黄海绿潮灾害应急遥感监测和预测预警系统

吴玲娟，高 松，丁 一，曹雅静，靳熙芳

(1.国家海洋局北海预报中心，山东青岛 266061；2.山东省海洋生态环境与防灾减灾重点实验室，山东青岛 266061)

黄海绿潮灾害应急遥感监测和预测预警系统

吴玲娟1，2，高 松1，2，丁 一1，2，曹雅静1，2，靳熙芳1，2

(1.国家海洋局北海预报中心，山东青岛 266061；2.山东省海洋生态环境与防灾减灾重点实验室，山东青岛 266061)

黄海绿潮灾害应急遥感监测和预测预警系统是在绿潮应急遥感监测技术、应急快速漂移预测等技术研究的基础上，基于GIS技术构建了集绿潮遥感信息解译和提取、多源监测数据融合、快速漂移预测和预警产品制作和发布综合业务化平台。在应急遥感监测数据提取方面主要研发了信息提取准自动化技术和多源多时间窗的绿潮监测数据融合技术；在应急预测技术方面主要基于精细化大气和海洋环境动力场，研发了绿潮快速应急漂移预测模型，并通过海上和后报实验提高模拟精度。本系统服务于国家海洋局和政府防灾减灾应急部门，为海上运动、水产养殖、滨海旅游、交通运输、渔业生产等涉海活动和海洋管理提供了科学可靠的技术保障，特别在2008年奥运会帆船/板赛和2012年亚洲沙滩运动会的绿潮监测和预测预警保障工作中发挥了重要的作用，具有巨大的社会、经济和生态效益。

绿潮；遥感监测；预测预警；系统

0 引言

近7年我国黄海海域绿潮连续暴发，对2008年青岛奥运会帆船/板赛和2012年的海阳亚洲沙滩运动会等诸多海上赛事造成了困难，对水产养殖、滨海旅游、海上交通运输等相关产业的影响十分严重。为了保证赛事、沿海经济和生态环境可持续发展，我国相关部门给予了高度重视，启动相应的应急预案，应对绿潮灾害；同时启动了多项科研和应用项目，如2008绿潮专项；2008年“浒苔大规模暴发应急处置关键技术研究与应用”；2012年国家海洋局公益性项目“黄海绿潮业务化预测预警关键技术研究和应用”。

国内外学者主要在大型藻类及浒苔绿潮的遥感监测方面进行研究。Gower等[1]第一次用MERIS 300m分辨率数据，采用MCI(最大叶绿素指数)算法监测到墨西哥湾大面积线形马尾藻类海草，但MERIS卫星传感器扫描宽度窄，限制了遥感监测范围。张娟[2]，李三妹[3]和Elijah[4]等根据浒苔光谱特性建立了其遥感监测模型。李颖等[5]利用不同3种星载雷达数据，判读雷达图像上浒苔分布的典型区域，对浒苔的灰度值和正常海水的灰度值进行分析，得出不同极化方式下浒苔灰度值的主要动态范围。蒋兴伟等[6]运用一种基于区域增长面向对象的图像尺度分割方法调整图像的分割尺度，实现了浒苔信息的快速提取。Gui等[7]利用ENVISAT-ASAR与环境灾害小卫星(HJ－1A/ B)监测2009年黄海浒苔爆发过程，指出二者平均差异为15%。Hu等[8－9]提出了一种新的海洋浮游藻类指数(FAI)，并运用这个指数监测2008年我国青岛海域浒苔，结果显示该方法比NDVI(Normalized Difference Vegetation Index)方法更加准确。Keesing等[10]基于MODIS获取的灰度值方法，研究了2007～2009年黄海浒苔绿潮的年际变化，分析了其与海岸带水藻养殖的关系。基于波段比值法的遥感藻类指数，Shi等[11]提出的归一化藻类指数 NDAI。国家海洋局北海预报中心用RGB图像和归一化植被值数NDVI方法，对MODIS、SAR COSMO和HY－1B等卫星遥感数据进行提取，并融合航空遥感、船舶、陆岸等其他监测结果，得到绿潮的综合监测

结果，为绿潮漂移预测和溯源提供初始场，同时为研究绿潮分布、发生发展和漂移机理等工作提供数据[12－14]。国内外学者在绿潮遥感监测方面主要集中在绿潮遥感数据的提取，但是绿潮遥感监测信息自动提取和数据融合鲜为报道。

近年来国内外科学家对绿潮的漂移和生长机制等要素进行多方面研究，并得到了初步的成果，但是对绿潮漂移快速模拟的研究较少。Aurousseau等[15]在法国绿潮灾害比较严重的Brest湾，建立三维生物地球化学模式，对该海域的漂浮绿潮的生长和腐败－漂移－沉降进行模拟。Cugier等[16]建立的浮游植物三维生态学模型和三维水动力模型[17]，建立适应于Brest湾的绿潮特征[18]的三维生物地球化学模型，同时开展了潮间带绿潮的预报研究。Perrot等[19]发展了预报潮间带海藻的简单方法，并于2007年建立了绿潮在潮间带生长和漂移的预报模式。乔方利等[20]利用数值模式对2010年绿潮漂移进行了模拟研究，发现风场驱动下的海洋表层流场年际变化是绿潮漂移路径变异的主要原因。国家海洋环境预报中心[21]2008年建立了浒苔漂移路径预测系统，向有关部门发布浒苔漂移轨迹预报和海洋环境预报，协助前线应急指挥中心完成了浒苔的控制和治理。国家海洋局北海预报中心利用绿潮综合监测数据，启动应急漂移模式，快速预测和追溯绿潮的漂移方向和路径[22-23]。

目前国内外绿潮的监测和数值模拟已取得一定的研究成果，但从2008年黄海绿潮暴发开始，绿潮应急遥感监测和预测关键技术不成熟，并缺少业务化的综合平台，因此，北海预报中心研发绿潮应急监测和预测预警关键技术，并基于GIS技术建设集绿潮遥感信息解译和提取、多源监测数据融合、快速漂移预测和预警产品制作和发布于一体的综合业务化，以提升我国绿潮防灾减灾能力。

1 绿潮应急遥感监测和预测预警系统简介

绿潮应急遥感监测和预测预警系统(以下简称绿潮系统)业务化运行流程如图1。绿潮系统可以分为绿潮应急遥感监测子系统和应急漂移预测子系统，并基于两个子系统建立综合业务化平台，对服务对象发布监测和预警信息产品。

1.1 绿潮应急遥感监测子系统

1.1.1 绿潮信息自动化提取

绿潮卫星遥感数据包括光学遥感数据(MODIS-TERRA/AQUA和HJ－1A、B卫星)和微波遥感数据(COSMO-SAR、Radarsat、Terra-SAR)。光学卫星影像绿潮信息提取包括辐射定标、几何校正、大气校正、云掩模和绿潮信息提取五个步骤，可获取产品有NDVI、云、影像图、绿潮解译图和绿潮光学报告；微波卫星影像信息提取包括辐射定标、几何校正和绿潮信息提取三个步骤，可获得产品有影像图、解译图和绿潮微波报告。系统发展的绿潮分布轮廓线自动提取算法，经过距离分析、逻辑运算、膨胀腐蚀运算，所提取的轮廓线效果达到了人工操作水平(图2)。根据绿潮自动提取结果可计算绿潮覆盖面积，并自动生成绿潮分布面并计算分布面积，并结合业务需求，可以统计35°以北以及沿海受灾地市划定警戒区覆盖面积和分布面积。

1.1.2 多时间窗数据源信息融合

通过绿潮应急漂移预测和溯源技术[22-23]，解决了数据源时间不同步的问题。基于不同时间(h1、h2、h3)的应急遥感监测结果，利用绿潮应急快速漂移(溯源)模型将h1和h3时刻的绿潮数据，快速预测或追溯到h2时刻，为遥感信息匹配融合提供不同数据源的h2时刻的绿潮模拟位置。对于高、低分辨率光学遥感监测信息，系统研发融合技术:建立公共区域内低分辨率遥感影像NDVI值与高分辨率遥感影像覆盖率的统计关系，修正整景低分辨率遥感影像的绿潮监测结果。基于上述技术，研发了多源卫星影像监测信息的融合技术，其主要流程以2014年7月4日6:56 Radarsat和9:46 HJ－1A两景监测数据(图3)的数据融合过程为例:1)由于两景数据成像时刻不同，利用绿潮应急漂移预测技术，将6:56 Radarsat数据漂移到9:46时刻，解决时间不同的问题；2)判别两类监测解译结果是否有重叠区，如果无，则融合结果为两种遥感数据绿潮探测结果的直接叠加；3)如果存在叠加区域，那么判断叠加区域是否有云覆盖，如果有云覆盖，选用受云覆盖影响小的影像提取结果(Radarsat影像)；如果无云，那么选择分辨率较高影像(Radarsat提取结果)(图3)；4)最终得到9:46时刻的绿潮分布情况。

图1 绿潮系统业务化运行流程Fig.1 Operational Process of Remote-sensing M onitoring，Forecasting and W arning System on Green Tide in Yellow Sea

图2 绿潮二值影像(左图)和提取结果(右图)Fig.2 The Binary Image of Green Tide(left)and the Extraction Resu lt(right)

1.1.3 综合分布图制作

利用绿潮信息自动化提取技术和多时间窗数据源信息融合技术提取并融合多源遥感数据，获得绿潮的分布面积和覆盖面积等信息，最终制作综合分布图(图5，红色线代表绿潮的外缘线)，为绿潮应急预测子系统提供初始场、边界场和验证场。

1.2 黄海绿潮快速漂移预测子系统

1.2.1 黄海环境动力业务化模式

图3 2014年7月4日Radarsat(a)和HJ－1A(b)卫星遥感解译结果，Radarsat卫星遥感数据漂移到9:46时刻的模拟结果(c，蓝色点)与同时刻HJ－1A卫星数据(c，绿色点)叠加结果(c)、数据融合结果(d)Fig.3 The Interp retation of 6:56 Radarsat(a)and 9:46 HJ－1A(b)on 4 July，2014；Superposition of HJ－1A data(c，green dots)and Drift Sim ulation Result of Radarsat Data to 9:46(c，blue dots)and Fused Result(d)

黄海环境动力业务化模式主要包括气象和海洋环境动力模式。气象模式采用美国大气研究中心开发的WRF(Weather Research and Forecasting Model)，采用了多重嵌套技术，建立中国海海域、东中国海海域、北海区和青岛近海模型，并在青岛进行加密计算，水平分辨率达3 km，同时采用三维变分方法24 h循环同化GTS、海洋站和浮标等实时观测数据。根据绿潮所在位置、范围以及政府部门对应急预测的不同需求，采用多重嵌套技术，建立中国海区、北海区和青岛近海小区海流模型。该模型采用WRF风场和热通量场为大气强迫场，中国海区采用ROMS模式，计算范围为99°～148°E，9°S～44.05°N，水平分辨率为0.1°× 0.1°，垂向分25层；北海区采用ROMS模型，模型范围为117°E～127°E，32°N～41°N，水平分辨率为1/30°×1/30°，垂向分6层。近海小区海流预报采用FVCOM模式，对关注海域局部加密，分辨率最小可达10 m。同时海洋模型采用改进集合Kalman滤波同化技术实现对地波雷达海流实时观测数据的同化[24]，进一步提高了海洋模式的预报精度。

1.2.2 黄海绿潮快速漂移预测模型

在不考虑绿潮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，所以绿潮应急漂移预测，采用拉格朗日粒子追踪方法。基于拉格朗日观点，粒子的漂移速度V⇀L计算公式为:

式中:V⇀W—由风力和波浪作用产生的速度分量；V⇀t—潮流作用产生的速度分量；V⇀r—潮致余流作用产生的速度分量；V⇀h—环流(包括:风海流和密度流)作用产生的速度分量；潮流流速分量V⇀t和V⇀r，由潮流调和常数预报得到。环流流速分量

V⇀h，绿潮环境动力业务化预报系统提供。

基于黄海绿潮环境动力数值模拟结果，利用绿潮斑块海上漂移实验修正了海流和风力系数的比值[25]，并分析风拖曳角度变化对绿潮分布的影响，确定模型参数。该模式能自动搜索绿潮所在区域，并考虑围栏和流网障碍物的阻挡，快速预测绿潮斑块漂移路径[22]。

1.2.3 绿潮漂移预测结果验证

由于绿潮(浒苔)的繁殖扩展速度非常之快，相差一天的浒苔卫星图片表现出来的绿潮分布形状将大为不同，很难辨别出昨天的绿潮在今天是在什么位置。6月底至7月青岛至日照近海绿潮密集度比较高，分布特征也比较明显。我们在青岛至日照近海收集到3次时间间隔仅相差几个小时的卫星图片，可以明显地辨别出上一时刻在下一时刻的位置，作为实测浒苔漂移位置，与模式计算漂移位置作对比检验。三组观测对比资料分别为2008年7月16日18时16分COSMO－1 SAR和19时4分COSMO－2 SAR，2011年7月11日SAR COSMO 06:02和MODIS 10:59，2014年7月16日RADARSAT－2卫星6:53和18:08监测数据。2014年7月16日RADARSAT－2卫星于两个时刻经过该海域，分辨率分别为50m和25m (图4)。RADARSAT－2成像基本不受云覆盖的影响，对比两张影像图，在6:53的监测结果中选取绿潮形状变化不大的区域(蓝色方框)提取有效信息作为绿潮漂移模式的初始场，预测其到18:08绿潮的位置，并与同时刻监测结果作比较(图5)。受青岛近海风和流的影响，绿潮向西北向漂移。三组绿潮的漂移轨迹预报结果检验如表1。综合考虑绿潮有可能会沉降、不同卫星的成像也会出现一些差别等因素，绿潮数值预报结果与监测结果大体一致，因此黄海绿潮快速应急模型能够准确快速预测绿潮斑块的漂移轨迹和方向。

图4 2014年6月17日RADARSAT－2卫星6:53(a)和18:08(b)绿潮(浒苔)解译图Fig.4 The Green Tide In terpretation of RADARSAT－2 at 6:53(a)and 18:08(b)，on 17 June，2014

表1 绿潮漂移轨迹预报结果检验Tab.1 The Forecasting Results Test of Green Tide

图5 2014年6月17日18:08绿潮监测(绿点)和预测(红点)结果比对Fig.5 The Observation(green dots)and Prediction(red dots)of Green Tide at 18:08 on June 17，2014

1.3 黄海绿潮综合业务平台的建立

基于绿潮应急遥感监测子系统和应急漂移预测子系统，建立一套集黄海绿潮灾害应急遥感信息解译、多源数据融合、漂移预测和预警产品制作和发布的综合业务平台。该平台包含绿潮应急遥感监测和预测预警两个子平台；两者既独立又相互联系，其框架如图6。绿潮遥感监测子平台的关键技术为基于K－均值聚类算法的绿潮散点抽稀、业务化专题图制作；应急预测子平台的关键技术主要是绿潮数值模拟与GIS系统的无缝集成、模式自动调用和并行计算、不同类型的绿潮制图输出、业务化快报制作和发布。以2013年6月29日为例，基于绿潮遥感监测子平台准自动化提取当天绿潮卫星和航空等遥感数据信息得到多源综合解译结果(图7左图)，并制作综合图和绿潮遥感快报，可以进行快报发布或将监测结果导入绿潮应急预测子系统(图7右图)，进行绿潮应急漂移预测，根据需要选择不同时刻、不同斑点的绿潮预测结果，制作绿潮趋势预测图(图8错误!未找到引用源。左图)，并制作主要包括绿潮综合分布图、绿潮趋势预测图、绿潮斑点漂移图、预警区域面积统计表、海洋环境预报表等信息的预警信息快报，最后发布预警信息(图8右图)。

图6 绿潮应急遥感监测(左图)子平台和预测预警子平台(右图)总体框架图Fig.6 The Frame Diagram onSub-platform of Remote Sensing M onitoring(left figure)and Forecasting and W arning(right figure)on Green Tide.

图7 遥感监测子平台中监测数据的准自动化提取(左图)和应急预测子平台中遥感解译数据导入(右图)Fig.7 The Quasi-autom atic Extraction ofM onitoring Data on Remote-Sensing M onitoring Sub-p latform(left figure)and Data Im port in the Forecasting and W arning Sub-p latform(righ t figure)

图8 绿潮漂移预测结果图(左图)、绿潮快报制作过程(中图)和监测预警产品输出(右图)Fig.8 The Figure on Forecast Result Exported from Platform(left figure)，Express Production(m idd le figure)and Output Products(right figure)for Green Tide

2 讨论

黄海绿潮应急遥感监测和预测预警系统从2008年开始研发到2010年底基本建设完成，并在应用中不断完善升级，大大提高了工作效率，进一步提升了黄海绿潮灾害应急工作预警能力。本系统服务于国家海洋局和山东省海洋与渔业厅、青岛市海洋与渔业局、威海市海洋与渔业局、烟台市海洋与渔业局、日照市海洋与渔业局等政府防灾减灾应急部门，为海上运动、水产养殖、滨海旅游、交通运输、渔业生产等涉海活动和海洋管理提供科学可靠的技术保障，特别是在2008年奥帆船赛和2012年亚沙会的绿潮预测保障工作中，发挥了重要的作用，并取得巨大的社会、经济和生态效益。

海洋中浒苔条带的宽度通常不大于10 m，而分辨率为25～30 m的SAR图像中异常条带的宽度是多个像素点。基于遥感图像异常对绿潮量的估算可能会偏高1个量级(10倍)左右，所以单独利用海洋遥感图像判定绿潮在海面的覆盖率存在一定问题。所以迫切需要完善海洋绿潮监视监测系统，卫星遥感需紧密结合航空遥感、陆岸巡视等其他监测结果，并实现多源数据充分融合，提高系统的监测数据提取精度。在多源绿潮融合结果中，不同影像应用基于NDVI与浒苔覆盖率关系的混合像元分解方法，提取精度基本达到HJ－1 CCD提取精度，其余SAR影像分辨率各不相同，未将结果统一到HJ－1提取精度，因此为保证融合结果各星源信息提取精度统一，需对该问题开展进一步的研究。绿潮的发生发展过程十分复杂，在漂移的过程中会有生长、死亡沉降等生态现象。我们所采用的方法是在不考虑绿潮自身

生态特征的情况下，绿潮随风和流等要素漂移的物理过程。特别在6、7月份绿潮暴发期间，绿潮的生长速度较快，单纯的物理模型不能模拟绿潮藻类的生长受温度、光照、pH、盐度和营养盐等诸多环境因素影响的过程，所以下一步我们将建立绿潮物理—生态模型进行漂移、分布和生长预测，从而提高黄海绿潮应急监测和预测预警的能力，为政府相关部门提供更准确和丰富的绿潮信息。

[1] Gower J，King S，Goncalves P.Globalmonitoring of plankton blooms using MERISMCI，29(21)，2008，6209－6216.

[2] 张娟.浒苔遥感监测方法研究及软件实现—以青岛奥帆赛场及周边海域为例[D].成都:电子科技大学，2009.

[3] 李三妹，李亚君，董海鹰，等.浅析卫星遥感在黄海浒苔监测中的应用[J].应用气象学报，2010，21(1):76－82.

[4] Elijah R，Amina R，Mads S T，et al.Spectral definition of the Macro-algae Ulva curvata in the Back-barrier Bays of the eastern shore of Virginia，USA[J].Int.J.Remote Sens.，2012，33(2): 586－603.

[5] 李颖，梁刚，于水明，等.监测浒苔灾害的微波遥感数据选取[J].海洋环境科学，2011，30(5): 739－742.

[6] 蒋兴伟，邹亚荣，王华，等.基于SAR快速提取浒苔信息应用研究[J].海洋学报，2009，31(2): 63－68.

[7] Cui T W，Zhang J，Sun L E，et al.Satellite monitoring of massive green macroalgae bloom (GMB):Imaging ability comparison ofmulti-source data and drifting velocity estimation[J].Int.J. Remote Sens.，2012，33(17):5513－5527.

[8] Hu C M，He M X.Origin and offshore extent of floating algae in olympic sailing area[J].Eos，American Geophysical Union Transactions，2008，89 (33):302－303.

[9] Hu C M，Li D Q，Chen C S，et al.On the recurrent Ulvaprolifera blooms in the Yellow Sea and East China Sea[J].Journal of Geophysical Research，2010 (115):C05017.doi:10.1029/2009JC005561.

[10] Keesing J K，Liu D Y，Fearns P，et al.Inter-and Intra-annual patterns of Ulvaprolifera green tides in the Yellow Sea during 2007－2009，their origin and relationship to the expansion of coastal seaweed aquaculture in China[J].Marine Pollution Bulletin，2011，62(6):1169－1182.

[11] Shi W，Wang M.Green macroalgae blooms in the Yellow Sea during the spring and summer of2008[J] J.Geophys.R.，2009(114):C120010，doi: 10.1029/2009JC005513.

[12] 高松，黄娟，白涛，等，2008年与2009年黄海绿潮漂移路径分析[J].海洋科学，38(2):94－98.

[13] 王宁，曹丛华，黄娟，等.基于遥感监测的黄海绿潮漂移路径及分布面积特征分析[J].防灾科技学院学报，15(4):24－29.

[14] 黄娟，吴玲娟，高松，等，黄海绿潮分布年际变化分析[J].激光生物学报，2014.

[15] AUROUSSEAU P.Les flux d'azote et de phosphore provenantdes bassins versants de la rade de Brest [J].Comparaison avec laBretagne.Océanis，2001，27:137－161.

[16] CUGIER P，LE HIR P.Three dimensional(3D) ecological modellingof the Bay of Seine(English Channel，France)[J].JSea Res，2005，54:104－124.

[17] CUGIER P.P.LE HIR.Development of a 3D hydrodynamicalmodel for coastal ecosystem modeling，Application to the plume of the Seine River(France) [J].Estuar Coast Shelf Sci，2000，55:673－695.

[18] Ménesguen，JC Salomon.Eutrophication modelling as a toolfor fightingagainst Ulva coastalmass blooms，B.A.Schrefler and O.C.Zienkiewicz[eds.] [M].Computer modelling in oceanengineering. Balkema，1988，443－450.

[19] Perrot T，Dion P，Populus J，Guillaumont B，Brault D.A predictiveapproach to the mapping of fucoid beds using Spotmagery and a digital elevation model [C].VIIIth International SeaweedSymposium，June 20－25，2004，Bergen，Norway.

[20] 乔方利.2008与2010年黄海浒苔漂移输运特征对比[J].科学通报，2011，56(18):1470－1476.

[21] 李燕，李云，刘钦政.浒苔漂移轨迹预报系统[J].海洋预报，2011，56(18):1470－1476.

[22] 黄娟，吴玲娟，高松，等.黄海绿潮应急漂移数值模拟[J]，海洋预报，2011，28(1):25－32.

[23] 吴玲娟，曹丛华，黄娟，等.黄海绿潮应急溯源数值模拟[J]，海洋科学，2011，35(6):44－47.

[24] Xu Jiangling， Huang Juan， Gao Song， et al.，Assimilation of High Frequency Radar Data into a Shelf Sea Circulation Model[J]，Journal of Ocean

University of China，2014，13(4):572－578.

[25] 黄娟，徐江玲，高松，等.基于海上试验对海上漂移物运移轨迹影响因素分析[J].海洋预报，2014，31(4):97－104.

Remote-sensing M onitoring，Forecasting and Warning System for Emergency Response on Green Tide in Yellow Sea

Wu lingJuan1，2，Gao Song1，2，Ding Yi1，2，Cao Yajing1，2，Jin Xifang1，2
(1.North China Sea Marine Forecast Center ofState Oceanic Administration，Qingdao，Shandong 266061，China；2.Shandong Provincial Key Laboratory ofMarine Ecological Environmentand Disaster Prevention and Mitigation，Qingdao，Shandong 266061，China)

The system on remote-sensingmonitoring，forecasting and warning for emergency response on green tide in Yellow Sea is developed based on the study of monitoring and forecasting techniques.The system could provide remote-sensingmonitoring，information extraction，data collection and analysis，and broadcast of forecast and warning production.On remote-sensing monitoring，the technique on quasi-automatic information extraction and fusion of multi-source，multi-window data is developed；the fast drifting forecastmodel is developed based on fine atmospheric and oceanic field.The system serves the State Oceanic Adm inistration and related government departments，and provides scientific，reliable and technical support for marine sports，aquaculture，tourism，transportation，fishery，and marinemanagement.The system has played important roles in 2008 Olympic Sailing Games and 2012 Asian Beach Games，and has achieved great social，economic and ecological benefits.

green tide；remote-sensingmonitoring；forecasting and warning；system

X

:B

:1673－8047(2015)01－0059－09

2014－10－20

山东省海洋生态环境与防灾减灾重点实验室开放基金(201407)；国家海洋局公益性项目(201205010)

:吴玲娟(1979—)，女，博士，高工，主要从事海洋环境要素预报和研究和防灾减灾工作。