影响范围，从而帮助制定应急预案和决策。
同时，评估海洋环境风险水平和脆弱性，可以为环境管理和保护提供准确的科学依据。
5. 气候变化和海洋环境评估气候变化对海洋环境的影响日益凸显，因此，基于水文和气象数据的海洋环境评估方法也需要考虑气候变化因素。
通过分析气象数据和海洋变量之间的关系，可以评估气候变化对海洋环境的影响程度和方向，为应对和适应气候变化提供科学支持。
海图编制中的海洋气象数据获取与分析
海图编制中的海洋气象数据获取与分析海图编制是指为航海、渔业和海洋开发等活动而进行的海洋测量、海洋探测和海洋地图制图等工作。
在这个过程中，海洋气象数据的获取和分析起着至关重要的作用。
本文将探讨海图编制中的海洋气象数据获取与分析的关键内容和方法。
海洋气象数据获取主要包括气象观测、卫星遥感和数值模式的应用。
其中，气象观测是最为直接和重要的数据来源之一。
通过安装在船舶、浮标和海洋平台等设备上的气象传感器，可以实时监测海洋中的温度、湿度、气压和风速等参数。
这些观测数据是编制海图所需的基础信息，为船舶航行、渔业活动和海洋工程规划提供了重要参考。
此外，卫星遥感技术也为海图编制提供了丰富的海洋气象数据。
通过卫星传感器对海洋和大气进行观测，可以获取到海面高度、海面温度、风场和海洋色素等信息。
这些高时空分辨率的遥感数据广泛应用于海洋气象预报和海洋环境监测等领域，为海图编制提供了更加全面和准确的数据支持。
此外，数值模式在海图编制中也扮演着重要的角色。
数值模式基于海洋气象学的理论，通过计算机模拟海洋和大气的物理过程，生成符合实际情况的海洋气象预报结果。
这些数值模式可以为海图编制提供未来一段时间内的气象要素预测，有助于规划航线和预测海洋天气。
海洋气象数据的分析是从收集到的数据中提取有用信息的过程。
其中，统计学和数学方法是常用的分析工具。
通过对气象观测数据和卫星遥感数据进行统计分析，可以揭示海洋气象要素的特征和变化规律。
在海图编制中，常用的数据分析方法包括回归分析、聚类分析和时空插值等。
回归分析可以用来建立海洋气象要素之间的关系模型，从而推测出某一要素的值。
聚类分析可以将相似的观测资料分类，减小数据的维度，使数据更易于处理和使用。
时空插值是指通过建立合适的插值模型，将局部的观测点的数据推广到整个研究区域，从而得到连续的海洋气象要素场。
此外，地理信息系统（GIS）在海图编制中的数据分析中也发挥着重要的作用。
通过将海洋气象数据与海图数据进行叠加和分析，可以更好地理解和预测海洋的气象变化。
基于大数据的海洋环境评估分析方法研究
基于大数据的海洋环境评估分析方法研究海洋环境评估是研究海洋生态系统健康状况和污染程度的重要方法之一。
随着科技的发展和数据的积累，大数据技术被广泛应用于海洋环境评估中，为保护海洋环境提供了强有力的手段。
本文旨在探讨基于大数据的海洋环境评估分析方法。
大数据技术是指通过从海洋环境中收集的大量、多样化的数据，利用数据处理、分析和挖掘技术，揭示数据背后的规律和关联性。
在海洋环境评估中，利用大数据技术可以实现对海洋生态系统的全面监测和评估，为科学决策提供可靠依据。
首先，海洋环境数据的收集和整合对于基于大数据的评估方法至关重要。
常见的数据收集手段包括传感器监测、卫星遥感和人工采样等。
这些数据涵盖了海洋环境的物理、化学、生物等多个方面的指标，可在全球、区域和点位等不同尺度上进行评估。
然而，不同数据来源和不同格式的数据往往存在标准化和整合难题。
因此，建立统一的海洋环境数据存储和管理平台，制定统一的数据标准和元数据规范，是实现基于大数据的评估方法的必要步骤。
其次，基于大数据的海洋环境评估方法需要依托于数据处理和分析技术。
数据处理包括数据清洗、去噪、缺失值填补等预处理工作，以保证数据的准确性和完整性。
数据分析包括数据挖掘、机器学习和模型建立等技术手段，通过对海洋环境数据的分析和建模，揭示出海洋生态系统的演变规律和受污染程度。
同时，大数据技术还可以帮助海洋环境评估预测模型的建立与参数优化，提高评估结果的准确性和可靠性。
第三，基于大数据的海洋环境评估方法需要兼顾海洋环境状况与人类活动的关系。
海洋环境评估旨在了解海洋生态系统的健康状况和污染程度，但评估结果往往与人类活动密切相关。
因此，需要将社会、经济和环境数据进行有效的集成和分析，以揭示出人类活动对海洋环境的影响和相互关系。
基于大数据的海洋环境评估方法需要将数据融合、分析和建模，以提供科学的政策建议和管理措施，促进海洋环境的可持续发展。
最后，基于大数据的海洋环境评估方法还需要重视数据安全和隐私保护。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
基于统计学方法的HYCOM海洋预报结果评价邹颖俊;王晓春;何贤强【摘要】利用2015年冬季和2016年夏季东中国海现场温度、盐度观测资料,评价了一个海洋资料同化及预报系统HYCOM初始场的精度和预报技巧.结果表明这一预报系统初始场的精度及预报技巧在冬、夏季有明显的差异.在冬季,模式温度和观测温度之间无明显偏差.在夏季,盐度初始场的均方根误差高达3.41 psu,温度初始场的均方根误差高达7.22℃.就预报技巧而言,预报系统在冬季对温度有一定的预报技巧,与冬季相比,预报系统对温度及盐度的预报技巧在夏季明显降低.本研究的结果有利于人们更好地使用海洋预报,为研发下一代中国近海海洋预报系统提供借鉴.【期刊名称】《湘潭大学自然科学学报》【年(卷),期】2018(040)003【总页数】5页(P104-108)【关键词】HYCOM;均方根误差;偏差;相关系数【作者】邹颖俊;王晓春;何贤强【作者单位】南京信息工程大学海洋科学学院,江苏南京210044;南京信息工程大学海洋科学学院,江苏南京210044;江苏省海洋环境探测工程技术研究中心,江苏南京210044;国家海洋局第二海洋研究所,浙江杭州310012【正文语种】中文【中图分类】P731随着人类不断开发和利用海洋，海洋环境的预报越来越受关注.例如，水产养殖、海洋捕捞、海上航运、港口运作、海上石油和天然气作业、海洋旅游等行业都需要物理海洋要素和生态要素的预报，海洋模式是海洋预报系统的核心组成部分[1].目前较为流行的业务化海洋模式有HYCOM、MOM、NEMO、ROMS和POM等，全球海洋模式一般以HYCOM、MOM、NEMO为主，区域海洋模式以ROMS、POM为主[2].其中,基于HYCOM模式的美国海军全球海洋预报系统是比较先进且应用广泛的海洋预报系统[3].HYCOM模式在垂向坐标的设置上具有很大的灵活性[4]，不但适用于深海大洋，也可以用于做近岸模拟，因而有着非常广泛的应用.卢著敏等[5]利用卫星的海表面温度资料对南海区域HYCOM模式输出的月平均温度进行评估，发现在浅海区域相对误差较大，而在海盆区域模拟结果较好.白志鹏等[6]检验了HYCOM模式对东海黑潮的模拟能力，结果表明模式能较好地模拟出东海黑潮PN断面垂向结构和时空特征.高松等[7]利用HYCOM模式对赤道及北太平洋海表温度进行了模拟，结果表明HYCOM模式很好地模拟了赤道及北太平洋的气候态海表温度变化.吴力川等[8]对HYCOM、POM和ROMS海洋模式在南海区域的适应性进行比较分析， HYCOM模式在南海区域的模拟具有一定的优势.东中国海有长江入海口大量淡水输入，并且地形复杂多变，这一区域海洋环境的预报有很大的挑战性. 但目前却没有工作评价这一区域海洋预报的精度，给海洋预报的社会应用带来许多不便.本文利用2015年冬季和2016年夏季东中国海温度、盐度的现场观测资料评价了HYCOM全球海洋预报系统的初始场及预报技巧.1 数据资料与方法1.1 HYCOM海洋预报系统简介HYCOM(hybrid coordinate ocean model)是在迈阿密大学原有等密度面坐标模式MICOM的基础上发展而来的新一代原始方程海洋环流模式[9].HYCOM垂直方向的坐标是混合坐标，这一混合坐标可以在等密度坐标、z坐标和sigma坐标之间转换.等密度坐标应用于层化明显的开阔海域，z坐标应用于层化较弱的海洋混合层上层及层结不稳定的海域，sigma坐标应用于近岸浅水区和海底地形起伏较大海域.和传统的单一垂直坐标海洋模式相比，垂向混合坐标使得HYCOM的适应能力更好，应用范围更广泛[10-12].美国海军利用HYCOM模式发展了一个全球海洋预报系统，这一系统同化了卫星高度计资料、CTD(conductivity-temperature-depth sensor)、XBT(expendable bathythermograph)、Argo浮标和glider等多种观测资料.这一海洋预报系统的网格点范围为78.64°S～66°N，180°W～180°E，预报时效为7 d，水平分辨率是1/12°.大气强迫场来自于NOGAPS每3 h的大气输出场，河流的淡水通量使用了986条河流径流量的气候值.1.2 观测资料与方法现场观测数据来自于“润江一号”科学考察船2015年冬季航次和2016年夏季航次，在东中国海的观测范围为27°N～34°N，120°E～125°E，观测时间分别为2015年12月20日至30日和2016年8月3日至13日.在利用CTD数据时还需要对数据进行质量控制.质量控制分成两步：第一步是把深度或压强小于0处所对应的CTD数据剔除；第二步是把数据中与均值相差3倍标准差以上的数据剔除.然后将CTD数据插值到海洋预报场的深度上进行比较.本文主要运用了统计学的方法来验证HYCOM结果，包括均方根误差、偏差和相关系数，这些统计学的工具被广泛用于分析海洋模式的模拟能力.其中均方根误差是真实值与模式值之间的偏差，用来衡量模式结果的准确度，而偏差是用来衡量模式结果的精密度，相关系数则是反映观测和模式之间的相关关系密切程度的统计指标.设Xi(i=1,2,…,n) 为CTD在站点观测的温度或盐度值，Yi(i=1,2,…,n) 为相对应的HYCOM模式在站点网格上的温度或盐度值，和σx(σy)分别为Xi(Yi)的平均值和标准差.在每一个站点网格上，观测资料和HYCOM模式输出结果有如下的统计关系：式中，ME、RMSE和R分别表示偏差、均方根误差和相关系数.2 HYCOM结果评价2.1 初始场评价2.1.1 冬季初始场评价由图1(a)可以发现，2015年冬季东中国海海域HYCOM温度数据与实测数据吻合较好，其均方根误差小于1 ℃(0.76 ℃)，偏差(实测数据减模式数据)接近于零(-0.04 ℃)，相关系数高达0.95.而HYCOM盐度与实测盐度的相关性较差(见图1(b))，其中在高盐度(深度较深)的海水中两者存在较高的相关性，但在低盐度(深度较浅)海水中表现出模式盐度偏高；盐度均方根误差为1.9 psu，偏差为-0.29 psu，相关系数仅有0.56.图1(c)为2015年冬季HYCOM模式的均方根误差随深度的变化，在海水深度到达35 m以前，温度均方根误差比较大，最大值为0.86 ℃，海水深度到达35 m以后，均方根误差就变得比较小，整体上来看随着深度的增加，HYCOM初始场和观测资料的温度的均方根误差变小.从图1(d)中可以看出，海水深度到达50 m以前，盐度的均方根误差比较大，最大值为2.71 psu，到达50 m以后，均方根误差就变得比较小了.整体上来看,随着深度的增加，HYCOM初始场和观测资料的盐度的均方根误差变小.2.1.2 夏季初始场评价由图2(a)可以发现，2016年夏季东中国海海域HYCOM温度数据与实测数据在高温(深度较浅)的海水处比较吻合，但低温(深度较深)的海水处表现出较大差异，其均方根误差为7.22 ℃，误差很大，总的偏差(实测数据减模式数据)为-5.52 ℃，相关系数为0.28，相关性很低.HYCOM盐度与实测盐度的相关性也很差(见图2(b))，其中在高盐(深度较深)海水中两者的关系比较吻合，但在低盐(深度较浅)的海水中表现出较大差异，盐度的均方根误差为3.41 psu，总的偏差为-0.95 psu，相关系数仅有0.28.图2(c)、2(d)为2016年夏季HYCOM模式的均方根误差随深度的变化.从图2(c)中可以看出：温度均方根误差呈现出随深度的增加而增大的趋势，最大值为13.8 ℃.而盐度恰好与之相反，从图3(d)中可以看出，盐度的均方根误差在表层比较大，随深度的增加而减小.2.2 预报结果评价2.2.1 冬季预报结果评价图3为2015年冬季HYCOM预报温度与实测温度的相关系数及均方根误差随预报时效的变化.从图3(a)中可以看出随着预报时效从超前1 d到7 d，相关系数从0.95左右降低到0.85左右.均方根误差也有相应的特征，随着预报时效的增长，模式预报结果与观测之间的均方根误差越来越大，说明模式预报时效增加时，预报的精度将逐渐降低.与温度的情形不同，HYCOM对盐度的预报精度随预报时效的变化不大，从图3(b)可以看出，随着预报时效的增长，相关系数变化不是很大，基本在0.55之间波动，均方根误差的变化也不大，误差在1.9 psu周围浮动.通过与图3(a)的对比可知：HYCOM对温度的预报能力比HYCOM对盐度的预报能力要好.2.2.2 夏季预报结果评价图4为2016年夏季HYCOM预报温度的能力随预报时效的变化.从图4(a)可以看出HYCOM预报温度与实测温度的相关系数为0.25～0.3，相关性比较低，并随着预报时效从超前1 d到7 d，相关系数稍微有些下降，而均方根误差为7～8 ℃.随着预报时效的增长，HYCOM预报温度与实测温度之间的均方根误差稍微有些增大，整体来看，2016年夏季，HYCOM对东中国海海温的预报效果不如冬季的效果.与温度的情形相似，HYCOM预报盐度的能力随预报时效的变化不大，从图4(b)可以看出,随着预报时效增长，HYCOM预报盐度与实测盐度相关系数变化不大，基本在0.3左右波动，它们之间的均方根误差为3～3.5 psu.3 结论与讨论本研究利用东中国海2015年冬季及2016年夏季现场观测资料评价了HYCOM 海洋预报系统初始场的精度与预报技巧，结论如下：(1) HYCOM初始场在冬季的精度要高于夏季，盐度初始场在冬季的均方根误差为1.9 psu，夏季的均方根误差为3.14 psu.温度初始场在冬季的均方根误差为0.76 ℃，在夏季却高达7.22 ℃.无论冬、夏季，模式初始场在垂直方向上都混合均匀，不能再现东中国海层结的季节变化.在冬季，温度及盐度的均方根误差随深度的增加而减小.在夏季，温度均方根误差随深度的增加而增大，而盐度均方根误差随深度的增加而减小.(2) HYCOM对冬季温度的预报效果较好，随着HYCOM预报时效增加，预报的精度将逐渐降低.与温度的情形不同，HYCOM对盐度的预报精度随时间变化不大.夏季时，HYCOM对温度的预报效果与HYCOM对盐度的预报效果都比冬季差.这是由于HYCOM的预报结果很大程度上决定于初始场条件，冬季的初始场以及同化数据质量均高于夏季，所以预报效果冬季会比夏季好一些.造成一个海洋预报系统初始场及预报的误差往往是多方面的，如模式的分辨率，模式采用的地形资料，模式采用的大气强迫场，如何考虑长江冲淡水及潮汐作用，等等.目前在HYCOM海洋预报系统中考虑了气候状况的河流淡水影响，并且在近海同化的资料主要为卫星遥感资料.这些都会影响这一海洋预报系统在东中国海的预报精度.参考文献【相关文献】[1] 马毅. 我国海洋观测预报系统概述[J]. 海洋预报, 2008,25(1): 31-40.[2] 方长芳, 张翔, 尹建平. 21世纪初海洋预报系统发展现状和趋势[J]. 海洋预报, 2013,30(4): 93-102.[3] METZGER E J, SMEDSTAD O M, THOPPIL P G, et al. US navy opertional global ocean and Arctic ice prediction systems[J]. Oceanography, 2014, 27(3): 32-43.[4] CHASSIGNET E P, SMITH L T, HALLIWELL G R, et al. North Atlantic simulation with the hybrid coordinate ocean model(HYCOM): impact of the vertical coordinate choice, reference pressure, and the thermobaricity[J]. Phys Oceanogr, 2003, 33(12): 2504-2526. [5] 卢著敏, 尚晓东, 陈桂英. 混合坐标模式HYCOM模拟COADS强迫下的南海平均环流[J]. 热带海洋学报, 2008(4): 23-31.[6] 白志鹏, 高松, 王海棠. HYCOM模式对东海黑潮的气候态模拟[J]. 海洋通报, 2010(2): 121-129.[7] 高松, 吕咸青. HYCOM模式对赤道及北太平洋海表温度的模拟[J]. 海洋科学进展, 2007(3): 257-267.[8] 吴力川. 南海区域海洋模式适应性比较分析及改进[D]. 武汉: 武汉理工大学, 2013.[9] BLECK R. An oceanic general circulation model framed in hybrid isopycnic-Cartesian coordinates[J]. Ocean Modeling, 2002, 4: 55-58.[10] 连展, 魏泽勋, 王永刚, 等. 中国近海环流数值模拟研究综述[J]. 海洋科学进展, 2009(2): 250-265.[11] 郑沛楠. 常用海洋数值模式简介[J]. 海洋预报, 2008, 25(4): 108-120.[12] 陈晓斌, 周林, 陈璇, 等. 东中国海HYCOM模式垂向坐标对比研究[J]. 海洋科学, 2015(7): 60-68.。