黄海海浪天气时间尺度变化的数值模拟研究

刘子洲, 陈国光, 陆 雪



黄海海浪天气时间尺度变化的数值模拟研究

刘子洲1, 陈国光2, 陆 雪3

(1. 中国海洋大学 海洋与大气学院, 山东 青岛 266100; 2. 国家海洋局北海环境监测中心, 山东 青岛 266033; 3. 青岛市气象局, 山东 青岛 266003)

利用第三代海浪数值模式(SWAN)系统研究了黄海海浪有效波高的天气时间尺度变化的时空分布特征和相关动力学过程。结果表明黄海海浪有效波高的天气变化强度(W)具有显著的时间变化特征和空间分布特征。其多年平均值在黄海的中东部存在由南向北延伸的高值区, 同时向两侧近海区域逐渐减小。W在冬季最大, 夏季最小。从11月到翌年5月,W月气候态平均值的空间分布与其年平均值的空间分布类似; 从6月到同年10月,W的月气候态平均值在黄海与东海的分界处存在较强的由黄海到东海的空间梯度。进一步分析表明黄海海域的W以风浪占主, 涌浪的贡献远小于风浪贡献。数值实验表明, 黄海海浪有效波高的天气时间尺度变化主要是由大于天气变化周期的海面风强迫通过四波非线性相互作用产生的。

黄海; 海浪; 有效波高; 天气时间尺度变化; 第三代海浪数值模式(SWAN)

黄海是位于太平洋西部、我国大陆和朝鲜半岛之间的一个陆架浅海, 南以长江口-济州岛一线为界与东海相邻, 西以渤海海峡与渤海相接。由于黄海海槽的存在, 黄海的地形大体分布特征是: 中部较深, 向两边逐渐变浅(图1)。该海域主要受东亚季风系统的控制, 夏季盛行偏南的夏季风, 冬季盛行偏北的冬季风。同时由于黄海暖流等的存在, 黄海水文状况还受到黑潮的显著影响[1]。

在东亚季风和黑潮等大气和海洋环流的影响下, 黄海水动力环境场的时间变化和空间分布均比较复杂。基于观测数据和数值模式模拟结果等资料, 前人对黄海环流和温盐场的季节变化[2]和年际及年代际变化[3-4]等作了大量研究。但是前人对黄海水动力环境场的另一方面——海表面波浪作的研究却相对较少。在国内外的基础和应用研究中, 海表面波浪和波能流密度等的空间分布、时间变化及其动力学过程一直是物理海洋学家关注的重点[5]。海浪不仅对海洋环流和海气相互作用等具有非常重要的影响[6],而且是海上工程威胁、海洋灾害和新型能源的重要来源[7]。

到目前为止, 前人对黄海海浪有效波高时空变化的研究主要集中在其季节变化、年际变化和长期趋势等低频变化。对于季节变化, 陈红霞等[8]根据卫星观测资料指出黄海海域海浪的有效波高于冬季最大, 夏季最小。该观测结果与李训强等[9]的数值模拟结果并不一致, 但却与陈国光等[10]的数值模拟结果一致。对于年际及更长周期的变化, 郑崇伟等[11]基于WAVEWATCH-III的模拟结果认为黄海海浪有效波高的年际变化主要与厄尔尼诺-南方涛动有关。Zheng等[12]指出黄海海浪在过去30年间存在显著地长期变化趋势。除此之外, 也有部分工作研究了黄海海浪由台风过程引起的短期变化。Cheon等[13]利用海洋数值模式研究了布拉万台风经过黄海海域时产生的大浪的时空特征和动力学过程。

尽管前人的研究工作极大增进了我们对黄海海浪场时空变化特征的认识, 但是仍存在诸多不足。近期通过对黄海海浪场卫星观测资料的分析, 作者发现黄海海浪有效波高存在显著的天气时间尺度的变化。因此本文拟利用第三代海浪数值模式系统地研究黄海海浪有效波高在天气时间尺度上的变化特征和动力学过程。

图1 模式计算区域水深(m)分布图

1 资料与方法

1.1 观测数据

本文利用的观测数据是由卫星高度计观测的有效波高数据, 该观测数据融合了ERS-1/2, TOPEX, Jason-1/2, GEOSAT和ENVISAT等多个卫星的观测结果并处理成格点化资料, 空间分辨率为1.0°×1.0°, 时间分辨率是1 d。卫星观测结果在外海海域与海表面浮标观测结果具有较好的一致性[14], 但是在浅水区误差仍较大[15]。观测数据的下载网址是http: // www.aviso.altimetry.fr/en/home.html。

1.2 模式配置

为了研究海浪有效波高天气时间尺度变化的动力学过程, 本文采用第三代海浪数值模式SWAN (Simulating WAves Nearshore)[16]版本41.01进行了后报模拟和多项数值实验。SWAN模式采用波作用量(,)来描述随机海浪场, 其中波作用量满足如下方程

其中,为海浪的相对频率,为其传播方向;C和C分别是在方向和方向上的传播速度, 而和则是在谱空间(,)上的传播速度。右侧代表能量源汇, 其表达式为

其中右侧各项依次代表海面风输入的能量、四波非线性相互作用传输的能量、白冠耗散的能量、三波非线性相互作用传输的能量、底摩擦耗散的能量、深度诱导破碎的能量。后3项主要是在浅水中起作用, 因此可称为浅水过程项。

本文中SWAN的模拟区域为117°~132°E, 26°~ 41°N(图1), 空间分辨率为0.2°×0.2°, 时间步长为1 h, 结果每4 h输出一次。模式的地形数据来自全球陆地海洋1′高程数据[17], 海面10 m风场数据来自欧洲中期天气预报中心(European Center for Medium-Range Weather Forecasts) Interim大气再分析资料(ERA- Interim)[18]。模拟的时间范围是2009年1月1日—2015年6月30日, 本文选取2009年10月以后的模拟结果进行分析。

2 结果

2.1 谱分析

图2首先比较了卫星观测与模式后报模拟的黄海平均的海浪有效波高的天平均时间序列。从图中可以看出, 两者吻合很好, 其同期相关系数为0.74 (高于95%的置信检验)。除了呈现出显著的季节变化外[10],黄海海浪的有效波高还呈现出强烈的高频变化。之后图中分别给出了两时间序列的功率谱密度。功率谱显示卫星观测和模式后报模拟的有效波高均呈现出周期短于12 d的天气时间尺度变化。为了查看该高频变化的强度, 我们对有效波高的时间序列进行了高通滤波, 提取出周期小于12 d的信号, 记为有效波高天气异常。图2最后分别给出了卫星观测和后报模拟的有效波高天气异常的标准差。从图中可以看出, 两者均从南往北逐渐减小。但同时, 两者之间也有较大差别。一方面, 卫星观测的结果比模式模拟的结果偏小, 这可能是因为模式模拟所使用的海表面10 m风速比实际风速偏大[19]; 另一方面, 模式后报模拟结果显示有效波高天气异常的标准差从黄海中东部向沿岸区域逐渐减小, 而该现象在卫星观测结果中并不明显, 这应该与卫星观测结果在浅海区域误差较大有关[15]。

2.2 季节变化特征

黄海海浪有效波高在天气时间尺度上的变化有没有季节差异呢？为此我们定义了有效波高在天气时间尺度上的变化强度W(), 其定义如下: 对于某一有效波高时间序列, 首先进行截断周期为12 d的高通滤波以获得天气时间尺度上的异常值, 然后以某一时刻为中心取前后共31 d的异常值时间序列计算其标准差作为有效波高在该时刻的天气时间尺度变化强度。因此W()在统计意义上描述了有效波高在天气时间尺度上的变化强弱。图3首先分别给出了整个黄海、北黄海(37°N以北)和南黄海(37°N以南)分别平均的W时间序列。总体而言, 南黄海的W始终大于北黄海, 这与图2最后描述的多年平均的W由南向北逐渐减小的空间分布特征一致。北黄海和南黄海分别平均的W与整个黄海平均的W之间的相关系数分别为0.92和0.99, 而它们的同期相关系数为0.87, 说明整个黄海海域的W呈现基本一致的时间变化。从图中可以看出W的低频变化主要以季节变化为主, 基本上在冬季最大, 而于夏季最小。同时我们也注意到这三个区域分别平均的W均在2011年8月、2012年9月和2014年8月等非冬季月份出现较大值, 从而表明W还具有其他时间尺度的变化。之后图3进一步给出了整个研究时间段内W的标准差, 其空间分布与其平均值(图2)类似, 均在黄海中东部最大, 并向沿岸区域逐渐减小。

图2 卫星观测和模式后报模拟得到的有效波高天气异常

随后本文计算了W的月气候态平均值, 结果如图4所示, 其中粉红色点和灰色点分别指示W的最大值与最小值发生的月份。在黄海内,W的最大值在大部分海域出现在12月, 而在少数沿岸海域出现在11月;W的最小值在大部分海域发生在6月, 而在江苏—山东沿岸的部分海域则出现在7月。因为缺少观测资料的支持,W极大值发生的月份在部分近海海域与深海并不一致的现象还需要在将来进一步的深入研究。W月气候态平均值的空间分布也呈现出显著地季节变化。从11月到翌年5月,W的月气候态平均值均在黄海的中东部存在自南向北延伸的高值区, 与其年平均值的空间分布类似(图2)。从6月到同年的10月,W的月气候态平均在黄海与东海的分界处存在较强的由黄海指向东海的空间梯度, 其等值线大致与长江口-济州岛连线平行。在5月和6月, 南黄海的中东部区域和北部区域分别存在一个局地极大值区。

图3 黄海海浪SW的时间变化及其标准差的空间分布

按照定义, 实际海洋中的波浪可以分为风浪和涌浪两部分, 那么风浪和涌浪有效波高在天气时间尺度上又有怎样的变化呢？为此本文分别计算了风浪和涌浪的W, 结果如图5所示。总体而言, 混合浪有效波高的天气变化主要是由风浪占主, 这与其季节变化的特征类似[10]。涌浪在南黄海的贡献要大于在北黄海的贡献, 这应该是由于南黄海受到来自东海及太平洋海域传来的较强涌浪的影响。另外, 涌浪在夏天的部分月份也存在极大值, 如前面提到的2011年8月、2012年9月和2014年8月, 这可能是与台风浪有关[13]。

2.3 动力学过程探讨

海表面波浪都是由海面风强迫产生的, 因此有必要探讨W与海表面风场的天气时间尺度变化强度之间的关系。为此本文也按照类似的方法利用ERA-Interim风场资料计算了海面10 m风速的天气时间尺度变化强度, 记为W。经过比较,W的季节变化和空间分布与W的季节变化和空间分布存在很大差别, 如图6所示(其中粉红色点和灰色点分别指示W的最大值与最小值发生的月份), 因此海面风的天气时间尺度变化可能不是导致海浪有效波高天气时间尺度变化的直接原因。

图4 黄海海浪SW的逐月气候态平均

为了探讨黄海海浪有效波高天气时间尺度变化的动力学过程, 本文设计了6个数值实验, 每个实验的模式配置如表1所示。图7给出了利用不同数值实验模拟结果计算得到的W时间序列。为了便于比较, 图7中实验4的结果为真实结果的1/3。

实验1和实验2比较了天气时间尺度风场(周期小于12 d)和低频风场(周期大于12 d)对W的影响。如图7中灰色线和红色线所示, 不管是在南黄海还是北黄海实验1的结果均远小于后报模拟结果, 而实验2的结果则与后报模拟结果非常接近。两者得到的W与后报模拟得到的W之间的相关系数分别为0.5和0.8左右(表1), 这说明黄海海浪有效波高在天气时间尺度上的变化主要是由海面风场中较长周期(大于天气变化周期)的信号引起的, 而风场中天气时间尺度的信号则起次要作用。

实验3—实验6进一步探讨了公式(2)中的不同物理过程对W的影响。实验3得到的W与后报模拟得到的W不仅大小一致, 而且同期相关系数非常高(≈0.98)。因此, 浅水过程项对南黄海或者北黄海区域平均的W均影响较小, 这是因为浅水过程项主要在近海起作用[10], 而南黄海或者北黄海区域平均的W主要体现深水区域的有效波高天气时间尺度变化强度特征。如果同时忽略四波非线性相互作用和白冠耗散等两个深水过程, 那么实验4得到的W不仅在数值上较大于后报模拟结果(前者约为后者的3倍), 而且两者的相关性也较低(≈0.1~0.4)。实验5的结果不仅在数值上远小于后报模拟结果, 而且与后者的同期相关性也非常低(≈0.2~0.3), 这说明四波非线性相互作用对有效波高的W非常重要。实验6得到的结果总体上比较接近后报模拟结果, 而且两者之间的同期相关系数也相对较高(≈0.87), 这表明白冠耗散过程起次要作用。

图5 风浪和涌浪的SW时间序列

3 结论

卫星观测表明黄海海浪的有效波高呈现出显著地天气时间尺度的变化(周期小于12 d), 为此本文利用第三代海浪数值模式SWAN系统研究了该变化的时空分布特征和相关动力学过程, 具体结论如下:

1) 黄海海浪有效波高的天气变化强度W具有显著的时间变化特征和空间分布特征。其多年平均值在黄海的中东部存在由南向北延伸的高值区, 同时向两侧近海区域逐渐减小。W的低频变化以季节变化为主, 基本是冬天最大, 夏天最小。W的空间分布也具有明显的季节差异。从11月到翌年5月,W月气候态平均值的空间分布与其年平均值的空间分布类似; 从6月到同年的10月,W的月气候态平均值在黄海与东海的分界处存在较强的空间梯度:W由东海向黄海迅速减小, 其等值线大致与长江口-济州岛连线平行。在5月和6月, 南黄海的中东部区域和北部区域分别存在一个极大值区。W以风浪占主, 涌浪的贡献远小于风浪贡献。

2) 数值实验表明黄海海浪有效波高的天气时间尺度变化并不是由海面风场的天气时间尺度变化导致的, 而是由较大变化周期的风场主导的。进一步的数值实验表明在影响深水区域波浪能量源汇的6个物理过程中, 四波非线性相互作用具有主导作用, 而白冠耗散起次要作用。因此, 黄海海浪有效波高的天气时间尺度变化主要是由大于天气变化周期的海面风强迫通过四波非线性相互作用产生的。

图6 黄海海面10 m风速WW的逐月气候态平均

表1 后报模拟和数值实验设置及结果

图7 后报模拟及数值实验得到的区域平均的有效波高的SW的时间序列

[1] 臧家业, 汤毓详, 邹娥梅, 等. 黄海环流的分析[J]. 科学通报, 2001, 46(增): 7-15.Zang Jiaye, Tang Yuxiang, Zou Emei, et alAnalysis of Yellow Sea circulation[J]. Chinese Science Bulletin, 2001, 46(S): 7-15.

[2] Pang Chongguang, Bai Xuezhi, BaiHong, et alSeasonal evolution of circulation and thermal structure in the Yellow Sea[J]. Chinese Journal of Oceanology and Limnology, 2005, 23(3): 269-274.

[3] Han Guoqi, Huang Weigen. Pacific Decadal Oscillation and sea level variability in the Bohai, Yellow, and East China Seas[J]. Journal of Physical Oceanography, 2005, 38(12): 2772-2783.

[4] Zhang Liping, Wu Lixin, Lin Xiaopei, et al. Modes and mechanisms of sea surface temperature low-frequency variations over the coastal China seas[J]. Journal of Geophysical Research-Oceans, 115: C08031.

[5] 管长龙. 我国海浪理论及预报研究的回顾与展望[J]. 青岛海洋大学学报, 2000, 30(4): 549-556. Guan Changlong. A review of history and prospect for study of sea wave theory and its forecast in China[J]. Journal of Ocean University of Qingdao, 2000, 30(4): 549-556.

[6] Qiao Fangli, Ma Jian, Xia Changshui, et al. Influence of the surface wave-induced mixing and tidal mixing on the vertical temperature structure of the Yellow and East China Seas in summer[J]. Progress in Natural Science, 2006, 16(7): 739-746.

[7] 许富祥, 余宙文. 中国近海及其邻近海域灾害性海浪监测和预报[J]. 海洋预报, 1998, 15(3): 63-68. Xu Fuxiang, Yu Zhouwen. Monitoring and prediction of disastrous sea waves in the coastal waters of China and its adjacent areas[J]. Marine Forecasts, 1998, 15(3): 63-68.

[8] 陈红霞, 华锋, 袁业立. 中国近海及邻近海域海浪的季节特征及其时间变化[J]. 海洋科学进展, 2006, 24(4): 407-415. Chen Hongxia, Hua Feng, Yuan Yeli. Seasonal characteristics and temporal variations of ocean wave in the Chinese offshore waters and adjacent sea areas[J]. Advances in Marine Science, 2006, 24(4): 407-415.

[9] 李训强, 郑崇伟, 苏勤, 等. 1988-2009年中国海波候、风候统计分析[J]. 中国海洋大学学报, 2012, 42(S1): 1-9. Li Xunqiang, Zheng Chongwei, Su Qin, et al. Wave climate and wind climate analysis in the China Sea from 1988 to 2009[J]. Periodical of Ocean University of China, 2012, 42: 1-9.

[10] 陈国光, 翟方国, 李培良, 等. 黄海海浪季节变化的数值模拟研究[J]. 海洋科学, 2016, 40(11): 155-168. Chen Guoguang, Zhai Fangguo, Li Peiliang, et al. Numerical study of wave height seasonality in the Yellow Sea[J]. Marine Sciences, 2016, 40(11): 155-168

[11] 郑崇伟, 刘铁军, 钱粤海. 中国海海表风场、海浪场与El Niño的相关性分析[J]. 云南大学学报, 2014, 36(2): 214-223. Zheng Chongwei, Liu Tiejun, Qian Yuehai. The relationship between sea surface wind field, wave field and El Nino in the China sea[J]. Journal of Yunnan University, 2014, 36(2): 214-223.

[12] Zheng Chongwei, Li Chongyin. Variation of the wave energy and significant wave height in the China Sea and adjacent waters[J]. Renewable and Sustainable Energy Reviews, 2015, 43: 381-387.

[13] Cheon J K, Mu J W, Yong C J, et al. Simulation of the extreme waves generated by typhoon Bolaven (1215) in the East China Sea and Yellow Sea[J]. Acta Oceanol Sin, 2015, 34(12): 19-28.

[14] Hwang P A, Bratos S M, Teague W J, et al. Wind and waves in the Yellow and East China Seas: A comparison of spaceborne altimeter measurements and model results[J]. Journal of Oceanography, 1999, 55(2): 307-325.

[15] 杨乐. 卫星雷达高度计在中国近海及高海况下遥感反演算法研究[D]. 南京: 南京理工大学, 2009. Yang Le. Study on satellite radar altimeter retrieval algorithms over coastal seas and under high sea state events[D]. Nanjing: Nanjing University of Science and Technology, 2009.

[16] Booij N, Ris R, Holthuijsen L. A third-generation wave model for coastal regions. Part I, Model description and validation[J]. Journal of Geophysical Research, 1999, 104(4): 7649-7666.

[17] Smith W, Sandwell D. Global sea floor topography from satellite altimetry and ship depth soundings[J]. Science, 1997, 277: 1956-1962.

[18] Dee D, Uppala S, Simmons A, et al. The ERA-Interim reanalysis: Configuration and performance of the data assimilation system[J]. Quarterly Journal of the Royal Meteorological Society, 2011, 137(656): 553-597.

[19] Song Lina, Liu Zhiliang, Wang Fan. Comparison of wind data from ERA-Interim and buoys in the Yellow and East China Seas[J]. Chinese Journal of Oceanology and Limnology, 2015, 33(1): 282-288.

(本文编辑: 刘珊珊)

Numerical study on the variability of wave height on the weather time scale in the Yellow Sea

LIU Zi-zhou1, CHEN Guo-guang2, LU Xue3

(1. College of Oceanic and Atmospheric Sciences, Ocean University of China, Qingdao 266100, China; 2. North China Sea Environment Monitoring Center, State Oceanic Administration, Qingdao266033, China; 3. Qingdao Meteorological Administration, Qingdao 266003, China)

Satellite observations indicate that the significant wave height (SWH) in the Yellow Sea (YS) exhibits significant variations in periods shorter than 12 days. The current study intends to investigate in detail the characteristics of the temporal and spatial variations in the weather with respect to the SWH in the YS as well as the associated dynamic processes based on Simulating WAves Nearshore (SWAN), a third-generation wave model. The results indicate that the strength of the weather variations in the SWH (denoted asW) shows strong characteristics in its temporal variations and spatial distributions. There is a high-value tongue ofWextending from the south to north in the eastern–central part of the YS. Meanwhile,Wdecreases shoreward. It is largest in winter and smallest in summer. From November to May in the following year, the monthly climatology ofWshows a spatial distribution similar to that of its annual mean. From June to October, however, there is a strong gradient in the monthly climatology ofWperpendicular to the border between the YS and the East China Sea. Further analysis indicates that theWin the YS is dominated by windsea, with secondary contributions from swell. Numerical experiments prove that the weather variations in the SWH are caused by wind forcing with longer periods via four-wave nonlinear interactions.

the Yellow Sea; ocean wave; significant wave height; weather variation; Simulating WAves Nearshore (SWAN)

Nov. 17, 2016

P731

A

1000-3096(2017)10-0077-09

10.11759/hykx20161117001

2016-11-17;

2016-12-20

青岛市博士后资助项目(86160504003)

[Qingdao Postdoctoral Funding Project , No.86160504003]

刘子洲(1987-), 男, 山东淄博人, 硕士, 实验师, 主要研究方向为近海精细化预报及海洋调查, E-mail: lzz2013@ouc.edu.cn; 陈国光, 通信作者, 学士, E-mail: 13808960499@163.com