基于大数据分析下的气候模型

张宸豪, 冯 曦, 冯卫兵, 刘 涛, 丁 坤

基于大数据分析下的气候模型

张宸豪1, 2, 冯 曦1, 2, 冯卫兵2, 刘 涛1, 2, 丁 坤1, 2

(1. 海岸灾害及防护教育部重点实验室, 江苏 南京 210098; 2. 河海大学 港口海岸与近海工程学院, 江苏 南京 210098)

为研究全球变暖与极寒天气间的关系, 对加拿大13个省代表性测站10年的观测数据进行时空变化趋势分析, 采用经验正交函数(EOF)寻找海洋表面温度历史数据的变化规律。另外利用BP神经网络建立了年平均温度、日降水量与地球吸热、散热、海表面温度、当地纬度间的关系, 预测未来25年气候的变化, 并建立了“极寒天气”与气候变化的关系模型。研究表明: 高纬度地区温度、降水量普遍较低, 同经度地区的温度差异较小且降水量变化不大; 加拿大地区温度呈周期性变化, 符合北半球的季节变化特征; 北大西洋的东部与其他海洋的温度是反相关的, 西太平洋南北回归线附近的海洋表面温度升高; “极寒天气”出现频率与气候变化有一定关系, 局地极寒现象与全球变暖的大趋势并不矛盾。本研究为人们认识和理解“全球变暖”提供了一个新的思路。

全球变暖; 极寒天气; EOF法; BP神经网络; 气候变化模型

近年来, 全球变暖的形势越来越严峻, 但因出现全球变暖停滞现象, 且局部地区“几十年一遇”的极度寒冷天气, 使公众对全球变暖产生了怀疑。公众出于观察问题的角度和范围的不同, 没有充分认识到全球变暖形式的严峻性。全球范围长时间的观测数据并不完整, 给统计计算带来极大困难, 不仅如此, 海洋吸收热量对全球气候变化的影响很大[1-2], 观测发现海洋表面温度[3]的变化具有某种震荡特征, 如年代际太平洋震荡[4]、厄尔尼诺现象[5]、拉尼娜现象[1]等。这些因素使得研究全球温度变化更加困难。徐一丹[6]指出全球变暖停滞期间气候系统内部能量并没有减少, 其中一部分能量被转移并储存在了海洋中深层, 从而对全球增温减缓产生影响; 周亚军[7]通过对全球各大洋季度海温距平的分析, 发现全球近百年海温变化的特点; 李刚[8]研究了全球范围的海表温度异常变化的主要模态, 并讨论了各个模态的时空变化特征; 梁晴[9]建立了基于小波分析的全球温度循环模型。但是, 国内外的现有的相关气候模型都较复杂[10-13]。因此, 有必要建立的模型应区别于复杂的专业气候模型, 有利于非专业人士理解和认识全球气候变化的态势, 解释极端天气现象的发生, 寻找、求证影响气候变化的因素, 从而增强人们气候变化的意识。BP 网络是人工神经网络中一种多层前馈网络的学习算法[14], 它可以通过神经网络的自学习功能, 确定神经元之间的耦合权值, 从而使网络整体具有近似函数的功能, 建立非线性系统模型, 如今有学者[15-18]将其运用到气候的预测中。本文利用BP神经网络在现有数据的基础上建立一个简单易懂的统计气候模型使人们认识和理解“全球变暖”这一概念。

1 加拿大地区和全球海洋表面的温度分析

1.1 加拿大地区温度的时空变化趋势

加拿大地区按省份分为13个区域(图1), 因为每个区域的纬度跨度不是太大, 对温度影响较小, 在每个区域内选择1个测站(资料缺失不超过5%)作为该地区的代表性测站, 利用这些测站的2009—2018年的10年温度资料(对于测站数据缺失, 采用插值处理的方法对资料进行补全)对加拿大地区温度的时空变化问题进行探讨。在保证资料的连续性后, 对温度的空间分布进行分析, 计算出各地区的年平均最高温、最低温、年平均温度绘制成加拿大地区温度的空间分布表(表1), 结合图表可以看出, 加拿大地区, 最高温位于ON省, 最低温位于NT省, 高纬度地区温度普遍较低, 同经度地区的温度差异较小, 北大西洋附近的3个省份受气流影响较大。

图1 加拿大各省份分布

表1 加拿大各省份温度空间分布

为了更直观地分析温度与空间位置的关系, 我们按照先经度后纬度的排序方式, 对13个区域进行排序, 绘制出温度与13个省的关系图(图2), 从图中可以看出, 最高温度从BC省到NB省没有太大差别, 符合同一纬度的温度状况, 但在NS省开始降温, 可能是受北大西洋暖流的影响, 后4个省开始升温, 在NU省又下降至13个省的年最高温中的最低温(纬度较高)。年平均温度, ON省最高, NU省最低, 符合经纬度的变化, 但在最低温度13个省的变化幅度较大, 受北大西洋暖流的影响, NS省最低温是13个省最大的, 我们可以看出同经度地区的温度变化不是太大, 但跨纬度地区温度差异大, NS省因为受北大西洋暖流影响, 全年最高温, 最低温以及平均温度的变化幅度不是太大, 适合人们居住, NU省是13个省中温度最低的, 与之相反的是ON省是13个省份中温度最高的, 他们都与哈德森湾相连, 是否受哈德森湾的影响还需进一步讨论。柱状图为13个省的年平均总降水量, 可以看出, 同一经度的降水量变化不大, 受北大西洋暖流的影响, QC、NB、NS、PE省降水量充沛, 高纬度地区, 降水量较少。

图2 加拿大地区温度、降水空间分布图

对于加拿大地区温度的时间分布特征, 考虑各地区的经纬度, 选择3个区域(BC, PE, NU)做120个月的温度时间序列分析, 在3个省的的温度时间序列图中(图3)可以看出, 温度随时间呈周期性变化, 即6月至8月温度最高, 12月至1月温度最低的典型季节变化, 但BC省在2011年至2012年期间, 即BC省的月最低温(图3c)在2011年至2012年间出现了较低的极值点, 可能是受厄尔尼诺的影响, 之后BC省最高温和最低温开始呈现上升的趋势, 温度越来越高。对这3个区域进行线性趋势估计, 可以看出, BC省的最高温度, 最低温呈上升趋势, 而NU省和PE温度变化幅度稳定, 无明显变化趋势。

1.2 海洋表面温度历史数据中的变化规律

海表面温度(SST)是海洋热力、动力过程以及海洋与大气相互作用的综合结果[19], 是影响海面水汽交换和热通量的一个重要因素, 同时也是研究海洋环流、水团、海洋锋、上升流和海水混合等问题的主要参量[20]。

SST历史数据是格点数据, 来源于美国的地球系统研究实验室(https://www.esrl.noaa.gov/psd/data/), 首先利用MATLAB对数据进行reshape函数处理, 得到全球海洋1854年1月到2019年5月, 共1 985个月的海洋表面月平均温度。排除陆地数据, 利用经验正交函数分析方法(EOF)对数据进行时空分解, 可以看出(表2), 前12个主成分的累积方差贡献率占总方差的46.3%, 但模态12和模态11的特征根误差范围重叠无法通过North显著性检验, 前11个模态累积贡献率接近45%, 可以较好的说明SST的分布类型。发现全球海洋表面温度有11种分布类型, 1、2两种模态累积方差贡献率为24%, 相比于其他模态占的比重较大, 所以本文选取了这两种模态进行分析。模态1占方差贡献的15.8%(图4), 该分布类型仅在大西洋北部(80°N, 30°E)和(80°N, 10°W)附近, 以及非洲大陆的几内亚湾附近有较弱的正值区, 说明北大西洋的东部与其他海洋的温度是反相关的, 从时间系数图可以看出, 模态1的时间系数在1974年以后基本为负值, 表明1974年以后模态1处于负相位, 即1974年以后气候变化了。模态2占方差贡献的8.4%, 该分布类型在西太平洋附近被一片强正值控制, 正值中心为南北回归线附近, 其西部为一片较弱的正值与之相应照, 但在太平洋的赤道附近有较强的负值中心与之相互补偿, 这表明了西太平洋南北回归线附近的海洋表面温度升高, 则赤道附近的海洋表面温度降低。正负中心基本上与北太平洋大气活动中心(阿留申低压与西太平洋高压)对应。表明正负区域是海气相互作用最活跃的区域, 这种模态变化, 对我国天气有明显的影响。从模态2的时间系数图可以看出, 模态2的时间系数趋势斜率是较为平缓的上升, 这在一定程度上说明该模态下气候没有太大改变。

图3 加拿大地区温度时间分布图

Fig. 3 Time distributions of temperature over Canada

表2 模态的累积方差贡献率

图4 SST模态1、2的空间分布与时间系数

Fig. 4 Spatial distribution and time coefficients of SST modes 1 and 2

从全球整体来看, 20世纪的SST变化趋势在赤道太平洋东—西温度梯度逐渐增大。一年中, 在年初时, 高温区分布在赤道两端; 随着时间的推移, 高温区逐渐向北移, 过了8或9月份后, 直到年底时段, 高温区又逐渐向南推移。

在海洋靠近陆地的边界处附近, 会出现能量的辐聚区, 从而造成近海处的温度高于附近的外海。

中国近海SST变化主要以增温为主, 但增温幅度存在明显的地区和季节差异。夏季东海大部分海域特别是黑潮主干海域增温显著, 南黄海东部海域降温。冬季海域增温更加显著, 只是东海部分海域降温。

加拿大幅员辽阔, 各地各近海处的SST差异很大。附近海域大致可以分为4个区域: 太平洋地区(西海岸区)、中部地区(大湖-圣劳伦斯低地区)、大西洋地区和北方地区。大部分区域温度不高, 处在15℃以下。

对168年的SST数据求距平, 绘制出全球的海温变化趋势图(图5), 由图中可见: (1) 从1860年到1940年, 全球海区在这段时间内基本表现为温度负距平, 在此期间最明显的是1900到1910年之间, 海温降到了本世纪以来最低值, 降幅为–0.4℃。(2) 在1910到1960年, 温度呈现上升趋势, 且1940年升温幅度强于1960年。(3) 1970年以后没有明显的降温区, 至今为止, 全球的海洋表面温度还在持续上升, 且最高温度已经超过了之前的记录。

图5 全球的海温变化趋势图

Fig. 5 Global SST trend chart

2 气候模型的建立

2.1 气候变化模型

本文利用BP神经网络建立了气候变化与地球吸热、散热、海表面温度以及当地纬度之间的函数关系(式1), 通过每年全球平均能量平衡估算的关系得到吸热、散热数据[21], 其中气候变化主要是由年平均温度和日降水量这两个因素体现, 故将其作为函数的因变量, 所建立的神经网络结构(图6)。

[,] =(,,,), (1)

式中:表示年平均温度, ℃;表示日降水量, 单位mm;表示吸热, 单位J;表示散热, 单位J;表示海表面温度, 单位℃;表示当地纬度, 单位为度。

图6 神经网络结构

该网络结构共设有9个隐藏层及2个输出层, 输入包含地球吸热、散热、海表面温度、当地纬度这4个特征值, 输出包含年平均温度及日降水量这2个特征值, 迭代次数设置为1 000次, 学习率设为0.01, 且当均方根误差小于0.001时停止训练。本研究中的样本为散布在全球范围内的285个地点, 并将其中的80%作为训练集, 余下的20%作为测试集。

训练结果如图7所示。

还对测试集的预测值和真实值做了对比, 可发现该模型具有较高的可信度(图8)。

图7 训练结果

Fig. 7 Training results

图8 测试集中预测值和真实值的比较

Fig. 8 Predicted and true values in the test set

2.2 未来25年气候变化的预测

为方便起见, 本文分别在非洲、亚洲、欧洲、北美洲、南美洲以及大洋洲靠近重要港口的区域各选取了一点, 研究了该地未来25年的气候变化规律。

首先利用可变随机函数对这些地区未来25年的吸热、散热及海表面温度(SST)进行了预测分析, 同样采用了BP神经网络的方法(图9)。

六大洲的SST图中可以发现随着时间的推移, 2020年至2045年接近海洋表面的水温将呈现上下波动的趋势, 其中非洲和南美洲的水温值在较高值之间波动, 而亚洲和欧洲的水温值在较小值之间波动, 欧洲气候受海洋影响较大, 始终处于10℃以下。另外每个洲的SST预测值的波动范围在2℃之内, 由此可见, 接近海洋表面的水温特征有着随时间的差异性。同样, 在六大洲的吸、散热图可以看出未来25年的六大洲的散热值几乎没有波动, 吸热值有幅度很小的波动, 说明吸、散热值在未来25年几乎没有差异性。

图9 研究点的SST和吸散热值未来25年的预测

将上述25年的吸热、散热及SST值作为输入代入所建立的模型中可得未来25年的气候变化趋势(考虑温度/降水两方面)。如图10所示。

整体上, 未来25年各大洲的降水的存在较大的不同, 其中非洲、南美洲、大洋洲的降水随时间变化有较大的差异性, 三大洲的降水平均量也较大, 非洲未来的最大降水年份与最小降水年份之间的差值最大; 对于亚洲、欧洲和北美洲来讲, 三个洲的降水随时间变化幅度不大, 亚洲和欧洲的降水平均量较小。各洲的气温变化趋势呈现出一种波动式上升的趋势, 北美洲的变化趋势较接近加拿大地区。与降水量相同的规律是亚欧两大洲的年平均温度较低, 而非洲的温度年平均温度最大, 在整体上符合全球变暖的大趋势, 短期内符合上下波动的特征。

2.3 “极寒天气”与气候变化的关系

为了更好地研究“极寒天气”与气候变化的关系, 本文建立如下的函数关系(式2):

[,]=(,,), (2)

式中:表示年平均温度, ℃;表示日降水量, mm;表示极寒天气在一年中出现天数, d。其余变量同上述公式。

为方便研究, 这里将“极寒天气”定义为小于年平均最低温度的天气情况, 由于全球最低气温资料较难获得, 仅就易于获取资料的加拿大地区13个省各自主要测站多年数据进行样本数据搜集, 共有15个样本, 同样选择其中80%作为训练集, 余下20%作为测试集, 建立的神经网络共有10个隐藏层和2个输出层, 测试集的预测值和真实值对比(图11)如下。

图10 未来25年的气候变化趋势(温度和降水)

Fig. 10 Climate trends over the next 25 years (temperature and precipitation)

图11 测试集的预测值和真实值

Fig. 11 Predicted and true values of the test set

该图表明一年中“极寒天气”出现的频率与气候变化有一定的关系。从上述五大洲未来气候降水的预测图来看, 一个地区的气候变化是一种长期的趋势, 全球变暖需要经历一个较长的时期, 短期的温度变化曲线不能完全反应出这一趋势, 所以局地出现极寒现象与全球变暖的大趋势并不矛盾。

3 结论

研究发现加拿大地区NS省受北大西洋暖流影响, 全年最高温, 最低温以及平均温度的差异幅度不是太大, 降水量充沛, 适宜居住; NU省和ON省是加拿大地区温度最高和最低的地区, 他们都与哈德森湾相连, 是否受哈德森湾的影响还需进一步讨论; 加拿大地区温度随时间呈周期性变化, BC省在2011年至2012年期间, 温度变化较为异常, 可能是受拉尼娜现象影响; 海洋表面温度呈现2种主要空间分布形式: (1) 西太平洋南北回归线附近的海洋表面温度与赤道附近的海洋表面温度呈相反关系; (2) 北大西洋的东部与其他海洋的温度是反相关; 对于海洋靠近陆地的边界处附近, 会出现能量的辐聚区, 从而造成近海处的温度高于附近的外海; 从1860年到1940年, 全球海区在这段时间内基本表现为温度负距平, 在此期间最明显的是1900年到1910年之间, 海温降到了本世纪以来最低值, 降幅为–0.4℃; 在1910年到1960年, 温度呈现上升趋势, 且1940年升温幅度强于1960年; 1970年以后没有明显的降温区, 至今为止, 全球的海洋表面温度还在持续上升, 且最高温度已经超过了之前的记录; 未来25年非洲和南美洲的水温值在较高值之间波动, 亚洲和欧洲的水温值在较小值之间波动, 同时得出接近海洋表面的水温特征有着随时间的差异性的结论; 非洲、南美洲、大洋洲的降水随时间变化有较大的差异性, 这三大洲的降水平均量也较大, 亚洲、欧洲和北美洲的降水随时间变化变化幅度不大, 亚洲和欧洲的降水平均量较小; 六大洲的气温变化趋势呈现出一种波动式上升的趋势, 亚欧两大洲的年平均温度较低, 而非洲的温度年平均温度最高, 在整体上符合全球变暖的大趋势, 短期内符合上下波动的特征; “极寒天气”出现频率与气候变化有一定的关系且局地出现极寒现象与全球变暖的大趋势并不矛盾。

气候变化是一种长期的、渐进的、可预测的趋势, 而天气是短期的、局部的、不稳定且难以预测的。在全球变暖的背景下, 不同地区的增暖不均匀, 极地冷空气在高压系统推动下, 向北半球大陆地区南下进发, 导致气温骤降。针对全球气候系统内部的脆弱性, 系统边缘在充分发挥自适应功能的同时, 采取有针对性的人为适应措施, 来增强边缘边缘和内部系统的共同适应能力, 调节改善内部系统的局部环境以减轻气候变化的危害。

[1] Meehl G A, Hu A, Santer B D, et al. Contribution of the interdecadal Pacific Oscillation to twentieth-century global surface temperature tends[J]. Nature Climate Change, 2016, 6: 1005-1008.

[2] Chen X, Tung K K. Global surface warming enhanced by weak Atlantic overturning circulation[J]. Nature, 2018, 559(7714): 387-391.

[3] Quere C, Andrew R. Global carbon budget 2017[J]. Earth System Science Data, 2018, 10(1): 405-448.

[4] Medhaug I, Stolpe M B, Fischer E M, et al. Reconciling controversies about the ‘global warming hiatus’[J]. Nature, 2017, 545(7652): 41-47.

[5] 徐一丹, 李建平, 汪秋云, 等. 全球变暖停滞的研究进展回顾[J]. 地球科学进展, 2019, 34(2): 175-190. Xu Yidan, Li Jianping, Wang Qiuyun, et al. Review of the research progress in global warming hiatus[J]. Advances in Earth Science, 2019, 34(2): 175-190.

[6] 周亚军, 朱正义, 朱姝. 近百年全球海温演变的特征[J].热带气象学报, 1996, 12(1): 85-90. Zhou Yajun, Zhu Zhengyi, Zhu Shu. Characteristics of global SST evolution during the past century[J]. Journal of Tropical Meteorology, 1996, 12(1): 85-90.

[7] 李刚, 李崇银, 江晓华, 等. 1900~2009年全球海表温度异常的时空变化特征分析[J]. 热带海洋学报, 2015, 34(4): 12-22. Li Gang, Li Chongyin, Jiang Xiaohua, et al. Analysis of spatiotemporal variability of global sea surface temperature anomalies during 1900~2009[J]. Journal of Tropical Oceanography, 2015, 34(4): 12-22.

[8] 梁晴, 宋彦辰. 基于小波分析的全球变暖趋势预测[J].农家参谋, 2018, 12(8): 269. Liang Qing, Song Yanchen. Prediction of global warming trend based on wavelet analysis[J]. Farm staff, 2018, 12(8): 269.

[9] 李帅, 王怀军, 潘莹萍. 基于Max-Stable模型的海河流域气候极值变化特征[J]. 南水北调与水利科技, 2019, 6(5): 1-18. Li Shuai, Wang Huaijun, Pan Yingping. Climatic extremum variation characteristics of haihe river basin based on max-stable model[J]. South-to-north water transfer and water conservancy technology, 2019, 6(5): 1-18.

[10] 孙鑫, 李振华, 董军宇, 等. 面向海洋数据的复杂网络建模及可视化分析[J]. 系统仿真学报, 2018, 30(7): 2445-2452. Sun Xin, Li Zhenhua, Dong Junyu, et al. Complex network modeling and visualization analysis for ocean data[J]. Journal of system simulation, 2018, 30(7): 2445-2452.

[11] 谢定升, 纪忠萍, 曾琮. 气候灾害预测模型的应用[J]. 自然灾害学报, 2003, 12(4): 143-149. Xie Dinsheng, Ji Zhongping, Zeng Cong. Application of climate disaster prediction model[J]. Journal of natural disasters, 2003, 12(4): 143-149.

[12] 松岗讓, 姜克隽, 胡秀莲, 等. 全球气候变化模型的研究与发展[J]. 中国能源, 1998, 12(3): 16-21. Song Gangrang, Jiang Kejun, Hu Xiulian, et al. Research and development of global climate change models[J]. China Energy, 1998, 12(3): 16-21.

[13] 刘嘉, 陈文颖, 刘德顺. 对稳定浓度目标下温室气体排放路径的探讨[J]. 中国人口·资源与环境, 2011, 21(8): 95-99. Liu Jia, Chen Wenying, Liu Deshun. Discussion on the emission path of greenhouse gases under the target of stable concentration[J]. China Population, Resources and Environment, 2011, 21(8): 95-99.

[14] 张德丰. MATLAB神经网络应用[M]. 北京: 机械工业出版社, 2009. Zhang Defeng. MATLAB Neural Network Application[M]. Beijing: China Machine Press, 2009.

[15] 林耿, 郑紫微. 基于灰色-BP神经网络的福州市年平均气温预测模型[J]. 河南工程学院学报(自然科学版), 2018, 30(4): 71-75. Lin Geng, Zheng Ziwei. Prediction model of annual mean temperature in fuzhou based on Gray-BP neural network[J]. Journal of Henan University of Engineering(Natural Science Edition), 2008, 30(4): 71-75.

[16] Sun Q L, Liu Y, Wunnemann B, et al. Climate as a factor for Neolithic cultural collapses approximately 4000 years BP in China[J]. Earth-Science Reviews, 2019, 197: 74-100.

[17] 雷彦森. 遗传算法优化的BP神经网络在多模式集成预报的应用研究[D]. 南京: 南京信息工程大学, 2018. Lei Yansen. Research on the application of BP neural network optimized by genetic algorithm in multi-mode integrated prediction[D]. Nanjing: Nanjing University of Information Technology, 2018.

[18] 周俊杰. 渭河流域宝鸡段径流变化趋势及预测研究[D].杭州: 浙江工业大学, 2017. Zhou Junjie. Study on runoff trend and prediction in baoji section of weihe river basin[D]. Hangzhou: Zhejiang University of Technology, 2017.

[19] 董雷娟, 李洪平. 全球海表温度变化特征分析[J]. 地理空间信息, 2013, 11(5): 29-46. Dong Leijuan, Li Hongping. Analysis of global SST variation characteristics[J]. Geospatial Information, 2013, 11(5): 29-46.

[20] 孟庆佳, 施建伟, 刘娜, 等. 基于历史和卫星资料的中国近海海表面温度长期变化趋势的综合分析[J]. 海洋科学, 2011, 35(12): 121-126. Meng Qingjia, Shi Jianwei, Liu Na, et al. A comprehensive analysis of the long-term variation of sea surface temperature in the China seas based on historical and satellite data[J]. Marine Sciences, 2011, 35(12): 121-126.

[21] 宋翔洲. 基于热收支分析的海气热通量物理约束机制研究[D]. 青岛: 中国海洋大学, 2012. Song Xiangzhou. Research on physical constraint mechanism of heat flux of sea and air based on heat budget analysis[D]. Qingdao: Ocean University of China, 2012.

Climate model based on big-data analysis

ZHANG Chen-hao1, 2, FENG Xi1, 2, FENG Wei-bing2, LIU Tao1, 2, DING Kun1, 2

(1. Key Laboratory of Coastal Disaster and Protection of Ministry of Education (Hohai University), Nanjing 210098, China; 2. College of Harbor, Coastal and Offshore Engineering, Hohai University, Nanjing 210098, China)

To study the relationship between global warming and extreme cold weather, we performed spatial and temporal variation trend analyses on 10-year observation data from representative stations in 13 Canadian provinces. We then used the empirical orthogonal function (EOF) to determine the variation rule of historical ocean-surface- temperature data. In addition, we used a BP neural network to establish the relationship between the annual average temperature, daily precipitation, and the Earth’s heat absorption, heat dissipation, sea surface temperature, and local latitude to predict climate change in the next 25 years and to establish a relationship model between “extremely cold weather” and climate change. The results show that the temperature and precipitation in high latitudes are generally low, the temperature difference with longitude is small, and the precipitation changes only slightly. The temperature in Canada changes periodically, which is consistent with seasonal changes in the northern hemisphere. The eastern part of the North Atlantic is inversely related to the temperature of the other oceans. The frequency of “extreme cold weather” has a certain relationship with climate change, and the local extreme cold phenomenon is not inconsistent with the general trend of global warming. This study provides a new way to understand “global warming”.

global warming; extreme cold weather; EOF method; BP neural network; climate change

Nov. 22, 2019

P717

A

1000-3096(2020)10-0001-11

10.11759/hykx20191122004

2019-11-22;

2019-12-25

国家自然科学基金青年基金(51709091); 江苏省自然科学基金青年基金(BK20170874); 中央高校基金(2017B00514)

[National Natural Science Foundation For Young Scientist of China, No. 51709091; Youth Fund of Natural Science Foundation of Jiangsu Province, No. BK20170874; Central University Foundation, No. 2017B00514]

张宸豪(1996-), 男, 浙江台州人, 硕士研究生, 主要从事物理海洋方面研究, 电话: 15189801692, E-mail: zhangch@hhu.edu.cn; 冯曦,通信作者, 电话: 18114805884, E-mail: xifeng@hhu.edu.cn

(本文编辑: 刘珊珊)