Search
E-mail
RSS

Online submission Editor-in-chief Peer review Staff Login

Journal of Tropical Oceanography >

2020 , Vol. 39 >Issue 6: 57 - 65

DOI: https://doi.org/10.11978/2019128

Marine Hydrology

Study on the correction of SST prediction in South China Sea using remotely sensed SST

  • ZHANG Peijun , 1, 2 ,
  • ZHOU Shuihua 1, 2 ,
  • LIANG Changxia 1, 2
Expand
  • 1. South China Sea Marine Prediction Center, State Oceanic Administration, Guangzhou, Guangdong 510310, China
  • 2. Key Laboratory of Marine Environment Survey Technology and Application, Ministry of Natural Resource, Guangzhou, Guangdong 510330, China
ZHANG Peijun. email:

Copy editor: LIN Qiang

Received date: 2019-12-09

  Request revised date: 2020-03-29

  Online published: 2020-04-09

Supported by

National Key Research and Development Program of China(2017YFC1404700)

Special Project for Economic Development of Guangdong(GDME-2018B001)

Copyright

Copyright reserved © 2020.
Fold

Abstract

A new error-correction forecast model for sea surface temperature (SST) is proposed in this paper, where the SST errors are derived from the Group for High Resolution Sea Surface Temperature (GHRSST) data and operational numerical prediction SST product. First of all, the reliability of the GHRSST data was validated with the upper temperature data of Argo floats in the South China Sea. The results showed that the Root Mean Square Error (RMSE) between the two sets of data was about 0.3℃ while the correlation coefficient was 0.98; the GHRSST data could be used for the correction of operational numerical forecast model on SST in the South China Sea. After being corrected, the RMSEs of 24-hr, 48-hr and 72-hr SST forecast results were dropped from 0.8 ℃ to 0.5 ℃ compared with the upper temperature data of Argo floats. Meanwhile, the 24-hr, 48-hr and 72-hr SST forecast errors between the GHRSST data and model results were significantly reduced after the correction in the northern South China Sea (110°E -121°E, 13°N -23°N). During the influence of the cold air or the mesoscale eddy in the South China Sea, the effect of SST forecast correction was also quite significant. Therefore, this method should be considered to apply in the operational numerical forecast system on SST in the South China Sea.

Key words： SST; Operational numerical prediction; Error correction; GHRSST; Argo; South China Sea

Cite this article

ZHANG Peijun , ZHOU Shuihua , LIANG Changxia . Study on the correction of SST prediction in South China Sea using remotely sensed SST[J]. Journal of Tropical Oceanography, 2020 , 39(6) : 57 -65 . DOI: 10.11978/2019128

海水温度是海洋热力状态的一个重要表征参数, 在海洋环流、大气环流、海气相互作用等方面起着关键作用。海水温度的变化对海洋渔业、海上救援等有着极为重要的影响。随着模式的改进和同化技术的快速发展, 全球和区域的海洋数值预报精度均有不同程度的提高(Zhang et al, 2006; 李云 等, 2011; Zhu et al, 2015)。但是, 许多数值预报产品的应用也表明, 预报结果仍存在一定误差。造成这种误差的原因是多方面的, 其一, 数值预报模式还不能完全描述海洋中的各种物理过程(Song et al, 2007; Xu et al, 2014); 其二, 在对预报方程组进行数值求解时, 无论采用差分方法、有限元法、波谱方法或其他方法, 都很难避免计算误差的出现。另外模式还存在初始场的不确定性(Peng et al, 2006; Liu et al, 2018)等问题。
为了提高模式数值预报精度, 不少学者已开展模式数值预报的订正方法和释用技术研究, 主要包括预报人员经验为主的方法、动力释用方法和统计释用方法等。这些方法已广泛应用于数值天气预报(李江萍 等, 2008) 以及气温(李佰平 等, 2012)、热带气旋(胡春梅 等, 2006)、海雾(胡波 等, 2014)、台风浪(堵盘军 等, 2013)等要素的预报订正研究, 但对于海水温度方面的预报订正目前该方面的工作还比较少。匡晓迪 等(2016)采用BP神经网络方法, 基于台站观测数据、气象预报数据和海温数值预报数据, 建立了定点海温精细化数值预报释用模型, 模型结果有效提高了定点海温预报经度, 与人工经验预报水平相当。韩玉康 等(2018)通过计算15年的卫星遥感资料与HYCOM(HYbrid Coordinate Ocean Model)模型模拟的海表温度(sea surface temperature, SST)资料历史误差序列, 建立自回归模型对模式预报进行订正, 模式预报的准确性具有一定的提高, 但对自回归模型求解时, 误差和随机干扰序列需满足一定的限制条件, 同时未对模式不同的预报时效订正效果进行讨论。
由于卫星遥感海温数据具有覆盖范围广、准实时性等特点, 已广泛用于南海海表温度变化(李娟 等, 2011)、温度峰面(邱春华 等, 2017)、海洋三维温盐场重构(毛庆文 等, 2013)等方面的研究。另外对浮标海洋站观测海温数据的分析表明, 海水温度相对于海面风、波浪等要素日变化幅度较小, 模式和观测的误差在相邻几天变化不大。因此, 本文将基于高分辨率海表温度数据GHRSST (Group for High Resolution Sea Surface Temperature) 海温资料作为观测数据, 利用观测与前一天模式预报的24h SST的日均误差, 订正当日模式预报的24、48和72h SST产品, 构建南海海域业务化SST预报产品统计释用模型, 并对订正后的模式预报结果, 特别是在一些天气过程如台风、冷空气或海洋中尺度涡影响南海期间的订正效果进行讨论。

1 数据和方法

1.1 数据

1.1.1 GHRSST卫星遥感数据
本文使用的GHRSST 数据由全球海洋数据同化试验(Global Ocean Data Assimilation Experiment, GODAE)高分辨率海表温度(GHRSST)项目提供的融合日平均海温数据(https://accession.nodc.noaa. gov/GHRSST-MW_IR_OI-REMSS-L4-GLOB), 空间分辨率为9km, 全球数据格点数为4096×2048, 时间范围为2002年到现在, 为定期更新的准实时数据。该产品是以最优插值算法为基础, 并融合了能穿透云层的微波数据和空间分辨率较高的红外数据。其中, 微波数据由TMI、AMSR-E、AMSR-2、GMI以及WindSat提供, 红外数据由Terra和Aqua上搭载的MODIS, 以及VIIRS-NPP提供。
1.1.2 Argo浮标数据
为了验证GHRSST 海温数据的可靠性及SST数值预报产品订正后的检验, 本文从中国Argo资料中心网站选取2015年11月5日—2019年2月20日在南海的11条Argo浮标进行验证, 表1和图1分别为11条浮标的时间范围和漂移轨迹。Argo浮标测量海面到预定深度(一般2000m)之间的海水温度、盐度和深度。本文选取Argo浮标表层至5m左右水深观测的平均温度来评估GHRSST海温数据。根据Argo浮标数据质量控制结果, 约有1442个浮标剖面数据与GHRSST海温数据进行比较。
表1 Argo浮标编号及时间分布

Tab. 1 The id numbers and time distributions of Argo profiling buoys

序号 浮标编号 时间分布
1 2901479 2016-05-03—2019-02-05
2 2901480 2016-04-27—2018-09-08
3 2901481 2016-04-28—2019-02-20
4 2902045 2015-09-10—2017-07-05
5 2902056 2016-04-27—2016-10-22
6 2902692 2016-09-12—2017-09-18
7 2902694 2016-09-10—2017-09-21
8 2902744 2017-11-22—2019-01-16
9 2902745 2017-11-22—2019-02-15
10 5904539 2015-11-08—2016-05-30
11 5904747 2016-05-03—2018-01-13
图1 南海海域11条Argo 剖面浮标的漂移轨迹

Fig. 1 Drift trajectories of 11 Argo profiling buoys in the South China Sea

1.1.3 南海业务化数值预报SST数据
预报SST数据来自国家海洋局南海预报中心采用的ROMS模式预报的逐时海温预报产品, 该模式水平分辨率为(1/30)º。模式范围为99°E—145°E, 4°30´S—28°24N。采用变网格技术, 从边界到南中国海区域依次加密, 保证南海区域分辨率为1/30°×1/30°, 垂向分为36层, 在400m以浅层次进行加密。模式地形数据为由美国地球物理中心(National Geophysical Data Center, NGDC)发布的ETOPO1的全球海洋地形数据。模式最小和最大水深分别设为10m和6000m。模式的东、南、北三个边界设为开边界, 由SODA再分析资料提供开边界强迫。其中, 海平面高度采用辐射边界条件; 三维温度、盐度和斜压流场则采用辐射加松弛的复合边界条件。模式也考虑了珠江和湄公河, 其径流和河水温度由气候态观测值提供。模式的上边界强迫采用NCEP GFS及国家海洋局南海预报中心基于WRF模式输出。由于GHRSST海温数据为日平均海温产品, 因此, 本项目将对逐时海温预报数据进行日平均。

1.2 研究方法

本文采用的误差订正方法具体如下。
ROMS模式预报的海温预报时长为72h, 假设模式起报时间为2016年1月1日, 预报误差订正计算公式为:
${{E}_{ij}}=T_{ij}^{O}-\overline{T_{ij}^{f}({{t}_{0}})}$
$T_{ij}^{f*}(t)=T_{ij}^{f}(t)+{{E}_{ij}},t=1,2\cdots ,72$
其中, $T_{ij}^{f}(t)$和$T_{ij}^{f*}(t)$分别为2016年1月2日起报的网格点(i, j)上订正前和订正后的第t时海表温度,$\overline{T_{ij}^{f}({{t}_{0}})}({{t}_{0}}=1,2,\cdots ,24)$为2016年1月1日起报的网格点(i, j)上24h预报的日平均海表温度, $T_{ij}^{O}$为2016年1月2日网格点(i, j)上遥感观测海表温度, Eij为2016年1月2日网格点(i, j)上遥感观测海表温度与24h预报日平均海表温度之间的误差。
由于卫星遥感海温数据和海温数值预报产品的空间分辨率不同, 为便于计算, 本项目将对预报产品进行空间插值, 与卫星遥感海温数据空间格点保持一致。

2 GHRSST海温数据验证

针对2015年11月5日—2019年2月20日南海海域的GHRSST海温数据, 使用Matlab语言编程提取与同期Argo浮标相匹配点的SST数据, 并与Argo数据进行比较。
如图2所示, GHRSST海温数据与Argo浮标上层海温数据的均方根误差约为0.3℃, 平均偏差为-0.02℃, 二者相关系数为0.98, 两者偏差在0.5℃以内的样本数约占91%。因此, 本文利用卫星遥感数据对南海预报的SST进行订正释用具有可行性。
图2 Argo浮标与GHRSST海温数据对比

a. Argo和GHRSST海温散点图; b. Argo-GHRSST海温偏差频数分布

Fig. 2 Comparison between Argo float SST data and GHRSST data.

a) Scatter diagram of the Argo-GHRSST SST; b) frequency distribution of bias between Argo float SST data and GHRSST data

3 SST预报订正试验

3.1 Argo浮标位置上SST订正

选取编号为2902694的Argo浮标海温数据对海温预报订正效果进行验证, 该浮标在南海中部海域漂流的时间为2016年9月10日至2017年9月21日, 共有76条剖面, 它与GHRSST海温之间的均方根误差为0.3℃。采用双线性插值方法将GHRSST海温数据和ROMS模式预报的SST产品插值到每个剖面所在的位置, 利用两者之间的误差对SST预报产品进行订正。如表2和图3所示, 订正后24、48和72h预报的SST与Argo浮标海温之间的均方根误差由0.85℃左右下降到0.5℃以内, 相关系数也有所提高。
表2 浮标位置上预报SST订正前后与浮标海温的均方根误差和相关系数

Tab. 2 The RMSE and correlation coefficient between SST forecast and Argo SST in buoy position before and after correction

均方根误差 相关系数
订正前 订正后 订正前 订正后
24h 0.85 0.36 0.94 0.98
48h 0.84 0.42 0.94 0.98
72h 0.86 0.46 0.94 0.97
图3 订正前后的预报SST和Argo浮标海温比较

a. 24h; b. 48h; c. 72h

Fig. 3 Comparison between SST forecast results before and after correction and Argo SST.

a) 24 h; b) 48 h; c) 72 h

3.2 南海北部海域SST订正

本文选取南海北部海域(110°E—121°E, 13°N—23°N)检验误差订正方法在空间上的订正效果, 起报时间分别选取2018年的1月1日、4月3日、7月20日和10月18日, 对比观测数据为GHRSST海温数据。如图4、5所示, 从订正之前的误差来看, 不同季节误差分布在空间上具有一定的差异。1月1日模式预报中24、48和72h的SST在南海东北部和吕宋岛西部与GHRSST的误差较大。7月20日模式预报中24、48和72h的SST在西部海域与 GHRSST的误差较大, 其他海域模式误差较小。
图4 2018年1月1日起报的南海北部预报与观测温度差异空间分布

a—c分别为24、48和72h订正前; d—f为24、48和72h订正后

Fig. 4 Spatial distribution of temperature biases between forecast and observation from GHRSST at initial forecast time from January 1, 2018.

(a, b and c) Results before correction; (d, e and f) results after correction

图5 2018年7月20日起报的南海北部预报与观测温度差异空间分布

a—c分别为24、48和72h订正前; d—f为24、48和72h订正后

Fig. 5 Spatial distribution of temperature biases between forecast and observation from GHRSST at initial forecast time from July 20, 2018.

(a, b and c) Results before correction; (d, e and f) results after correction

采用误差订正方法对预报SST进行订正后, 24、48和72h预报与GHRSST海温在订正前误差较大的海域空间误差均显著减小。4月3日和10月18日模式预报的24、48和72h SST订正效果也十分显著。

3.3 冷空气影响期间SST订正

2017年12月1日至4日, 受一股较强冷空气持续影响, 巴士海峡、南海北部、中部海域有东北风7~8级阵风9级减弱至6~7级, 伴有2.5~5.5m的大到巨浪过程; 西南部海域有东北风6~7级阵风8级减至5~7级, 伴有2.5~4.0m的大到巨浪过程。
由图6所示, 在冷空气影响南海期间, 南海南部沿岸和台湾西部南部沿岸模式预报的SST较遥感观测海温偏高, 在南海西部沿岸和中北部海域模式预报SST较遥感观测海温偏低。采用误差订正方法对预报SST进行订正后, 24、48和72h预报的SST与GHRSST空间差异均显著减小。
图6 2017年12月1日起报的南海北部预报与观测温度差异空间分布

a—c分别为24、48和72h订正前; d—f为24、48和72h订正后

Fig. 6 Spatial distribution of temperature biases between forecast and observation from GHRSST at initial forecast time from December 1, 2017.

(a, b and c) Results before correction; (d, e and f) results after correction

3.4 中尺度涡附近海域SST订正

本项目利用SSALTO/DUACS多卫星高度计融合的日平均网格化的海表高度异常(sea level anomaly, SLA)数据来识别中尺度涡。如图7所示, 2016年6月27日和28日在吕宋岛西北部(118°E—120°E, 18°N—20°N)和海南岛东南部海域(110°E—112°E, 14°N—16°N)存在两个反气旋涡。
图7 海表高度异常(SLA)空间分布

a. 2016年6月27日; b. 2016年6月28日

Fig. 7 Spatial distribution of SLA: (a) June 27, 2016; (b) June 28, 2016

如图8所示, 在吕宋岛西北部的反气旋涡附近, 模式预报的SST与卫星遥感海温偏差在1℃以内, 在海南岛东南部的反气旋涡附近, 模式预报的SST与卫星遥感海温的偏差较大。采用误差订正方法对预报海表温度进行订正后, 与卫星遥感观测的海表温度相比, 24、48和72h预报结果均有一定的改善。
图8 2016年6月26日起报的南海北部预报与观测温度差异空间分布

a—c分别为24、48和72h订正前; d—f为24、48和72h订正后

Fig. 8 Spatial distribution of temperature biases between forecast and observation from GHRSST at initial forecast time from June 26, 2016.

(a, b and c) Results before correction; (d, e and f) results after correction

4 结论与讨论

本文使用GHRSST 海温数据对南海业务化SST数值预报产品进行订正释用。首先利用南海海域Argo浮标资料对GHRSST 海温数据进行检验, 结果表明两者均方根误差约为0.3℃, 平均偏差为-0.02℃, 二者相关系数为0.98, 利用GHRSST 海温数据对南海海域SST数值预报产品进行订正是可行的。与Argo浮标轨迹上的海温相比, 模式订正后24、48和72h预报的SST均方根误差由0.8℃左右减小至0.5℃以内。南海北部海域订正后的24、48和72h预报的SST与GHRSST海温的差异也明显减小, 订正后预报效果显著提高。该方法可考虑在南海海域SST预报业务系统中使用。
本文提出的SST预报产品订正方法, 在南海冷空气影响期间和中尺度涡存在的过程中, 对SST预报产品的订正效果有明显的提高。但在热带气旋影响南海期间, 当热带气旋移动速度较快, 海水温度变化速度较大时, 在热带气旋移动路径上采用此方法订正后的SST效果不太理想, 需要进一步讨论海水温度变化剧烈时的SST预报订正方法。
本文通过2019年2月和3月在珠江口外海和粤东近岸海域的两个浮标海温数据, 讨论GHRSST海温数据在南海北部近岸海域的适用性。结果表明, GHRSST数据与浮标海温在粤东海域的均方根误差为1.6℃, 相关系数为0.6; 在珠江口外海的均方根误差为0.26℃, 相关系数为0.94。这与Qiu 等(2009)和Yuan等(2016)对其他卫星遥感海温数据验证的结论基本一致。但前面Argo浮标及珠江口外海浮标对GHRSST数据的验证结果表明, GHRSST数据在南海近岸一些海域及深远海域对数值预报模式的订正效果显著, 该方法可推广应用。对于南海近岸一些与卫星遥感海温数据差异较大的海域, 可通过加强观测获取更加准确的海温观测数据, 采用本文提出的订正方法对数值预报结果进行订正。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
堵盘军, 王丽琳, 管琴乐, 等, 2013. 人机交互式台风浪业务预报系统的研制及应用[J]. 中国海洋大学学报, 43(10):16-24.

DU PANJUN, WANG LILIN, GUAN QINLE, et al. 2013. Development and applications of an interactive operational forecast system on typhoon induced wave[J]. Periodical of Ocean University of China, 43(10):16-24 (in Chinese with English abstract).

[2]
韩玉康, 余丹丹, 申晓莹, 等, 2018. HYCOM模式SST的预报误差订正[J]. 海洋预报, 35(3):76-80.

HAN YUKANG, YU DANDAN, SHEN XIAOYING, et al. 2018. Study on the correction of SST prediction of HYCOM[J]. Marine Forecasts, 35(3):76-80 (in Chinese with English abstract).

[3]
胡波, 杜惠良, 郝世峰, 等, 2014. 一种统计技术结合动力释用的沿海海雾预报方法[J]. 海洋预报, 31(5):82-86.

HU BO, DU HUILIANG, HAO SHIFENG, et al. 2014. A forecast method of coastal sea fog based on the combination of statistic technique and dynamical interpretation[J]. Marine Forecasts, 31(5):82-86 (in Chinese with English abstract).

[4]
胡春梅, 余晖, 陈佩燕, 2006. 西北太平洋热带气旋强度统计释用预报方法研究[J]. 气象, 32(8):64-69.

HU CHUNMEI, YU HUI, CHEN PEIYAN, 2006. Statistical prediction scheme of tropical cyclone intensity in Northwest Pacific[J]. Meteorological Monthly, 32(8):64-69 (in Chinese with English abstract).

[5]
匡晓迪, 王兆毅, 张苗茵, 等, 2016. 基于BP神经网络方法的近岸数值海温预报释用技术[J]. 海洋与湖沼, 47(6):1107-1115.

KUANG XIAODI, WANG ZHAOYI, ZHANG MIAOYIN, et al. 2016. An interpretation scheme of numerical near-shore sea-water temperature forecast based on BPNN[J]. Oceanologia et Limnologia Sinica, 47(6):1107-1115 (in Chinese with English abstract).

[6]
李佰平, 智协飞, 2012. ECMWF模式地面气温预报的四种误差订正方法的比较研究[J]. 气象, 38(8):897-902.

LI BAIPING, ZHI XIEFEI, 2012. Comparative study of four correction schemes of the ECMWF surface temperature forecasts[J]. Meteorological Monthly, 38(8):897-902 (in Chinese with English abstract).

[7]
李娟, 左军成, 李艳芳, 等, 2011. 南海海表温度的低频变化及影响因素[J]. 河海大学学报(自然科学版), 39(5):575-582.

LI JUAN, ZUO JUNCHENG, LI YANFANG, et al, 2011. Low-frequency variation and influence factors of sea surface temperature in South China Sea[J]. Journal of Hohai University (Natural Science), 39(5):575-582 (in Chinese with English abstract)

[8]
李江萍, 王式功, 2008. 统计降尺度法在数值预报产品释用中的应用[J]. 气象, 34(6):41-45.

LI JIANGPING, WANG SHIGONG, 2008. Application of statistical downscaling method to numerical weather forecast[J]. Meteorological Monthly, 34(6):41-45 (in Chinese with English abstract).

[9]
李云, 万莉颖, 刘钦政, 2011. 卫星高度计资料在三维海温和盐度数值预报中的应用[J]. 海洋学报, 33(6):64-72.

LI YUN, WAN LIYING, LIU QINZHENG, 2011. Application of satellite altimeter data in three-dimension sea temperature and salinity numerical prediction[J]. Acta Oceanologica Sinica, 33(6):64-72 (in Chinese with English abstract).

[10]
毛庆文, 储小青, 严幼芳, 等, 2013. 南海三维动态温盐场重构系统的设计与实现[J]. 热带海洋学报, 32(6):1-8.

MAO QINGWEN, CHU XIAOQING, YAN YOUFANG, et al, 2013. A three-dimensional temperature and salinity reconstruction system in the South China Sea[J]. Journal of Tropical Oceanography, 32(6):1-8 (in Chinese with English abstract).

[11]
邱春华, 崔永生, 胡诗琪, 等, 2017. 基于融合遥感数据的广东沿岸温度锋面的季节变化研究[J]. 热带海洋学报, 36(5):16-23.

QIU CHUNHUA, CUI YONGSHENG, HU SHIQI, et al, 2017. Seasonal variation of Guangdong coastal thermal front based on merged satellite data[J]. Journal of Tropical Oceanography, 36(5):16-23 (in Chinese with English abstract).

[12]
LIU XIA, WANG QIANG, MU MU , 2018. Optimal initial error growth in the prediction of the Kuroshio large meander based on a high-resolution regional ocean model[J]. Advances in Atmospheric Sciences, 35(11):1362-1371.

[13]
PENG SHIQIU, XIE LIAN , 2006. Effect of determining initial conditions by four-dimensional variational data assimilation on storm surge forecasting[J]. Ocean Modelling, 14(1-2):1-18.

[14]
QIU CHUNHUA, WANG DONGXIAO, KAWAMURA H , et al, 2009. Validation of AVHRR and TMI-derived sea surface temperature in the northern South China Sea[J]. Continental Shelf Research, 29(20):2358-2366.

[15]
SONG ZHENYA, QIAO FANGLI, YANG YONGZENG , et al, 2007. An improvement of the too cold tongue in the tropical pacific with the development of an ocean-wave-atmosphere coupled numerical model[J]. Progress in Natural Science, 17(5):576-583.

[16]
XU ZHAO, LI MINGKUI, PATRICOLA C M , et al, 2014. Oceanic origin of southeast tropical Atlantic biases[J]. Climate Dynamics, 43(11):2915-2930.

[17]
YUAN JINNAN, WANG DONGXIAO, LIU CHUNXIA , et al, 2016. Validation of microwave-infrared, tropical rainfall measuring mission microwave imager and advanced microwave scanning radiometer-earth observing system and WindSat-derived sea surface temperatures in coastal waters of the northern South China Sea[J]. Aquatic Ecosystem Health & Management, 19(3):260-269.

[18]
ZHANG RONGHUA, BUSALACCHI A J, MURTUGUDDE R G , 2006. Improving SST anomaly simulations in a layer ocean model with an embedded entrainment temperature submodel[J]. Journal of Climate, 19(18):4638-4663.

DOI

[19]
ZHU JIESHUN, KUMAR A, WANG HUI , et al, 2015. Sea surface temperature predictions in NCEP CFSv2 using a simple ocean initialization scheme[J]. Monthly Weather Review, 143(8):3176-3191.

Options
Outlines

/

〈 〉