董海嘯,馮佳俊,張淵智
(南京信息工程大學海洋科學學院,江蘇南京 210044)
環太平洋、大西洋大陸國家由于其獨特和復雜的地理環境,自然災害頻發,其中熱帶氣旋(Tropical Cyclone,TC)災害[1]以其發生頻次高、危害程度重、影響范圍廣和災害鏈長而備受關注。TC是一種天氣氣候系統,體現了大氣、海洋、陸地之間的相互作用,對TC 特征結構(強度和尺度)的研究對于TC的監測和預報都有重要的指導意義。
隨著衛星遙感技術的發展,其具備的高時空分辨率和大面積同步觀測的優越性極大地降低人力、物力觀測成本,在過去的幾十年已被廣泛應用于無法獲得現場數據的極端條件下TC 海表風場的研究。歐洲Metop氣象業務極軌衛星攜帶的先進散射計ASCAT(Advanced Scatterometer)能夠提供覆蓋95%以上熱帶海洋的每日風場資料,尤其是在2009年11 月快速散射計QuikSCAT(Quick Scatteromete)失效以后,ASCAT成為TC預報和快速風矢量搜索算法[2]的重要數據來源,并已廣泛應用于氣象服務[3]。
ASCAT 風場數據已被廣泛應用于海洋等領域的研究。高留喜等[4]利用QuikSCAT 和ASCAT 反演風場與浮標資料在中國南海北部進行統計檢驗分析,發現兩套衛星資料在該區域有較好的適用性。RICCIARDULLI 等[5]對來自氣象衛星Metop-A、Metop-B 和Metop-C 的ASCAT 風數據進行相互校準以獲得穩定的氣候數據記錄。POLVERARI等[6]使用了2009—2017 年經過再處理的12.5 km 分辨率的ASCAT-A風數據進行分析,發現ASCAT對15 m/s以上風速存在低估情況,因此提出了一種基于12 m/s以上風速的校準方法。
與此同時,基于ASCAT 風場數據的TC 研究也有一定的進展。WIMMERS 等[7]基于ASCAT 散射計在內的多源衛星遙感數據改進了TC 中心定位算法(ARCHER-2),對比美國國家颶風中心最佳軌跡結果,中心修正誤差的中值范圍為24~49 km。LIU等[8]使用海洋二星B 衛星(HY-2B)散射計數據HSCAT 和ASCAT 提出了一種直接采用最大散射計風速來評估TC 強度的替代方法,評估了風半徑r17(風速達到17 m/s)在確定TC 強度上的可行性。NI等[9]針對合成孔徑雷達(Synthetic Aperture Radar,SAR)和ASCAT CMOD7 數據在TC 條件下進行風速優化,通過調整ASCAT 風速來匹配SAR 風速,可以使ASCAT 風速的誤差減小約16.0 %。張圣雪等[10]結合風云二號F 星(FY-2F)、風云二號G 星(FY-2G)和ASCAT 數據基于偏角方差(Deviation Angle Variance,DAV)技術建立了TC 強度回歸模型,對于驗證集數據模型的均方誤差為4.66 m/s,平均絕對誤差為3.99 m/s,證實了該模型可以較好地估計TC強度。NI 等[11]提出了一種將計算最大1 min 持續風速作為Rankine 渦旋模型衰減參數函數的方法,以獲得更準確的TC 強度估計,將此方法應用于2016—2017 年的ASCAT 風場數據后,結果優于MAYERS-RUF方法[12]。
上述研究大多以ASCAT風場作為數據源,圍繞TC中心位置、強度、TC情況下風速產品優化校準等方面開展。不同強度的風圈具有不同的預報指示意義,34節(風速達到17.5 m/s)風圈半徑(R34)可以表示TC 主體環流所帶來的大風影響范圍,一般以其大小來衡量TC 尺度。SOISUVARN 等[13]基于ASCAT 風場氣候數據研究了2007—2012 年西北太平洋(Northwest Pacific,NWP)TC 的R34 和R50(50節的風圈半徑),并提出了一種新的風圈半徑表征技術,本文將在此基礎上對ASCAT 數據在計算TC風圈半徑方面進行進一步評估,嘗試基于ASCAT風場數據計算2013—2022 年5—11 月發生在西北太平洋和北大西洋(North Atlantic,NA)TC 的R34和R50以擴充研究時間序列,采用Pearson相關分析法確定R34定義TC大小的可行性并對所有TC大小進行分類,對10 年間TC 風圈半徑的變化進行統計分析。
本文將在第1 節中對所使用的數據進行介紹;在第2 節中對最佳路徑數據和ASCAT 數據進行時空窗匹配提取TC 風場信息,通過TC 案例來展示本文所采用的基于ASCAT 風場數據R34 和R50 的計算方法;在第3 節中利用最佳路徑數據對結果進行比較,用ASCAT 數據對TC 大小進行定義,并對10年間北大西洋和西北太平洋所有TC 樣本的R34 和R50進行統計分析;最后在第4節中進行總結。
ASCAT 是歐洲空間局(European Space Agency,ESA)發射的Metop氣象業務極軌衛星上攜帶的儀器之一,由歐洲氣象衛星應用組織(EUMETSAT)使用。Metop-A 是Metop 系列3 顆衛星中的第一顆,于2006 年10 月19 日發射,Metop-B于2012 年9 月17 日發射,Metop-C 于2018 年11 月7日發射。ASCAT 向海面發射特性良好的微波能量脈沖,并接收和記錄產生的回波以傳輸到地面站,然后導出有關風速和風向的數據,其具備更好的分辨率和超過其前身(ERA 地球資源衛星ERS-1 和ERS-2上的有源微波儀器)兩倍的覆蓋范圍,可以在短短5 d內實現近乎全球的覆蓋范圍。
ASCAT L2B 海岸風場產品是由荷蘭皇家氣象研 究 協 會(Royal Netherlands Meteorological Institute,KNMI)在L1B 級產品的基礎上再加工而成,空間分辨率為12.5 km,采用改進的地球物理模型函數CMOD7 GMFs 將風矢量映射到后向散射信號值中,本文下載的數據分別來自Metop-A、Metop-C衛星,時間范圍為2013—2022年的5—11月,空間范圍為西北太平洋和北大西洋。
美國國家海洋和大氣管理局(National Oceanic and Atmospheric Administration,NOAA)提供了最佳路徑的TC 數據集,最佳路徑數據來源于許多機構和數據集。在TC 形成期間,氣象預報員對TC 的歷史位置和強度進行觀測,同時預測其未來的位置和強度。在風暴結束后(通常在當年臺風/颶風季結束后),預報員收集所有可用的信息(來自陸地、浮標、船只等的相關報告、雷達數據、飛機數據和衛星數據等),利用這些信息對TC 的路徑和強度做出最佳估計,因此形成“最佳路徑”。隨著時間的推移和技術的發展,相關機構對所有留存的數據進行再分析并更新較舊的最佳路徑數據集。本論文選取美國源機構觀測的時間范圍為2013—2022 年的5—11月發生在NWP 和NA 編號入檔的TC 最佳路徑數據,包括每個觀測時刻(世界時,下同)的風眼位置、中心最大風速、4 個象限的R34、R50 和TC 名稱。計算數據集中的R34和R50時,對所有地理象限(NW、NE、SW、SE方向)的風圈半徑進行方位平均。
ASCAT CMOD7 模型數據在TC 發生時會低估風速,CMOD7D[6]模型是CMOD7 模型的多項式變換。CMOD7D公式為:
式中:下標7D和7分別代指CMOD7D和CMOD7模型。使用該模型可對原始風場≥12 m/s 的風速進行優化,V7D和V7分別表示優化后和原始風場的風速。在相對平靜的海域,即V7<12 m/s時可忽略V7D的值,即V7D值被V7取代。數據處理時需要將風矢量分解成水平分量(U)和垂直分量(V),計算公式為:
式中:風向變量direction 的單位是(°),風速speed 的單位是m/s。
由于最佳路徑數據的時間間隔為3 h,通過時空窗匹配可過濾出ASCAT L2B 數據中的TC 風場。首先對最佳路徑數據進行區域篩選,保留路徑在NWP 和NA 海盆上的TC;然后進行時間窗匹配,利用最佳路徑數據中每個TC的時間與ASCAT每日風場時間匹配(設置1.5 h閾值),同時以最佳路徑數據中每個TC 路徑中心位置為圓心,500 km 為搜索半徑篩選出衛星數據中的TC風場。
在進行時空窗匹配時,為了提高R34 和R50 計算的準確性,對ASCAT風場數據按以下標準進行二次篩選:①TC 中心必須被刈幅覆蓋,中間和邊緣的距離必須大于1°;②TC 渦流結構必須有超過60%被刈幅覆蓋;③目標區域內相鄰網格點沒有明顯的風向沖突問題(風向模糊),存在明顯TC 渦流的逆時針結構。
最終獲得2013—2022 年的5—11 月NWP 和NA 海盆的ASCAT 風場共1 212 幅,對應形成于NA的TC 79個和NWP 的TC 132個,共211個TC 事件。匹配得到的TC 在其整個生命周期每個觀測時刻的最大風速按照Saffir-Simpson 等級(即熱帶低壓(Tropical Depression,TD)、熱 帶 風 暴(Tropical Storm,TS)、颶風等級1—5(Hurricane1—5,H1—5))進行分類,結果見圖1。
圖1 2013—2022年5—11月NWP和NA的TC最佳路徑Fig.1 Best Track of TC during May and November in NWP and NA in 2013—2022
為了方便對每個TC 進行分類編號歸檔,我們按照在同一個TC 的生命周期內,ASCAT 散射計對其重復觀測的次數進行進一步細化分類,結果見圖2。經過時空窗匹配再篩選之后的TC 數據集中,ASCAT散射計對單個TC的重復觀測次數大部分集中在1~6 次,共形成142 個TC,占總數的67.3%,每個重復觀測次數與其對應的TC 個數相乘再累加后對應的數值1 212 則是進行時空窗匹配和二次篩選的ASCAT風場的幅數。
圖2 TC-ASCAT觀測次數分布Fig.2 Distribution of TC-ASCAT observations
進行案例研究的主要目的是驗證R34 和R50 計算方法在衛星散射計觀測資料中應用的適用性,因此案例選取遵循在同一個TC 的生命周期內散射計盡可能多地對其進行重復觀測的原則,最終選取觀測次數較多的1705號臺風“奧鹿”(18幅)作為TC案例以便更好地進行本文風圈半徑計算方法的結果展示。
ASCAT 分別于2017 年7 月25 日22 時12 分、28日11 時、31 日23 時30 分以及8 月3 日00 時27 分觀測到了較為完整的臺風“奧鹿”的海面風場,結果見圖3。
圖3 ASCAT觀測的臺風“奧鹿”風場Fig.3 Wind field of Typhoon"Noru"observed by ASCAT
TC 大小是研究其結構的一個重要參數,通常被定義為最外層閉合等壓線的平均半徑(Radius of the Outermost Closed Isobar,ROCI)和海面風場風速為15 m/s 或17 m/s 時的平均半徑[14]。但MERRILL[15]發現,ROCI 會隨季節和地區發生變化且與TC 強度的相關性較弱。一般情況下,TC 的風圈半徑通常在海面風場風速達到34 節、50 節和64節時被觀測記錄到[13],3 種半徑分別對應于大風級、風暴級和臺風/颶風級的TC強度。經過時空窗匹配之后,我們發現上述研究中34 節和50 節風圈半徑的樣本量分別為1 212和439,而64節風圈半徑的樣本量較少,這可能是由于ASCAT相鄰觀測刈幅之間相距較遠減少了匹配的機會以及風場數據對實際風速的低估導致的。
考慮上述因素,本文選用R34來反映TC的結構特征和強度大小,并采用等方位角平均的方法基于ASCAT 海面風場計算TC 的34 節和50 節的風圈半徑。具體來說,首先對最佳路徑數據的風眼位置進行時間插值以確定ASCAT 風場對應時刻的TC 中心;其次,設定正負1節的風速閾值來繪制匹配風場的34 節和50 節風速等值廓線,結果見圖4;然后,以時間插值確定的TC中心為準,將空間分為8個方位角(見圖5a),通過空間雙線性插值獲取風速等值廓線上距離每個方位角最近兩個點的連線與方位角的交點,并繪制風速-半徑剖面(見圖5b);最后,計算各個交點與風眼的距離獲得各方位角上的34 節和50 節風圈半徑Di和Si(i=1,2,…,8),計算公式為:
圖4 臺風“奧鹿”34節和50節風速等值廓線Fig.4 34-knot and 50-knot wind speed contour of Typhoon"Noru"
圖5 R34和R50計算方法Fig.5 The method of calculating R34 and R50
式中:下標代表每個方位,將方位角進行平均后可得出半徑計算公式,并用R34 和R50 表征該時刻TC尺度大小。
從圖4 可以看出,TC 風場在實際情況下往往具有非對稱特征,高風速區呈現不均勻分布,集中在環流某一側,圓對稱性結構較差,每個方位角的風圈半徑是不相等的;當34 節風圈較大時,由于刈幅限制,等值廓線不閉合,部分方位角上的風圈半徑無法計算;由于TC 風眼附近存在低風速區,一個方位角上存在多個符合風速閾值內的風速。
針對以上情況,我們優化了計算程序,將缺失的方位角半徑設為缺測值,不計入方位角平均計算之中。真實環境下能夠較完整呈現臺風“奧鹿”結構的ASCAT 風場數據中的風速矢量往往是以離散格點形式分布的,這可能是由于雷達測量噪聲引起風速廓線偽振蕩導致的,所以通過設定閾值定義風速區間來繪制風場風速等值線的方法得到的廓線邊緣是粗糙的,使用方位角平均將風速等值廓線圓對稱化,可以消除大部分與TC 運動相關的不對稱[16],同時也便于后續的統計研究。
圖5b 是臺風“奧鹿”在4 個時刻各方位角風速隨距離變化的風剖面曲線,在其生成和發展階段,風速-半徑剖面較為平坦;隨著臺風進入成熟階段,其逐漸發展出風眼結構且逐漸增大,風速-半徑剖面越來越陡峭,呈單“峰”分布且風速“峰”越來越突出。此時,34 節和50 節風速等值線出現多個交點,在計算各方位角上的風圈半徑值時,需要排除風眼內的較小值,保留風眼外的較大值作為該方位角上的有效值。
計算時空窗匹配所得TC 的R34 和R50 與對應最佳路徑數據的觀測值對比,采用偏差法、均方根誤差法和相關系數分析法作為衡量比較結果的標準。計算公式為:
式中:Xi、Yi分別表示最佳路徑數據中風圈半徑的觀測值和基于ASCAT 風場的計算值,i代表每個數據的編號,Xˉ、Yˉ分別對應于Xi、Yi數據集的均值;n為樣本數。Bias 表示兩個數據序列的偏離程度,正偏差表明計算值高于觀測值,即高估,反之為負偏差,低估。RMSE 值始終為正且對異常值反映敏感,越接近0 表明計算方法越適用。CC 值表示兩個序列的相關程度,CC=1 表示兩變量完全線性相關,CC=0則表示兩變量完全不相關,一般情況下,CC>0.8 表示兩變量相關度較好。
基于第2 節的方法將NWP 和NA 海盆2013—2022年的5—11月的所有TC(見圖1)結合在一起構建ASCAT 風場R34 和R50 數據集,并與最佳路徑數據進行對比,結果見圖6a 和6b。R34 和R50 的樣本總數分別為1 212 和439,R34 和R50 的Bias 分別為8.6 km和-15.4 km,RMSE分別為52.4 km和39.6 km。ASCAT 觀測的R34 比最佳路徑大4.5%左右,差異誤差約為12.3%;而ASCST 觀測的R50 比最佳路徑小約4.0%,差異誤差約為25.4%,這個結果優于SOISUVARN 等[13]計算的R34 和R50 與最佳路徑的比較結果,其對應的差異值和誤差分別為3%、36%、28%和39%。
圖6 最佳路徑和ASCAT風圈半徑統計比較Fig.6 Statistical comparison of R34 and R50 between Best Track and ASCAT data
ASCAT 估算的R34 和R50 與最佳路徑數據的CC 值分別為0.88 和0.74(p<0.01),相關性較高。圖6c和6d展示了ASCAT 風半徑和最佳路徑數據的線性回歸結果,R34 和R50 的擬合關系分別為y=1.03x和y=0.87x,擬合模型的判定系數(R2)分別為0.77 和0.54,表明回歸直線對最佳路徑數據的擬合程度較好,且R34比R50的擬合結果更接近觀測值,相關性更加顯著。
由于Metop-A、Metop-B、Metop-C 是極軌衛星,在2.2 節時空窗匹配時也發現其在中低緯度的經過頻率很低,ASCAT 對所有TC 樣本的單日觀測次數最多為1~2 次,且當TC 較大時,由于刈幅限制,ASCAT 通常只能觀測到部分環流結構(在圖4 中體現為34 節風速等值風圈不閉合),因此,對TC 結構不完整的風場進行方位角平均可能會引起R34 偏大;另一方面,由于ASCAT 對高風速存在低估[6],這會引起強度達到風暴及以上的TC的50節風圈比真實情況小,因此R50呈現負偏差,以上可能是導致基于ASCAT 風場的計算結果與最佳路徑存在差異的原因。
在2.3節中已提出用R34來反映TC的結構特征和強度大小,雖然C 波段ASCAT 對降雨相當不敏感,但是由于在高風速情況下風速數據存在不確定性,而且散射計測量的風速和最佳路徑數據的時間尺度不一樣,本節采用最佳路徑的1 min 持續最大風速Vmax來表征TC 強度,檢驗與TC 大小相關的4個潛在相關環境變量(Vmax、緯度、TC 移動速度和風暴年齡)對ASCAT估算的TC風圈半徑的影響程度,對這4 個參數和TC 風圈半徑(R34 和R50)進行Pearson相關分析,結果見表1。
表1 NWP、NA和整個研究區TC風半徑(R34、R50)與TC尺度相關環境變量之間的Pearson相關系數Tab.1 Pearson's correlation coefficients between TC wind radii(R34,R50)and TC size-related environmental variables in NWP,NA and the entire study area
結果表明,在這4 個參數中,最大風速與R34 和R50 的總體相關性最強(CC=0.36~0.66),與R50 在NWP 和NA 海盆中的估計(CC=0.36~0.48)相比,R34 與最大風速具有更強的相關性(CC=0.62~0.66)。在NWP 海盆中,緯度與風圈半徑的相關性較?。–C=0.13~0.18),在NA 海盆中具有弱相關性(CC=0.25~0.26),同樣在NWP中TC移動速度與風圈半徑的相關性很?。–C=0.07~0.10),在NA 中相關性也較弱(CC=0.16~0.28)。值得注意的是,不同于緯度和TC 的移動速度,TC 風暴年齡與各海盆的風圈半徑相關性增強(在NWP 的CC=0.28~0.33;在NA 的CC=0.35~0.37),KIM 等[17]認為這是由于TC風暴年齡與最大風速和緯度之間的相關性較強導致的。
以上結果表明,基于ASCAT 風場計算的R34變化趨勢與最佳路徑最大風速的變化趨勢基本一致,這也說明了散射計的R34值比R50能夠更好地表征TC 的影響強度和范圍,因此,本文選用R34 值來反映TC 的結構特征和定義其強度大?。ǔ叨龋┑姆椒ㄊ蔷哂锌尚行缘?。此外,本文發現TC 的大?。≧34)和其對應的強度之間存在明顯正相關(CC=0.62~0.66),這與胡邦輝等[18]的結論相似,以上結果也體現了從ASCAT風場得到的風半徑信息,在臨近預報或短期預報方面對于分析TC 強度是有參考價值的。
2.3 節中已經介紹過,計算R34 和R50 時將研究的TC 都看作具有對稱性,使用方位角平均將風速等值廓線圓對稱化可以消除大部分與TC 運動相關的不對稱。本節對2013—2022年的5—11月ASCAT探測到的NWP 和NA 海盆上的有效TC 數據進行分類,小型和大型TC 的分類節點采用R34 的均值(R)加減標準差(s)來定義,得到的值分別為1.54°緯度和3.51°緯度,因此將小于1.5°緯度的TC 歸為小型,大于3.5°緯度的TC歸為大型,中間為中型。
表2 總結了MERRILL[15],日本氣象廳(Japan Meteorological Agency,JMA)和聯合臺風預報中心(Joint Typhoon Warning Center,JTWC)以 及 梁 梅等[19]對TC 進行分類的結果,采用ROCI 分類和基于等值風速的平均半徑進行定義的結果存在差異。本文對小型TC 的分類節點(1.5°緯度)與梁梅等(1.2°緯度)相近,由于ROCI會隨季節和地區變化且與TC 強度的相關性較弱,因此MERRILL、JMA 和JTWC 對小型和大型TC 的分類結果偏大(分類節點約為3°緯度和5°~6°緯度)。
表2 不同研究人員和氣象中心對TC大小的分類Tab.2 TC size categories used by different researchers and meteorological centers
圖7為2013—2022年的5—11月NWP和NA海盆上ASCAT估算的R34月平均變化及標準差區間。標準差與月均值分布基本一致,兩個海盆上平均尺度的峰值出現在9 月(NWP 的R34 為297.8 km)和10 月(NWP 的R34 為305.6 km; NA 的R34 為322.5 km),同時R34最大值均在10月(NWP的R34為591.9 km; NA 的R34 為575.4 km),之后11 月、5月、6 月呈下降趨勢且NWP 的降幅更大,隨著夏季臨近(7月、8月),NWP的增長趨勢平穩,而NA 的平均尺度低值出現在8 月(R34 為201 km),NWP 上月均值的最大值出現在10 月,與梁梅等[19]根據37 a(1980—2016 年)數據集分析得到的TC 尺度季節變化的結果一致。
圖7 2013—2022年ASCAT R34月平均變化趨勢Fig.7 Monthly average variation trend of ASCAT R34 during 2013—2022
對ASCAT的TC數據進行大小分類的月分布結果見圖8,其中中型TC 總數量最多,在NWP 和NA所占比重分別為68%和66.7%,NWP 的中型TC 主要分布在8—10 月,而NA 則集中分布在9—10 月。NWP 的大型TC 數量在7—10月呈顯著增勢且在10月達到峰值,其中9 月和10 月的數量超過小型TC,而NA的大型TC在9月和10月明顯增長,10月出現峰值且數量超過小型TC。兩個海盆上3 種類型TC的變化趨勢總體均呈現單峰分布,小型和中型TC的峰值出現在9 月,大型TC 峰值滯后1 個月,但小型和大型TC 的總數相差不大,其在NWP 上分別為14.3%和17.7%,NA 上分別為17%和16.3%,這與LIU等[20]的研究結果一致。
圖8 2013—2022年兩個海盆上ASCAT TC的3種類別的時間分布Fig.8 Time distribution of the ASCAT TC in three categories during 2013—2022 over the two basins
本文基于ASCAT風場數據,采用了方位角平均估計TC 風場R34 和R50 的計算方法,探索了ASCAT 在研究TC 風圈半徑的應用,并與最佳路徑數據進行比較,同時對結果的誤差做了分析,最后對西北太平洋和北大西洋上2013—2022年的5—11月的TC 大小進行分類和統計分析。主要結論如下:
①對于匹配的所有TC 樣本,R34比最佳路徑大4.5%左右,差異誤差約為12.3%,R50 比最佳路徑小約4.0%,差異誤差約為25.4%;R34 和R50 的Bias 分別為8.6 km 和-15.4 km,RMSE 分別為52.4 km 和39.6 km,與最佳路徑數據的CC 值分別為0.88 和0.74(p<0.01),相關性較高。與其他已有方法比較,結果表明本方法能夠較好地估計TC風圈半徑。
②在風圈半徑與TC 大小潛在相關環境變量的相關性分析中,最大風速與R34 和R50 的總體相關性最強(CC=0.36~0.66),R34 與最大風速在NWP和NA 海盆中具有較強的相關性(CC=0.62~0.66)。ASCAT 散射計的R34 值比R50 能夠更好地表征TC的結構特征和尺度大小,在臨近預報或短期預報方面對于分析TC強度是有參考價值的。
③從2013—2022 年NWP 和NA 海盆上R34 的月平均變化趨勢來看,TC 平均尺度的峰值出現在9月(NWP 的R34 為297.8 km)和10 月(NWP 的R34為305.6 km;NA 的R34 為322.5 km);兩個海盆TC分類的月分布結果表明,中型TC 的總數量最多,在NWP 和NA 所占比重分別為68%和66.7%,3 種類型TC 的變化趨勢總體均呈現單峰分布,小型和中型TC 的峰值出現在9 月,大型TC 峰值滯后1 個月,但小型和大型TC的總數量相差不大。
由于需要將最佳路徑記錄和ASCAT 風場相匹配,受數據時空范圍的限制,匹配案例數目較少。下一步的工作將使用更多源的數據集獲取更多的匹配案例來驗證和優化本文方法,同時拓展研究時間序列,建立TC尺度大小的氣候學統計分析。
致謝:本文使用的ASCAT 近海岸風場數據由歐洲氣象衛星組織(EUMETSAT)海洋與海冰衛星應用設施(OSI SAF)提供,本論文是第一作者本科畢業設計的部分內容,在完成本科畢業設計期間還得到張彪教授的建議和指導。本文是在原畢業設計的基礎上經過進一步修改、補充、計算和擴充后完成,在此一并致謝。