|
' x* R/ g: o4 _: K# ~- A! B

c, p2 s% z, {6 M  fill=%23FFFFFF%3E%3Crect x=249 y=126 width=1 height=1%3E%3C/rect%3E%3C/g%3E%3C/g%3E%3C/svg%3E) 近日,清华大学近岸海洋动力学研究团队的单楷越博士在气候领域权威期刊Journal of Climate上发文揭示了南海台风移动速度变化规律及其物理机制。该研究以单楷越博士为第一作者,通讯作者余锡平博士原为清华大学水利系教授,后调任南方科技大学海洋科学与工程系讲席教授,论文合作者还包括来自美国夏威夷大学的Chu Pao-Shin教授。- A/ v/ z+ n4 x: M' Y
1. 研究背景 我国南海地区是世界上典型的半封闭海域之一,活跃着海上风电开发、海底采矿等重要经济生产活动,且周边大陆人口密集,易受自然灾害影响。台风是南海地区最具破坏性的自然灾害,对周边地区造成巨大破坏。因此,充分认识南海台风活动特征变化规律,对于保障南海海域经济生产活动有序开展和支撑南海周边国家和地区制定防灾减灾决策具有重要意义。
% C& {3 B. z9 i" W- `( q 2. 研究内容 本研究聚焦于南海地区台风移动速度特征。以较慢速度移动的台风往往会造成更为严重的影响,这是由于台风的移动速度越慢,对途径海域的经济生产活动和沿海地区的人民生命财产的影响时间就越长,从而成比例地提高了伴随台风而来的强风、暴雨、风暴潮、巨浪等灾害影响。本研究基于多个全球主要数据集的对比结果,提出我国南海地区20世纪70年来以来台风移动速度大小呈现出明显的年代际变化特征(图1),具体表现为台风移动速度在20世纪90年代初至21世纪初期间明显减小(比平均水平低约20%)。这就意味着,对于相同强度和大小的台风,由于其在20世纪90年代初至21世纪初具有更慢的移动速度,带来更为严重的灾害影响。事实上,该时间范围内确实出现了异常偏高的台风灾害引起的巨大人员伤亡和经济损失。$ X1 I, d3 V. N( _- R
图1. 基于全球多个主要数据集的南海台风移动速度时间序列 为探究其背后的物理机制,本研究进一步开展模型模拟和再分析数据分析,基于前期自主独立开发的台风路径模型对我国南海地区台风移动速度进行模拟,发现该模型能够很好地再现南台风移动速度的年代际变化特征(图2)。对模型试验结果进行敏感性分析,南海地区台风移动速度变化受到引导气流的显著影响,南海北部的东南向引导气流和南部的西南向引导气流在20世纪90年代初至21世纪初期间均有所减弱,而在前后两个时期内相对较强。' j z4 o' j0 d( L) t- w! u
图2. 基于自主建立的台风路径模型模拟南海台风移动速度年代际变化与实测数据吻合 南海引导气流的年代际变化主要归因于西太平洋副热带高压的东西向摆动。当西太平洋副热带高压减弱东退并远离南海时,副热带高压西南侧的压力梯度较小,从而诱导较弱的引导气流,反之亦然。这一变化很可能是由北太平洋和西北太平洋海域之间的纬向海温梯度驱动的。本研究进一步提出了一个新的海表温度纬向梯度指数,该指数定义为北太平洋和西北太平洋海域之间的纬向海温梯度(图3)。结果表明,这一新的海表温度纬向梯度指数能较好地刻画我国南海地区台风移动速度的年代际变化特征,对于南海台风移动速度的未来预测预估和长时间尺度历史数据重构具有重要的指示意义。6 g$ K1 m8 X" Y: k$ G! y
 fill=%23FFFFFF%3E%3Crect x=249 y=126 width=1 height=1%3E%3C/rect%3E%3C/g%3E%3C/g%3E%3C/svg%3E)
" ^" o, n5 `& H9 d 图3. 提出北印度洋-西太平洋海表温度纬向梯度指数 ( o1 ?, A5 l# q. Y( n3 j6 }
3. 研究展望 未来,清华大学近岸海洋动力学研究团队将继续关注南海台风更多主要特征对气候变化的响应机制,力争形成南海台风物理规律及应对措施的系统性成果,为我国“十四五”期间积极应对气候变化、拓展海洋经济发展空间提供科技支撑。- x! O, X0 H0 V7 `* r1 ~# g
论文信息4 h1 |! ?# o. t- C1 }+ S4 j' l
Shan, K., Chu, P.-S. & Yu, X. (2023). Interdecadal
7 Z$ G5 E$ a* t* p Change of Tropical Cyclone Translation Speed during Peak Season in South China2 G+ c8 B" G8 D2 n7 r. S
Sea: Observed Evidence, Model Results, and Possible Mechanism. Journal of
* v& m- {7 }4 A: X. j Climate, doi: 10.1175/JCLI-D-22-0704.1. 9 t7 X: R1 R! a, a
文章链接& \ \2 x+ Q8 d
https://doi.org/10.1175/JCLI-D-22-0704.1
4 T$ T8 L7 l% @# R; @- ]& ^0 g% n  fill=%23FFFFFF%3E%3Crect x=249 y=126 width=1 height=1%3E%3C/rect%3E%3C/g%3E%3C/g%3E%3C/svg%3E) . f% g, G- c. L8 C$ E5 ?
 fill=%23FFFFFF%3E%3Crect x=249 y=126 width=1 height=1%3E%3C/rect%3E%3C/g%3E%3C/g%3E%3C/svg%3E) 9 Z4 z% [0 `: I$ f. Z* k
 fill=%23FFFFFF%3E%3Crect x=249 y=126 width=1 height=1%3E%3C/rect%3E%3C/g%3E%3C/g%3E%3C/svg%3E) 声明:欢迎转载、转发本号原创内容,可留言区留言或者后台联系小编(微信:gavin7675)进行授权。气象学家公众号转载信息旨在传播交流,其内容由作者负责,不代表本号观点。文中部分图片来源于网络,如涉及作品内容、版权和其他问题,请后台联系小编处理。- X a( N# I+ ^) W, O
欢迎加入气象学家交流群 7 g/ }7 H* s* h$ N/ ]9 C) P
请备注:姓名/昵称-单位/学校-研究方向
% f! [7 \9 t0 y( s, R& b  fill=%23FFFFFF%3E%3Crect x=249 y=126 width=1 height=1%3E%3C/rect%3E%3C/g%3E%3C/g%3E%3C/svg%3E) 往期推荐! `5 L: V% m4 g" E8 a
★ERA5-Land陆面高分辨率再分析数据(32TB) P: j/ `+ `0 i4 E' [% C
★ NASA最新版本CMIP6降尺度数据集30TB + F$ b" B- ] E. F: H$ q) u7 K! Y/ J
★ ERA5常用变量再分析数据(26TB) ) o3 t( Y$ j5 I) d, i
★EC数据商店推出Python在线处理工具箱 - ?9 W9 X% O- x' E0 J( s5 W: U
★ EC打造实用气象Python工具Metview & V; A( N# r0 v: F/ N& _0 I
★TRMM 3B42降水数据(Daily/3h) . G& o5 W6 n0 X5 ]
★科研数据免费共享: GPM卫星降水数据 - T5 d9 y3 v' }) g- [& I
★气象圈子有人就有江湖,不要德不配位! * p( b: u" ?8 f' J) g
★请某气象公众号不要 “以小人之心,度君子之腹”!
3 e" N7 B+ e2 b0 j ★ 机器学习简介及在短临天气预警中的应用
8 r* }3 l+ B0 I& } ★ AMS推荐|气象学家-海洋学家的Python教程
/ J! e! _. m! d ★ Nature-地球系统科学领域的深度学习及理解
: T+ v1 U7 d* Q ★ 采用神经网络与深度学习来预报降水、温度等 * Q6 G# k7 W: T* U
5 ]8 v/ s) O& t1 k# D! }( T
+ e0 y* W2 Q3 [% i& l( ~
3 U/ b/ h$ U8 D! S/ Y$ x) r
; j% @' s* M1 q7 @ |