2020, Vol. 36
2. 中国气象局上海台风研究所，上海 200030;
3. 上海市气象学会，上海 200030
2. Shanghai Typhoon Institute, CMA, Shanghai 200030, China;
3. Shanghai Meteorological Society, Shanghai 200030, China
热带气旋是发生在热带洋面上的具有暖心结构的强烈的气旋性涡旋，常伴有狂风暴雨天气。而中国作为世界上受到热带气旋灾害影响最严重的国家之一，平均每年的直接经济损失高达约370亿人民币[1]。当前在全球变暖的背景下，台风活动变化趋势越来越被人们关注，近些年来对全球台风活动变化特征的观测研究、成因分析、数值模拟与预测等方面都取得进展[2-5]，随着数值模式与计算机技术的不断发展，数值模拟已成为模拟和预报热带气旋活动的主要手段。其中，提高数值模式分辨率被广泛认为是改进预报和模拟热带气旋活动的一个有效方法。Roberts等[6]利用Met Office Unified Model中的GA3比较了在130 km、60 km以及25 km的分辨率下模拟热带气旋的结果，研究表明随着模式分辨率的增加，对热带气旋频数分布及强热带气旋的模拟均有了很大的改善；Kanada等[7]用20 km分辨率的全球模式AGCM20与5 km分辨率的区域模式ANHM5模拟了强热带气旋的气候特征，其研究结果表明，AGCM20在模拟强热带气旋数目时和最佳路径数据集提供的观测结果较相似，而ANHM5模式则进一步将强热带气旋的快速增强过程较好地模拟出来。
此外，数值模式中积云对流、云微物理以及边界层参数化方案的选择也对热带气旋的模拟有较大影响[8-10]，其中积云对流参数化方案对热带气旋活动模拟影响最大。Srinivas等[11]用ARW V3.2的中尺度模式设计了65组敏感性试验比较模式中不同方案对孟加拉湾21次热带气旋活动模拟的影响，其研究结果表明，相比云微物理以及边界层方案，积云对流参数化方案的选择对热带气旋强度和路径表现得更敏感。孙敏等[12]选择WRF模式中不同的积云对流和云微物理参数化方案对台风“莫拉克”路径及强度进行敏感性试验，其研究结果同样说明积云对流参数化方案在“莫拉克”的路径及强度模拟的影响上大于云微物理方案的影响。
然而以往研究中多选用个例分析，针对不同的研究个例或参数化方案，得到结果会有很大差异。例如，王晨稀等[13]比较GRAPES-TCM模式中不同积云对流方案对2008年登陆我国的9个热带气旋的模拟结果后认为，对多数热带气旋，KF方案的模拟效果要好于BMJ方案，然而BMJ方案对强热带气旋强度的模拟却较KF方案更好。因此，要准确地模拟出热带气旋的活动，不仅需要借助高分辨率数值模式，参数化方案对热带气旋气候特征的模拟能力也起到关键作用。Liang等[14]用较高分辨率的区域气候模式CWRF对东亚地区进行了30多年的模拟计算，并设计了大量的物理过程参数化方案进行敏感性试验和验证研究。CWRF模式作为新一代区域气候模式在夏季大范围区域降水的模拟研究中已取得了较好的进展[15-17]，而CWRF模式对热带气旋活动的模拟影响逐渐成为人们关注的重点。
本文基于CWRF模式1986—2015年的模式计算结果[14]，比较了模式中8种不同的积云对流参数化方案对东亚近海热带气旋的路径、频数及强度模拟的影响，结合TS评分、空报率、漏报率等评判标准，评估CWRF模式积云对流参数化方案选取对东亚近海热带气旋模拟的影响，并给出模拟东亚热带气旋最佳的参数化组合方案，对业务上的实际应用有一定积极意义。
2 资料和方法 2.1 模式介绍CWRF模式是在WRF模式基础上，拓展了其气候预报能力的新一代区域气候模式。CWRF模式的优点在于其对初始化的处理，侧边界动力松弛，地面边界条件以及物理过程参数化方案均有优化和改进[14]，因此相比于WRF模式，其不仅在短期天气预报方面有着较好的表现，对长期的气候预测能力也有很大的提升。本文中所选用的研究数据，是基于Liang等[14]对以中国为主体的东亚地区进行的CWRF模拟运算结果，模式垂直方向共有17层，顶层气压70 hPa，水平格距30 km，中心坐标为110.00 °E，35.18 °N，格点数为232×172。本文中所选用的研究区域为105.00~140.25 °E，14.75~55.25 °N，大致覆盖了东亚近海区域(图 1)。表 1给出了研究中具体的积云对流参数化方案名称，在讨论不同积云对流参数化方案的影响时，仅仅改变了模式中积云对流参数化方案的设定，而模式的初始边界条件及其他物理过程方案均与控制试验保持一致。在控制试验中云微物理过程采用的是Goddard Space Flight Center Goddard Cumulus Ensemble (GSFCGCE)方案[18]；辐射过程采用的是Goddard Space Flight Center Liang Xinzhong radiation scheme (GSFCLXZ)方案[19]；边界层过程则采用了Community atmosphere model (CAM)方案[20]以及陆面过程选择了Conjunctive surface-subsurface process model (CSSP)方案[21]。由于CWRF模式区域投影方法是采用了Lambert投影，且网格格距为30 km，因此在预处理阶段，将CWRF数据近似地插值至0.25 °×0.25 °的网格中，和JTWC的观测资料保持一致。
|
图 1 研究区域的选择 |
|
表 1 研究中各参数化方案的选择 |
本研究中所选取的热带气旋的最佳路径资料来源于美国联合台风警报中心(JTWC)所提供的6 h一次热带气旋的数据(https://www.metoc.navy.mil/jtwc/jtwc.html)，包括热带气旋的名称、生成时间、中心坐标以及近中心附近最大风速等。由于CWRF数据是日平均资料，因此在挑选热带气旋时仅选取了经过东亚近海且近中心附近最大风速达到17 m/s的持续时间超过两天的热带气旋进行讨论，经统计后，在1986—2015年间，共有433个热带气旋满足条件。在研究中为了和CWRF模式的资料分辨率保持一致，已将JTWC的00时、06时、12时、18时(世界时)的热带气旋观测资料通过算数平均的方法处理为日平均资料。
2.3 热带气旋的识别方法本文根据Zhao等[31]提出热带气旋中心识别判据为基础，调整了从CWRF模式资料中提取热带气旋中心坐标的方法：(1)取研究区域内850 hPa的涡度最大值且数值上超过3.5×10-5 s-1的点记作涡度最大值中心；(2)在涡度最大值为中心的8 °× 8 °范围内取海平面气压最小值且和涡度最大值中心距离不超过2 °记作低压中心；(3)判断低压中心的气压是否小于1 000 hPa且低压中心附近6 °×6 °范围内的10 m最大风速值是否大于17 m/ s，符合条件即记录低压中心坐标；(4)计算低压中心附近8 °×8 °范围内300 hPa、400 hPa、500 hPa的垂直平均温度的区域最大值减去3层的垂直平均温度的区域平均值，若差值超过1 ℃，则定义低压中心即为热带气旋中心。
2.4 物理量的计算方法为了更好地描述热带气旋的强度，在研究中计算了热带气旋的累积气旋能量指数(ACE)以及潜在耗散指数(PDI)。其中，ACE指数是通过计算达到热带气旋及以上强度时近中心最大风速的累积平方和求得[32]，即，
|
(1) |
式中，Vmax≥17 m/s为近中心最大风速，n =1，2，……，N为热带气旋的个数；t =1，2，……，Tn为第n热带气旋生命史期间的记录次数。而PDI指数的计算是根据Kerry Emanuel等[33]的定义，即，
|
(2) |
单位为m3/s2，式中Vmax代表近中心附近最大风速，T代表热带气旋生命史期间记录的次数。PDI指数涉及到热带气旋的频次、强度以及生命史，可以用来综合表征热带气旋的潜在破坏力。此外，评估模式中各方案模拟热带气旋活动的TS评分、空报率(FAR)和漏报率(PO)的计算公式则如下所示：
|
(3) |
|
(4) |
|
(5) |
式中，NA为模式预报正确数，NB为模式空报数，NC为模式漏报数。当模式预报结果与JTWC观测结果在热带气旋的发生时次上相对应且模拟的热带气旋的位置与JTWC观测的热带气旋位置经纬度上不超过10 °时，则判定为模式正确预报；若模式预报出而JTWC的观测结果并未显示则为空报；若模式未预报出而JTWC观测中有出现则为漏报。
3 积云对流参数化方案对热带气旋活动模拟的影响 3.1 对热带气旋路径模拟的影响从不同积云对流参数化方案模拟的1986— 2015年间东亚近海的热带气旋路径分布(图 2a~2h)可知，各方案均较好地再现了JTWC的观测结果中(图 2i)西行、西北行及转向三类路径。然而热带气旋的模拟特征受积云对流参数化方案的影响较大，其中KF方案(图 2b)模拟出的热带气旋路径及数目与观测结果最接近，尤其在中低纬度的洋面上，KF方案对热带气旋频数和空间分布的模拟明显好于其他方案。与之相对的，BMJ方案(图 2c)在所有的8种不同积云对流参数化方案的模拟结果中，对热带气旋频数的模拟相对偏少，尤其是对沿海地区热带气旋的模拟，BMJ方案基本上没有模拟出登陆的热带气旋。
|
图 2 不同积云对流参数化方案模拟的热带气旋路径 a. Control-ECP；b. KF；c. BMJ；d. Grell；e. Tiedtke；f. NSAS；g. Donner；h. Emanuel；i. Observation。 |
图 3给出热带气旋出现次数随着经纬度分布的结果，图 3a中横坐标是热带气旋经过的纬度区间，如15~20就表示热带气旋经过的纬度在大于等于15 °N小于20 °N的范围内。由图 3a可知，各方案均能较好地模拟出热带气旋在中低纬度出现较多的情况，其中超过50%的热带气旋集中分布在15~25 °N的范围内。较明显的是，KF方案(红色线)所模拟的热带气旋在各个纬度区间范围内的出现次数均与JTWC观测结果最接近的。相对的，BMJ方案(橘色线)在大部分纬度区间范围内模拟的热带气旋出现次数明显较其他方案偏少。而在计算各方案模拟的热带气旋随经度分布时也能得到类似的结果(图 3b)。尽管多数方案均模拟出了125~130 °E的范围内是热带气旋出现次数最多的区域，且相对的热带气旋在120 °E以东出现的次数明显较120 °E以西偏多，但各方案之间存在一定差异。其中BMJ方案对120 °E以西出现的热带气旋的模拟明显较其他方案偏少，这也和图 2得到的BMJ方案对登陆后热带气旋模拟明显偏少的结论相一致。而各方案模拟的120 °E以东，15~25 °N区域为热带气旋主要活动区域的结论亦与图 2中各方案模拟的热带气旋出现频次偏多的区域较一致。
|
图 3 热带气旋出现频数随纬度(a)及随经度(b)变化图 |
从不同方案模拟的热带气旋的生成个数的年际变化(图 4a)可知，积云对流方案的选择对热带气旋生成频数的模拟有很大的影响。其中，KF方案在大部分年份里均能模拟出超过10个热带气旋，这与JTWC观测的热带气旋各年份中生成的个数较接近(图 4a红色线)。与之相比，其他大部分方案所模拟出的热带气旋的个数每年约为6个，而BMJ方案模拟的热带气旋个数更少，在大部分年份内仅模拟出了4个左右(图 4a橘色线)。从各方案模拟的热带气旋发生频率月变化(图 4b)可知，各积云对流参数化方案模拟的热带气旋生成频率有明显的季节变化，热带气旋在夏季和秋季生成较多，在春季和冬季生成较少，这与观测相一致。不同积云对流参数化方案的选择对8月、9月的热带气旋发生频率的模拟影响较大，当选用KF方案后，在9月模拟出的热带气旋生成频率较其他方案明显偏高，热带气旋生成频率约为0.22，与JTWC观测结果相近。相比之下，其他方案在9月模拟的热带气旋生成频率均未达到0.2。与之相比，BMJ方案尽管在8月模拟的热带气旋生成频率较其他方案偏高，而在其他月份(如5月、6月) BMJ方案模拟的热带气旋生成频率仅0.03左右，相比其他方案与观测的偏差较大。
|
图 4 不同积云对流参数化方案模拟的热带气旋生成频数的年际变化图(a，单位：个)，热带气旋生成频率的月变化图(b) |
比较不同方案模拟的热带气旋的近中心最大风速频率分布可知(图 5a)，CWRF模式各方案普遍对热带气旋强度模拟偏弱，大部分方案模拟的热带气旋近中心最大风速集中在27~32 m/s之间，而对风速大于42 m/s的模拟均较观测偏差。进一步分析可知，积云对流参数化方案的选择对近中心最大风速的模拟表现得很敏感，其中BMJ方案模拟的近中心最大风速主要位于22~27 m/s之间，而KF方案相比其他方案模拟出更多近中心最大风速超过32 m/s的强热带气旋，这也在ACE指数(图 5b)和PDI指数(图 5c)的计算中有所体现。计算ACE指数后可知，KF方案30年平均ACE值约为5×104 m2/s2，较大部分方案模拟的30年平均ACE值(约2×104 m2/s2)偏大，而BMJ方案模拟的30年间平均ACE值不到1×104 m2/s2，远小于大部分方案模拟的热带气旋平均ACE值。同样的，从各方案所模拟出的PDI指数(图 5c)中也可得到类似的结论。
|
图 5 不同积云对流参数化方案模拟的热带气旋近中心最大风速频率分布(a)，ACE指数的年际变化图(b，单位：104 m2/s2)，PDI指数的年际变化图(c，单位：105 m3/s2) |
计算模式中各积云对流参数化方案模拟热带气旋的TS评分、空报率及漏报率可知，ECP (Control)方案和KF方案的TS评分均明显高于其他方案，与之相比，BMJ方案的TS评分仅为0.234，远低于其他方案(表 2)。各方案的空报率均小于0.200，在大多数情况下，CWRF模式中各积云对流方案都能较准确地模拟出热带气旋。模式中各方案的漏报率普遍较高，而ECP方案和KF方案的漏报率明显低于其他方案，与之相比，BMJ方案的漏报率为0.755，远高于其他方案。综合来看，在各项评分的比较中，KF方案和ECP方案相比其他方案更能准确地模拟出热带气旋，而BMJ方案未能准确模拟出较多的热带气旋来。
|
|
表 2 不同积云对流参数化方案模拟结果的各项评分比较 |
相关系数的计算有助于更好把握模式中各方案对于热带气旋频数以及强度变化趋势的模拟效果，相关系数越接近1则表示模式模拟结果与观测之间的相关性越好。由表 3可知，各方案普遍对热带气旋频数的年际变化模拟得偏差，其相关系数均未超过0.500，而对热带气旋强度的年际变化趋势的模拟，大多数方案计算的ACE指数的相关系数和PDI指数的相关系数均超过了0.600。KF方案模拟的热带气旋个数(图 4a)、ACE指数(图 5b)及PDI指数(图 5c)在某些年份内明显高(强)于其他方案，而在某些年份又和其他方案模拟得较接近，因此计算模拟的热带气旋频数及强度与观测间相关系数时，较多数方案明显偏小。BMJ方案尽管对较多的热带气旋未能准确模拟出，然而BMJ方案较好地再现了频数以及强度的变化趋势，对ACE指数以及PDI指数的相关系数计算均超过了0.600。ECP方案尽管模拟的热带气旋频数(强度)均较KF方案偏低(弱)，但是ECP方案能较准确地模拟出热带气旋频数以及强度的年际变化趋势，尤其对ACE指数以及PDI指数的相关系数计算均超过了0.700，其模拟热带气旋频数及强度的年际变化趋势与观测更接近。
|
|
表 3 不同积云对流参数化方案与JTWC观测结果的相关系数 |
基于CWRF模式1986—2015年的模拟结果，探讨了不同积云对流参数化方案对东亚近海热带气旋的路径、频数及强度模拟的影响，得到如下结论。
不同积云对流参数化方案的选择对热带气旋频数、强度及路径的模拟影响较大，当选用KF方案时，模拟的热带气旋的空间分布与观测更接近，而模拟的热带气旋频数(强度)明显高(强)于其他积云对流方案；相反，BMJ方案对热带气旋频数(强度)的模拟明显低(弱)于其他方案。
根据TS评分、漏报率及空报率的计算，KF方案相对其他方案能正确模拟出更多的热带气旋，而BMJ方案模拟热带气旋的能力较其他方案偏差。综合来看，对热带气旋空间分布、频数及强度的模拟，KF方案总体表现最优。
当CWRF模式控制试验采用ECP方案时，其模拟热带气旋频数及强度的年际变化趋势与观测更接近。
进一步分析可知，CWRF模式中各方案对热带气旋的频数年际变化相关系数虽然较低，但所有方案结果呈现出正相关，说明该模式在年际变化趋势把握上，还是有一定技巧的，之所以这一指标数字不高，主要原因还是因为模式对热带气旋强度模拟性能不高所致。而研究区域的选择及模式分辨率的限制也是导致模式模拟热带气旋频数偏低的一个重要原因，尽管30 km的模式分辨率可模拟出大部分的热带气旋，但是相较于模拟热带气旋个例时常使用的9 km甚至更高分辨率的模式，30 km的分辨率仍较粗糙；其次，由于Liang等[14]设计CWRF模式的最初目的是为了模拟中国地区的降水，研究所涉及的海洋区域较狭窄也是原因之一，因此，未来CWRF模式计算分辨率的提高和研究区域范围的扩展，对提高CWRF模式模拟热带气旋活动性能都有改进的余地。此外，大尺度环境场对热带气旋的动力及热力作用极其重要，在未来的研究中，将进一步讨论不同积云对流参数化方案选择导致大尺度环境场变化的特征，进而探讨影响CWRF模式模拟热带气旋活动变化性能差异的可能原因。
| [1] |
李真真, 吴立广, 刘青元, 等. 近20a影响我国台风活动变化趋势[J]. 气象科学, 2016, 36(6): 752-759. |
| [2] |
王敏, 徐祥德, 李英. 西北太平洋热带气旋路径异常偏折的分类特征[J]. 热带气象学报, 2019, 35(2): 177-186. |
| [3] |
姜嘉俊, 雷小途. 热带气旋的体积及与强度关系的研究[J]. 热带气象学报, 2019, 35(2): 187-196. |
| [4] |
刘珍圆, 王咏青, 张秀年, 等. 台风Chanchu(0601)变性过程中的强度变化及环境场分析[J]. 热带气象学报, 2019, 35(4): 528-538. |
| [5] |
陈小宇, 吴立广, 吴玉琴. 华东沿海地形对登陆热带气旋运动影响的理想数值研究[J]. 大气科学学报, 2018, 41(4): 441-453. |
| [6] |
ROBERTS M J, VIDALE P L, MIZIELINSKI M S, et al. Tropical cyclones in the UPSCALE ensemble of high-resolution global climate models[J]. J Climate, 2015, 28(2): 574-596. |
| [7] |
KANADA S, WADA A. Different climatological characteristics, inner-Core structures, and intensifi cation processes of simulated intense tropical cyclones between 20-km global and 5-km regional models[J]. J Climate, 2017, 30(5): 1 583-1 603. |
| [8] |
LU J Z, FENG T, LI J, et al. Impact of assimilating Himawari‐8‐Derived layered precipitable water with varying cumulus and microphysics parameterization schemes on the simulation of typhoon Hato[J]. J Geophys Res, 2019, 124(6): 3 050-3 071. |
| [9] |
LI F, SONG J, LI X. A preliminary evaluation of the necessity of using a cumulus parameterization scheme in high-resolution simulations of Typhoon Haiyan (2013)[J]. Nat Hazards, 2018, 92(2): 647-671. |
| [10] |
WEN X, LONG X, ZHANG S, et al. Numerical studies of planetary boundary layer parameterization schemes on super typhoon Sanba (2012) during its Initial Stage[J]. J Trop Meteor, 2018, 24(3): 288-299. |
| [11] |
SRINIVAS C V, BHASKAR R D V, YESUBABU V, et al. Tropical cyclone predictions over the bay of bengal using the high-resolution advanced research weather research and forecasting (ARW) model[J]. Quart J Roy Meteor Soc, 2013, 139(676): 1 810-1 825. |
| [12] |
孙敏, 袁慧玲. WRF模式中微物理和积云对流参数化方案对台风"莫拉克"模拟敏感性分析[J]. 热带气象学报, 2014, 30(5): 941-951. |
| [13] |
王晨稀. 对流参数化影响热带气旋的模拟研究[J]. 高原气象, 2013, 32(2): 468-480. |
| [14] |
LIANG X Z, SUN C, ZHENG X, et al. CWRF performance at downscaling China climate characteristics[J]. Climate Dyn, 2019, 52(3-4): 2 159-2 184. |
| [15] |
曾明剑, 陆维松, 梁信忠, 等. CWRF模式对夏季降水的集合预报试验研究[J]. 高原气象, 2008, 27(6): 1 218-1 228. |
| [16] |
CHEN L, LIANG X Z, DEWITT D, et al. Simulation of seasonal US precipitation and temperature by the nested CWRF-ECHAM system[J]. Climate Dyn, 2016, 46(3/4): 879-896. |
| [17] |
董晓云, 余锦华, 梁信忠, 等. CWRF模式在中国夏季极端降水模拟的误差订正[J]. 应用气象学报, 2019, 30(2): 223-232. |
| [18] |
TAO W K, SIMPSON J, BAKER D, et al. Microphysics, radiation and surface processes in the Goddard Cumulus Ensemble (GCE) model[J]. Meteor Atmos Phys, 2003, 82(1-4): 97-137. |
| [19] |
CHOU M D, SUAREZ M J. A solar radiation parameterization for atmospheric studies[R]. NASA Tech Memo, 1999, 15: 1-42. https://www.researchgate.net/publication/237129013_A_solar_radiation_parameterization_CLIR-AD-SW_for_atmospheric_studies
|
| [20] |
HOLTSLAG A A M, BOVILLE B A. Local versus nonlocal boundarylayer diffusion in a global climate model[J]. J Climate, 1993, 6: 1 825-1 842. |
| [21] |
CHOI HI, LIANG X Z, KUMAR P. A conjunctive surface-subsurface flow representation for mesoscale land surface models[J]. J Hydrometeorol, 2013, 14(5): 1 421-1 442. |
| [22] |
QIAO F, LIANG X Z. Effects of cumulus parameterization closures on simulations of summer precipitation over the continental United States[J]. Climate Dyn, 2017, 49(1-2): 225-247. |
| [23] |
KAIN J S, FRITSCH J M. Convective parameterization for mesoscale models: The Kain Fritsch scheme[C]. Amer Meteor Soc, 1993, 46: 165-170. https://www.researchgate.net/publication/244456493_Convective_parameterization_for_mesoscale_models_The_Kain-Fritsch_scheme
|
| [24] |
BETTS A K. A new convective adjustment scheme. PartⅠ:observational and theoretical basis[J]. Quart J Roy Meteor Soc, 1986, 112: 677-691. |
| [25] |
BETTS A K, MILLER M J. A new convective adjustment scheme. PartⅡ : Single column tests using GATE wave, BOMEX, ATEX and arctic air-mass data sets[J]. Quart J Roy Meteor Soc, 1986, 112(473): 693-709. |
| [26] |
GRELL G A, DEVENYI D. A generalized approach to parameterizing convection combining ensemble and data assimilation techniques[J]. Geophys Res Lett, 2002, 29(14): 1 693. |
| [27] |
TIEDTKE M. A comprehensive mass flux scheme for cumulus parameterization in large-scale models[J]. Mon Wea Rev, 1989, 117(8): 1 179-1 180. |
| [28] |
HAN J G, PAN H L. Revision of convection and vertical diffusion schemes in the NCEP global forecast system[J]. Mon Wea Rev, 26(4): 520-533. https://www.researchgate.net/publication/270719453_Revision_of_Convection_and_Vertical_Diffusion_Schemes_in_the_NCEP_Global_Forecast_System
|
| [29] |
DONNER L J. A cumulus parameterization including mass fluxes, convective vertical velocities, and, mesoscale effects:Thermodynamic and hydrological aspects in a general circulation model[J]. J Climate, 2001, 14(16): 3 444-3 463. |
| [30] |
BONY S, EMANUEL K A. A parameterization of the cloudiness associated with cumulus convection:Evaluation using TOGA COARE data[J]. J Atmos Sci, 2001, 58(21): 3 158-3 183. |
| [31] |
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]. J Climate, 2009, 22(24): 6 653-6 678. |
| [32] |
中国气象局上海台风研究所. 西北太平洋热带气旋气候图集:1981—2010[M]. 北京: 科学出版社, 2017: 13.
|
| [33] |
EMANUEL K. Increasing destructiveness of tropical cyclones over the past 30 years[J]. Nature, 2005, 436(7051): 686-688. |