青岛近海大型水母漂移集合预测方法研究

吴玲娟，高松，刘桂艳，白涛（山东省海洋生态环境与防灾减灾重点实验室,国家海洋局北海预报中心,山东青岛266033）



青岛近海大型水母漂移集合预测方法研究

吴玲娟，高松，刘桂艳，白涛
（山东省海洋生态环境与防灾减灾重点实验室,国家海洋局北海预报中心,山东青岛266033）

摘要：考虑水母垂直运动等自主运动，基于集合预报和拉格朗日粒子追踪方法，建立青岛近海大型水母的集合漂移预测模型。并利用2012—2013年青岛近海水母实时监测数据和集合漂移预测模型，快速预测水母集合漂移轨迹、速度、趋势和可能影响范围等要素。通过分析水母监测数据和数值模拟结果，在水母如何自主运动及其机理尚不十分清楚的情况下，多轨迹漂移预测结果比单轨迹的更合理、科学、可信，能够传达更多的信息量，对水母灾害的应急处置更具有指导意义。关键词：水母灾害；集合预报；水母垂直运动；漂移预测

1　引言

全球变化和人类活动影响下海洋生态系统的结构与功能发生了很大的变化，大型水母灾害发生频率与成灾种类不断增加，已严重影响了近海海洋渔业、沿海工业、滨海旅游业和海洋生态系统[1-5]。近年来，青岛近海水母连年暴发，成灾种类主要有海月水母、沙海蜇和白色霞水母；王世伟等[6]、孙松等[7]和张海彦等[8]的监测和研究结果认为青岛近海的海月水母主要分布于胶州海湾内，能够在湾内自行自我补充并完成其生活史，可能是原发型；沙海蜇和白色霞水母可能不是由本地水螅体和水母幼体发育，是外来型的。国内外科学家利用海洋数值模式，将水母粒子化，对水母漂移路径进行溯源和追踪，以分析影响水母漂移聚集关键动力因素。Barz等[9]利用海洋数值模式模拟水母漂移，发现平流过程是中央波罗的海海域钵水母发生和分布的关键因素。Moon等[10]利用海洋模型ROMS （Regional Ocean Modeling System），未考虑潮汐运动，采取粒子示踪法对日本海水母来源进行分析，结果显示日本海暴发的水母可能的源地之一为长江口，而且水母的分布受中国东海到日本海之间的风应力及沿岸流的影响较大。而罗晓凡等[11]利用数值模式结果指出考虑潮汐运动过程的海洋模式进行质点追踪更为可靠；基于含潮汐过程和质点垂直运动,济州岛沿岸质点大部分穿过对马海峡进入日本海,其它质点主要聚集黄海潮汐锋区和长江口以南沿岸锋，并未进入日本海。Johnson等[12-13]利用Gulf of Mexico(GOM)环流模型，对墨西哥湾内的五卷须金黄刺母的路径进行追踪，结果指出湾内环流的季节变化在水母的丰度和分布上起重要的作用。Berline等[14]采用ROMS模式建立了法国利古里亚海高分辨率的模式，考虑水母0—300 m垂直运动模拟水母的漂移，并指出北向流和海面风场是水母靠岸的主要影响因素。

Graham等[15]指出水螅水母纲、钵水母纲和管水母亚纲的水母普遍存在昼夜垂直迁移现象，即水母白天下沉到水体底层，夜间上浮到水体表层；栉水母纲的水母却不多见。但是在2006年黄海海域大面调查航次发现24 h内连续调查的水母数量变化并非水母昼夜垂直移动所引起，可能是拖网调查过程中水团的改变造成；在2006年4月—2007年8月期间10次渔业底拖网调查的调查期间发现在许多站位的表层或次表层出现大量的水母个体[16]。在胶州湾8—9月份水母调查中[6]发现水母垂直移动的规律性并不明显。Barz等[17]报道北海南部的水母主要分布在5—25 m；Honda等[18]在日本海南部的沙海蜇主要分布于40 m以浅的水层,夜间所处深度往往大于白天。在2011—2013年青岛近海水母监测过程中，发现一部分水母白天漂浮在水面。因此，不同水母或同一种水母在不同环境条件下的自主运动（垂向运动）不尽相同，而且水母主要分布深度也不一样，可能与其向光性或光照强度有关[19-21]，也可能关系不大，其机理尚不十分清楚。所以我们基于三维全动力ROMS海洋模式，在示踪方法的基础上，对水母的垂向运动进行多种假设，借鉴气象中集合预报的方法，进行大型水母的漂移集合预测方法研究；并利用2012—2013年水母监测数据，对水母的漂移轨迹进行集合预测。

2　海洋模式和集合预报方法介绍

ROMS海洋模式由Rutger University与UCLA共同研究开发完成。与其他模式相比有许多值得关注的特点，比如：其使用的S坐标系使得温跃层和底边界层等这些让人更感兴趣的层面上有更高的解析度；在水平对流、垂向混合等问题的处理上，也有更多的方案可供选择等。Ezer等[22]发现ROMS所使用的方法可以减少计算上的误差，以及它允许使用较大数值积分步长有增加计算效率的优点。ROMS模式中使用新的水平压力梯度Shchepectkin算法[23]，相对于POM的算法，可以有效减少模式计算误差的累积。同时，ROMS强大的开发团队，不断更新模块。该模式作为主要的海洋业务化模式之一，在COOPS已经开始大量使用[24-25]，并且将其列为今后5年业务化海洋模式重要模式之一。

在不考虑水母自身生态特征的情况下，其在海水中的移动，可以看作是质点跟随海流的物理运动，不同水母或同一种水母在不同环境条件下的自主运动（垂向运动），其机理尚不十分清楚。所以借鉴集合预报方法，基于Lagrange粒子追踪法预测大型外来型水母的漂移轨迹。集合预报起源于气象方面，认为大气是一个高度非线性的混沌系统，因而数值天气预报的结果对初始条件的微小误差非常敏感。Epstein[26]为解决这一问题先在理论上提出了动力随机预报。后来，Leith[27]提出了一个比较适合于实际应用的经典“蒙特卡罗预报”（MonteCarlo forecasting）。集合预报是估计数值预报中不确定性的一种方法，它将单一确定性预报转变为概率预报。初始场的不确定性可用概率密度函数（PDF）来表征。集合预报可以通过追踪初始不确定性的时空演变，提供依流型（flow-dependent）的概率分布，来提高可预报性[28]。不同用户在根据集合预报结果进行决策时要比使用单一预报得到更多的经济利，因为集合预报可以针对他们各自的成本/损失比提供不同的决策标准[29]，而单一确定性预报无法帮助每一个用户根据自身的情况做出最优的决策，用户只能简单地依赖气候场信息进行判断。Joslyn 等[30]和Nadav-Green-berg等[31]的研究表明，预报中包含不确定性估计，可以帮助预报员和公众做出更好的决策。目前集合预报方法在气象预报发挥重要作用，美国国家环境预报中心（NCEP）和欧洲中期天气预报中心（ECMWF）和加拿大气象中心（CMC）都于1998年12月前建立了各自的全球集合预报系统（GEFS），但是集合预报方法在海洋方面应用较少的。付翔等[32]利用集合预报模式对强台风风暴潮进行了分析与数值模拟，并同业务化的台风风暴潮数值预报模式结果进行了比较，结果显示集合预报的误差比业务化数值预报的误差明显降低。高松等[33]利用集合预报方法对无主溢油进行溯源，结合对环境背景场的合理设计，进行多种情况的试验的模拟。最后，对一段时间内的大量溯源粒子进行分布概率的统计，确定溢油源的可能范围。通过对“南海一号”溢油溯源事件较为详细的分析，试验结果表明，这种无主溢油源集合预测方法是科学、可行的。

3　海洋数值模式设置和数据来源

根据青岛近海水母发现的位置以及应急预测的不同需求，采用多重嵌套技术，建立4个区域气象和海洋模式。气象模式采用WRF3.4模型，垂直方向均分为30层；大区域是西太平洋（90°—152°E, 12°S—52°N），水平分辨率为27 km；中区域是东中国海区（103.8°—140.4°E，14.5°—48.58°N），水平分辨率为18 km；小区域是北海区（116°—129°E，28.5°—42.5°N），水平分辨率9 km；最小区域是青岛近海（119°—121.5°E，35°—36.5°N），水平分辨率为3 km。WRF模式每30 min输出风场、热通量、气压等模式结果。海洋模式基于三维全动力ROMS模型，大区域是整个西北太平洋海域（99°—148°E, 9°S—44°N，范围太大，没放在图1中），水平分辨率0.1°，垂向25层；中区是东海海域（117°30′—135°E, 24°—41°N,图1绿色框），水平分辨率1/30°，垂向16层；小区域黄、渤海海区海域（117°30′—130°E, 32°—41°N,图1紫色框），水平分辨率达到1/60°，垂向6层；最小区域青岛近海海域，分辨率达到1/ 480°，垂向6层（图1红色框）。模式地形来源于GEBCO(General bathymetric Chart of Oceans)分辨率为1′×1′的数据，并采用海图水深和Google Earth进行水深和岸线订正（见图1）。大区域模式采用全球海洋模式（HYCOM + NCODA Global 1/12° Analysis）模式的水位、流场、温盐场等输出结果作为大区域模式的初值和边值场，采用北海预报中心业务化西太平洋WRF大气模式的风场和热通量场作为大气强迫场。中区域模型采用业务化预报黄、渤海海域WRF模式风场和热通量场驱动模式；采用大区域每天业务化预报的结果作为黄、渤海区的初值和边值场，同时考虑黄河、辽河、淮河等主要河流的作用。最小区域模型边界上采用M2, S2, N2, K2, K1,O1, P1, Q1等8个分潮和小区预报结果驱动。海洋模式采用热启动，每天8:00点之前业务化完成海洋环境动力场计算，每10 min输出三维流场结果。

图1　青岛近海水母集合漂移预测模型嵌套示意图

基于WRF大气模式和ROMS海洋模式，考虑水母的自主运动，特别是垂直运动；基于集合预报方法的思想，利用Lagrange粒子追踪法，建立独立于ROMS模型的青岛近海水母集合漂移预测数值模型。在外来型水母发现海域释放粒子，设置以下7种集合预测方案，对水母进行漂移预测，每30 min输出水母的漂移结果。不同水母或同一种水母在不同环境条件下的自主运动（垂向运动）不尽相同，而且水母主要分布深度也不一样。由于水母所在海域水深10—20 m，所以根据监测调查的结果和其他海域水母分布情况，水母可能主要分布在表层和中层。水母白天（6:00—18:00）和夜晚（18:00—6:00）在不同的深度，深度距离为10 m，并研究深度距离为12 m的情况，遇到水深较浅海域，水母离海底不超过5 m。

（1）粒子初始释放在0.5 m，无垂向昼夜运动；

（2）粒子初始释放在1.5 m，无垂向昼夜运动；

（3）粒子初始释放在0.5 m，白天水母下沉到10.5 m深的水体，夜晚上浮到海面；

（4）粒子初始释放在1.5 m，白天水母下沉到11.5 m深的水体，夜晚上浮到海面；

（5）粒子初始释放在0.5 m，夜晚水母下沉到10.5 m深的水体，白天上浮到海面；

（6）粒子初始释放在1.5 m，夜晚水母下沉到11.5 m深的水体，白天上浮到海面；

（7）粒子初始释放在0.5 m，白天水母下沉到13.5 m深的水体，夜晚上浮到海面。

水母多源监测数据主要包括拖网监测、目测法监测、航空监测、水下摄像监测和声纳监测等数据。在水母应急预测中，一旦发现水母，整合多源监测数据，利用8:00之前业务化运行的流场和青岛近海水母集合漂移预测模型，按上述7种方案，预测未来几天水母的漂移轨迹、速度、方向和可能影响范围。

4　模式流场结果验证

2013年7月气象模式中的风场模拟结果与QF102和QF108浮标（见图1红色三角形）观测值比较（见图2—3），发现模式模拟的风速和风向与浮标的基本吻合。经统计，QF102（QF108）标所在海域24 h风速的预报误差小于1.53 m/s（1.45 m/s），风向的预报误差小于34°(24°)，WRF模式的模拟结果是合理可信的。

图2　QF102浮标2013年7月海面10 m风速、风向计算值与实测值比较

图4—6是2013年7月份的海洋模式模拟结果跟浮标观测值相对比，发现模拟的流速和流向与浮标观测的流速和流向基本吻合。经统计，QF102 （QF108）浮标24 h表层流速的预报相对误差小于15%（17%），表层流向的预报误差小于22°（27°）；QF102浮标24 h中层流速的预报相对误差小于16%，中层流向的预报误差小于25°；所以ROMS模式模拟结果是合理可信的。

5　水母应急漂移集合预测结果和验证

2012年水母监测过程中7月5日11点16分在大公岛南部海域发现沙海蜇（图7绿色三角形），并于12日7:50的水母在大公岛北部海域再次发现沙海蜇。因此利用2012年7月5日发现的沙海蜇所在位置，采用了上述7种集合预测方案，得到不同方案下水母7月5—12日的漂移轨迹、趋势、速度。7月5—12日的7条漂移轨迹所包围的区域形成水母可能影响范围（见图7蓝色线）。7种方案下水母漂移到12日7:50所包围的区域形成水母可能分布范围（见图7紫色线）。

水母漂移路径误漂移路径误差通过下式来计算：

图3　QF108浮标2013年7月海面10 m风速、风向计算值与实测值比较

图4　2013年7月QF102浮标表层流速、流向计算值与实测值比较

图5　2013年7月QF108浮标表层流速、流向计算值与实测值比较

图6　2013年7月QF102浮标中层流速、流向计算值与实测值比较

式中，EP表示水母漂移相对误差，X(tb)表示tb时刻监测水母所在位置，Y(tb)表示利用前一时刻ta时刻监测水母所在位置采用数值模拟所得到tb时刻水母的位置；Sp表示水母漂移距离，由于水母的实际运动轨迹位置未知，我们利用tb时刻水母模拟位置距离实际监测水母最近的轨迹代表水母的运动轨迹，由于青岛附近海域潮流呈正规半日潮性质，所以水母每24 h的漂移距离相加来计算水母的漂移距离。

为了研究水母净位移的主要影响因素，对表层和中层海流进行24 h的滑动平均，以滤去周期性的潮流，得到包含潮致余流、风海流和温盐流等余流。从图7可以看出青岛近海2012年7月5—12日平均风场为东南风，风力2—3 m/s；表层平均余流流速0. 2—0.3 m/s，主要偏北方向；中层平均余流流速有所减小，并发生逆时针偏转。受风场和海流的影响，7月5日发现的沙海蜇主要向偏北方向漂移，漂移速度约5 km/d，可能影响范围为7月5日水母发现海域至大公岛附近海域，大约790 km2（见图7蓝色线所包围的范围），7月12日7:50模拟的位置与时同刻监测到的水母位置（见图7蓝色三角形）比较靠近，水母漂移相对误差在5.2%—24.1%之间。这说明大公岛北部海域发现的水母可能是7月5日监测水母漂移过去的。

图7　2012年7月5—12日水母集合漂移轨迹（黑色线）和可能影响范围（蓝色线）

图8　青岛近海2012年7月5—12日的平均10 m风场（m/s）、平均表层和中层余流场(m/s)

2013年7月18日在青岛黄岛-胶南外海发现大量沙海蜇，利用监测数据（见图9中红色三角形代表7月18日监测到的沙海蜇位置，绿色圆点代表7月21日不同时刻监测到的沙海蜇位置），和每天业务化运行的海洋大气环境动力场，启动水母典型海域—青岛近海水母应急漂移预测模型，开展基于集合预报方法的7个方案的数值模拟。从图9可以看出青岛近海2013年7月18—21日平均风场为东南向，风力3—6 m/s；表层平均余流流速0. 2—0.3 m/s,大部分海域流向主要东北-北方向；中层平均余流流速有所减小，并发生逆时针偏转。受风场和海流的影响，大型水母主要向偏北移动，影响黄岛西侧至薛家岛西侧附近海域并经过胶州湾口，影响胶州湾附近海域，漂移速度约8 km/d，胶州湾口的流速较大，沙海蜇的漂移速度较快。7月18—21日水母集合漂移轨迹和7月21日10:30、11:00、11:30、11:50、13:00、13:30六个时刻的影响范围如图10所示。从图中不同时刻的影响范围呈不同形状，受胶州湾内东北偏北向的流，其主体向东北方向移动。2013年7月21日10:30—10:35集合预报的结果与监测数据的漂移相对误差在13.9%—27.5%之间; 11:30—10: 35的相对误差在10.7%—27%之间；11:30—10:35的相对误差在5.1%—16.4%之间；11:30—10:35的相对误差在4.1%—16.9%之间；13:00—13:05的相对误差5.0%—19.3%之间; 13:30—13:35的相对误差在11.7%—18.2%之间。基于集合预报方法，不同时刻的水母漂移轨迹路径的相对误差均小于28%。

通过2012年7月5日和2013年7月18日青岛近海监测水母的集合预报结果与实测数据的比对和分析，可以看出水母集合预测模型能够较好模拟水母的主要运动方向、可能的运动轨迹和漂移速度和可能影响范围。

图9　青岛近海2013年7月18—21日的平均10 m风场（m/s）、平均表层和中层余流场（m/s）

图10　2013年7月18—21日水母漂移轨迹

6　结果与讨论

近年来生态灾害不断发生。继赤潮、绿潮等由植物的快速繁殖引起的生态灾害之后,一种由海洋动物—水母的数量增多而导致的生态灾害也受到全球的关注。

由于不同海域不同种类水母垂直迁移情况不尽相同，其机理仍不很清楚。所以基于集合预报的思想，考虑水母的自主运动等生活习性，特别是垂向运动，设置了7种集合预报方案，基于业务化运行的海洋大气动力环境场，集合预报方案和拉格朗日质子追踪方法，自主研发了独立于海洋大气动力环境场的水母漂移集合预测模型。该模型自动搜索水母所在区域，缩小模式计算范围，快速预测水母漂移可能的轨迹、方向和影响范围。

因为水母有喜好聚集的生活习性，所以监测到的水母代表着一定空间范围内的水母种群；由于目前不同水母或同一种水母在不同海洋环境条件下的自主运动（垂向运动）的机理尚不十分清楚。所以基于集合预报思想，对各种可能发生的情况都进行假定预测，将基于“拉格朗日”原理的单路径漂移模拟改进为多轨迹漂移模型。通过2012年和2013年青岛近海的水母监测结果和数值模拟结果比较，可以看出水母集合漂移预报方法是科学、可行的。与单轨迹漂移结果相比，集合漂移预测结果更合理、科学、可信，能够传达更多的信息量。集合预测提供了较为明确的水母可能到达的范围，可能影响的海域，这些信息都对水母灾害的科学管理和应急处置具有指导意义。

参考文献：

[1] Brodeur R D, Mills C E, Overland J E, et al. Evidence for a substantial increase in gelatinous zooplankton in the Bering Sea, with possible links to climate change[J]. Fisheries Oceanography, 1999, 8(4): 296-306.

[2] Mills C E. Jellyfish blooms: are populations increasing globally in response to changing ocean conditions? [J]. Hydrobiologia, 2001, 451(1-3): 55-68.

[3] Nagai T. Recovery of fish stocks in the Seto Inland Sea[J]. Marine Pollution Bulletin, 2003, 47(1-6): 126-131.

[4] Greve W. The 1989 German Bight Invasion of Muggiaea atlantica [J]. ICES Journal Marine Science, 1994, 5l(4): 355-358.

[5]程家骅,李圣法,丁峰元,等.东、黄海大型水母暴发现象及其可能成因浅析[J].现代渔业信息, 2004, 19(5): 10-12.

[6]王世伟,张光涛,孙松,等. 2011年夏季胶州湾三种大型水母的种群动态研究[J].海洋与湖沼, 2012, 43(3): 471-479.

[7]孙松.对黄、东海水母暴发机理的新认知[J],海洋与湖沼, 2012, 43(3): 406-410.

[8]张海彦,赵亮,魏皓.青岛外海夏季水母路径溯源研究[J],海洋与湖沼, 2012, 43(3): 662-668.

[9] Barz K, Hinrichsen H -H, Hirche H -J. Scyphozoa in the Bornholm basin, (central Baltic Sea)-The role of advection[J]. Journal Marine Systems, 2006, 60(1-2): 167-176.

[10] Moon J -H, Pang I -C, Yang J -Y, et al. Behavior of the giant jellyfish Nemopilema nomurai in the East China Sea and East/ Japan Sea during the summer of 2005: A numerical model approach using a particle-tracking experiment [J]. Journal of Marine Systems, 2010, 80(1-2): 101-114.

[11]罗晓凡,魏皓,王玉衡.黄、东海水母质点追踪影响因素分析[J],海洋与湖沼, 2012, 43(3): 635-642.

[12] Johnson D R, Perry H M, Burke W D. Developing jellyfish strategy hypotheses using circulation models [J]. Hydrobiologia, 2001, 451(1-3): 213-221.

[13] Johnson D R, Perry H M, Graham W M. Using nowcast model currents to explore transport of non-indigenous jellyfish into the Gulf of Mexico[J]. Marine Ecology Progress Series, 2005, 305: 139-146.

[14] Berline L, Zakardjian B, Molcard A, et al. Modeling jellyfish Pelagia noctiluca transport and stranding in the Ligurian Sea[J]. Marine Pollution Bulletin , 2013, 70(1-2): 90-99.

[15] Graham W M, Pagès F, Hamner W M. A physical context for gelatinous zooplankton aggregations: a review[J]. Hydrobiologia, 2001, 451(1-3): 199-212.

[16]张芳.黄东海胶质浮游动物水母类研究[D].青岛:中国科学院海洋研究所, 2008: 1-130.

[17] Barz K, Hirche H-J. Abundance, distribution and prey composition of scyphomedusae in the southern North Sea[J]. Marine Biology, 2007, 151(3): 1021-1033.

[18] Naoto H , Toshihiro W, Yoshiki M, 2009. Swimming depths of the giant jellyfish Nemopilema nomurai investigated using pop-up archival transmitting tags and ultrasonic pingers[J]. Fisheries Science, 75(4): 947-956.

[19] Pagès F, White M G, Rodhouse P G. Abundance of gelatinous carnivores in the nekton community of the Antarctic Polar Frontal Zone in summer 1994 [J]. Marine Ecology Progress Series, 1996, 141: 139-147.

[20] Schuyler Q, Sullivan B K. Light responses and die1 migration of the scyphomedusa Chrysaora quinquecirrha in mesocosms[J]. Journal Plankton Research, 1997, 19(10): 1417-1428.

[21] Eiane K, Aksnes D L, Bagøien E, et al. Fish or jellies-a question of visibility?[J]. Limnology and Oceanography, 1999, 44(5): 1352-1357.

[22] Ezer T, Arango H G, Shchepetkin A F. Developments in terrainfollowing ocean models: intercomparisons of numerical aspects [J]. Ocean Modelling, 2002, 4(3-4): 249-267.

[23] Shchepetkin A F, McWilliams J C. The regional oceanic modeling system(ROMS):a split-explicit, free-surface, topographyfollowing- coordinate oceanic model[J]. Ocean Modelling, 2005, 9 (4): 347-404.

[24] Fennel K, Wilkin J, Levin J, et al. Nitrogen cycling in the Middle Atlantic Bight: results from a three-dimensional model and implications for the North Atlantic nitrogen budget[J]. Global Biogeochemical Cycles, 2006, 20(3): GB3007, doi: 3010.1029/ 2005GB002456.

[25] Penven P, Lutjeharms J R E, Marchesiello P, et al. Generation of cyclonic eddies by the Agulhas Current in the lee of the Agulhas Bank[J]. Geophysical Research Letters, 28(6): 1055-1058.

[26] Epstein E S. Stochastic dynamic prediction[J]. Tellus, 1969, 21 (6): 739-759.

[27] Leith C E. Theoretical skill of monte carlo forecasts[J]. Monthly Weather Review. 1974, 102(6): 409-418.

[28] Toth Z, Kalnay E. Ensemble forecasting at NCEP and thebreeding method[J]. Monthly Weather Review, 1997, 125(12): 3297-3319.

[29] Zhu Y J, Toth Z, Wobus R, et al. The economic value of ensemble-based weather forecasts[J]. Bulletin of the American Meteorolgical Society, 2002, 83(1): 73-83.

[30] Joslyn S, Pak K, Jones D, et al. The effect of probabilistic information on threshold forecasts[J]. Weather and Forecasting, 2007, 22(4): 804-812.

[31] Nadav-Greenberg L, Joslyn S L. Uncertainty forecasts improve decision making among nonexperts [J]. Journal of Cognitive Engineering and Decision Making, 2009, 3: 209-227.

[32]付翔,董剑希,马经广,等. 0814号强台风“黑格比”风暴潮分析与数值模拟[J].海洋预报, 2009, 26(4): 68-75.

[33]高松,黄娟,白涛,等,无主漂油源集合预测方法研究[J].海洋科学, 2014, 38(3): 42-45.

Study on the ensemble forecast of large jellyfish drift in the coastal waters of Qingdao

WU Ling-juan, GAO Song, LIU Gui-yan, BAI Tao
（Shandong Provincial Key Laboratory of Marine Ecological Environment and Disaster Prevention and Mitigation，North Sea Marine Forecast Center of State Oceanic Administration, Qingdao 266033 China）

Abstract：In this paper, by considering the vertical movement of large jellyfish, the ensemble drift model of jellyfish in the coastal waters of Qingdao is developed based on ensemble forecast and lagrange particle tracking method. By using observation during 2012-2013, ensemble drift forecast model is carried out to predict ensemble drift trajectory, velocity, trend, and affected scope of jellyfish. Through analysis of observation and numerical simulation results, the results show that ensemble forecast of drift trajectory is more reasonable, scientific, reliable than single forecast, and able to provide more information to deal with jellyfish disaster.

Key words：jellyfish disaster; ensemble forecast; vertical movement of jellyfish; drift forecast

作者简介：吴玲娟(1979-)，女，高级工程师，博士研究生，主要从事海洋环境要素数值模拟和研究。E-mail: vivioceangk@163.com

基金项目：国家海洋局公益性科研行业专项（201005018）

收稿日期：2014-05-12

DOI:10.11737/j.issn.1003-0239.2015.02.010

中图分类号：Q958.8

文献标识码：A

文章编号：1003-0239（2015）02-0062-10