黑潮延伸体区域50～100 km涡旋分布特征

钱思佳, 于方杰, 陈 戈

黑潮延伸体区域50～100 km涡旋分布特征

钱思佳, 于方杰, 陈 戈

(中国海洋大学 信息科学与工程学院, 山东 青岛 266100)

本文使用基于热成风速度的涡旋识别拓展方法, 通过海表面温度数据对黑潮延伸体区域50～ 100 km涡旋进行研究, 发现50～100 km涡旋主要分布在黑潮延伸体流轴两侧, 气旋涡和反气旋涡的寿命、半径分布具有一致性。气旋涡多出现在35°N以北, 反气旋涡在35°N以南比较集中, 与尺度较小的中尺度涡旋分布特征较为相似。冬夏两季涡旋地理分布存在一定差异, 主要与不同季节该区域海表温度梯度及风应力旋度的变化有关。35°N以南50～100 km涡旋数量的季节性变化与风速大小的季节性变化存在明显的正相关性。35°N以南50～100 km涡旋三倍半径内风速异常和风应力旋度归一化表明, 气旋涡对应风速负异常而反气旋涡对应风速正异常, 反气旋涡的产生依赖于风应力负旋度, 气旋涡的生成与风应力正旋度有关。

黑潮延伸体; 50～100 km涡旋; 海表面温度; 涡旋识别拓展方法; 涡旋-风速

黑潮延伸体(140°～180°E, 28°～40°N)是伴随大振幅湾流和大量脱落涡旋的带向射流, 存在丰富的多尺度动力过程。前人的研究已经揭示了该区域中尺度涡旋的分布特征、季节性变化和生成机制[1-3]。由于涡旋运动通常会引起局部海平面高度变化, 因此人们普遍认为涡旋比较容易被卫星高度计捕获。然而, 现有的卫星高度计具有相对较高的沿轨采样分辨率但留有较大的跨轨间隙[4], 使得尽管多颗同时在轨的卫星高度计的融合产品的分辨率已经有了较大提高, 但也不足以准确描述100 km以下海洋涡旋的动态变化[5]。因此, 100 km以下涡旋目前处于观测盲点, 其分布特征仍存在较大的认知空白, 且目前对100 km以下涡旋的尺度划分还存在一定争议。考虑到黑潮延伸体区域第一斜压罗斯贝变形半径约为30～40 km[6], 而亚中尺度要小于所在纬度的第一斜压罗斯贝变形半径, 因而本文以50 km来大致区分该区域的中尺度和亚中尺度特征, 已有研究中也提出过50 km以下为亚中尺度这一观点[7-8]。作为典型的中尺度(100 km以上)与亚中尺度的过渡, 50～100 km涡旋存在着重要意义。一方面, 对黑潮延伸体区域中尺度涡旋的统计分析表明, 半径越小的中尺度涡旋数量越多[2, 9], 因而推断出该区域存在丰富的50～100 km涡旋, 但却无法被卫星高度计准确观测。另一方面, 涡旋相互作用可以实现能量的正向和逆向级联, 使能量通过各种尺度在时间和空间上重新分布, 因此, 50～100 km涡旋充当着海洋中大小尺度之间能量级联的关键桥梁。

尽管许多数值模式已经被用来研究100 km以下涡旋在海洋热传输及物质输运等方面的作用[8, 10], 但相关结论仍需通过现场观测加以验证。因此, 如何进行有效观测一直是近年来的研究热点。水文测量仪器和浮标[11], 岸基高频雷达[12], 漂流浮标[13], 水下滑翔机[14]等已用于观测100 km以下涡旋。然而, 这些研究主要集中在局部区域的个例分析上, 所得到的涡旋特征很大程度上取决于观测设备的数量, 而海洋设备的部署是昂贵且耗时的。与卫星测高数据相比, 海面温度(sea surface temperature, SST)数据具有更高的空间分辨率, 且大部分上层海洋动力过程都与SST直接或间接相关。因此, 从理论上讲, SST是在全球尺度上研究50～100 km涡旋的一种可行方法。尽管SST存在易受天气过程影响等局限性, 但其较高的时空分辨率使得在基于海表面高度(sea surface height, SSH)的涡旋检测算法无法正常工作的情况下, 它可以作为检测涡旋的有力补充。目前使用人工神经网络、准轮廓跟踪和聚类、随机椭圆拟合与图像分割、与涡旋结构相关的iso-SST模式, 小波变换分析海表温度锋面等方法均能基于SST成功检测出涡旋[15-19]。前人提出了一种基于热成风速度的涡旋识别方法[20], 仅基于涡旋几何形状来确定涡旋。该方法在许多地区得到了运用, 均体现了不错的效果[21-23]。

本文使用基于热成风速度的涡旋识别拓展方法, 基于高分辨率SST数据对黑潮延伸体区域50～100 km涡旋分布特征进行研究并探究其与风速之间的相关性。

1 数据和方法

1.1 数据

本文使用Remote Sensing Systems发布的SST数据(http://www.remss.com/measurements/sea-surface- temperature/)来检测50～100 km涡旋。该数据是结合微波的穿云功能和红外SST数据高分辨率及近海岸观测能力的近实时产品。数据从2002年6月1日发布至今, 其空间分辨率为9 km, 时间分辨率为1 d, 每天可以覆盖全球所有的海洋[20]。

本文使用的风场数据来自美国国家航空航天局(NASA)的QuikSCAT卫星(https://coastwatch.pfeg. noaa.gov/data.html#)。该卫星上的海风观测仪是一种双波束微波散射仪, 用于测量全球海洋上风力的大小和方向, 风速测量的参考高度为地表以上10 m, 可以覆盖全球90%的海洋, 被认为是海表风速的准确呈现[24]。数据集时间范围为1999年7月21日至2009年11月21日, 空间分辨率为0.125°, 时间分辨率为1 d。NASA对海风数据进行了处理, 得到与风速同分辨率的风应力数据。

本文使用的海平面异常(sea level anomaly, SLA)数据为AVISO发布的all-sat融合产品(http://www. aviso.altimetry.fr)[25]。该数据融合了所有可用的卫星高度计观测数据, 空间分辨率为0.25°, 时间分辨率为1 d, 能有效反映出全球海平面高度信息。

本文使用的drifter数据为全球漂流浮标计划(global drifter program, GDP)每小时数据集的1.01版本(https://www.aoml.noaa.gov/phod/gdp/hourly_data. php), 该数据集中共包含985个由全球定位系统跟踪(GPS-tracked)的drifter轨迹文件, 每个文件中记录了每小时该drifter的位置和速度。

1.2 方法

本文对基于热成风速度的涡旋识别方法进行了拓展, 命名为基于热成风速度的涡旋识别拓展方法, 该方法通过以下步骤定义涡旋:

1) SST降噪。计算出海表面温度异常(sea surface temperature anomaly, SSTA)以最大程度地降低由天气和其他偶然因素引起的每日温度变化的影响。

SSTA=SST–DC, (1)

其中, DC (daily climatology)为每日气候态SST, 由18年间(2003—2020年)的每日SST数据得到。第日的DC值为第日所在月份的平均SST与每年第日的平均SST的均值(闰年最后一天的DC值用第365天的值代替)。

2) 依据基于热成风速度的涡旋识别方法[20]将SSTA转化为对应速度场并进行涡旋识别得到初始涡旋的涡心和极性, 涡旋边界定义为SSTA水平梯度最大处温度异常等值线。

3) 空间滤波。对于所有初始涡旋, 依据其空间尺度大小(涡旋内包含的最小网格数量需满足min=8[26])进行筛选, 去除由SST随机噪声产生的小的“伪涡旋”。

4) 时间滤波。由于SST易受干扰, 短期存在的涡旋为噪声引起的“伪涡旋”的可能性较大。依据相邻时间帧的涡旋极性和位置对所有涡旋进行连续追踪观测, 根据涡旋生命周期对其进行时间滤波, 去除短期波动的影响。生命周期≥的涡旋被认为是真实涡旋。

=L≥2, (4)

其中,L是第个初始涡旋的寿命(此处不考虑仅存在一天的初始涡旋),为初始涡旋总数,表示初始涡旋的平均寿命,为标准差,取最接近整数。由于不同地理位置涡旋寿命和数量可能存在一定差异, 因而在不同区域计算得到的值可能会存在不同(综合考虑保留的涡旋数量和准确性, 本文中黑潮延伸体区域值选取为4)。

2 50～100 km涡旋分布

本文采用2002年6月1日至2018年5月31日的SST数据, 使用基于热成风速度的涡旋识别拓展方法, 成功检测出了大部分中尺度涡旋和50～100 km涡旋。图1显示了2006年1、4、7、10月份某日涡旋分布情况。在同一时间帧下, 将涡旋与对应的SSTA及SLA在空间上进行叠加, 结果表明大多数温度异常都能被算法检测为涡旋。由于本文采用的SST数据分辨率为9 km而SLA数据分辨率为0.25°, 因此一些尺度较小的涡旋不能在SLA上体现出来, 但算法检测出来的半径较大(>40 km)的涡旋附近的等高线均较为密集并伴随着SLA极值点的产生。图1半径较大的涡旋中, 约75%的涡旋的涡心与SLA中心并不重合, 但这些涡旋均与SLA极值点最外围等值线确定的区域有所重叠。在不同月份, 半径较大的涡旋均能与附近的SLA匹配, 算法体现了不错的检测效果。

图1 涡旋分布示意图

注: 图中涡旋半径均大于20公里, 底图为SSTA, 金线为SLA, 红色(蓝色)曲线表示反气旋涡(气旋涡)

为检验算法在黑潮延伸体区域的准确性, 本文结合SLA和drifter数据在该区域进行了个例验证, 图2显示了一个气旋涡在2015年12月15日至26日的位置变化。在观测期间内目标涡旋附近出现了一个drifter(ID: dd61504040), 从15日开始逐渐接近目标涡旋并一直围绕涡旋外围运动。由于SST易受干扰, 观测期间内涡旋出现过短暂消失, 但均能在下一时间节点上被检测出来。涡旋所在位置附近等高线较为密集, 且在涡旋西北方向有闭合SLA等值线出现(黄色三角形), 表明SLA在该位置也能检测出相应涡旋。由连续时间内SLA等值线的变化可以看到两个涡旋逐渐分离的过程(图西北角), 而这一过程也能在SSTA上显示出来。涡旋与drifter和SLA的一致性表明算法在该区域的确具有较好的检测效果。

2002年6月1日至2018年5月31日间黑潮延伸体区域共识别出24 289个50～100 km涡旋, 气旋涡和反气旋涡的数量分别为13 385和10 904, 比值约为1.2。50～100 km涡旋生命周期分布如图3a所示, 涡旋最大生命周期约为14 d, 最短生命周期为4 d(此处仅统计4 d及以上的涡旋), 与前人研究得到的10～100 km海洋动力过程时间变化通常持续数天到数周结论较为一致[27]。涡旋平均寿命约为5 d, 95%的涡旋生命周期在7 d以内, 相同寿命的涡旋中气旋涡数量略多于反气旋涡, 但两者生命周期的分布趋势基本一致。50～100 km涡旋半径分布如图3b所示, 随半径增大涡旋数量逐渐减少, 气旋涡和反气旋涡半径的分布趋势具有一致性。

对每个1°×1°网格内涡旋数量进行统计, 得到50～100 km涡旋地理分布如图4所示。50～100 km涡旋总体上呈纬向分布, 大多沿等温线分布于黑潮延伸体南北两端, 32°～36°N之间涡旋数量相对较少。对该区域50～100 km涡旋极性分布(图4b)进行分析表明, 气旋涡和反气旋涡具有不明显的斑块状交替分布特征。相对而言, 气涡旋主要分布在黑潮延伸体北侧, 而反气旋涡在黑潮延伸体南侧相对密集。

图2 某气旋涡2015年12月15日至26日的位置变化

注: 颜色表示SSTA, 靛蓝色细线表示SLA, 蓝色粗线表示目标涡旋, 黑线为当天drifter运动轨迹, 黄色三角形为SLA闭合等值线中心

图3 50～100 km涡旋生命周期和半径分布

尽管黑潮延伸体流轴形态年际变化较大, 但多年间其流轴位置基本位于32°～36°N之间[28]。黑潮延伸体流轴附近50～100 km涡旋数量较少而流轴两侧涡旋数量较多, 与前人利用SSH得到的涡旋分布特征并不完全相符。已有研究表明黑潮延伸体区域涡旋生成机制主要有两种: 一是由黑潮延伸体流轴弯曲脱落生成, 二是由水平剪切力不稳定产生。流轴弯曲脱落形成的涡旋主要位于流轴附近, 大多为寿命较长半径较大携带能量较强的涡旋, 其中反气旋涡主要分布在流轴北侧, 气旋涡主要分布在流轴南侧[29]。而由水平剪切力不稳定产生的涡旋寿命和半径相对较小, 这一部分涡旋中, 气旋涡主要分布在35°N以北, 反气旋涡主要分布在35°N以南[2]。图4结果表明50～100 km涡旋地理分布特征与由水平剪切力不稳定产生的中尺度涡旋较为相似。

图4 1°×1°网格内50～100 km涡旋数量和极性分布

注: 涡旋极性表示一个点位于气旋涡或反气旋涡内的概率, 计算公式为(ae–ce)/(ae+ce)[30], 其中ae(ce)表示该点出现反气旋涡(气旋涡)的时间占统计时间的百分比, 极性为正(负)表示在这一点上很可能会出现反气旋涡(气旋涡)

3 50～100 km涡旋数量与风速的相关性

高分辨率卫星观测表明, 在热带和亚热带地区, SST和海表风速在中尺度上呈正相关[31], 因此本文探究50～100 km尺度上SST和海表风速是否也存在相关性。考虑到黑潮延伸体区域50～100 km涡旋的极性分布大致以35°N为界, 图5显示了2002年6月1日至2009年5月31日黑潮延伸体区域35°N南北两侧的平均风速与50～100 km涡旋生成数量的季节性变化。在35°N以北, 风速夏季较小而冬季较大, 气旋涡和反气旋涡数量冬季较小而春季较大(图5a, 5b)。风速大小与气旋涡和反气旋涡数量的相关性分别为–0.2和–0.02, 表明35°N以北涡旋数量和风速大小季节性变化几乎不存在相关性。在35°N以南, 冬春季节, 涡旋数量较多, 风速较大; 夏秋季节, 涡旋数量较少, 风速也相对较小, 涡旋数量和风速季节性变化具有一致性(图5c, 5d)。风速大小与气旋涡和反气旋涡数量的相关性分别为0.74和0.8, 表明35°N以南涡旋数量和风速大小季节性变化存在较强的正相关。

图5 35°N南北两侧50～100 km涡旋数量与风速的季节性变化

由于涡旋数量与风速的季节性变化一致, 进一步分析涡旋地理分布的季节性变化与风速之间是否存在相关性。选取夏季(6月—8月)和冬季(12月—2月)对涡旋地理分布进行分析, 结果如图6所示。夏季涡旋主要集中在黑潮延伸体北侧(36°N以北), 南侧(32°N以南)涡旋数量较少, 气旋涡和反气旋涡在(144°E, 39°N)附近较为集中。冬季时黑潮延伸体南侧涡旋数量相对夏季明显增多, 且整个区域涡旋生成数量更多, 位置覆盖范围相对更广, 气旋涡和反气旋涡分布特征变化基本一致。

图6 夏季和冬季50～100 km涡旋地理分布

为探究黑潮延伸体区域冬夏两季涡旋地理分布差异的原因, 对冬夏两季SST水平梯度及风应力旋度进行分析如图7所示。夏季SST范围为17～27 ℃, 等温线分布较为稀疏(图7a), 对应的SST水平梯度在(143°E, 36°N)和(146°E, 39°N)附近较大, 约为3.5 ℃/100 km, 其他区域较小, 35°N以南更小, 在1 ℃/100 km以下(图7c)。对于风应力旋度而言, 夏季时35°N以南风应力为负旋度, 约为–1×10–7Pa/m, 35°N以北除SST水平梯度较大处的风应力旋度为2×10–7Pa/m外, 其他区域风应力旋度均接近于0 (图7e)。在冬季, SST范围为8～22 ℃, 等温线分布较为密集(图7b), 35°N以北SST水平梯度相较于夏季有明显增强, 最大值为5 ℃/100 km, 35°N以南SST水平梯度与夏季基本一致(图7d)。冬季时风应力旋度相比于夏季有明显增强, 水平梯度较强(>3.5 ℃/100 km)的区域对应的风应力旋度基本为正, 其他区域风应力为负旋度, 正负旋度的最大值均接近5×10–7Pa/m (图7f)。

涡旋冬夏两季地理分布的差异与该区域SST水平梯度及风应力旋度有关。夏季时风应力旋度较小, SST水平梯度强度较弱, 上方大气的斜压较弱, 使得向涡动能转换的斜压能量较弱, 涡旋在此区域的生成较少。涡旋生成主要集中在水平梯度强度较大处(约为142°～146°E, 36°～40°N), 因此夏季时这一区域的涡旋数量相较于其他区域较多。由于这一区域风应力为正旋度, 风向海水输入正的涡度, 有助于气旋涡的生成, 使得这一区域生成的涡旋中气旋涡数量多于反气旋涡(图6a, b)。冬季时黑潮延伸体区域风应力旋度大, SST水平梯度较大, 该区域海表温度锋强度较强, 增强了其上空的大气斜压, 使得向涡动能转化的斜压能量增强, 涡旋在此区域生成更频繁[32], 因此冬季黑潮延伸体区域涡旋数量较夏季明显增多。较大的风应力负旋度使高纬度海水向南运动, 导致黑潮延伸体区域南侧涡旋数量增加。风应力负旋度给海水输送负的涡度, 有助于反气旋涡生成, 使得冬季反气旋涡数量较夏季明显增多, 相对集中在风应力旋度为负的黑潮延伸体南侧(图6d)。同时, 冬季较强的西风使得涡旋生成后向下游运动, 因而下游区域涡旋数量相对于上游较多。

图7 夏季和冬季平均SST、SST水平梯度和风应力旋度

之前的分析表明黑潮延伸体区域35°N以南50～ 100 km涡旋数量与风速大小和风应力旋度之间存在明显的相关性, 为进一步探究35°N以南50～100 km涡旋与风速和风应力旋度之间的关系, 对冬夏两季50～ 100 km涡旋3倍半径内风速异常(风速异常为每日风速的大小与该日所在月份10 a间平均风速值大小的差异)和涡旋生成时3倍半径内风应力旋度进行归一化如图8所示。夏季反气旋涡附近风速异常为正值, 随着与涡心距离的增大, 风速异常逐渐减小; 气旋涡附近风速异常为负值, 涡心处风速异常值最小, 远离涡心处风速异常逐渐增大。冬季反气旋涡3倍半径内均为强烈的风速正异常, 气旋涡3倍半径内均为强烈的风速负异常(图8上)。相较于夏季而言, 冬季气旋涡和反气旋涡附近风速异常均明显增强, 这可能是由于冬季时风向较为稳定且SST水平梯度较大, 使得SST与风之间的响应增强。气旋涡对应风速负异常而反气旋涡对应风速正异常, 表明气旋涡的温度冷异常可能削弱地面风而反气旋涡的温度暖异常会增强地面风。

涡旋3倍半径内风应力旋度归一化结果表明, 夏季反气旋涡生成时附近的风应力几乎均为负旋度, 气旋涡生成时涡旋外围出现了明显的风应力正旋度。冬季时反气旋涡3倍半径内风应力旋度为负且相较于夏季明显增强; 气旋涡内出现风应力正旋度, 涡旋外围其他区域风应力旋度为负, 正负旋度均有明显增强(图8下)。由于夏季和冬季黑潮延伸体区域35°N以南平均风应力旋度均为负值, 因而归一化后气旋和反气旋涡附近均出现了风应力负旋度。不同的是反气旋涡附近风应力几乎均为负旋度而气旋涡附近出现了明显的正旋度, 这表明35°N以南50～100 km涡旋生成可能与风应力旋度有关, 负旋度有助于反气旋涡的生成, 而正旋度有助于气旋涡的产生。

图8 50～100 km涡旋3倍半径内风速异常和风应力旋度归一化

4 结论

本文采用了基于热成风速度的涡旋识别拓展方法对黑潮延伸体区域50～100 km涡旋分布特征及其与风速的相关性进行研究, 得到如下结论:

1) 50～100 km涡旋寿命大多在一周以内, 其生命周期及半径分布不依赖于涡旋的极性, 其空间分布与该区域半径较小的中尺度涡旋分布较为相似, 即气旋涡(反气旋涡)多分布于黑潮延伸体北(南)侧。

2) 35°N以南50～100 km涡旋数量分布具有明显的季节性变化, 表现为春季较多而夏季较少; 风速大小和气旋涡数量、反气旋涡数量之间均存在较强的正相关。在35°N以北, 涡旋数量和风速大小之间不存在相关性。

3) 冬夏两季50～100 km涡旋地理分布存在一定差异, 主要与不同季节风应力旋度和SST水平梯度的不同有关。夏季涡旋主要分布于SST梯度较大的黑潮延伸体北侧上游区域, 南侧下游区域涡旋数量较少。冬季黑潮延伸体南侧涡旋数量增多, 南侧下游区域涡旋数量相较于夏季有明显增加。

4) 黑潮延伸体区域35°N以南50～100 km涡旋与风速异常和风应力旋度存在相关性。气旋涡对应风速负异常而反气旋涡对应风速正异常, 反气旋涡生成时其附近风应力旋度为负值, 气旋涡的生成与风应力正旋度有关。

[1] Itoh S, Yasuda I. Characteristics of mesoscale eddies in the Kuroshio–Oyashio Extension region detected from the distribution of the sea surface height anomaly[J]. Journal of Physical Oceanography, 2010, 40(5): 1018-1034.

[2] Ji J, Dong C, Zhang B, et al. Oceanic eddy characteristics and generation mechanisms in the Kuroshio Extension region[J]. Journal of Geophysical Research: Oceans, 2018, 123(11): 8548-8567.

[3] Yang Y, San Liang X. On the seasonal eddy variability in the Kuroshio Extension[J]. Journal of Physical Oceanography, 2018, 48(8): 1675-1689.

[4] Fu L, Ubelmann C. On the transition from profile altimeter to swath altimeter for observing global ocean surface topography[J]. Journal of Atmospheric and Oceanic Technology, 2014, 31(2): 560-568.

[5] Durand M, Fu L, Lettenmaier D P, et al. The surface water and ocean topography mission: Observing terrestrial surface water and oceanic submesoscale eddies[J]. Proceedings of the IEEE, 2010, 98(5): 766-779.

[6] Chelton D B, Deszoeke R A, Schlax M G, et al. Geographical variability of the first baroclinic Ros­sby radius of deformation[J]. Journal of Physical Ocea­nography, 1998, 28(3): 433-460.

[7] Zhang Z, Qiu B. Evolution of submesoscale ageos­trophic motions through the life cycle of oceanic mesoscale eddies[J]. Geophysical Research Letters, 2018, 45(21): 11847-11855.

[8] Su Z, Wang J, Klein P, et al. Ocean submesoscales as a key component of the global heat budget[J]. Nature Communications, 2018, 9: 775.

[9] 胡冬, 陈希, 毛科峰, 等. 黑潮延伸体邻近区域中尺度涡特征统计分析[J]. 海洋与湖沼, 2018, 49(3): 497- 511.

Hu Dong, Chen Xi, Mao Kefeng, et al. Statistical characteristics of mesoscale eddies near the Kuroshio Extension region[J]. Oceanology et Limnologia Sinica, 2018, 49(3): 497-511.

[10] Resplandy L, Lévy M, McGillicuddy D J. Effects of eddy‐driven subduction on ocean biological carbon pump[J]. Global Biogeochemical Cycles, 2019, 33(8): 1071-1084.

[11] Kasajima Y, Olsson K A, Johannessen T, et al. A submesoscale coherent eddy in the Greenland Sea in 2003[J]. Journal of Geophysical Research, 2006, 111(C7): C07013.

[12] Kim S Y. Observations of submesoscale eddies using high-frequency radar-derived kinematic and dynamic quantities[J]. Continental Shelf Research, 2010, 30(15): 1639-1655.

[13] Zheng S, Du Y, Li J, et al. Eddy characteristics in the South Indian Ocean as inferred from surface drifters[J]. Ocean Science, 2015, 11(3): 361-371.

[14] Kolodziejczyk N, Testor P, Lazar A, et al. Subsurface fine-scale patterns in an anticyclonic eddy off Cap-Vert Peninsula observed from glider measurements[J]. Journal of Geophysical Research: Oceans, 2018, 123(9): 6312-6329.

[15] Zhang C, Li H, Liu S, et al. Automatic detection of oceanic eddies in reanalyzed SST images and its application in the East China Sea[J]. Science China Earth Sciences, 2015, 58(12): 2249-2259.

[16] Jin H, Yang X, Gong J, et al. Automatic eddy extraction from SST imagery using artificial neural network[C]//Proceedings of the International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences. Beijing, China: ISPRSArchives, 2008, XXXVII (B6b): 279-282.

[17] Fernandes A. Automatic water eddy detection in SST maps using random ellipse fitting and vectorial fields for image segmentation[M]. Berlin, Heidelberg: Springer Berlin Heidelberg, 2006: 77-88.

[18] D’Alimonte D. Detection of mesoscale eddy-related structures through Iso-SST patterns[J]. IEEE Geoscience and Remote Sensing Letters, 2009, 6(2): 189-193.

[19] Karoui I, Chauris H, Garreau P, et al. Multi- resolution eddy detection from ocean color and sea surface temperature images[C]. OCEANS'10 IEEE SYDNEY, Sydney, NSW, 2010, 1-6.

[20] Dong C, Nencioli F, Liu Y, et al. An automated approach to detect oceanic eddies from satellite remo­tely sensed sea surface temperature data[J]. IEEE Geoscience and Remote Sensing Letters, 2011, 8(6): 1055- 1059.

[21] Liu Y, Dong C, Guan Y, et al. Eddy analysis in the subtropical zonal band of the North Pacific Ocean[J]. Deep-Sea Research Part I-Oceanographic Research Papers, 2012, 68: 54-67.

[22] Lin X, Dong C, Chen D, et al. Three-dimensional properties of mesoscale eddies in the South China Sea based on eddy-resolving model output[J]. Deep-Sea Research Part I-Oceanographic Research Papers, 2015, 99: 46-64.

[23] Sun W, Dong C, Wang R, et al. Vertical structure anomalies of oceanic eddies in the Kuroshio Extension region[J]. Journal of Geophysical Research-Oceans, 2017, 122(2): 1476-1496.

[24] Fan X, Krieger J R, Zhang J, et al. Assimilating QuikSCAT ocean surface winds with the weather research and forecasting model for surface wind-field simulation over the Chukchi/Beaufort Seas[J]. Boundary-Layer Meteorology, 2013, 148(1): 207-226.

[25] 刘颖洁, 田丰林, 陈戈. 南海中尺度涡旋海表温度特征统计研究[J]. 中国海洋大学学报(自然科学版), 2020, 50(5): 146-156.

Liu Yingjie, Tian Fenglin, Chen Ge. Statistical characterization of sea surface temperature over meso­scale eddies in the South China Sea[J]. Periodical of Ocean University of China, 2020, 50(5): 146-156.

[26] Chelton D B, Schlax M G, Samelson R M. Global observations of nonlinear mesoscale eddies[J]. Progress in Oceanography, 2011, 91(2): 167-216.

[27] Morrow R, Fu L, Ardhuin F, et al. Global observations of fine-scale ocean surface topography with the surface water and ocean topography (SWOT) mission[J]. Frontiers in Marine Science, 2019, 6: 232.

[28] Qiu B, Chen S. Eddy-mean flow interaction in the decadally modulating Kuroshio Extension system[J]. Deep-Sea Research Part II-Topical Studies in Oceanography, 2010, 57(13/14): 1098-1110.

[29] 张笑, 贾英来, 沈辉, 等. 黑潮延伸体区域海洋涡旋研究进展[J]. 气候变化研究快报, 2013, 2(1): 1-8.

Zhang Xiao, Jia Yinglai, Shen Hui, et al. Review on mesoscale eddy studies in the Kuroshio Extension region[J]. Climate Change Research Letters, 2013, 2(1): 1-8.

[30] Chen G, Hou Y, Chu X. Mesoscale eddies in the South China Sea: Mean properties, spatiotemporal variability, and impact on thermohaline structure[J]. Journal of Geophysical Research, 2011, 116: C06018.

[31] Chelton D B, Esbensen S K, Schlax G, et al. Observations of coupling between surface wind stress and sea surface temperature in the eastern tropical Pacific[J]. Journal of Climate, 2001, 14(7): 1479-1498.

[32] 刘明洋, 李崇银, 谭言科, 等. 黑潮延伸体区域海表温度锋的季节变化对北太平洋风暴轴的影响[J]. 气象, 2017, 43(4): 443-449.

Liu Mingyang, Li Chongyin, Tan Yanke, et al. Seasonal variation of Kuroshio Extension SST front and it influence on the Pacific storm track[J]. Meteorological Monthly, 2017, 43(4): 443-449.

Distribution characteristics of eddies with a scale of 50～100 km in the Kuroshio Extension region

QIAN Si-jia, YU Fang-jie, CHEN Ge

(College of Information Science and Engineering, Ocean University of China, Qingdao 266100, China)

This paper utilizes a high-resolution sea surface temperature (SST) and an extended eddy detection algorithm based on the thermal-wind velocity to study the characteristics of eddies with a scale of 50～100 km in the Kuroshio Extension region. Results show that eddies with a scale of 50–100 km are mainly distributed on both sides of the Kuroshio Extension region. The lifetime and radius distribution of cyclonic eddies (CEs) and anticyclonic eddies (AEs) are consistent. CEs are mostly distributed in the north of 35°N while AEs are more concentrated in the south of 35°N; this distribution is similar to the distribution characteristic of mesoscale eddies at small scales. There is a slight difference in the eddy distribution characteristics in winter and summer, which is mainly due to the difference in the SST horizontal gradient and wind stress curl in different seasons. The seasonal variation of the number of CEs and AEs in the south of 35°N is positively correlated with the seasonal variation of the wind speed. The normalization of the wind speed anomaly and wind stress curl within three times the radius of eddies with a scale of 50～100 km in the south of 35°N show that AEs correspond to the positive anomaly of the wind speed while CEs correspond to the negative wind speed anomaly. AEs and CEs are generated due to the negative and positive curls of the wind stress, respectively.

Kuroshio Extension; eddy with a scale of 50～100 km; sea surface temperature; extended eddy detection algorithm; eddy-wind speed

Dec. 14, 2020

P731.21

A

1000-3096(2021)11-0010-10

10.11759/hykx20201214002

2020-12-14;

2021-03-08

国家重点研发计划(2016YFC1400904, 2016YFC1402608)

[National key research and development program of China, No. 2016YFC1400904, No. 2016YFC1402608]

钱思佳(1997—), 女, 湖北荆州人, 硕士生, 主要从事中小尺度涡旋分布研究, E-mail: sijiaqiancug@163.com; 于方杰(1979—),通信作者, 男, 山东青岛人, 副教授, 主要从事海洋移动观测研究, E-mail: yufangjie@ouc.edu.cn

(本文编辑: 赵卫红)