A novel tracker for detecting tropical cyclones in the Northwest Pacific using reanalysis data

  • GU Shutao , 1, 2 ,
  • LIAN Tao , 1, 2, *
Expand
  • 1. Second Institute of Oceanography, MNR, Hangzhou 310012, China
  • 2. State Key Laboratory of Satellite Ocean Environment Dynamics, Hangzhou 310012, China

Received date: 2023-12-25

  Revised date: 2024-04-28

  Online published: 2025-02-08

Abstract

A simple tropical cyclone tracker based on wind stress characteristics was designed in this study, using the best track dataset from the United States Joint Typhoon Warning Center, wind speed data and sea level pressure field data from the European Centre for Medium-Range Weather Forecasts. The tracker was used to detect tropical cyclones in the Northwest Pacific from 1985 to 2014, and its performance metrics were evaluated. The results showed that the tracker was able to accurately reproduce the spatiotemporal structure of tropical cyclones in the Northwest Pacific. The peak period of activity was concentrated from August to October, and the latitudinal positions varied with the seasons, consistent with the observations. Additionally, the tracker used the minimum sea level pressure as a criterion for determining cyclone intensity, and the number of cyclones identified at different intensities closely matched the observations. The tracker performed well in terms of probability of detection and false alarm rate for tropical cyclones, comparable to previously used trackers. Regarding the tropical cyclones detected by the tracker, the research findings showed that approximately 90% of the center positions were within a deviation of 1 degree from the observed positions, and the lifetime deviation was within 2 days, indicating a good representation of the complete movement and evolution of tropical cyclones.

Cite this article

GU Shutao , LIAN Tao . A novel tracker for detecting tropical cyclones in the Northwest Pacific using reanalysis data[J]. Journal of Marine Sciences, 2024 , 42(4) : 34 -42 . DOI: 10.3969/j.issn.1001-909X.2024.04.004

0 引言

热带气旋(tropical cyclone, TC)是生成在热带温暖洋面上,具有暖心结构的强烈气旋性环流,其伴随的强风和强降水对其移动路径和登陆地附近的人类生命与财产安全都有着巨大影响[1-3]。热带气旋期间的恶劣天气条件极大地限制了对其开展现场观测的可能。目前常用的热带气旋观测数据主要是基于卫星遥感得到的云覆盖、降水等图像数据以及基于图像反演所得到的路径、最大风速以及中心气压数据[4-6],数据时空分辨率低,信息有限。随着对热带气旋相关动力、热力过程认识的增进以及模式分辨率的提高[7-9],目前的高分辨率数值模式已经可以模拟出热带气旋的一些基本特征,如气候态频数、路径等[10-12]。因此,高分辨率数值模式以及基于高分辨率模式和现场观测所构建的再分析数据成为了分析热带气旋机理及可预测性的重要技术手段和数据来源[13-15]
运用数值模式和再分析资料研究热带气旋,首要面临的问题是如何去识别热带气旋。为此,前人设计了热带气旋追踪器来识别数值模式和再分析资料中的热带气旋[16-19]。通常而言,追踪器是在网格数据中检测与热带气旋相关的涡旋结构并将它们按照邻近日期连接成轨迹。目前比较流行的追踪器大致可以分为两类,包括基于热力学的追踪器和基于动力学的追踪器。第一类追踪器依赖于包含热带气旋热力学过程的物理变量,比如会先通过结合海平面气压最小值与暖核结构检测热带气旋,然后基于表面风场或涡度场进一步区分强度。CAMARGO等[16] 、HORN等[17]、ZARZYCKI等[18]、ZHAO等[20]、MURAKAMI等[21]均提出过此类追踪器,其中包括了CNRM方案与UZ方案。第二类追踪器主要基于涡度或速度导数等动力学变量,例如利用气压梯度最大值来定位热带气旋的中心位置。第二类追踪器的主要代表方法有TRACK方案[22-23]和OWZ方案[24]。研究发现基于动力学变量的追踪器往往不依赖于模型的水平分辨率,而基于热力学变量的追踪器往往会设置10 m风速的阈值。方案中使用10 m风速会对数据的水平分辨率较敏感,导致基于热力学变量的追踪器识别热带气旋的效率偏低[25]
无论是基于热力学还是动力学的追踪器,都会使用到较多的物理参数。例如ZARZYCKI等[18]设计的UZ追踪器需要海平面气压、300 hPa到500 hPa的大气层厚度、10 m的纬向风速、海拔高度等参数;而TORY等[24]提出的OWZ算法则是运用相对涡度、地转涡度、风场的拉伸变形与剪切变形、中低层高度的相对湿度和比湿、风切变等一系列变量,通过规定阈值范围搭建追踪热带气旋的物理框架。尽管这两种追踪器已经有了相当高的识别效率,但它们计算相对复杂,需要的变量较多,并包含多个人为设定阈值。鉴于上述问题,本文提出了一种新的动力学追踪器,其特点是需要的变量少、计算方便。在设计追踪器时,必须充分考虑其不同的背景和目标,以确保其适用于特定的研究需求。OWZ方案注重研究热带气旋形成的前兆信号,所以其设计追求不依赖于模型分辨率[24];TRACK方案旨在监测所有环流扰动,热带气旋的追踪是次要考虑[26];而CNRM和UZ方案则需要参考再分析数据中的实际观测指标来校正参数[18]。本文设计的追踪器有别于上述方案,其主要应用于研究热带气旋在生命期内的轨迹、强度等物理规律。我们以再分析资料中的西北太平洋热带气旋为例,系统评估了新型追踪器对热带气旋的识别效率,并展望其应用潜力。

1 数据与方法

1.1 数据

本文使用的热带气旋观测数据采用1985—2014年联合台风预警中心(Joint Typhoon Warning Center, JTWC)的热带气旋最佳路径数据集(International Best Track Archive for Climate Stewardship, IBTrACS, https://www.ncei.noaa.gov/products/international-best-track-archive),该数据集包含了热带气旋每隔6 h的中心位置、中心最小海平面气压、最大持续风速等信息。
本文所使用的逐日再分析数据来自欧洲中期天气预报中心(European Centre for Medium-Range Weather Forecast, ERA5)的再分析数据,分辨率为1°×1°,时间跨度为1985—2014年,使用的变量包括10 m高度水平风场和平均海平面气压。

1.2 风应力计算方法

本文将基于风应力来构建热带气旋追踪器,其计算公式如下:
τ x = C d · ρ · u · V
τ y = C d · ρ · v · V
式中:τxτy分别代表纬向风应力和经向风应力;ρ表示空气密度,取值1.25 kg·m-3;Cd表示风阻系数又称为风的拖曳系数,前人对该系数已经开发了多个经验公式,而耦合环流模型的作者更倾向于使用更简单的参数化方法,一般可取近似值1.3×10-3[27-28];uv分别代表纬向风风速和经向风风速;|V|为风速的模。

1.3 热带气旋强度分类

热带气旋强度通常根据萨菲尔-辛普森飓风等级(Saffir-Simpson hurricane scale, SSHS)[29]来分类。该分类以海平面10 m高度的10 min持续风速最大值作为衡量标准。最大持续风速为10~17 m·s-1的热带气旋被归类为热带低压,达到18 m·s-1的为热带风暴,达到33 m·s-1的为飓风。除了根据最大持续风速分类之外,前人也提出过利用最小海平面气压来评估热带气旋的强度[30]。使用最小海平面气压有两个优点:第一,气压比10 m风速更容易测量[31],从而有较小的不确定性;第二,气候模式通常能够很好地再现观测到的最小海平面气压,但不能模拟出最大风速[32-33]。因此,最小海平面气压被认为是评估热带气旋强度的更可靠指标,并在气候模式和ERA5再分析资料中都已得到验证[34]。本文将使用KLOTZBACH等人[31]的分类方案来划分基于最小海平面气压的热带气旋强度。表1展示了基于最小海平面气压的热带气旋强度分类标准,由于热带低压的强度较弱,不是研究重点,所以此表仅列出强度达到热带风暴及以上强度的热带气旋。
表1 热带气旋强度分类标准

Tab.1 Standard of tropical cyclone (TC) intensity classification

热带气旋分类 最小海平面气压阈值/hPa
热带风暴 1 005
1级飓风 990
2级飓风 975
3级飓风 960
4级飓风 945
5级飓风 925

1.4 热带气旋追踪方案

本文提出的热带气旋追踪器基于前人在大气模式中使用的追踪器[16,20]进行设计,共分四个步骤。
步骤一:在再分析资料中找出风应力旋度超过 2×10-6 N·m-3的区域,然后以这些区域为中心找出 2°×2°网格框内风应力旋度大于1×10-6 N·m-3的区域,再进一步以这些区域为中心找出6°×6°网格框内风速大于15 m·s-1的网格点。在满足上述条件的格点中,在不同连通区域内,分别根据区域风应力旋度最大值所在位置来确定热带气旋中心。这一步骤旨在确保事件发生在典型的热带气旋尺度上,并会一定程度上排除海洋中小尺度过程的影响。将满足上述要求的格点记为潜在热带风暴格点,并将对应的日期标记为潜在热带风暴日。
步骤二:针对每个潜在热带风暴格点,计算在潜在热带风暴日的次日是否在100~700 km范围内存在潜在热带风暴格点。若有,则将次日的潜在热带风暴格点与当日的潜在热带风暴格点视为同一热带气旋在这两天的位置,然后将满足条件的格点归结成同一条热带气旋轨迹。在此设置100 km外的限制主要是为了排除静止的海洋涡旋过程。
步骤三:重复步骤一和步骤二,直到所有潜在热带风暴日的潜在热带风暴格点都被遍历一次。
步骤四:在步骤三结束后,仅保留持续时间至少为3 d的潜在热带风暴日和潜在热带风暴格点,并将它们的轨迹标记为一次热带气旋的轨迹。考虑到在步骤一中风速阈值较高,可能会排除热带气旋在起始和结束阶段相对较弱的潜在热带风暴日和潜在热带风暴格点,对于每一个标记好的热带气旋从起始日向前搜索6°×6°网格内是否存在最大风速达到13 m·s-1且最大风应力旋度超过2×10-6 N·m-3的格点。若有,则将其视为该标记热带气旋在前一日所在的位置。同样,对每一个标记好的热带气旋结束日向后搜索。最终给出该热带气旋完整的轨迹。对于找到的热带气旋,根据上文提到的热带气旋等级分类标准对其进行分类。

1.5 识别轨迹的评估指标

与已有的追踪器相比,本文提出的追踪器仅使用最大风应力旋度,变量少,计算简单。过去已有许多研究针对ERA-Interim等再分析资料,进行过不同追踪器的对比评估[21,23,34]。为了评估本文追踪器的效果,将其在再分析资料中所识别的轨迹与最佳路径数据集进行初步关联。具体而言,考虑追踪器识别的热带气旋轨迹集合Dn个点(d1d2、…、dn)组成,对应日期为(t1t2、…、tn)。对于轨迹集合D中的每个点di(ti),将其位置与最佳路径数据集轨迹集合O中在ti时刻的位置相比较。若集合DO中所有重合的热带气旋日中轨迹距离不超过500 km则视为“检测命中”(Hits,简称H)。除了“检测命中”外,集合D中的样本还存在“检测遗漏”(Misses, 简称M) 和“虚假检测”(False Alarm,简称FA) 两种情况。“检测遗漏”指的是仅出现在最佳路径数据集中而追踪器没检测出的轨迹。“虚假检测”指的是出现在追踪器中的识别结果,与最佳路径数据集中任何轨迹都没有关联的轨迹。根据上述3个变量可以得到2个新的概率指标,即检出概率(probability of detection, POD)和误报概率(false alarm rate, FAR)[35-36],利用这2个指标来评价追踪器的识别效果:
P O D = H H + M
F A R = F A H + F A

2 结果与分析

2.1 追踪器检测热带气旋的时空结构和强度分布

热带气旋最佳路径数据集结果显示,1985—2014年在西北太平洋共生成947个热带气旋,其中热带低压161个。热带低压由于强度较弱,往往不是大家关心的重点,故在本研究中将热带低压剔除,只选取达到热带风暴强度以上的热带气旋进行研究。在剩余的786个热带气旋中,有299个强度达到热带风暴级,强度达到1~5级飓风的个数分别为138、90、63、132和64个。
图1展示了1985—2014年最佳路径数据集记录的和追踪器根据ERA5再分析资料识别的西北太平洋地区热带气旋轨迹密度分布特征。从热带气旋的总体数量来看,最佳路径数据集显示在研究区域内共有3 678个热带气旋格点和786个热带气旋事件,而追踪器识别结果显示共有3 496个热带气旋格点和655个热带气旋事件。可以观察到,这些热带气旋轨迹的高频位置主要集中在菲律宾以东的西北太平洋暖池区域和我国南海中东部区域。在菲律宾以东的暖池区,最佳路径数据集所记录的热带气旋格点数约占总格点数的25.8%,在该区域追踪器识别到的热带气旋格点数占总格点数的25.1%。追踪器识别结果的整体空间分布与最佳路径数据集分布的相关系数较高,为0.87,这表明追踪器识别结果能重现与实际观测结果一致的热带气旋空间分布特征。
图1 1985—2014年最佳路径数据集记录的(a)和追踪器识别的(b)西北太平洋热带气旋轨迹密度分布

Fig.1 The track density distribution of tropical cyclones by IBTrACS (a) and TC tracker (b) in the Northwest Pacific from 1985 to 2014

图2是1985—2014年最佳路径数据集记录的和追踪器根据ERA5再分析资料识别的西北太平洋热带气旋逐月累计分布频次,图中显示了热带气旋纬度位置随季节的变化规律。由图2a可知,最佳路径数据集记录的西北太平洋热带气旋在每年3—6月主要分布在15°N以南; 7—9月,热带气旋分布纬度会逐渐北移,直到9月达到最北端,其分布高值中心位于20°N附近;10月到次年2月期间,热带气旋分布纬度又逐渐南移至10°N附近。在最佳路径数据集中,15°N—25°N是西北太平洋热带气旋分布的高频纬度,而8—10月是该区域热带气旋活动的峰值期。追踪器识别的热带气旋纬度变化规律与最佳路径数据集吻合,其高频纬度位置也主要集中于15°N—25°N。追踪器识别的热带气旋分布频次高值中心有3个,分别是8—9月的20°N、8—9月的25°N和10月的15°N附近,这3个高值中心的热带气旋数量约占西北太平洋全年热带气旋总数量的52%。追踪器识别结果的时空分布与最佳路径数据集的相关系数较高,达到0.93,表明该追踪器能很好地重现西北太平洋热带气旋的空间和时间分布特征。
图2 1985—2014年最佳路径数据集记录的(a)和追踪器识别的(b)西北太平洋热带气旋纬度位置的逐月累计分布频次

(图中蓝色曲线表示1985—2014年西北太平洋热带气旋轨迹的逐月分布中心。)

Fig.2 The cumulative monthly distribution frequency of the latitude positions of tropical cyclones by IBTrACS (a) and TC tracker (b) in the Northwest Pacific from 1985 to 2014

(The blue curve represents the monthly distribution centre of tropical cyclone tracks in the Northwest Pacific from1985 to 2014.)

前人研究指出,将海平面气压最小值用于划分热带气旋强度是一种合理有效的方法[18-20],故本研究根据表1,进一步考察最佳路径数据集与追踪器中根据最小海平面气压划分的各等级热带气旋数量分布情况。由图3可知,追踪器检测到的1级飓风强度(最小海平面气压为975~990 hPa)以上的热带气旋数量接近于观测值;而达到热带风暴强度(最小海平面气压为990~1 005 hPa)的热带气旋数量则明显少于观测数据,缺失数量约占观测总数的25%。由此说明,本研究设计的新型追踪器在检测海平面气压较低的强台风时,精确度较高;但在检测海平面气压较高的热带风暴时,会由于资料分辨率不足等问题,造成检测遗漏。
图3 最佳路径数据集记录的与追踪器识别的根据最小海平面气压划分的各等级热带气旋数量

Fig.3 The number of tropical cyclones in each category based on minimum sea level pressure by IBTrACS and TC tracker

2.2 追踪器检测热带气旋的效果指标

在研究热带气旋时,研究人员使用了多种热带气旋追踪器方案,其中一些方案基于热力学变量设计,如UZ方案和CNRM方案;另一些方案则基于动力学变量设计,如OWZ方案和TRACK方案。检出概率和误报概率是衡量追踪器检测热带气旋能力的重要指标,图4展示了几种主流追踪器和本研究设计的新型追踪器的检出概率与误报概率对比。根据BOURDIN等[37]对4种热带气旋检测算法性能的比较研究,UZ方案的检出概率为74%,误报概率为9%,这与ZARZYCKI等[34]研究结果基本一致;TRACK方案的检出概率为84%,误报概率为36%[37],与HODGES等[23]在其他再分析资料中使用TRACK方案得到的结果相近;OWZ方案和CNRM方案的检出概率与UZ方案接近,但误报概率更高,其中OWZ方案的误报概率为25%,CNRM方案的误报概率为15%[37]。而本研究中的新型追踪器是根据热带气旋风应力特征设计的方案,其74%的检出概率与大多数追踪器水平相当,14%的误报概率略低于部分追踪方案。这表明新型追踪器能够成功捕获实际观测中绝大部分热带气旋的轨迹,同时保持较低的虚假热带气旋识别数量。这种设计方案的应用前景广泛,特别是在气候模式的热带气旋研究中。由于气候模式输出结果中没有直接的热带气旋信息,所以需要运用客观追踪方案检测研究区域的热带气旋,以便进一步深入研究热带气旋的物理特征。这对于理解气候变化对热带气旋活动的影响以及预测热带气旋的强度和生成频率变化具有重要意义。
图4 新型热带气旋追踪器与几种常用追踪器的检出概率与误报概率对比

Fig.4 Comparison of probability of detection (POD) and false alarm probability (FAR) among the novel tropical cyclone tracker and several commonly used trackers

为了进一步比较新型追踪器在识别热带气旋中心位置和生命期方面与观测结果的差异,选择新型追踪器成功识别到的热带气旋样本进行深入分析。图5a图5b分别展示了新型追踪器与最佳路径数据集中的观测结果相比较时,热带气旋中心位置的纬度偏差和经度偏差。由图可知,经纬度偏差绝对值小于0.25°的样本约占总数的38%;有超过一半的热带气旋经纬度偏差小于0.5°;大约90%样本的经纬度偏差小于1°。由此可以得出结论,新型追踪器所追踪到的热带气旋中心位置与最佳路径数据集偏差较小,能够较好地重现热带气旋轨迹的地理分布特点。
图5 新型追踪器检测命中的热带气旋中心位置的纬度偏差(a)和经度偏差(b)

Fig.5 The latitude error (a) and longitude error (b) of the tropical cyclones center positions hit by the novel TC tracker

热带气旋生命期是衡量其发展与演变的一个重要指标,较长的生命期意味着热带气旋轨迹更长,影响范围更广,同时也有更多的时间进行强度变化。分析新型追踪器识别的与最佳路径数据集记录的热带气旋之间的生命期偏差可知,在所有识别到且匹配观测的热带气旋样本中,有281个热带气旋的生命期长度与观测结果完全相同,约占总数的50%;有505个热带气旋生命期与观测结果的偏差小于等于2 d,约占样本总量的89%(图6)。因此新型追踪器识别到的热带气旋与实际观测的生命期偏差约为2 d,其对热带气旋的生命期模拟优异,可以较好地追踪热带气旋发展与演变过程。
图6 新型追踪器检测命中的热带气旋生命期偏差

Fig.6 The lifetime error of the tropical cyclones hit by the novel TC tracker

3 结论与展望

本文基于风应力的动力学变量设计了一种简便的热带气旋追踪器并将其应用于ERA5再分析数据,将其识别结果与最佳路径数据集相比较,评估了该追踪器对西北太平洋热带气旋轨迹密度、纬度分布频次、强度、中心位置偏差等特征的识别效果,得到以下主要结论。
1)新型追踪器能够重现西北太平洋热带气旋的时空结构特点。追踪器识别的热带气旋轨迹密度分布、高频纬度逐月变化规律与观测结果一致。追踪器识别出的强台风数量与实际观测结果吻合,而对强度较弱的热带风暴的识别稍有欠缺。
2)新型追踪器在检测概率和误报概率评估指标上与前人设计的追踪器效果接近,检出概率和误报概率分别为74%和14%,能较好地追踪到大部分热带气旋,并且误差较小。
3)对于新型追踪器识别到的热带气旋,其中心位置的经纬度偏差小于等于1°的约占90%,生命期偏差小于等于2 d的约占89%,识别到的热带气旋的轨迹与生命期特征与观测结果十分接近。
本文中新型追踪器的设计目的是在气候模式实验中检测热带气旋并统计其变化规律,所以本设计方案采用简便而具有代表性的风应力旋度作为追踪器的变量。这不仅能够大大节约计算时间,还实现了在1°水平分辨率和日分辨率的ERA5再分析资料中,高效地追踪到大部分热带气旋。这为将来推广应用到气候模式中提供了基础。然而,我们也意识到进一步提高空间分辨率至50~25 km,并将时间分辨率更新为逐6 h数据,将会显著提升热带气旋的追踪效果。因此,在未来研究中,我们将继续致力于提高资料的时空分辨率,适当增加样本量,以获得更好的热带气旋追踪效果。通过这些努力,我们有信心进一步改进我们的追踪器方案,相信该追踪器将在气候变化和热带气旋活动研究中发挥重要作用,为我们更好地理解和预测热带气旋的发展与演变过程提供有力支持。
[1]
EMANUEL K. Increasing destructiveness of tropical cyclones over the past 30 years[J]. Nature, 2005, 436(7051): 686-688.

[2]
ZHANG Q, WU L G, LIU Q F. Tropical cyclone damages in China 1983-2006[J]. Bulletin of the American Meteorological Society, 2009, 90(4): 489-496.

[3]
张娇艳, 吴立广, 张强. 全球变暖背景下我国热带气旋灾害趋势分析[J]. 热带气象学报, 2011, 27(4):442-454.

ZHANG J Y, WU L G, ZHANG Q. Tropical cyclone damages in China under the background of global warming[J]. Journal of Tropical Meteorology, 2011, 27(4): 442-454.

[4]
LU X Q, YU H. An objective tropical cyclone intensity estimation model based on digital IR satellite images[J]. Tropical Cyclone Research and Review, 2013, 2(4): 233-241.

[5]
KNAFF J A, LONGMORE S P, MOLENAR D A. An objective satellite-based tropical cyclone size climatology[J]. Journal of Climate, 2014, 27(1): 455-476.

[6]
HU Y, ZOU X. Comparison of tropical cyclone center positions determined from satellite observations at infrared and microwave frequencies[J]. Journal of Atmospheric and Oceanic Tech-nology, 2020, 37(11): 2101-2115.

[7]
CAMARGO S J, WING A A. Tropical cyclones in climate models[J]. WIREs Climate Change, 2016, 7(2): 211-237.

[8]
KNUTSON T, CAMARGO S J, CHAN J C L, et al. Tropical cyclones and climate change assessment: Part I: Detection and attribution[J]. Bulletin of the American Meteorological Society, 2019, 100(10): 1987-2007.

[9]
KNUTSON T, CAMARGO S J, CHAN J C L, et al. Tropical cyclones and climate change assessment: Part II: Projected response to anthropogenic warming[J]. Bulletin of the American Meteorological Society, 2020, 101(3): 303-322.

[10]
CHAN J C L. Interannual and interdecadal variations of tropical cyclone activity over the western North Pacific[J]. Meteorology and Atmospheric Physics, 2005, 89(1): 143-152.

[11]
ELSBERRY R L, LAMBERT T D B, BOOTHE M A. Accuracy of Atlantic and eastern north Pacific tropical cyclone intensity forecast guidance[J]. Weather and Forecasting, 2007, 22(4): 747-762.

[12]
RAPPAPORT E N, FRANKLIN J L, AVILA L A, et al. Advances and challenges at the national hurricane center[J]. Weather and Forecasting, 2009, 24(2): 395-419.

[13]
MANGANELLO J V, HODGES K I, KINTER J L III, et al. Tropical cyclone climatology in a 10-km global atmospheric GCM: Toward weather-resolving climate modeling[J]. Journal of Climate, 2012, 25(11): 3867-3893.

[14]
MURAKAMI H, VECCHI G A, UNDERWOOD S, et al. Simulation and prediction of category 4 and 5 hurricanes in the high-resolution GFDL HiFLOR coupled climate model[J]. Journal of Climate, 2015, 28(23): 9058-9079.

[15]
ROBERTS M J, CAMP J, SEDDON J, et al. Impact of model resolution on tropical cyclone simulation using the HighResMIP-PRIMAVERA multimodel ensemble[J]. Journal of Climate, 2020, 33(7): 2557-2583.

[16]
CAMARGO S J, ZEBIAK S E. Improving the detection and tracking of tropical cyclones in atmospheric general circulation models[J]. Weather and Forecasting, 2002, 17(6): 1152-1162.

[17]
HORN M, WALSH K, ZHAO M, et al. Tracking scheme dependence of simulated tropical cyclone response to idealized climate simulations[J]. Journal of Climate, 2014, 27(24): 9197-9213.

[18]
ZARZYCKI C M, ULLRICH P A. Assessing sensitivities in algorithmic detection of tropical cyclones in climate data[J]. Geophysical Research Letters, 2017, 44(2): 1141-1149.

[19]
WU T T, DUAN Z D. A new and efficient method for tropical cyclone detection and tracking in gridded datasets[J]. Weather and Climate Extremes, 2023, 42: 100626.

[20]
ZHAO M, HELD I M, LIN S J, et al. Simulations of global hurricane climatology, interannual variability, and response to global warming using a 50-km resolution GCM[J]. Journal of Climate, 2009, 22(24): 6653-6678.

[21]
MURAKAMI H. Tropical cyclones in reanalysis data sets[J]. Geophysical Research Letters, 2014, 41(6): 2133-2141.

[22]
STRACHAN J, VIDALE P L, HODGES K, et al. Investi-gating global tropical cyclone activity with a hierarchy of AGCMs: The role of model resolution[J]. Journal of Climate, 2013, 26(1): 133-152.

[23]
HODGES K, COBB A, VIDALE P L. How well are tropical cyclones represented in reanalysis datasets?[J]. Journal of Climate, 2017, 30(14): 5243-5264.

[24]
TORY K J, CHAND S S, DARE R A, et al. The develop-ment and assessment of a model-, grid-, and basin-independent tropical cyclone detection scheme[J]. Journal of Climate, 2013, 26(15): 5493-5507.

[25]
WALSH K J E, FIORINO M, LANDSEA C W, et al. Objectively determined resolution-dependent threshold criteria for the detection of tropical cyclones in climate models and reanalyses[J]. Journal of Climate, 2007, 20(10): 2307-2314.

[26]
HODGES K I. A general method for tracking analysis and its application to meteorological data[J]. Monthly Weather Review, 1994, 122(11): 2573-2586.

[27]
KALNAY E, KANAMITSU M, KISTLER R, et al. The NCEP/NCAR 40-year reanalysis project[J]. Bulletin of the American Meteorological Society, 1996, 77(3): 437-471.

[28]
WRÓBEL-NIEDŹWIECKA I, DROZDOWSKA V, PISKOZUB J. Air-sea momentum flux climatologies: A review of drag relation for parameterization choice on wind stress in the North Atlantic and the European Arctic[J]. Ocean Science Discussions, 2018: 1-21.

[29]
SIMPSON R H, SAFFIR H. The hurricane disaster—Potential scale[J]. Weatherwise, 1974, 27(4): 169-186.

[30]
KNAFF J A, SAMPSON C R, DEMARIA M. An operational statistical typhoon intensity prediction scheme for the western north Pacific[J]. Weather and Forecasting, 2005, 20(4): 688-699.

[31]
KLOTZBACH P J, BELL M M, BOWEN S G, et al. Surface pressure a more skillful predictor of normalized hurricane damage than maximum sustained wind[J]. Bulletin of the American Meteorological Society, 2020, 101(6): 830-846.

[32]
KNUTSON T R, SIRUTIS J J, ZHAO M, et al. Global projections of intense tropical cyclone activity for the late twenty-first century from dynamical downscaling of CMIP5/RCP4.5 scenarios[J]. Journal of Climate, 2015, 28(18): 7203-7224.

[33]
CHAVAS D R, REED K A, KNAFF J A. Physical under-standing of the tropical cyclone wind-pressure relationship[J]. Nature Communications, 2017, 8(1): 1360.

[34]
ZARZYCKI C M, ULLRICH P A, REED K A. Metrics for evaluating tropical cyclones in climate data[J]. Journal of Applied Meteorology and Climatology, 2021, 60(5): 643-660.

[35]
YU H, CHEN P Y, LI Q Q, et al. Current capability of operational numerical models in predicting tropical cyclone intensity in the western north Pacific[J]. Weather and Forecasting, 2013, 28(2): 353-367.

[36]
TAM H F, CHOY C W, WONG W K. Development of objective forecast guidance on tropical cyclone rapid intensity change[J]. Meteorological Applications, 2021, 28(2):e1981.

[37]
BOURDIN S, FROMANG S, DULAC W, et al. Intercom-parison of four algorithms for detecting tropical cyclones using ERA5[J]. Geoscientific Model Development, 2022, 15(17): 6759-6786.

Outlines

/