青島近海大型水母漂移集合預測方法研究

吳玲娟，高松，劉桂艷，白濤（山東省海洋生態環境與防災減災重點實驗室,國家海洋局北海預報中心,山東青島266033）

?

青島近海大型水母漂移集合預測方法研究

吳玲娟，高松，劉桂艷，白濤
（山東省海洋生態環境與防災減災重點實驗室,國家海洋局北海預報中心,山東青島266033）

摘要：考慮水母垂直運動等自主運動，基于集合預報和拉格朗日粒子追蹤方法，建立青島近海大型水母的集合漂移預測模型。并利用2012—2013年青島近海水母實時監測數據和集合漂移預測模型，快速預測水母集合漂移軌跡、速度、趨勢和可能影響范圍等要素。通過分析水母監測數據和數值模擬結果，在水母如何自主運動及其機理尚不十分清楚的情況下，多軌跡漂移預測結果比單軌跡的更合理、科學、可信，能夠傳達更多的信息量，對水母災害的應急處置更具有指導意義。關鍵詞：水母災害；集合預報；水母垂直運動；漂移預測

1　引言

全球變化和人類活動影響下海洋生態系統的結構與功能發生了很大的變化，大型水母災害發生頻率與成災種類不斷增加，已嚴重影響了近海海洋漁業、沿海工業、濱海旅游業和海洋生態系統[1-5]。近年來，青島近海水母連年暴發，成災種類主要有海月水母、沙海蜇和白色霞水母；王世偉等[6]、孫松等[7]和張海彥等[8]的監測和研究結果認為青島近海的海月水母主要分布于膠州海灣內，能夠在灣內自行自我補充并完成其生活史，可能是原發型；沙海蜇和白色霞水母可能不是由本地水螅體和水母幼體發育，是外來型的。國內外科學家利用海洋數值模式，將水母粒子化，對水母漂移路徑進行溯源和追蹤，以分析影響水母漂移聚集關鍵動力因素。Barz等[9]利用海洋數值模式模擬水母漂移，發現平流過程是中央波羅的海海域缽水母發生和分布的關鍵因素。Moon等[10]利用海洋模型ROMS （Regional Ocean Modeling System），未考慮潮汐運動，采取粒子示蹤法對日本海水母來源進行分析，結果顯示日本海暴發的水母可能的源地之一為長江口，而且水母的分布受中國東海到日本海之間的風應力及沿岸流的影響較大。而羅曉凡等[11]利用數值模式結果指出考慮潮汐運動過程的海洋模式進行質點追蹤更為可靠；基于含潮汐過程和質點垂直運動,濟州島沿岸質點大部分穿過對馬海峽進入日本海,其它質點主要聚集黃海潮汐鋒區和長江口以南沿岸鋒，并未進入日本海。Johnson等[12-13]利用Gulf of Mexico(GOM)環流模型，對墨西哥灣內的五卷須金黃刺母的路徑進行追蹤，結果指出灣內環流的季節變化在水母的豐度和分布上起重要的作用。Berline等[14]采用ROMS模式建立了法國利古里亞海高分辨率的模式，考慮水母0—300 m垂直運動模擬水母的漂移，并指出北向流和海面風場是水母靠岸的主要影響因素。

Graham等[15]指出水螅水母綱、缽水母綱和管水母亞綱的水母普遍存在晝夜垂直遷移現象，即水母白天下沉到水體底層，夜間上浮到水體表層；櫛水母綱的水母卻不多見。但是在2006年黃海海域大面調查航次發現24 h內連續調查的水母數量變化并非水母晝夜垂直移動所引起，可能是拖網調查過程中水團的改變造成；在2006年4月—2007年8月期間10次漁業底拖網調查的調查期間發現在許多站位的表層或次表層出現大量的水母個體[16]。在膠州灣8—9月份水母調查中[6]發現水母垂直移動的規律性并不明顯。Barz等[17]報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以淺的水層,夜間所處深度往往大于白天。在2011—2013年青島近海水母監測過程中，發現一部分水母白天漂浮在水面。因此，不同水母或同一種水母在不同環境條件下的自主運動（垂向運動）不盡相同，而且水母主要分布深度也不一樣，可能與其向光性或光照強度有關[19-21]，也可能關系不大，其機理尚不十分清楚。所以我們基于三維全動力ROMS海洋模式，在示蹤方法的基礎上，對水母的垂向運動進行多種假設，借鑒氣象中集合預報的方法，進行大型水母的漂移集合預測方法研究；并利用2012—2013年水母監測數據，對水母的漂移軌跡進行集合預測。

2　海洋模式和集合預報方法介紹

ROMS海洋模式由Rutger University與UCLA共同研究開發完成。與其他模式相比有許多值得關注的特點，比如：其使用的S坐標系使得溫躍層和底邊界層等這些讓人更感興趣的層面上有更高的解析度；在水平對流、垂向混合等問題的處理上，也有更多的方案可供選擇等。Ezer等[22]發現ROMS所使用的方法可以減少計算上的誤差，以及它允許使用較大數值積分步長有增加計算效率的優點。ROMS模式中使用新的水平壓力梯度Shchepectkin算法[23]，相對于POM的算法，可以有效減少模式計算誤差的累積。同時，ROMS強大的開發團隊，不斷更新模塊。該模式作為主要的海洋業務化模式之一，在COOPS已經開始大量使用[24-25]，并且將其列為今后5年業務化海洋模式重要模式之一。

在不考慮水母自身生態特征的情況下，其在海水中的移動，可以看作是質點跟隨海流的物理運動，不同水母或同一種水母在不同環境條件下的自主運動（垂向運動），其機理尚不十分清楚。所以借鑒集合預報方法，基于Lagrange粒子追蹤法預測大型外來型水母的漂移軌跡。集合預報起源于氣象方面，認為大氣是一個高度非線性的混沌系統，因而數值天氣預報的結果對初始條件的微小誤差非常敏感。Epstein[26]為解決這一問題先在理論上提出了動力隨機預報。后來，Leith[27]提出了一個比較適合于實際應用的經典“蒙特卡羅預報”（MonteCarlo forecasting）。集合預報是估計數值預報中不確定性的一種方法，它將單一確定性預報轉變為概率預報。初始場的不確定性可用概率密度函數（PDF）來表征。集合預報可以通過追蹤初始不確定性的時空演變，提供依流型（flow-dependent）的概率分布，來提高可預報性[28]。不同用戶在根據集合預報結果進行決策時要比使用單一預報得到更多的經濟利，因為集合預報可以針對他們各自的成本/損失比提供不同的決策標準[29]，而單一確定性預報無法幫助每一個用戶根據自身的情況做出最優的決策，用戶只能簡單地依賴氣候場信息進行判斷。Joslyn 等[30]和Nadav-Green-berg等[31]的研究表明，預報中包含不確定性估計，可以幫助預報員和公眾做出更好的決策。目前集合預報方法在氣象預報發揮重要作用，美國國家環境預報中心（NCEP）和歐洲中期天氣預報中心（ECMWF）和加拿大氣象中心（CMC）都于1998年12月前建立了各自的全球集合預報系統（GEFS），但是集合預報方法在海洋方面應用較少的。付翔等[32]利用集合預報模式對強臺風風暴潮進行了分析與數值模擬，并同業務化的臺風風暴潮數值預報模式結果進行了比較，結果顯示集合預報的誤差比業務化數值預報的誤差明顯降低。高松等[33]利用集合預報方法對無主溢油進行溯源，結合對環境背景場的合理設計，進行多種情況的試驗的模擬。最后，對一段時間內的大量溯源粒子進行分布概率的統計，確定溢油源的可能范圍。通過對“南海一號”溢油溯源事件較為詳細的分析，試驗結果表明，這種無主溢油源集合預測方法是科學、可行的。

3　海洋數值模式設置和數據來源

根據青島近海水母發現的位置以及應急預測的不同需求，采用多重嵌套技術，建立4個區域氣象和海洋模式。氣象模式采用WRF3.4模型，垂直方向均分為30層；大區域是西太平洋（90°—152°E, 12°S—52°N），水平分辨率為27 km；中區域是東中國海區（103.8°—140.4°E，14.5°—48.58°N），水平分辨率為18 km；小區域是北海區（116°—129°E，28.5°—42.5°N），水平分辨率9 km；最小區域是青島近海（119°—121.5°E，35°—36.5°N），水平分辨率為3 km。WRF模式每30 min輸出風場、熱通量、氣壓等模式結果。海洋模式基于三維全動力ROMS模型，大區域是整個西北太平洋海域（99°—148°E, 9°S—44°N，范圍太大，沒放在圖1中），水平分辨率0.1°，垂向25層；中區是東海海域（117°30′—135°E, 24°—41°N,圖1綠色框），水平分辨率1/30°，垂向16層；小區域黃、渤海海區海域（117°30′—130°E, 32°—41°N,圖1紫色框），水平分辨率達到1/60°，垂向6層；最小區域青島近海海域，分辨率達到1/ 480°，垂向6層（圖1紅色框）。模式地形來源于GEBCO(General bathymetric Chart of Oceans)分辨率為1′×1′的數據，并采用海圖水深和Google Earth進行水深和岸線訂正（見圖1）。大區域模式采用全球海洋模式（HYCOM + NCODA Global 1/12° Analysis）模式的水位、流場、溫鹽場等輸出結果作為大區域模式的初值和邊值場，采用北海預報中心業務化西太平洋WRF大氣模式的風場和熱通量場作為大氣強迫場。中區域模型采用業務化預報黃、渤海海域WRF模式風場和熱通量場驅動模式；采用大區域每天業務化預報的結果作為黃、渤海區的初值和邊值場，同時考慮黃河、遼河、淮河等主要河流的作用。最小區域模型邊界上采用M2, S2, N2, K2, K1,O1, P1, Q1等8個分潮和小區預報結果驅動。海洋模式采用熱啟動，每天8:00點之前業務化完成海洋環境動力場計算，每10 min輸出三維流場結果。

圖1　青島近海水母集合漂移預測模型嵌套示意圖

基于WRF大氣模式和ROMS海洋模式，考慮水母的自主運動，特別是垂直運動；基于集合預報方法的思想，利用Lagrange粒子追蹤法，建立獨立于ROMS模型的青島近海水母集合漂移預測數值模型。在外來型水母發現海域釋放粒子，設置以下7種集合預測方案，對水母進行漂移預測，每30 min輸出水母的漂移結果。不同水母或同一種水母在不同環境條件下的自主運動（垂向運動）不盡相同，而且水母主要分布深度也不一樣。由于水母所在海域水深10—20 m，所以根據監測調查的結果和其他海域水母分布情況，水母可能主要分布在表層和中層。水母白天（6:00—18:00）和夜晚（18:00—6:00）在不同的深度，深度距離為10 m，并研究深度距離為12 m的情況，遇到水深較淺海域，水母離海底不超過5 m。

（1）粒子初始釋放在0.5 m，無垂向晝夜運動；

（2）粒子初始釋放在1.5 m，無垂向晝夜運動；

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

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

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

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

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

水母多源監測數據主要包括拖網監測、目測法監測、航空監測、水下攝像監測和聲納監測等數據。在水母應急預測中，一旦發現水母，整合多源監測數據，利用8:00之前業務化運行的流場和青島近海水母集合漂移預測模型，按上述7種方案，預測未來幾天水母的漂移軌跡、速度、方向和可能影響范圍。

4　模式流場結果驗證

2013年7月氣象模式中的風場模擬結果與QF102和QF108浮標（見圖1紅色三角形）觀測值比較（見圖2—3），發現模式模擬的風速和風向與浮標的基本吻合。經統計，QF102（QF108）標所在海域24 h風速的預報誤差小于1.53 m/s（1.45 m/s），風向的預報誤差小于34°(24°)，WRF模式的模擬結果是合理可信的。

圖2　QF102浮標2013年7月海面10 m風速、風向計算值與實測值比較

圖4—6是2013年7月份的海洋模式模擬結果跟浮標觀測值相對比，發現模擬的流速和流向與浮標觀測的流速和流向基本吻合。經統計，QF102 （QF108）浮標24 h表層流速的預報相對誤差小于15%（17%），表層流向的預報誤差小于22°（27°）；QF102浮標24 h中層流速的預報相對誤差小于16%，中層流向的預報誤差小于25°；所以ROMS模式模擬結果是合理可信的。

5　水母應急漂移集合預測結果和驗證

2012年水母監測過程中7月5日11點16分在大公島南部海域發現沙海蜇（圖7綠色三角形），并于12日7:50的水母在大公島北部海域再次發現沙海蜇。因此利用2012年7月5日發現的沙海蜇所在位置，采用了上述7種集合預測方案，得到不同方案下水母7月5—12日的漂移軌跡、趨勢、速度。7月5—12日的7條漂移軌跡所包圍的區域形成水母可能影響范圍（見圖7藍色線）。7種方案下水母漂移到12日7:50所包圍的區域形成水母可能分布范圍（見圖7紫色線）。

水母漂移路徑誤漂移路徑誤差通過下式來計算：

圖3　QF108浮標2013年7月海面10 m風速、風向計算值與實測值比較

圖4　2013年7月QF102浮標表層流速、流向計算值與實測值比較

圖5　2013年7月QF108浮標表層流速、流向計算值與實測值比較

圖6　2013年7月QF102浮標中層流速、流向計算值與實測值比較

式中，EP表示水母漂移相對誤差，X(tb)表示tb時刻監測水母所在位置，Y(tb)表示利用前一時刻ta時刻監測水母所在位置采用數值模擬所得到tb時刻水母的位置；Sp表示水母漂移距離，由于水母的實際運動軌跡位置未知，我們利用tb時刻水母模擬位置距離實際監測水母最近的軌跡代表水母的運動軌跡，由于青島附近海域潮流呈正規半日潮性質，所以水母每24 h的漂移距離相加來計算水母的漂移距離。

為了研究水母凈位移的主要影響因素，對表層和中層海流進行24 h的滑動平均，以濾去周期性的潮流，得到包含潮致余流、風海流和溫鹽流等余流。從圖7可以看出青島近海2012年7月5—12日平均風場為東南風，風力2—3 m/s；表層平均余流流速0. 2—0.3 m/s，主要偏北方向；中層平均余流流速有所減小，并發生逆時針偏轉。受風場和海流的影響，7月5日發現的沙海蜇主要向偏北方向漂移，漂移速度約5 km/d，可能影響范圍為7月5日水母發現海域至大公島附近海域，大約790 km2（見圖7藍色線所包圍的范圍），7月12日7:50模擬的位置與時同刻監測到的水母位置（見圖7藍色三角形）比較靠近，水母漂移相對誤差在5.2%—24.1%之間。這說明大公島北部海域發現的水母可能是7月5日監測水母漂移過去的。

圖7　2012年7月5—12日水母集合漂移軌跡（黑色線）和可能影響范圍（藍色線）

圖8　青島近海2012年7月5—12日的平均10 m風場（m/s）、平均表層和中層余流場(m/s)

2013年7月18日在青島黃島-膠南外海發現大量沙海蜇，利用監測數據（見圖9中紅色三角形代表7月18日監測到的沙海蜇位置，綠色圓點代表7月21日不同時刻監測到的沙海蜇位置），和每天業務化運行的海洋大氣環境動力場，啟動水母典型海域—青島近海水母應急漂移預測模型，開展基于集合預報方法的7個方案的數值模擬。從圖9可以看出青島近海2013年7月18—21日平均風場為東南向，風力3—6 m/s；表層平均余流流速0. 2—0.3 m/s,大部分海域流向主要東北-北方向；中層平均余流流速有所減小，并發生逆時針偏轉。受風場和海流的影響，大型水母主要向偏北移動，影響黃島西側至薛家島西側附近海域并經過膠州灣口，影響膠州灣附近海域，漂移速度約8 km/d，膠州灣口的流速較大，沙海蜇的漂移速度較快。7月18—21日水母集合漂移軌跡和7月21日10:30、11:00、11:30、11:50、13:00、13:30六個時刻的影響范圍如圖10所示。從圖中不同時刻的影響范圍呈不同形狀，受膠州灣內東北偏北向的流，其主體向東北方向移動。2013年7月21日10:30—10:35集合預報的結果與監測數據的漂移相對誤差在13.9%—27.5%之間; 11:30—10: 35的相對誤差在10.7%—27%之間；11:30—10:35的相對誤差在5.1%—16.4%之間；11:30—10:35的相對誤差在4.1%—16.9%之間；13:00—13:05的相對誤差5.0%—19.3%之間; 13:30—13:35的相對誤差在11.7%—18.2%之間。基于集合預報方法，不同時刻的水母漂移軌跡路徑的相對誤差均小于28%。

通過2012年7月5日和2013年7月18日青島近海監測水母的集合預報結果與實測數據的比對和分析，可以看出水母集合預測模型能夠較好模擬水母的主要運動方向、可能的運動軌跡和漂移速度和可能影響范圍。

圖9　青島近海2013年7月18—21日的平均10 m風場（m/s）、平均表層和中層余流場（m/s）

圖10　2013年7月18—21日水母漂移軌跡

6　結果與討論

近年來生態災害不斷發生。繼赤潮、綠潮等由植物的快速繁殖引起的生態災害之后,一種由海洋動物—水母的數量增多而導致的生態災害也受到全球的關注。

由于不同海域不同種類水母垂直遷移情況不盡相同，其機理仍不很清楚。所以基于集合預報的思想，考慮水母的自主運動等生活習性，特別是垂向運動，設置了7種集合預報方案，基于業務化運行的海洋大氣動力環境場，集合預報方案和拉格朗日質子追蹤方法，自主研發了獨立于海洋大氣動力環境場的水母漂移集合預測模型。該模型自動搜索水母所在區域，縮小模式計算范圍，快速預測水母漂移可能的軌跡、方向和影響范圍。

因為水母有喜好聚集的生活習性，所以監測到的水母代表著一定空間范圍內的水母種群；由于目前不同水母或同一種水母在不同海洋環境條件下的自主運動（垂向運動）的機理尚不十分清楚。所以基于集合預報思想，對各種可能發生的情況都進行假定預測，將基于“拉格朗日”原理的單路徑漂移模擬改進為多軌跡漂移模型。通過2012年和2013年青島近海的水母監測結果和數值模擬結果比較，可以看出水母集合漂移預報方法是科學、可行的。與單軌跡漂移結果相比，集合漂移預測結果更合理、科學、可信，能夠傳達更多的信息量。集合預測提供了較為明確的水母可能到達的范圍，可能影響的海域，這些信息都對水母災害的科學管理和應急處置具有指導意義。

參考文獻：

[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]程家驊,李圣法,丁峰元,等.東、黃海大型水母暴發現象及其可能成因淺析[J].現代漁業信息, 2004, 19(5): 10-12.

[6]王世偉,張光濤,孫松,等. 2011年夏季膠州灣三種大型水母的種群動態研究[J].海洋與湖沼, 2012, 43(3): 471-479.

[7]孫松.對黃、東海水母暴發機理的新認知[J],海洋與湖沼, 2012, 43(3): 406-410.

[8]張海彥,趙亮,魏皓.青島外海夏季水母路徑溯源研究[J],海洋與湖沼, 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]羅曉凡,魏皓,王玉衡.黃、東海水母質點追蹤影響因素分析[J],海洋與湖沼, 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]張芳.黃東海膠質浮游動物水母類研究[D].青島:中國科學院海洋研究所, 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, Bag?ien 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,董劍希,馬經廣,等. 0814號強臺風“黑格比”風暴潮分析與數值模擬[J].海洋預報, 2009, 26(4): 68-75.

[33]高松,黃娟,白濤,等,無主漂油源集合預測方法研究[J].海洋科學, 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

作者簡介：吳玲娟(1979-)，女，高級工程師，博士研究生，主要從事海洋環境要素數值模擬和研究。E-mail: vivioceangk@163.com

基金項目：國家海洋局公益性科研行業專項（201005018）

收稿日期：2014-05-12

DOI:10.11737/j.issn.1003-0239.2015.02.010

中圖分類號：Q958.8

文獻標識碼：A

文章編號：1003-0239（2015）02-0062-10