海洋学报

断面	剖面命名格式	经纬度和时间范围	剖面数
A1	101，102，…，116	2019年5月21–22日 40.67°～41.61°N, 155.53°～155.60°E	16
A2	201，202，…，219	2019年5月24日 38.22°～38.91°N, 150.10°～150.49°E	19
A3	301，302，…，338	2019年6月6日 40.71°～41.76°N, 145.18°～146.60°E	38
A4	401，402，…，498	2019年6月24日 40.96°～42.48°N, 150.29°～150.93°E	98

断面	剖面命名格式	经纬度和时间范围	剖面数
A1	101，102，…，116	2019年5月21–22日 40.67°～41.61°N, 155.53°～155.60°E	16
A2	201，202，…，219	2019年5月24日 38.22°～38.91°N, 150.10°～150.49°E	19
A3	301，302，…，338	2019年6月6日 40.71°～41.76°N, 145.18°～146.60°E	38
A4	401，402，…，498	2019年6月24日 40.96°～42.48°N, 150.29°～150.93°E	98

平均绝对盐度差$ \|\Delta {S}\| $	剖面号	数目
$ {\|\Delta {S}\| > 0.031 }$	109、112、207、212、215、216、218、315、316、318、319、402～407、412、413、416～419、421～422、425、 428、430～461、482、492、493、496～498	65
$ {0.031\geqslant \left\|\Delta {S}\right\| > 0.02 }$	110、111、113～116、202、203、205、206、208～210、213、214、301、302、304、305、307、308、310～314、317、 320、321、324、327、329、410、408～411、414～415、420、423、424、426、427、429、462～481、483～491、494、495	76
$ {0.02\geqslant \left\|\Delta{S}\right\| > 0.01} $	102～108、201、204、211、217、219、303、306、309、322、323、325、326、328、330～338	29
${ 0.01\geqslant \left\|\Delta {S}\right\| }$	101	1

平均绝对盐度差$ \|\Delta {S}\| $	剖面号	数目
$ {\|\Delta {S}\| > 0.031 }$	109、112、207、212、215、216、218、315、316、318、319、402～407、412、413、416～419、421～422、425、 428、430～461、482、492、493、496～498	65
$ {0.031\geqslant \left\|\Delta {S}\right\| > 0.02 }$	110、111、113～116、202、203、205、206、208～210、213、214、301、302、304、305、307、308、310～314、317、 320、321、324、327、329、410、408～411、414～415、420、423、424、426、427、429、462～481、483～491、494、495	76
$ {0.02\geqslant \left\|\Delta{S}\right\| > 0.01} $	102～108、201、204、211、217、219、303、306、309、322、323、325、326、328、330～338	29
${ 0.01\geqslant \left\|\Delta {S}\right\| }$	101	1

层数	1	2	3	4	5	6	7	8	9
剖面数	1	41	45	38	13	13	11	4	5

层数	1	2	3	4	5	6	7	8	9
剖面数	1	41	45	38	13	13	11	4	5

上行剖面
2	–0.183	2.5	1.735
2.25	–0.553	2.75	1.743
2.5	–1.097	3	1.933
2.75	–1.339	3.25	1.942
3	–1.598	3.5	1.922
3.25	–1.925	3.75	2.070
3.5	–2.034	4	2.139
3.75	–2.016	4.25	2.250
4	–1.929	4.5	2.126
4.25	–2.279
4.5	–2.402
4.75	–2.118

上行剖面
2	–0.183	2.5	1.735
2.25	–0.553	2.75	1.743
2.5	–1.097	3	1.933
2.75	–1.339	3.25	1.942
3	–1.598	3.5	1.922
3.25	–1.925	3.75	2.070
3.5	–2.034	4	2.139
3.75	–2.016	4.25	2.250
4	–1.929	4.5	2.126
4.25	–2.279
4.5	–2.402
4.75	–2.118

平均绝对盐度差$ {\|\Delta {S}\|} $	剖面号	数目
$ {\left\|\Delta {S}\right\| > 0.031} $	109、112、207、212、215、216、316、318、319、402、412、431、441、443～445、449、453、457～460、482	23
$ {0.031\geqslant \left\|\Delta {S}\right\| > 0.018\;7} $	110、111、113、114、205、206、210、218、313、315、317、401、403～405、409、417、419、420、 429、430、432～440、442、446～448、450、452、456、493、497～498	40
${ 0.018\;7\geqslant \left\|\Delta {S}\right\| > 0.01} $	115、116、201～204、208、209、211、213、214、217、301～312、314、320～336、406～408、410、 411、413～416、418、421～428、451、454～455、461～481、483～492、494～496	97
${ 0.01\geqslant \left\|\Delta {S}\right\|} $	101～107、219、337、338	11

平均绝对盐度差$ {\|\Delta {S}\|} $	剖面号	数目
$ {\left\|\Delta {S}\right\| > 0.031} $	109、112、207、212、215、216、316、318、319、402、412、431、441、443～445、449、453、457～460、482	23
$ {0.031\geqslant \left\|\Delta {S}\right\| > 0.018\;7} $	110、111、113、114、205、206、210、218、313、315、317、401、403～405、409、417、419、420、 429、430、432～440、442、446～448、450、452、456、493、497～498	40
${ 0.018\;7\geqslant \left\|\Delta {S}\right\| > 0.01} $	115、116、201～204、208、209、211、213、214、217、301～312、314、320～336、406～408、410、 411、413～416、418、421～428、451、454～455、461～481、483～492、494～496	97
${ 0.01\geqslant \left\|\Delta {S}\right\|} $	101～107、219、337、338	11

平均绝对盐度差$ {\|\Delta {S}\| }$	剖面号	数目
$ {\left\|\Delta {S}\right\| > 0.031 }$	112、207、212、215、216、316、412、431、445、453、457～460、482	15
${ 0.031\geqslant \left\|\Delta {S}\right\| > 0.018\;7} $	109～111、113、114、205、206、210、218、315、318、319、402～405、419、432～435、437、 439～444、446～450、497、498	35
$ {0.018\;7\geqslant \left\|\Delta {S}\right\| > 0.016\;1} $	115、213、214、313、314、317、320、401、417、424、429、430、436、438、452、493	16
$ {0.016\;1\geqslant \left\|\Delta {S}\right\| > 0.01} $	116、201～204、208、209、211、217、301、302、304、305、307、309、311、312、321、322、324～336、 406～411、413～416、418、420～423、425～428、451、454～456、461～463、469～472、475、477、478、 480、481、483、484、486、488～492、494～496	79
$ {0.01\geqslant \left\|\Delta {S}\right\| }$	101～108、219、303、306、308、310、323、333、337、338、464、465、467、473、474、476、479、485、487	26

平均绝对盐度差$ {\|\Delta {S}\| }$	剖面号	数目
$ {\left\|\Delta {S}\right\| > 0.031 }$	112、207、212、215、216、316、412、431、445、453、457～460、482	15
${ 0.031\geqslant \left\|\Delta {S}\right\| > 0.018\;7} $	109～111、113、114、205、206、210、218、315、318、319、402～405、419、432～435、437、 439～444、446～450、497、498	35
$ {0.018\;7\geqslant \left\|\Delta {S}\right\| > 0.016\;1} $	115、213、214、313、314、317、320、401、417、424、429、430、436、438、452、493	16
$ {0.016\;1\geqslant \left\|\Delta {S}\right\| > 0.01} $	116、201～204、208、209、211、217、301、302、304、305、307、309、311、312、321、322、324～336、 406～411、413～416、418、420～423、425～428、451、454～456、461～463、469～472、475、477、478、 480、481、483、484、486、488～492、494～496	79
$ {0.01\geqslant \left\|\Delta {S}\right\| }$	101～108、219、303、306、308、310、323、333、337、338、464、465、467、473、474、476、479、485、487	26

平均绝对盐度差$ {\|\Delta {S}\| }$	剖面号	数目
${ \left\|\Delta {S}\right\| > 0.031 }$	112、207、212、215、216、316、412、431、445、453、457～460、482	15
$ {0.031\geqslant \left\|\Delta {S}\right\| > 0.018\;7} $	109～111、113、114、205、218、315、318、319、402～405、419、432～435、437、439～444、446～450、497、498	33
$ {0.018\;7\geqslant \left\|\Delta {S}\right\| > 0.016\;1 }$	115、206、210、213、214、313、317、320、401、417、429、430、436、438、452、493	16
$ {0.016\;1\geqslant \left\|\Delta {S}\right\| > 0.01 }$	116、201～204、208、209、211、217、301、302、305、307、312、314、321、322、324～336、406～411、413～416、418、420～428、451、454～456、461～463、469～472、475、477、478、480、481、483、484、486、488～492、494～496	76
$ {0.01\geqslant \left\|\Delta {S}\right\|} $	101～108、219、303、304、306、308～311、323、333、337、338、464～468、473、474、476、479、485、487	31

平均绝对盐度差$ {\|\Delta {S}\| }$	剖面号	数目
${ \left\|\Delta {S}\right\| > 0.031 }$	112、207、212、215、216、316、412、431、445、453、457～460、482	15
$ {0.031\geqslant \left\|\Delta {S}\right\| > 0.018\;7} $	109～111、113、114、205、218、315、318、319、402～405、419、432～435、437、439～444、446～450、497、498	33
$ {0.018\;7\geqslant \left\|\Delta {S}\right\| > 0.016\;1 }$	115、206、210、213、214、313、317、320、401、417、429、430、436、438、452、493	16
$ {0.016\;1\geqslant \left\|\Delta {S}\right\| > 0.01 }$	116、201～204、208、209、211、217、301、302、305、307、312、314、321、322、324～336、406～411、413～416、418、420～428、451、454～456、461～463、469～472、475、477、478、480、481、483、484、486、488～492、494～496	76
$ {0.01\geqslant \left\|\Delta {S}\right\|} $	101～108、219、303、304、306、308～311、323、333、337、338、464～468、473、474、476、479、485、487	31

剖面号	强跃层梯度/(℃·m⁻¹)	深度范围/m	平均绝对盐度差	改善效果/%
301	0.184	12.34～40.73	0.046 2	0.046 3	0.22
302	0.180	12.29～38.74	0.056 1	0.075 9	26.09
303	0.165	12.26～43.93	0.038 7	0.039 1	1.02
304	0.193	12.34～41.16	0.033 4	0.034 4	2.91
306	0.161	12.35～40.11	0.034 7	0.038 9	10.80
307	0.154	12.37～45.95	0.043 8	0.044 2	0.90
308	0.160	12.28～47.33	0.038 8	0.04	0
309	0.177	12.29～39.93	0.046 6	0.047 2	1.27
310	0.181	12.31～45.6	0.013 8	0.013 8	0
311	0.174	12.3～38.32	0.035	0.035	0
316	0.119	16.69～135.47	0.137 6	0.137 6	0
317	0.216	14.4～42.86	0.052 8	0.052 8	0
319	0.267	12.25～49.72	0.266 6	0.266 6	0
321	0.338	12.31～51.84	0.066 2	0.066 6	0.60
322	0.145	12.28～79.83	0.031 6	0.031 6	0
324	0.343	12.33～43.32	0.050 6	0.051 2	1.17
325	0.209	12.28～65.22	0.054 6	0.057 1	4.38
326	0.312	12.34～46.34	0.035 6	0.035 6	0
327	0.269	12.36～54.67	0.061 6	0.079 8	22.81
328	0.273	12.3～62.24	0.022 9	0.022 9	0
329	0.104	12.4～75.53	0.060 8	0.060 9	0.16
330	0.185	12.3～56.41	0.033 9	0.033 9	0
332	0.367	12.28～34.29	0.039	0.039	0
333	0.134	12.26～58.3	0.033 8	0.044 3	23.70
334	0.195	12.26～72.08	0.029 1	0.029 1	0
336	0.175	12.28～74.06	0.044 3	0.044 3	0
337	0.135	12.27～85.13	0.030 6	0.030 6	0
338	0.140	12.33～81.51	0.025 7	0.025 7	0

剖面号	强跃层梯度/(℃·m⁻¹)	深度范围/m	平均绝对盐度差	改善效果/%
301	0.184	12.34～40.73	0.046 2	0.046 3	0.22
302	0.180	12.29～38.74	0.056 1	0.075 9	26.09
303	0.165	12.26～43.93	0.038 7	0.039 1	1.02
304	0.193	12.34～41.16	0.033 4	0.034 4	2.91
306	0.161	12.35～40.11	0.034 7	0.038 9	10.80
307	0.154	12.37～45.95	0.043 8	0.044 2	0.90
308	0.160	12.28～47.33	0.038 8	0.04	0
309	0.177	12.29～39.93	0.046 6	0.047 2	1.27
310	0.181	12.31～45.6	0.013 8	0.013 8	0
311	0.174	12.3～38.32	0.035	0.035	0
316	0.119	16.69～135.47	0.137 6	0.137 6	0
317	0.216	14.4～42.86	0.052 8	0.052 8	0
319	0.267	12.25～49.72	0.266 6	0.266 6	0
321	0.338	12.31～51.84	0.066 2	0.066 6	0.60
322	0.145	12.28～79.83	0.031 6	0.031 6	0
324	0.343	12.33～43.32	0.050 6	0.051 2	1.17
325	0.209	12.28～65.22	0.054 6	0.057 1	4.38
326	0.312	12.34～46.34	0.035 6	0.035 6	0
327	0.269	12.36～54.67	0.061 6	0.079 8	22.81
328	0.273	12.3～62.24	0.022 9	0.022 9	0
329	0.104	12.4～75.53	0.060 8	0.060 9	0.16
330	0.185	12.3～56.41	0.033 9	0.033 9	0
332	0.367	12.28～34.29	0.039	0.039	0
333	0.134	12.26～58.3	0.033 8	0.044 3	23.70
334	0.195	12.26～72.08	0.029 1	0.029 1	0
336	0.175	12.28～74.06	0.044 3	0.044 3	0
337	0.135	12.27～85.13	0.030 6	0.030 6	0
338	0.140	12.33～81.51	0.025 7	0.025 7	0

考虑海水强跃层特征的MVP系统盐度剖面校正方法试验

PDF下载

李洪臣 ¹ , 陈希 ² , 毛科峰 ²^,^* , 王鹏皓 ¹ , 李明 ²

海洋学报 | 论文 2023,45(12): 179-192

收起

海洋学报 | 论文 2023, 45(12): 179-192

考虑海水强跃层特征的MVP系统盐度剖面校正方法试验

全屏

李洪臣¹, 陈希², 毛科峰²^,^*, 王鹏皓¹, 李明²

作者信息

¹ 国防科技大学气象海洋学院，湖南长沙 410003

² 国防科技大学前沿交叉学科学院第二学科交叉中心，江苏南京 211101

李洪臣（1999—），男，辽宁省大连市人，研究方向为海洋数据资料处理。E-mail：Lhc190017@163.com

通讯作者:

*毛科峰（1981—），男，副教授，主要从事物理海洋学研究。E-mail: maokefeng@nudt.edu.cn

Test of salinity profile correction method for MVP system based on temperature gradient profile analysis

Hongchen Li¹, Xi Chen², Kefeng Mao²^,^*, Penghao Wang¹, Ming Li²

Affiliations

¹College of Meteorology and Oceanography, National University of Defense Technology, Changsha 410003, China

²Second Interdisciplinary Center, College of Frontier Interdisciplinary Sciences, National University of Defense Technology, Nanjing 211101, China

出版时间: 2023-12-31 doi: 10.12284/hyxb2023171

文章导航

摘要

收起

走航式海洋剖面测量系统（Moving Vessel Profiler，MVP）具有空间高分辨率温盐剖面探测的优势，但由于采用无泵型CTD进行温盐测量，对测量数据进行传感器响应时间匹配和热惯量校正处理是其数据应用的重点和难点。本文针对现有热惯量校正方法在强温跃层处仍然存在盐度尖峰的局限性，提出一种基于测量温度梯度廓线分析的分层热惯量校正参数寻优方法，校正温度和电导率，进而校正盐度剖面。利用西太平洋某航次实测数据进行试验，结果表明，该方法显著降低了MVP上下行测量剖面的盐度差异，盐度尖峰基本被剔除，特别是温跃层处得到明显改善，上下行剖面的平均绝对盐度差从0.031降低到0.016 1，总体的盐度误差减小48.1%，验证了本文提出的MVP盐度剖面校正方法的合理性。

关键词

MVP / 盐度校正 / 热惯量效应 / 温度梯度廓线分析

Abstract

收起

The Moving Vessel Profiler (MVP) has the advantage of acquiring temperature and salinity profiles with high spatial resolution. However, since a pumpless CTD is used for the temperature and salinity measurements, adjusting the response time of the sensor and correcting for thermal inertia are important issues in processing the measured data and complicate the application of the data. Since the existing thermal inertia correction methods still have salinity peaks at the strong thermocline, in this work we propose a layered method to optimize the thermal inertia correction parameters based on the analysis of the measured temperature gradient profile to correct the temperature and conductivity, and thus the salinity profile. The results show that the method significantly reduces the salinity difference between the upward and downward measured profiles of the MVP and essentially eliminates the salinity peaks, especially in the thermocline. The average absolute salinity difference between the upward and downward measured profiles is reduced from 0.031 to 0.016 1, which corresponds to a 48.1% reduction in salinity error and confirms the appropriateness of the salinity profile correction method proposed in this work for the MVP.

Key words

MVP / salinity correction / thermal inertia effect / temperature gradient profile analysis

引用本文

李洪臣, 陈希, 毛科峰, 王鹏皓, 李明. 考虑海水强跃层特征的MVP系统盐度剖面校正方法试验. 海洋学报, 2023 , 45 (12) : 179 -192 . DOI: 10.12284/hyxb2023171

Hongchen Li, Xi Chen, Kefeng Mao, Penghao Wang, Ming Li. Test of salinity profile correction method for MVP system based on temperature gradient profile analysis[J]. Haiyang Xuebao, 2023 , 45 (12) : 179 -192 . DOI: 10.12284/hyxb2023171

正文

收起

1 引言

收起

走航式海洋剖面测量系统（Moving Vessel Profiler，MVP）作为集成程度和自动化程度较高的快速温盐深探测平台（图1），能在船舶快速走航过程中进行垂直和水平方向高分辨率的温盐剖面观测，对观测海洋中尺度过程，如中尺度涡和锋面等海洋现象的精细化温盐结构具有明显的优势。

MVP探头搭载无泵CTD，采用“自由落体”的方式进行剖面测量，依靠仪器的运动来产生流经电导池的流量。随着仪器下降速度的变化，流经电导池的流量并不恒定，由于MVP探头的下降速度快且非匀速，使用传统的泵式CTD盐度校正方法对MVP测得的盐度数据进行校正会产生较大的盐度尖峰现象，主要由温度与电导率传感器响应时间不匹配和电导池的热滞后效应这两个方面造成。

温度与电导率传感器响应时间不匹配方面，引起传感器响应时间不匹配的原因可以归结为以下几个方面：温度和电导率传感器的工作原理不同、物理特性差异、测量范围不同以及传感器设计或制造缺陷等。这些因素导致传感器对测量的反应时间不同，从而使得温度和电导率数据存在时间上的提前或滞后。针对泵式CTD，通过T/C管道的海水流速相对恒定，传感器响应时间差主要取决于传感器自身对测量的灵敏程度，传感器对各自测量的响应时间是定值，因此传感器响应时间差也可以看作是定值。基于此特点，前人提出了单杆滤波法^[1]、Grose法^[2]和时间常数指数递归数字滤波法^[3]，即应用恒定的电导率与温度之间的时间差使温度和电导率传感器的响应时间进行匹配。对于搭载无泵CTD 的MVP探头，通过T/C管道的海水流速取决于仪器下降速率，除去传感器灵敏度这个内部因素，外界仪器下降速率的变化导致温度和电导率探头和海水的接触时间也随之发生变化，同样会产生时间的滞后，此时应用恒定的传感器响应时间差进行校正会产生较大的盐度尖峰。任强等^[4]针对MVP数据，基于枚举法提出了MCT（Match Conductivity and Temperature response times）法，对温度、电导率和压力传感器的响应时间进行同步匹配，但是没有给出传感器响应时间差与下降速率的对应关系。Ullman和Hebert^[5]参考Barth等^[6]对拖曳CTD的处理方法，对UCTD进行基于下降速率的传感器响应时间最优校正，得到了不同下降速率对应的滞后时间，同时还与船载CTD的可靠数据作对比，得到了广泛的认可，可借鉴该方法应用于MVP传感器响应时间的修正。

电导池热滞后效应方面，电导池的热滞后效应主要是由于CTD的电导池材质自身具有存储热量的能力，电导池壁会对流经电导池的海水进行缓慢的加热/降温，电导率传感器不如温度传感器对周围环境变化敏感，因此会产生时间上的滞后，即热惯量/热滞后效应。Lueck和Picklo^[7–8]首次提出了一种热惯量校正的数值算法，获得了热滞后校正参数$ \mathrm{\alpha } $和$ \mathrm{\tau } $。Morison等^[9]在Lueck的理论基础上，对校正算法进行改进，提高了计算效率，同时还给出一种利用上下行CTD剖面的T–S曲线之间差异最小化确定热惯量校正参数$ \mathrm{\alpha } $和$ \mathrm{\tau } $的经验搜索方法。Lueck和Morison提出的热惯量校正算法分别针对电导率和温度进行校正，均较好地移除了盐度尖峰，并一直沿用至今，其算法和原理会在3.3节具体讨论。Mensah等^[10]针对Morison等^[9]提出的热惯量校正常数经验公式在季节性温跃层上存在盐度过度修正现象，重新评估了修正系数$ \mathrm{\alpha } $和$ \mathrm{\tau } $。上述研究都是针对泵式CTD和电导池内流量恒定的假设，对于搭载无泵CTD的MVP系统，受传感器下降速率变化的影响，不能直接采用有泵CTD的热惯量校正参数经验公式。Garau等^[11]以Morison的工作为基础，针对滑翔机平台在测量中上升下降速度变化特点，提出了无泵Slocum CTD的热滞后修正方法，即最小化CTD下行和上行剖面T–S曲线围成的面积，将上述$ \alpha $和$ \tau $的表达式进一步表示为滑翔机下降上升速度的函数，并确定了4个修正参数。Liu等^[12]结合Garau法和IOOS^[13]（U.S. Integrated Ocean Observing System）起草的滑翔机质量控制手册，提出一种滑翔机数据的实时质量控制方法，使滑翔机的数据质量明显改善。Morison法和Garau法对于弱温跃层效果较好，对于强温跃层，虽然减小了上下行盐度剖面的差异，却仍然存在盐度尖峰。因此许多学者开展大量研究解决Morison法和Garau法在强温跃层处的局限，如Liu等^[14]提出用中值滤波（N = 7）来移除较大的盐度尖峰，改善热滞后修正效果，成功地减小了滑翔机CTD上下行T−S曲线之间的差异。究其原因，Morison法和Garau法都是针对整个剖面进行热惯量校正，整个剖面的热惯量校正参数采用同一组系数值，且仅考虑了CTD探头垂直运动的速度对测量的影响，未考虑海水温度盐度本身的垂直变化对传感器测量响应的影响，特别是强温跃层内温度梯度大、变化剧烈，传感器本身灵敏度有限，在温跃层处的热滞后效应更加明显。因此应该突破对整个剖面进行热惯量校正的思路，针对测量剖面温度梯度垂直廓线的特性，对温跃层、混合层、缓变层分别研究其热惯量校正参数，充分考虑海水自身环境变化特征对传感器测量的影响。

本文针对现有的热惯量校正参数获取方法在强温跃层的局限性，提出一种基于测量剖面温度梯度廓线分析的分层热惯量校正参数寻优方法，使用温度垂直梯度廓线分析进行剖面分层，校正温度和电导率，进而校正盐度剖面。利用西太平洋某航次的171组MVP实测数据进行试验和效果分析。

2 资料来源

收起

本文选用2019年5月21日至6月24日在38°～43°N，145°～156°E海域测得的4个断面，共171组MVP上下行数据剖面进行试验，各断面MVP剖面的具体分布情况、时间范围及命名格式见图2和表1。

3 数据处理方法

收起

本文对MVP盐度剖面的校正共分为3个步骤：数据预处理、温度和电导率传感器响应时间校正和热惯量校正。其中，数据预处理可细分为剔除仪器不稳定工作状态的数据、全球范围检测、消除逆压和噪声平滑4个过程，目的是排除仪器因工作状态产生的异常数据；温度和电导率传感器响应时间校正过程，通过寻找仪器速率与传感器响应时间的对应关系从而进行响应时间上的最优校正；热惯量校正过程，基于相对合理的剖面分层以及热惯量校正参数的变化范围，通过枚举法寻优，找到最佳校正系数对使得MVP上下剖面的盐度差异达到最小。具体的技术流程见图3。

3.1 数据预处理

本文在进行盐度校正之前，对MVP剖面数据进行仪器从激活到稳定工作之间的数据剔除、消除逆压、异常值检测和噪声平滑4步预处理过程。

（1）数据剔除。据CTD仪器的工作原理，仪器从激活到稳定工作之间的数据不可用，因此本文将0～10 m范围的MVP剖面数据剔除。

（2）消除逆压。剔除仪器下降（或上升）过程中，由于仪器颠簸而造成的仪器运动反向（譬如下降剖面中的上升数据）或仪器运动过缓（上升或下降速度小于某临界值）的部分，获得稳定的垂向剖面资料。

（3）异常值检测。对于电导率数据，将超出电导率传感器测量范围（0～6 S/m）的数据剔除；对于压力数据，剔除剖面的压力测量大于最大剖面深度1.1倍的数据；对于温度和盐度，考虑到有可能发生的海水中的极端情况，将超出温度范围（–2.5～40℃）和盐度范围（0～41）的数据剔除。

（4）噪声平滑。仪器本身会受到外界因素和自身电信号扰动的影响，因此测量资料中会出现噪声误差。为了确保资料的准确性，本文采用低通滤波去除掉这部分扰动。MVP的采样频率为25 Hz，对温度和电导率数据进行4点（至截止历经时间为0.16 s）低通滤波，对压强和垂向速度数据进行32点（至截止历经时间为1.28 s）低通滤波。

3.2 基于下降速率的传感器响应时间校正方法

本文引进基于下降速率的传感器响应时间最优校正算法^[5–6]，并将其应用于MVP传感器响应时间不匹配的校正，具体方法如下：

参考Ullman和Hebert^[5]对UCTD和Barth等^[6]对拖曳CTD的处理方法，本文将每80个点（采样时间共3.2 s）作为一组，温度相对于电导率滞后定义为温度一阶差分（$ \mathrm{d}{T}={T}_{i+1}-{{T}}_{i} $）和电导率一阶差分（$ \mathrm{d}{C}={{C}}_{i+1}-{{C}}_{i} $）滞后相关系数最大时的值。具体而言，先找到最大滞后相关系数时的整数滞后点n（$ 1\leqslant {n}\leqslant 80 $），然后将该整数滞后点、其前一点和其后一点的相关系数（r(n)，r(n − 1) ，r(n + 1)）与滞后点数（lag(n)，lag(n − 1) ，lag(n + 1)）做二项式拟合，那么二项式最大值就是最大的滞后相关系数，对应的自变量即滞后。对响应时间校正后的数据做7点中值滤波以提高数据质量。

3.3 基于温度梯度廓线分析的热惯量校正方法

针对热滞后效应，目前常用的校正算法有两种，一是Lueck和Picklo^[8]提出的电导率修正关系，即估计在电导池外（没有热惯性）应该测量的电导率，对应的校正算法为

(1)$ {C}_{T}\left(n\right)=-b{C}_{T}\left(n-1\right)+\gamma a\left[T\left(n\right)-T\left(n-1\right)\right]\text{，} $

式中，T是测量温度；$ {{C}}_{{T}} $为电导率修正量；$ {\gamma } $是电导率对温度的敏感性，其经验公式为$ \gamma \left(n\right)=0.1[1+0.006 (T\left(n\right)-20\left)\right] $；系数a和b由$ \mathrm{\alpha } $和$ \mathrm{\tau } $给出，$ {\alpha } $和$ {\tau } $分别为热滞后修正系数，即误差的振幅和时间常数；$ {{f}}_{{n}} $为采样频率，表达式如下：

(2)$ a=\frac{4{{f}}_{{n}}\mathrm{\alpha }\mathrm{\tau }}{1+4{{f}}_{{n}}\mathrm{\tau }}\text{，} $

(3)$ b=1-\frac{2{a}}{\mathrm{\alpha }}. $

二是Morison等^[9]提出的温度修正关系，即估计在电导池内应该测量的温度，对应的校正算法为

(4)$ {T}_{T}\left(n\right)=-b{T}_{T}\left(n-1\right)+a\left[T\left(n\right)-T\left(n-1\right)\right]\text{，} $

式中，$ {{T}}_{{T}} $为温度修正量。这种算法不需要依赖灵敏度$ \mathrm{\gamma } $，因此计算效率更高。

热惯量校正的核心在于如何获得合适的热滞后修正系数（$ \mathrm{\alpha } $和$ \mathrm{\tau } $）。Lueck^[7]在水槽实验中得到了$ \mathrm{\alpha } $和$ \mathrm{\tau } $与平均速率V的关系，即$ \mathrm{\alpha }\propto {V}^{-1} $，$ \mathrm{\tau }\propto {V}^{-1/2} $。Morison等^[9]在此基础上提出了一种实用（经验搜索）的方法来确定热惯量校正参数$ \alpha $和$ \tau $，方法是使上下CTD剖面的T−S曲线之间的分离最小化，并用大量剖面数据拟合出$ \alpha $和$ \tau $的经验公式，表达式如下：

(5)$ \alpha =0.026\;4{{V}}^{-1}+0.013\;5\text{，} $

(6)$ \tau ={\mathrm{\beta }}^{-1}=2.785\;8{{V}}^{-\frac{1}{2}}+7.149\;9. $

Morison等^[9]的研究是基于常规的CTD实验，即假设流速是恒定的。 Garau等^[11]考虑到滑翔机在水中的变速，将上述$ \alpha $和$ \tau $的表达式进一步表示为

(7)$ \alpha \left({n}\right)={\mathrm{\alpha }}_{{{o}}}+\frac{{\mathrm{\alpha }}_{{s}}}{{V}\left({n}\right)}\text{，} $

(8)$ \tau \left({n}\right)={\mathrm{\tau }}_{{{o}}}+\frac{{\mathrm{\tau }}_{{s}}}{\sqrt{{V}\left({n}\right)}}\text{，} $

式中，下标o和s分别表示偏移量和斜率。此方法，校正依赖于找到4个参数（$ {\mathrm{\alpha }}_{{{o}}} $、$ {\mathrm{\alpha }}_{{s}} $、$ {\mathrm{\tau }}_{{{o}}} $、$ {\mathrm{\tau }}_{{s}} $）的值，这是通过使上下行CTD剖面的T–S曲线之间的面积最小化来获得的。

Morison法和Garau法虽然在形式上有所不同，但是核心思想相同，即找到相对合适的$ \alpha $和$ \tau $使上下行CTD剖面间的差异尽可能的减小。本文基于此原理对MVP热惯量校正方法进行一定的改进，引言中提到Morison法和Garau法都是针对整个剖面进行热惯量校正，由于电导率传感器灵敏度有限，在遇到温度梯度大且变化剧烈的强温跃层时，热惯量校正效果差强人意。因此为了解决热惯量校正参数获取方法在强温跃层的局限性，本文对盐度剖面进行分层校正，针对测量剖面温度梯度垂直廓线的特性，提取跃层，分别研究其热惯量校正参数。

传统的温跃层是根据温度梯度的阈值进行判断，中国的海洋跃层分析应用主要执行深海和浅海标准，浅水区域（水深$ \leqslant $ 200 m）和深水区域（水深$ \geqslant $ 200 m）最低限值标准分别为0.2℃和0.05℃。本文使用深海标准，将温度梯度大于临界阈值（0.05℃/m）范围内的点选取为跃层内的点，将温度剖面划分为跃层和非跃层。

温度实测数据的垂向间隔不一定是均匀的，因此为了更合理地分析数据，将垂直梯度法和不等距微分法结合，计算温度–深度数据梯度，从而对跃层参数进行计算。具体算法如下：

（1）若数据垂向深度均匀，单纯使用垂直梯度法，基本原理如下：

(9)$ {G}_{k}=\frac{\partial T}{\partial Z}=\frac{{T}_{k-1}-{T}_{k+1}}{2\delta Z}, $

式中，G为温度梯度值。

（2）若数据垂向深度间隔不是均匀的，则加入不等距微分法，基本算法如下^[15]：

(10)$ \frac{{\mathrm{d}}T}{{\mathrm{d}}Z}={\alpha }_{i}\times \frac{{T}_{k}-{T}_{k-1}}{{Z}_{k}-{Z}_{k-1}}+(1-{\alpha }_{i})\times \frac{{T}_{k+1}-{T}_{k}}{{Z}_{k+1}-{Z}_{k}},\quad k=\mathrm{2,3},\cdots ,n-1\text{，} $

式中，$ {\alpha }_{i}=\dfrac{{Z}_{k+1}-{Z}_{k}}{{Z}_{k+1}-{Z}_{k-1}} $；Z为深度实测值；T为温度实测值。

当对单个样本进行梯度值计算时，可能出现多个跃层（通常多于2个），此时需要对这些样本进行人工合并。设定跃层之间的间隔阈值（本文为10 m），若相邻深度层间隔达到设定间隔阈值时进行跃层合并，否则不予合并，将其看作另一个单独跃层。

在温度剖面准确分层的基础上，采用枚举寻优法，通过列举所有可能的$ \alpha $和$ \tau $系数对来寻找最佳的系数对。具体处理方法如下：

（1）对于每一组剖面数据，将上行剖面的数据插值到与下行剖面数据对应的深度处。

（2）通过分析温度垂直梯度廓线确定每个剖面的具体分层情况。

（3）遍历$ \mathrm{\alpha } $和$ \tau $的变化范围。本文选取$ \mathrm{\alpha } $的变化范围为0.001～0.035，步长为0.001；$ \tau $的变化范围为1～18 s，步长为0.5 s。

（4）对于每个$ \alpha $−$ \tau $对，使用式（1）和式（4）分别对电导率和温度进行校正，计算平均绝对盐度差$ \left|\Delta {S}\right|=\displaystyle\frac{1}{N}\sum _{i\;=\;1}^{N}|{S}_{1,\;i}-{S}_{2,\;i}| $（定义为上下行剖面盐度的平均绝对差，其中N是单个剖面的样本长度，$ {S}_{1,\;i} $和$ {S}_{2\;i} $分别为插值后对应深度的上下行剖面盐度值）。对于每一段剖面，平均绝对盐度差最小的$ \alpha $−$ \tau $系数对被保留。最后，计算剖面整体盐度差的均值。

4 结果分析

收起

利用第3节提供的技术流程依次按照3个过程处理171组MVP剖面，以A3断面为示例，并从38组剖面中选取3组剖面（307、311和326）进行结果分析。

4.1 数据预处理结果

表2给出了预处理后171组剖面平均绝对盐度差的分布情况。对数据进行预处理后，171组剖面$ |\Delta{S}| $的平均值为0.031，超过0.031的剖面有65组，占剖面总数的38%。其中A1和A3断面MVP上下行剖面的盐度差异较小，上下行剖面$ |\Delta {S}| $的平均值分别为0.02和0.023；A2和A4断面MVP上下行剖面的盐度差异较高，上下行剖面的$ |\Delta{S}| $的平均值分别为0.027和0.038。

从图4的温盐剖面曲线中可以看出，在3个剖面的温跃层范围内（12.3～243.8 m、12.4～272.8 m和12.3～46.3 m），可以看到明显的盐度尖刺，即为盐度尖峰。

4.2 剖面分层结果

本文171组剖面一共有9种分层情况，见表3。分别选取代表性剖面较多的6种分层情况进行效果展示，见图5。图5a至图5f分别展示的是323、318、308、301、311和314剖面的分层情况。从温度梯度散点随深度的分布情况可以看出，温度梯度散点分布较为散乱，很难直接从图像中看出跃层的划分。为此本文筛选出所有距离基准线（图5中红色竖虚线，即0.05℃/m和–0.05℃/m）小于0.05℃/m 的点，每个点所在深度为剖面层结的分界线，每个层结的温度梯度为上线界线内所有点的温度梯度均值。若相邻点的深度间隔小于10 m，则与上一层进行合并，合并后的剩余界线则为剖面的最终分层情况。由图5可知，323剖面分为2层，深度范围为12.29～111.1 m、111.1～505.5 m；318剖面分为3层，深度范围是12.3～141.2 m、141.2～262.1 m、262.1～506.9 m；308剖面分为4层，深度范围是12.4～117.2 m、117.2～194.3 m、194.3～276.4、276.4～507.2 m；301剖面分为5层，12.2～40.2 m、40.2～78.6 m、78.6～138.6 m、138.6～284.4 m、284.4～505.2 m；311剖面分为6层，12.2～35.6 m、35.6～74.8 m、74.8～141.6 m、141.6～268.2 m、268.2～360.4 m、360.4～506.1 m；314剖面分为7层，12.2～55.2 m、55.2～144.3 m、144.3～204.6 m、204.6～227.5 m、227.5～292.1 m、292.1～330.4 m、330.4～505.4 m。结合温度随深度的分布情况，分层结果基本合理。

4.3 传感器响应时间校正效果

图6展示的是温度传感器响应时间相对电导率传感器响应时间的滞后随MVP下降速率的变化。以MVP采集一次数据的时间为单位，即一个时间段（1 scans = 0.04 s），温度（T）相对于电导率（C）的滞后与80个时间段的探针平均下降速率息息相关。正的滞后被定义为T滞后于C。蓝点是由单个80个时间段确定的滞后值（已去除最大滞后相关系数小于0.5的数据），红点是0.25 m/s范围内的平均数，本文所用的滞后时间值即为0.25 m/s范围内的平均值。表4则定量给出了上下行剖面温度相对电导率的滞后时间随仪器速率变化的数值。可以看到，仪器下放时，温度滞后于电导率，滞后时间在2 scans上下波动；仪器上升时，温度提前电导率，提前时间随着仪器速率增大而增大，且增大幅度逐渐减小并趋于平稳。

图7展示了传感器响应时间校正后与预处理后的上下行剖面盐度对比。可以发现，进行了基于下降速率的传感器响应时间最优校正和7点中值滤波的数据已平滑许多，盐度尖峰基本被剔除，上下行剖面的盐度差异显著降低。特别地，在温跃层范围内，盐度尖峰的消除效果最明显。

表5展示了传感器响应时间校正后上下行剖面平均绝对盐度差的分布情况。进行传感器响应时间校正后，171组剖面的$ \overline{|\Delta S|} $为0.018 7，超过0.018 7的剖面有63组，占剖面总数的36.8%。$ \left|\Delta {S}\right| $大于0.031的剖面数由65降至23，$ \left|\Delta {S}\right| $小于0.01的剖面数由1增加至11，上下行剖面的$ \overline{|\Delta S|} $由0.031降至0.018 7，降幅为39.7%。其中A1断面上行剖面的$ \overline{|\Delta S|} $由0.02降至0.015，降幅为25%；A2断面上行剖面的$ \overline{|\Delta S|} $由0.027降至0.021，降幅为28.6%；A3断面上行剖面的$ \overline{|\Delta S|} $由0.023降至0.015 5，降幅为32.6%；A4断面上行剖面的$ \overline{|\Delta S|} $由0.038降至0.021，降幅为44.7%，降幅最大。

4.4 热惯量校正效果

图8展示了热惯量订正后与传感器响应时间校正后的上下行剖面的盐度对比。可以发现，温度梯度较小时，热惯量校正的效果不明显，热惯量校正的主要效果是进一步移除传感器响应时间校正后遗留的“微小”盐度尖峰，从而减小上下行剖面之间的盐度差异。当温度梯度较大时，在温跃层处，可以明显地看到有无进行热惯量校正后上下行剖面盐度曲线的差异，主要表现为温盐值以及跃层强度的改变，这对于研究中尺度涡和锋面等海洋现象的精细化温盐结构至关重要。

图9展示了311剖面进行热惯量校正后的热滞后校正参数、温度和盐度随深度的变化情况。可以得到，分层热滞后校正时，各分层的最佳系数对为[0.016，18]、[0.001，1]、[0.001，1]、[0.032，3.5]、[0.002，18]、[0.007，9]；整层热滞后校正时的最佳系数对为[0.001，1]。跃层处的最佳系数对与混合层和缓变层存在着明显的差异，同时整层校正与分层校正得到的最佳系数对也存在较大差异，使用单一系数对进行整层进行校正不能使热惯量校正的效果达到最好，从侧面验证了分层热滞后校正的必要性及合理性。

表6展示了整层进行热惯量校正后上下行剖面平均绝对盐度差的分布情况。可以得到，171组剖面的$ \overline{|\Delta S|} $为0.017 1，$ \left|\Delta {S}\right| $大于0.031的剖面数由23降至15，$ \left|\Delta {S}\right| $小于0.01的剖面数由11增加至26，上下行剖面的$ \overline{|\Delta S|} $由0.018 7进一步降至0.017 1，降幅为8.6%。其中A1断面上行剖面的$ \overline{|\Delta S|} $由0.015降至0.013 8，降幅为8%；A2断面上行剖面的$ \overline{|\Delta S|} $由0.021降至0.02，降幅为4.8%；A3断面上行剖面的$ \overline{|\Delta S|} $由0.015 5降至0.014，降幅为9.7%；A4断面上行剖面的$ \overline{|\Delta S|} $由0.021降至0.018 3，降幅为12.9%，降幅最大。

表7展示了分段进行热惯量校正后上下行剖面平均绝对盐度差的分布情况。可以得到，171组剖面的$ \overline{|\Delta S|} $为0.016 1，相较于整层校正后的0.017 1，上下行剖面的盐度误差进一步降低5.8%，$ \left|\Delta{S}\right| $小于0.01的剖面数由26进一步增加至31。其中A1断面上行剖面的$ \overline{|\Delta S|} $由0.013 7降至0.013 1，降幅为4.4%；A2断面上行剖面的$ \overline{|\Delta S|} $由0.02降至0.018 8，降幅为6%；A3断面上行剖面的$ \overline{|\Delta S|} $由0.014降至0.013 7，降幅为2.1%；A4断面上行剖面的$ \overline{|\Delta S|} $由0.018 3降至0.018 2，降幅为0.5%。

虽然经过3步处理后，仍有15个剖面的$ \left|\Delta{S}\right| $大于0.031，但是其上下行剖面的盐度差异仍有一定程度的降低。究其原因，可能是在有限的拖曳距离中，遇到锋面等海洋现象致使温盐性质发生急剧变化。总体来看，经热惯量校正后，上下行剖面的$ \overline{\left|\Delta{S}\right|} $由0.018 7进一步降至0.016 1，降幅为13.9%。

由表6和表7可知，分层热惯量校正的效果要优于整层热惯量校正。为了体现分层热惯量校正在强温跃层处的效果，以A3断面为例，具体分析强温跃层处上下剖面的平均绝对盐度差改善效果，见表8。本文将温度梯度大于0.1℃/m的跃层定义为强温跃层，A3断面38组剖面中，29组剖面中存在强跃层，热惯量校正在29组剖面处的强温跃层中平均改善效果为3.43%，超过剖面整体的改善效果（2.1%）。其中308、310～319等剖面强跃层处对应的热惯量校正参数与整层热惯量校正参数相同，因此平均绝对盐度差的改善效果为0；其余剖面在强跃层处热惯量校正效果均有所改善，302、306、 327和333剖面的热惯量校正改善效果最明显，在10%～27%之间。

4.5 盐度剖面校正效果

图10展示了3个处理过程后171组上下行剖面的平均绝对盐度误差。可以发现，经过校正后的上下行剖面平均绝对盐度差显著降低。结合表2、表5和表7，经传感器响应时间校正后，上下行剖面的$ \overline{\left|\Delta{S}\right|} $由0.031降至0.018 7，降幅为39.7%。经热惯量校正后，上下行剖面的$ \left|\Delta{S}\right| $进一步降低，$ \overline{\left|\Delta{S}\right|} $由0.018 7进一步降至0.016 1，降幅为13.9%。3个处理过程，盐度的差异在混合层内不明显，主要集中在温跃层处。经传感器响应时间校正后，上下行剖面的盐度差异显著减小，在温跃层范围内最明显，集中表现为盐度尖峰的基本消失，温盐散点的分布从发散到集中。经热惯量校正后，上下行剖面的盐度差异进一步减小，一些微小的盐度尖峰被进一步剔除，温盐值以及跃层强度在温跃层处有较为明显的改变。同时分层进行热惯量校正后得到的各层最佳系数对与整层校正后得到的最佳系数对有着明显的差异，从侧面验证了分层热滞后校正的必要性及合理性。

综上，3个处理过程后上下行剖面的盐度差异显著降低，在温跃层范围内得到了集中的体现，一些微小的盐度尖峰都能得到有效的剔除，温盐散点的分布由发散到集中，$ \overline{\left|\Delta {S}\right|} $由0.031降至0.016 1，降幅达48.1%。

5 结论

收起

MVP搭载无泵型CTD进行温盐测量，一直以来对测量数据的传感器响应时间匹配和热惯量校正处理是其数据应用的重点和难点。本文针对现有热惯量校正方法在强温跃层处仍然存在盐度尖峰的局限性，结合泵式CTD、UCTD和滑翔机的盐度处理方法，以西太平洋某航次测得的171组MVP数据剖面为试验对象，提出一种基于测量剖面温度垂直梯度廓线分析的分层热惯量校正参数寻优方法，校正温度和电导率，进而校正盐度剖面，同时总结出一套较为完备MVP盐度校正流程。结果表明：

（1）本文推荐的MVP盐度数据处理流程主要分为3个步骤：数据预处理（包括异常值检测、消除逆压、噪声平滑等）、基于下降速率的传感器响应时间最优校正以及利用基于测量剖面温度垂直梯度廓线分析的分层热惯量校正参数寻优方法进行热惯量校正。

（2）该方法显著降低了MVP测量的上下行剖面的盐度差异，盐度尖峰基本被剔除，特别是温跃层处得到明显改善，上下行剖面的平均绝对盐度差从0.031降至0.016 1，降幅达48.1%，验证了本文提出的MVP盐度剖面校正方法的合理性。

展望与不足：本文在分层校正的过程中发现，跃层处的最佳系数对与混合层和缓变层有着明显的差异，同时整层校正与分层校正得到的最佳系数对也存在较大差异。下一步计划采取相似流程处理大量水下快速移动平台（MVP、滑翔机等）测得的温盐剖面，探寻跃层处最佳热惯量系数对与跃层强度的关系、变化范围以及变化特征。

基金

收起

国家自然科学基金项目（62073332）。

参考文献

收起

文献

收起

参考文献引证文献

排序方式：

Fofonoff N P, Hayes S P, Millard R C. W. H. O. I. /Brown CTD microprofiler: methods of calibration and data handling[R]. Woods Hole: Woods Hole Oceanographic Institution, 1974: 1−64.

SCOR Working Group 51. The Acquisition, Calibration, and Analysis of CTD Data[M]. Paris: UNESCO Technical Papers in Marine Science, 1988: 94.

Giles A B, McDougall T J. Two methods for the reduction of salinity spiking of CTDs[J]. Deep-Sea Research Part A. Oceanographic Research Papers, 1986, 33(9): 1253−1274.

任强, 于非, 刁新源, 等. 处理走航式海洋多参数剖面测量系统(MVP)温度和电导率滞后效应的方法[J]. 海洋科学, 2014, 38(8): 59−66.

Ren Qiang, Yu Fei, Diao Xinyuan, et al. A data processing method on the hysteresis effect of temperature and conductivity of moving vessel profiler (MVP)[J]. Marine Sciences, 2014, 38(8): 59−66.

Ullman D S, Hebert D. Processing of underway CTD data[J]. Journal of Atmospheric and Oceanic Technology, 2014, 31(4): 984−998.

Barth J A, O’Malley R, Fleischbein J, et al. SeaSoar and CTD observations during the Coastal Jet Separation cruise W9408A, August to September 1994[R]. College of Oceanic and Atmospheric Sciences, Oregon State University, 1996: 170.

Lueck R G. Thermal inertia of conductivity cells: theory[J]. Journal of Atmospheric and Oceanic Technology, 1990, 7(5): 741−755.

Lueck R G, Picklo J J. Thermal inertia of conductivity cells: observations with a sea-bird cell[J]. Journal of Atmospheric and Oceanic Technology, 1990, 7(5): 756−768.

Morison J, Andersen R, Larson N, et al. The correction for thermal-lag effects in sea-bird CTD data[J]. Journal of Atmospheric and Oceanic Technology, 1994, 11(4): 1151−1164.

Mensah V, Le Menn M, Morel Y. Thermal mass correction for the evaluation of salinity[J]. Journal of Atmospheric and Oceanic Technology, 2009, 26(3): 665−672.

Garau B, Ruiz S, Zhang W G, et al. Thermal lag correction on Slocum CTD glider data[J]. Journal of Atmospheric and Oceanic Technology, 2011, 28(9): 1065−1071.

Liu Zenghong, Xu Jianping, Yu Jiancheng. Real-time quality control of data from Sea-Wing underwater glider installed with Glider Payload CTD sensor[J]. Acta Oceanologica Sinica, 2020, 39(3): 130−140.

U. S. Integrated Ocean Observing System. Manual for quality control of temperature and salinity data observations from gliders Version 1.0[EB/OL]. (2011−12-01) [2018−08−16]. https://cdn.ioos.noaa.gov/media/2017/12/Manual-for-QC-of-Glider-Data_05_09_16.pdf.

Liu Yonggang, Weisberg R H, Lembke C. Chapter 17-Glider salinity correction for Unpumped CTD sensors across a sharp thermocline[M]//Liu Yonggang, Kerkering H, Weisberg R H. Coastal Ocean Observing Systems. Amsterdam: Academic Press, 2015: 305−325.

张学宏, 张绪东, 李颜. 海洋温跃层特征值的分析与计算[J]. 海洋预报, 2011, 28(5): 69−76.

Zhang Xuehong, Zhang Xudong, Li Yan. Characteristic analysis and calculation of the ocean thermocline[J]. Marine Forecasts, 2011, 28(5): 69−76.

2023年第45卷第12期

PDF下载

133

引用本文

BibTeX

文章信息

doi: 10.12284/hyxb2023171

接收时间：2023-09-13
首发时间：2025-12-28
出版时间：2023-12-31

补充材料

相关文章

文章信息

作者

出版历史

收稿日期：2023-09-13
修回日期：2023-10-31

基金

国家自然科学基金项目（62073332）。

作者信息

¹ 国防科技大学气象海洋学院，湖南长沙 410003

² 国防科技大学前沿交叉学科学院第二学科交叉中心，江苏南京 211101

通讯作者:

*毛科峰（1981—），男，副教授，主要从事物理海洋学研究。E-mail: maokefeng@nudt.edu.cn

参考文献

分享链接

https://castjournals.cast.org.cn/joweb/hyxb/CN/10.12284/hyxb2023171

分享至

全文二维码

扫描看全文

引用本文

BibTeX

本文的引用情况

2种不同金属材料的力学参数

科 Family	属数 Number of genus	种数 Number of species	占总种数比例 Percentage of total species (%)	属 Genus	种数 Number of species	占总种数比例 Percentage of total species (%)
鹅膏菌科Amanitaceae	2	11	5.26	鹅膏菌属 Amanita	10	4.78
小菇科 Mycenaceae	2	12	5.74	丝盖伞属 Inocybe	5	2.39
多孔菌科 Polyporaceae	8	14	6.70	蜡蘑属 Laccaria	5	2.39
红菇科 Russulaceae	3	23	11.00	小皮伞属 Marasmius	6	2.87
				小菇属 Mycena	11	5.26
				光柄菇属 Pluteus	5	2.39
				红菇属 Russula	17	8.13
				栓菌属 Trametes	5	2.39

关闭全屏

BibTeX
EndNote
RefWorks
TxT

上行剖面		下行剖面
上升速率/ (m·s^-1)	温度滞后电导率/scans	下降速率/ (m·s^-1)	温度滞后电导率/scans
2	–0.183	2.5	1.735
2.25	–0.553	2.75	1.743
2.5	–1.097	3	1.933
2.75	–1.339	3.25	1.942
3	–1.598	3.5	1.922
3.25	–1.925	3.75	2.070
3.5	–2.034	4	2.139
3.75	–2.016	4.25	2.250
4	–1.929	4.5	2.126
4.25	–2.279
4.5	–2.402
4.75	–2.118