Evaluation of a 3D unstructured grid model for the New York-New Jersey Harbor under different forcing sources

不同强迫源作用下纽约-新泽西港三维非结构网格模型的评估

Kyungmin Park a, Y. Joseph Zhang b, Emanuele Di Lorenzo c, Gregory Seroka d, Ayumi Fujisaki-Manome e, Shachak Pe’eri f, Saeed Moghimi d, John G.W. Kelley d

a 太平洋西北国家实验室，海岸科学部，西雅图，华盛顿州，98109，美国
b 威廉玛丽学院，弗吉尼亚海洋科学研究所，格洛斯特角，弗吉尼亚州，23062，美国
c 布朗大学，地球、环境与行星科学系，普罗维登斯，罗德岛州，02912，美国
d 美国国家海洋与大气管理局，海岸调查发展实验室，银泉，马里兰州，20910，美国
e 密歇根大学，环境与可持续发展学院，大湖研究合作研究所，安娜堡，密歇根州，美国
f 美国国家海洋与大气管理局，国家大地测量局，银泉，马里兰州，美国

这篇发表于《Ocean Modelling》2025年的研究，系统评估了不同强迫源对纽约-新泽西港三维非结构网格海洋模型（SCHISM）预测精度的影响。通过设计系列敏感性实验，研究发现：潮汐强迫（FES2014、TPXO9 v1/v5）对总水位、海流和水温影响显著（RMSE变化最高达17.28%），但对盐度影响较小；海面强迫（HRRR、ERA5、GFS）主要影响水温（RMSE变化达67.5%）和陆架表层流，而对水位、海流和盐度影响有限；开阔海洋边界条件（CMEMS、HYCOM、GRTOFS）对港内水动力影响较小，但显著影响陆架尺度海流和温度垂直结构；河流流量（USGS观测 vs. NWM模型）对盐度影响最大（RMSE变化达44.66%），尤其在下游咸淡水混合区，同时也显著影响上游水位和航道流。总体而言，不同强迫源在模型预测中扮演着独特且重要的角色，研究强调根据目标现象选择最优强迫源对提高海岸海洋模型预测能力、支持海岸管理和减灾决策具有重要意义。

文章信息

关键词： 海岸海洋建模，纽约/新泽西港，敏感性实验，强迫源，非结构网格模型，SCHISM

摘要

本文对三维非结构网格模型在不同强迫源作用下的表现进行了深入评估，重点关注纽约-新泽西港。模型首先通过控制运行进行校准和评估，确保其能够准确捕捉纽约/新泽西港周围的关键过程。敏感性实验揭示了不同强迫源在总水位、海流、盐度和水温等海岸海洋条件中的重要作用和贡献。不同的潮汐强迫（包括FES2014、TPXO9 v1和TPXO9 v5）对潮汐分量、总水位、海流和水温有显著影响，但对盐度影响较小。来自HRRR、ERA5和GFS的海面强迫对水温预测表现出不同的影响，而总水位、海流和盐度对不同大气强迫源的敏感性较低。来自CMEMS、HYCOM和GRTOFS的不同开阔海洋条件对内陆河流和河口的水动力变量影响较小，但显著影响陆架上的海洋表面流和水温的垂直结构。来自USGS和NWM的不同河流流量对盐度和上游水位表现出高敏感性，而陆架尺度的海洋环流和水温垂直结构在不同河流流量下相似。研究结果强调了选择最优强迫源以最小化不确定性、提高预测能力的重要性，从而支持更好的海岸管理和减灾决策。

1. 引言

非结构网格模型在分析和预测海岸海洋动力学中发挥了关键作用，因为其网格系统在表示水深、复杂海岸线和内陆河流方面提供了高度的灵活性和效率[Kernkamp et al., 2011]。因此，基于非结构网格的海岸海洋模型的准确性和可靠性对于管理安全高效的海洋航行、制定有效的海岸保护和管理计划至关重要，尤其是在气候变化的背景下。模型的性能取决于多种因素，包括网格系统、数值格式、控制方程、复合物理过程以及强迫源固有的不确定性[Zhao et al., 2011; Chen et al., 2012; Li et al., 2015; Warder et al., 2021]。强迫源，以海面强迫和边界条件的形式，来源于更大尺度/全球尺度的模型或观测，是海岸海洋模型的关键输入。随着观测技术和计算资源的进步，建模者有了更多机会利用多样化的强迫源。这些进步提高了可用于模型输入数据的质量和分辨率，通过量化来自各种强迫的模型不确定性，提升了模型的潜在准确性。然而，每个强迫源仍然固有地具有一定程度的不确定性，导致模型性能的不确定性。这种不确定性引入了置信限，在解释模型结果时必须理解和考虑这些置信限。然而，在海岸海洋区域，涉及多种强迫源的综合模型评估和敏感性实验相对较少。此类评估对于理解不同强迫源的优势和局限性以及提高整体模型的可靠性至关重要。因此，使用不同强迫源检验跨尺度海岸海洋模型势在必行。

在本研究中，我们基于来自大尺度/全球尺度模型和观测的可用数据，评估了潮汐、海面强迫、开阔海洋边界条件和河流流量的各种强迫源。潮汐是海岸海洋动力学的关键驱动因素，调节着混合、海岸海平面和海流[Munk and Wunsch, 1998; Klymak et al., 2006; Huang et al., 2022]。因此，在海岸海洋模型中准确表示潮汐强迫对于预测潮汐洪水、盐度、沉积物和营养盐分布等复杂现象至关重要。海面强迫包括施加于海岸海洋模型表面的风应力、气压、热通量、降水和蒸发。由于海面强迫显著影响海岸海洋动力学，包括上升流/下降流、混合层深度、海岸环流和风暴潮，已经进行了广泛的敏感性实验来研究与海面强迫相关的不确定性[Li et al., 2015, 2016; Warder et al., 2021; Astudillo et al., 2019; Dinapoli et al., 2020]。鉴于海面强迫对海岸海洋动力学的显著影响，更好地理解海岸海洋模型对大气条件变化的敏感程度对于提高模型精度非常重要。开阔海洋边界条件代表了更大尺度海洋过程的影响，例如海平面变化、海流、水温和盐度梯度在开边界上的影响。为了降低计算成本，高分辨率海岸海洋模型通常在有限区域内进行降尺度[Trotta et al., 2021]。在降尺度过程中，海岸海洋模型的开边界受到大尺度模型或观测的约束或嵌套，提供海面高度、水温、盐度和海流的数据。开阔海洋边界条件作为远程强迫在海岸海平面中起着重要作用[Park et al., 2022]，并且也影响先进的斜压海岸海洋模型中的三维水动力变量[Park et al., 2024; Ye et al., 2020]。正确实施开边界条件使海岸海洋模型能够更准确地模拟海岸与开阔海洋之间属性的交换，从而提高整体模型的保真度。海岸区域通常以多尺度河道和河流的复杂网络为特征，这些河流将淡水输送到河口和邻近的海岸水域。河流流量在塑造河口混合和环流方面起着关键作用，从而影响盐度和沉积物的空间分布[Warner et al., 2020; Lane et al., 2007]。此外，河流流量显著影响水位，并在极端天气事件期间导致河流洪水和复合洪水[Merz et al., 2021; Bermudez et al., 2021]。因此，在海岸海洋模型中准确表示河流流量对于改进自然灾害预测和促进有效的资源管理至关重要。

由于存在各种具有固有不确定性的强迫源，本研究旨在表征、对比和理解这些不确定性，作为Zhang等人（2024）研究的补充，在该研究中我们阐述了水深作为海岸区域最基本强迫源之一的重要性，并解释了不尊重水深的模型所带来的有害后果。然而，我们不包括模型对不同参数化方案敏感性的讨论，原因有二。首先，参数化方案已在先前的文献中得到广泛覆盖[Ezer and Mellor, 2000; Li et al., 2015; Bastidas et al., 2016; Schroeter and Sandery, 2022]。其次，也许更重要的是，需要更精确和广泛的观测来量化这些参数化方案（例如底摩擦）的不确定性，因此目前大多数模型将这些作为可调参数。

为了达到这一目标，我们使用三维非结构网格海岸海洋模型进行了一系列敏感性实验。该实验使我们能够研究每个强迫源在海岸海洋系统中的独特作用和贡献。此外，使用不同强迫情景（如潮汐、海面强迫、开阔海洋边界条件和河流流量）进行的实验有助于确定哪些水动力变量对不同强迫最敏感。理解这些敏感性对于提高海岸海洋模型的准确性和可靠性非常重要。本研究的结果将为提高海岸海洋建模系统的准确性和置信度提供指导，最终有助于更有效和可持续的海岸管理实践。本研究中使用的非结构网格模型的详细信息在第2节中介绍。我们在第3节中展示并阐述了模型评估和敏感性实验的结果。最后的结论和讨论在第4节中描述。

2. 方法

2.1. 非结构网格模型 SCHISM

半隐式跨尺度水科学综合系统模型（SCHISM）代表了利用非结构网格系统的新一代三维斜压模型。该模型的网格系统使用混合三角形-四边形单元。此外，该模型允许使用带剃削单元的局部Sigma坐标（LSC²），以便根据底层水深实现可变的垂直网格[Zhang et al., 2015]。SCHISM灵活的三维网格系统使其能够高效地进行从开阔海洋到内陆水道复杂网络的跨尺度建模，详见Zhang et al. [2016], Yu et al. [2017] 和 Ye et al. [2020]。采用半隐式伽辽金有限元方法，SCHISM在静力和Boussinesq近似约束下求解Navier-Stokes方程时表现出精度和鲁棒性。在其复杂的数值框架内，该模型采用半隐式格式处理散度项、正压压力梯度和垂直粘度，以绕过严格的CFL稳定性约束。本研究中考虑隐式系数为0.6。相反，该模型使用显式格式处理斜压压力梯度和水平粘度。在本研究中，水温和盐度的输运方程使用总变差减小二阶隐式输运求解器求解，该求解器在宽范围的库朗数下提供精度和计算效率。对于三维连续性和标量输运方程，SCHISM依赖于有限体积求解器，从而确保体积和标量守恒。湍流过程通过通用长度尺度模型[Umlauf and Burchard, 2003]进行模拟。

2.2. 目标区域和计算网格

模型域覆盖纽约/新泽西湾，如图1(a)所示。由于该区域有复杂的狭窄航道网络，准确的预测对于安全航行和水动力学都至关重要。鉴于其重要性，该区域已经实施了不同的业务化预报系统，例如NYOFS [Wei and Chen, 2001]和NYHOPS [Georgas et al., 2016]。此外，纽约/新泽西湾不仅为受各种强迫（如潮汐、河流流量、风、降水和斜压性）影响的海岸海洋系统提供了一个合适的例子，而且还包括了纽约/新泽西港区域，该区域是NOAA统一预报系统海岸应用团队协调海洋导航模型评估工作的一部分[Seroka et al., 2022, 2024]。本研究中使用的计算网格基于可用的数字高程模型构建，仅包含水体而不包含陆地，因为内陆淹没不在本研究的范围内。将不同分辨率（从5米到2公里）的数字高程模型结合并插值，用于网格生成和模型水深。SCHISM固有的稳定性和鲁棒性允许采用来自数字高程模型的原始、未平滑的水深，从而提高了模拟的保真度和准确性。这种做法也改善了对关键过程的表示，并最大限度地减少了使用经过处理的、不真实的水深所带来的误差，使结果更具说服力[Zhang et al., 2024]。高分辨率网格（最高5米）应用于纽约/新泽西港及周边河流，以正确捕捉地理特征和站点位置，而相对粗糙的网格分辨率（3.8公里）用于开边界。计算网格由三角形和四边形单元组成。图1(b)和©提供了网格的详细近景视图。四边形单元用于有效 delineate 主要河流，如哈德逊河、哈肯萨克河、帕塞伊克河、拉威河和拉里坦河，如图1(b)所示。三角形单元用于精确描绘复杂的海岸线，如图1©所示。最终的网格包含95,566个节点和165,132个单元，水平分辨率从开边界的3.8公里到内陆河流内的5米不等。此外，采用LSC²垂直网格系统进行三维模拟，提供可变垂直分层的灵活性。

2.3. 模型设置

在本研究中，我们使用SCHISM 5.10版来评估模型在不同强迫源下的性能。该模型提供三维斜压模拟，时间步长为120秒。整个模拟域采用统一的底部粗糙度长度0.005米。风应力计算基于Hwang（2018）提出的算法。为了提高模型在模拟水温和盐度等标量场方面的精度，哈德逊河中的背景扩散率调整为较低值（即1e-6），而其他区域为1e-4。校准结果改善了盐度和水温分布的表示，突显了区域校准优于整个域统一扩散率方法的优势。

我们进行了数值实验，以评估和量化模型结果对潮汐、河流流量、海面强迫和开阔海洋边界条件等各种强迫源的敏感性。潮汐强迫来自三个不同的源：有限元解2014 [Lyard et al., 2021]、TOPEX/POSEIDON全球潮汐模型TPXO9 v1和TPXO9 v5 [Egbert and Erofeeva, 2002]。这些模型提供了开阔海洋边界条件的潮汐分量信息（如图1(a)所示）以及动量方程中的体积力，包含了八个重要的潮汐分潮：K1、K2、M2、N2、O1、P1、Q1和S2。开阔海洋边界条件，如海面高度、三维水温、盐度和海流，来自哥白尼海洋环境监测服务[Lellouche et al., 2018]、混合坐标海洋模型[Chassignet et al., 2007]和全球实时海洋预报系统[Garraffo et al., 2020]。这些来自大尺度/全球尺度海洋模型的变量被施加在开边界上，如图1(a)所示。海面强迫，包括风速、大气压、气温和降水，利用了各种大气模型的输出，如NOAA全球预报系统、欧洲中期天气预报中心再分析v5 [Hersbach et al., 2020]和NOAA高分辨率快速刷新模型[Dowell et al., 2022]。哈肯萨克河、帕塞伊克河、拉威河、拉里坦河和哈德逊河的河流流量数据来自美国地质调查局的观测和国家水模型[Cosgrove et al., 2024]。河流流入位置如图1(a)所示。表1总结了使用不同强迫源的实验。请注意，除了目标强迫源外，所有实验的模型配置和网格保持一致，以隔离强迫源对模型结果的影响。

图1. (a) 带有插值水深的模型域。红线代表模型的开阔海洋边界，红框表示内陆河流边界。带轮廓的红框表示(b)哈德逊河和©曼哈顿计算网格的放大视图。

表1 敏感性实验总结。

2.4. 目标时期

本研究在两个不同的时期评估数值模型：2021年时期（2021年7月1日至2021年10月1日）和2022年时期（2022年1月1日至2022年4月1日）。第一个时期包括夏秋季节，第二个时期包括冬春季节。选择这两个时期是因为它们能够描绘纽约/新泽西地区各种强迫因素（如风应力、气压、气温、热通量、海洋温度、海流和盐度）的季节性变化。因此，模型结果对不同强迫的敏感性也可以在季节性变化的背景下进行评估。此外，我们还评估了模型在极端天气条件下的性能，因为所选时间段包括飓风艾尔莎（2021年6月30日至2021年7月9日）、飓风亨利（2021年8月15日至2021年8月25日）、飓风艾达（2021年8月25日至2021年9月4日）和东北风暴（2022年1月14日至2022年1月21日）。在每个时间段进行一个月的 spin-up 后，将随后三个月的模拟结果与观测数据进行系统比较，以进行模型评估。

2.5. 观测与模型评估

我们利用来自USGS、NOAA/国家海洋服务局国家水位观测网、纽约/新泽西港物理海洋学实时系统、国家河口研究保护区系统监测计划和NJDEP海洋水监测计划的各种观测数据进行模型评估。这些观测包括潮汐分量、总水位、海流、水温和盐度，并将其与模型结果进行全面比较。图2显示了每个变量观测点的空间分布。潮汐分量和总水位不仅在纽约/新泽西港周围收集，还在长岛海峡和大南湾收集，如图2(a)和(b)所示。对于不同深度的海流速度剖面，在关键航道 Kill Van Kull 内使用了PORTS声学多普勒流速剖面仪，如图2(b)所示。ADCP的深度范围从3.5米到15.5米，间隔约1米。水温和盐度观测范围从下湾到哈德逊河上游，如图2©和(d)中的红圈所示。

图2. (a) 潮汐分量（红色）、(b) 总水位（红色）和海流（蓝色）、© 水温（红色）、(d) 盐度（红色）的观测位置。

表2显示了潮汐分量站点的详细位置，而表3列出了总水位和海流站点。表4显示了水温和盐度观测的详细信息。水温和盐度观测的可用性取决于年份，并列于表4中。除了基于点的观测外，我们还利用来自综合海洋观测系统的高频雷达数据和来自 Ship Oelander 项目的抛弃式水深温度计数据，来评估模型在模拟陆架尺度海洋环流以及海洋温度的垂直分布和分层方面的性能。这些观测提供的空间数据为我们评估模型在开阔海洋和大陆架区域再现海洋过程的能力提供了机会。广泛的观测数据使我们能够跨不同地理特征和海洋环境对模型进行全面评估，确保对模型能力进行稳健的验证和评估。

表2 潮汐分量站点

表3 总水位和海流站点。SF和WS分别代表夏秋季和冬春季。

表4 水温和盐度站点。SF和WS分别代表夏秋季和冬春季。

在本研究中，我们使用不同的统计量将模型结果与观测进行比较，如下所示：

偏差 (Eq. 1): $(1/N)\ast \Sigma (M_i-O_i)$

均方根误差 (Eq. 2): $sqrt((1/N)\ast \Sigma (M_i-O_i{)}^2)$

复误差 (Eq. 3): $sqrt(((A_{o}cos{P}_o-A_{m}cos{P}_m{)}^2+(A_{o}sin{P}_o-A_{m}sin{P}_m{)}^2)/2)$

其中 $M_i$、$O_i$ 和 N 分别是模型值、观测值和样本数。偏差量化了模型值与观测值之间的平均差异，作为模型系统性高估或低估的指标。RMSE 衡量模型值与观测值之间差异的幅度，提供了对模型整体精度的洞察。复误差同时考虑振幅和相位，以量化复平面上观测值与模型值之间的误差[Foreman et al., 1993]。通过使用这三个统计量，我们在下一节中进行模型评估。

3. 结果

3.1. 控制运行评估

我们首先校准和评估控制运行（例如 SF-CR 和 WS-CR），它作为下一节敏感性实验的参考点。控制运行代表了与使用不同强迫源的实验相对照的控制条件。通过将控制运行与其他实验进行比较，我们可以研究不同强迫源对模型性能的相对贡献。对控制运行的评估也确保了本研究中使用的模型能够正确捕捉纽约/新泽西港的关键过程，从而使本研究的发现建立可信度。

3.1.1. 潮汐分量

通过将模型模拟的潮汐分量与现场观测进行比较，评估了数值模型预测潮汐分量的保真度。一组14个NOAA站点提供了全面的潮汐分量数据。站点的详细信息如图2和表2所示。对模型输出进行调和分析，以提取主要潮汐分量的振幅和相位，重点分析M2分潮，因为它在整个美国东海岸占主导地位[Huang et al., 2022]。图3显示了不同站点模拟和观测的M2振幅和相位。模型正确地再现了M2分潮，在夏秋季和冬春季，振幅的RMSE分别为1.83厘米和2.25厘米。相位的RMSE在夏秋季为4.64°，在冬春季为5.00°，表明潮汐周期的时间对齐与观测数据良好。采用Foreman et al. (1993)的方法，我们使用一个复误差指标（公式3），该指标考虑了复平面上的振幅和相位偏差。这个综合度量显示，在所有评估站点上，夏秋季的RMS复误差为2.58厘米，冬春季为3.05厘米。模型的统计指标令人信服地证明了其在纽约/新泽西港区域对夏秋和冬春季节的潮汐动力学进行高可靠性近似的能力。

图3. 夏秋季和冬春季模拟与观测的M2振幅和相位。

3.1.2. 总水位

图4显示了2021年和2022年总水位的偏差（公式1）和RMSE（公式2）。具体来说，图4(a)和(b)显示了夏秋季的统计量，而图4©和(d)提供了冬春季的相应值。很明显，模型在夏秋季的水位预测精度高于冬春季。例如，偏差和RMSE突显了模型性能的季节性差异。在冬春季，模型倾向于比夏秋季更低估水位，如图4(a)和©所示。这种差异与冬春季由于季节性变化（如风应力和气压梯度增加）以及通过开边界条件的更动态的远程海洋强迫的影响而导致的水位普遍较高有关。这些因素还伴随着偶发的极端事件，如冬季风暴和东北风暴，模型更难以有效捕捉这些事件，导致更大的负偏差。这在补充图1所示的总水位的非潮汐余量中尤为明显。同样，如图4(b)和(d)所示，冬春季的RMSE值高于夏秋季，反映了季节性变化和极端事件的综合影响。造成这种差异的主要因素是与大气条件（如风应力和气压）以及通过开边界影响非潮汐余量的远程海洋强迫相关的不确定性。这些因素在极端天气条件下的异常水位中起着重要作用，如Park et al. (2022)的研究所讨论。我们通过分析选定极端事件（包括飓风艾尔莎、亨利、艾达、萨姆和东北风暴）期间的峰值水位及其发生时间，进一步评估了模型模拟极端海岸灾害的准确性。如补充表1和2所示，模型有效地捕捉了这些事件期间观测到的异常水位峰值和时间。这些发现突显了模型在表示关键风暴潮特征方面的可靠性，为灾害预测和海岸管理应用提供了宝贵的见解。

图4. 控制运行（即SF-CR和WS-CR）总水位的偏差（米）和RMSE（米）。顶行和底行分别代表夏秋季和冬春季的统计指标。

海岸周围水位的偏差通常很小（约±2厘米），两个季节都是如此，但在哈德逊河上游（例如图2中的WL07）发现了一个例外。如图4(a)和©所示，这里出现了高达12厘米的正偏差，表明在该特定位置模型技能最低。这种差异主要归因于河流流量数据的不确定性以及河流上数字高程模型的准确性。河流流量数据的不准确尤其成问题，因为纽约/新泽西港的可用测量数据有限，奥尔巴尼的USGS站点成为哈德逊河最近的上游数据收集点。有限的信息与数字高程模型固有的不确定性相结合，导致下游河流流量不真实，从而在该区域（如WL07）的水位预测中造成更大的误差。此外，表现出高偏差的区域通常与数字高程模型中表示不佳的狭窄码头相关，如补充图2所示。因此，夏秋季和冬春季的最高RMSE出现在WL07。与此同时，其他海岸区域的RMSE较为适中，夏秋季为8至10厘米，冬春季为13至14厘米，表明这些区域的模型性能更可靠。

3.1.3. 海流

对于海流评估，我们将模型模拟的海洋环流与纽约/新泽西港附近的高频雷达和ADCP测量结果进行了比较。图5显示了夏秋季和冬春季偏差和RMSE的空间分布。考虑到高频雷达固有的不确定性，我们排除了稀释精度低于0.3和水深低于40米的观测值，以进行模型与观测的比较。为了计算统计参数，我们将模型模拟的表层流插值到高频雷达的网格上，并采用观测的时间分辨率。请注意，尽管高频雷达的覆盖范围没有延伸到纽约/新泽西港的内陆航道，但该观测为模型在整个大陆架区域的预测能力提供了宝贵的见解。我们的统计评估显示，模型在大多数调查区域表现出高预测技能，平均RMSE在夏秋季为15.34厘米/秒，冬春季为12.81厘米/秒。两个季节的RMSE在向陆架断坡和东北方向（模型的开边界所在处）增加。因此，高RMSE可能受到开边界条件不确定性的影响。正因如此，这些区域的RMSE最高，高达20厘米/秒，而在靠近纽约/新泽西港和海岸时，RMSE降至6-10厘米/秒。偏差图显示模型普遍高估了海洋环流，夏秋季的平均偏差为7.23厘米/秒，冬春季为6.44厘米/秒。

图5. 控制运行（即SF-CR和WS-CR）海洋表层流RMSE和偏差的空间图。顶行和底行分别代表夏秋季和冬春季的空间图。

除了高频雷达，我们还利用ADCP测量评估了模型随深度的海流变化。该ADCP位于纽约/新泽西港的内陆航道，具体在KVK，如图2所示。我们的分析利用海流的主成分方向，这是对航道内主导流向的定量度量。通过分析主成分方向，我们评估了模型在不同深度（从3.5米到15.5米，间隔约1米，由ADCP记录）上对主导流向的准确性。表5显示了我们的模型与观测之间在主成分方向上的误差，以及沿主成分方向的海流速度在不同深度的RMSE和偏差。模型结果与ADCP导出的主成分方向非常吻合，显示主成分方向的深度平均误差在夏秋季为-2.54度，在冬春季为2.67度。沿主成分方向海流速度的深度平均RMSE在夏秋季为12.46厘米/秒，冬春季为13.61厘米/秒。冬春季的RMSE高于夏秋季，主要归因于与季节性、极端天气以及由此产生的内陆河流流量相关的强迫源不确定性更高。总的来说，模型显示出对海流的高估，夏秋季的深度平均偏差为4.69厘米/秒，冬春季为2.53厘米/秒。

表5 C01站点沿主成分方向的海流评估

3.1.4. 水温

我们研究了具有季节差异的水温偏差和RMSE，如图6所示。具体来说，图6(a)和(b)显示了夏秋季，而图6©和(d)对应于冬春季。我们的发现揭示了模型性能在两个季节之间的显著差异，因为夏秋季的RMSE和偏差低于冬春季，如图6所示。图6(a)和©显示，两个季节的温度偏差均为负值，夏季平均为-0.53°C，冬春季平均为-1.81°C。这些持续的冷偏差表明系统性地低估了水温，这部分归因于本研究中使用的来自大尺度海洋和大气模型的表面强迫以及初始和边界条件。例如，一个强迫源（如HRRR）表现出气温的冷偏差（补充图3），这意味着强迫源不确定性对我们模型结果的影响。偏差的程度随季节变化，冬春季的冷偏差比夏季更明显。此外，冬春季的气温经常降至冰点以下，如补充图3所示，这可能导致海冰形成。事实上，据报道哈德逊河上游有一些河冰。然而，我们的模型没有包含能够再现海冰隔热效应的冰模型，这可能导致冬春季更冷的偏差。此外，该模型没有像另一个模型那样包括该地区应急发电厂的大型热排放，这可能导致河流水温的额外冷偏差。图6(b)和(d)中的RMSE遵循偏差的空间模式，显示哈德逊河下游比上游有更高的RMSE。此外，冬春季温度的RMSE高于夏秋季，这是冷偏差增加的直接后果，突显了与冬季天气条件相关的特定季节挑战。这些发现不仅强调了考虑气温季节性变化的重要性，而且强调了需要改进强迫源的表示并纳入冰过程，以增强冬季季节的建模。

图6. 控制运行（即SF-CR和WS-CR）水温的偏差和RMSE。顶行和底行分别代表夏秋季和冬春季的统计指标。

图7显示了来自数值模型和 Ship Oleander 项目的XBT的垂直温度剖面。这些剖面描绘了不同观测点在不同深度的热梯度，如图7所示。在夏秋季，如图7左列所示，模型和观测都一致地显示出通过水柱的分层温度场。这种分层主要是由太阳辐射的强度和持久性增强所驱动的，导致温暖的表层水和较冷的深层水之间出现明显的热分离。尽管如此，它揭示了一些不准确性，特别是在上层20米内倾向于低估表层温度，显示出负偏差，同时高估了20至70米深度的温度，显示出正偏差。这些差异反映出模型模拟的温度分层比实际观测更不明显。相反，冬春季，如图7右列所示，显示观测到的温度剖面由于太阳辐射减弱和风混合效应增强而呈现出充分混合的垂直分布。从河口（较冷）到开阔海洋（较暖）的观测点观察到温度梯度。模型正确地模拟了充分混合的垂直结构和温度的跨陆架梯度，表明其在模拟冬季条件方面的有效性。开阔海洋附近较高的温度可能是由于墨西哥湾暖流带来的较暖水流流入。有趣的是，在河口附近观察到明显的温度垂直梯度，显示深层水比表层水更暖。在该区域，来自海洋的更稠密、更温暖的咸水入侵到河口区的更深水域，滑入河流排放的流出淡水之下。模型熟练地捕捉了这些复杂的动力学，反映在模拟的温度结构与观测模式的相似性上。总而言之，尽管模型结果在准确捕捉温度值方面存在误差，但它能够复制夏秋季和冬春季温度的关键垂直结构，从而增强了其在理解从纽约/新泽西港到大陆架的重要动力学方面的可信度和实用性。

图7. 夏季（左列）和冬季（右列）来自XBT和模型的温度垂直剖面。

3.1.5. 盐度

在图8中，通过偏差和RMSE说明了模型在不同季节预测盐度水平的准确性。具体来说，图8(a)和(b)详细说明了夏秋季的这些指标，而图8©和(d)显示了冬春季的相应值。在偏差方面，图8(a)和©揭示了哈德逊河上游在夏秋和冬春季普遍存在负偏差的趋势，意味着水团更淡。河流下游的偏差在夏秋季为正偏差，冬春季为负偏差。如图8(b)和(d)所示，夏秋和冬春季哈德逊河下游的RMSE均高于上游。总的来说，模型在捕捉哈德逊河和纽约/新泽西港沿岸的盐度方面表现出良好的技能。

图8. 控制运行（即SF-CR和WS-CR）盐度的偏差和RMSE。顶行和底行分别代表夏秋季和冬春季的统计指标。

通过图3至图8的模型评估强调了河流流量和数字高程模型对准确模拟纽约/新泽西港内水动力特性的关键影响。此外，与冬春季相比，模型在夏秋季表现出更高的准确性。这种季节性差异是由冬季的极端天气条件引起的，这增加了来自河流流量、降水、风和气压等强迫源的不确定性。如图6所讨论的，模型内缺乏冰模型和热源可能会在寒冷月份加剧误差程度，进一步阻碍模型精度。尽管存在这些挑战，我们的比较分析突显了模型在模拟控制重要变量的基本过程和动力学方面的强大能力。我们模型的可靠性使我们能够进行一系列敏感性实验，旨在研究不同强迫源对模型结果的影响。

3.2. 敏感性实验

前一节的模型评估显示，模型对水位、海流、温度和盐度等变量的预测能力受到强迫源固有不确定性的影响。随着大量大尺度模型的可用以及降尺度建模中强迫源观测数据的不断增长，评估模型结果对不同强迫源的敏感性非常重要。因此，我们在下一节中研究了不同水动力变量对潮汐、海面强迫、开阔海洋边界条件和河流流量等不同强迫源的依赖性和敏感性。

3.2.1. 潮汐源：FES2014、TPXO9 v1 和 TPXO9 v5

为了评估模型结果对不同潮汐强迫源的敏感性，使用条形图可视化不同潮汐模型实验中不同水动力变量的统计参数。敏感性分析考虑了三种不同的潮汐模型，即FES2014、TPXO9 v1和TPXO9 v5，如表1所总结。

图9显示了不同潮汐强迫源下总水位和海流的平均均方根误差条形图。就图9(a)中的总水位而言，使用FES2014（即SF-CR和WS-CR）和TPXO9v5（即SF-TP5和WS-TP5）的实验的平均RMSE相当。具体来说，SF-CR的平均RMSE为9.27厘米，SF-TP5为9.65厘米，而WS-CR和WS-TP5的平均RMSE分别为14.39厘米和14.68厘米。这种比较表明，两种潮汐强迫源在预测总水位方面产生相似的性能。在夏秋季，使用TPXO9 v1（例如SF-TP1）的模型结果显示出最高的平均RMSE（10.84厘米），比SF-CR实验高出约1.57厘米。在冬季，WS-CR（14.39厘米）和WS-TP1（14.77厘米）之间的平均RMSE差异不太明显，小于1厘米。比较实验中M2潮汐分量的补充图4显示了类似的趋势。M2振幅的RMSE在夏秋季从1.83厘米（SF-CR）到4.99厘米（SF-TP1）不等，在冬春季从2.25厘米（WS-CR）到2.9厘米（WS-TP1）不等。这些发现表明，在所有实验中，控制运行始终显示出总水位和M2潮汐分量的最低RMSE。

图9. 不同潮汐强迫下(a)总水位和(b)海流平均RMSE的条形图。总水位的平均RMSE根据不同的总水位站点计算，而海流的平均RMSE根据图2(b)所示海流站点的不同深度计算。

关于图9(b)中的海流，使用FES2014和TPXO9v5的模型结果显示相当的平均RMSE，夏秋季从12.50厘米/秒（SF-CR）到12.12厘米/秒（SF-TP5），冬春季从13.66厘米/秒（WS-CR）到13.55厘米/秒（WS-TP5）。这种相似性强调了这些潮汐强迫源在模拟海流速度方面的鲁棒性。使用TPXO9 v1的实验（即SF-TP1和WS-TP5）显示，与其他实验相比，该实验导致最高的平均RMSE，夏季比控制运行高1.43厘米/秒，冬季高0.65厘米/秒。比较分析突显了不同潮汐强迫源对纽约/新泽西港内陆地区的总水位和海流的显著影响。

与在内陆航道观测到的海流相比，不同潮汐强迫源对陆架尺度海流的影响很小。图10显示了表层海流RMSE的二维图，来自与高频雷达数据的比较。在夏秋季，RMSE的空间分布在不同的实验设置中保持一致，在开边界和东北部地区附近观察到更高的值。夏秋季实验的平均RMSE范围从15.34厘米/秒（SF-CR）到15.52厘米/秒（SF-TP1）。在冬春季，平均RMSE范围从12.81厘米/秒（WS-CR）到12.96厘米/秒（WS-TP1）。误差值的最大差异在夏秋季约为0.18厘米/秒，在冬春季约为0.15厘米/秒。这些结果突显了不同潮汐强迫源在影响陆架尺度海流方面发挥的相对较小的作用。在不同潮汐强迫情景下RMSE模式的一致性表明，其他因素可能对研究区域表层海流的空间变异性具有更显著的影响，这将在第3.2.2和3.2.3节中进一步讨论。

图10. 不同潮汐强迫（第一列：FES2014，第二列：TPXO9 v1，第三列：TPXO9 v5）下海洋表层流RMSE的空间图。顶行和底行分别代表夏秋季和冬春季的空间图。

图11显示了不同潮汐强迫源下盐度和温度的平均RMSE箱线图。该图提供了不同潮汐模型如何影响温度和盐度预测准确性的比较分析。图11(a)显示，不同实验中盐度预测的条形图大小相似，表明哈德逊河沿岸的盐度预测对潮汐模型的选择相对不敏感。盐度的平均RMSE在夏秋季从1.59 PSU（SF-CR）到1.64 PSU（SF-TP1）不等，在冬春季从2.06 PSU（WS-CR）到2.08 PSU（WS-TP5）不等。相比之下，如图11(b)所示，纽约/新泽西港的水温预测显示出对不同潮汐强迫源的明显依赖性。这种变化强调了潮汐模型在准确模拟河口环境中水温分布方面的重要作用。总体而言，使用FES2014的实验在水温方面产生了最低的平均RMSE，夏秋季为0.8°C（SF-CR），冬春季为1.91°C（WS-CR）。使用TPXO9v5的实验显示出最高的平均RMSE，夏秋季为0.86°C（SF-TP5），冬春季为2.24°C（WS-TP5）。误差的高差异主要在哈德逊河上游观察到，如补充图5所示。在上游河流区域，潮汐流与河流流量之间的相互作用更为明显。鉴于不同的潮汐模型呈现不同的潮汐特性，河流上游的模拟温度显示出对所选潮汐模型的明显依赖性。例如，与TPXO9 v1和v5相比，FES2014更高的空间分辨率使得能够更准确地表示像哈德逊河上游这样的小尺度区域的潮汐动力学。这种改进的分辨率增强了海洋温度平流和再分布过程的准确性，强调了潮汐驱动过程在该区域的主导作用，其中潮汐能与淡水流入强烈相互作用。此外，实验中洋流表示的差异会影响海气通量，进一步导致上游区域温度预测的变异性。不同潮汐强迫源的影响在哈德逊河河口和下游周围较小，在该区域显示出相似的误差（补充图5）。这是因为陆架尺度海洋环流对潮汐模型的选择表现出最小的敏感性，如图10所示。补充图6进一步证明了各种潮汐模型对水温垂直剖面的影响最小（与本研究中的1/16°到1/6°空间分辨率相比），与上游哈德逊河形成对比。这种降低的敏感性导致在不同潮汐模型实验中产生相似的海洋温度预测。

图11. 不同潮汐强迫下(a)盐度和(b)水温平均RMSE的条形图。盐度和温度的平均RMSE根据图2©和(d)所示的不同温度和盐度站点计算。

模型结果对潮汐模型的不同响应归因于潮汐模型固有的不确定性。图12显示了不同潮汐模型之间M2振幅的误差，突显了这些差异。在潮汐模型精度方面，TPXO9 v1在三个不同位置显示出比FES2014和TPXO9 v5更高的M2振幅误差。TPXO9 v1降低的精度解释了在SF-TP1和WS-TP1实验中观察到的更高误差，如图9和补充图4所示。

图12. (a) 用于比较M2振幅的NOAA站点位置。(b) 不同潮汐模型的M2振幅误差。

图9至图11中不同实验之间模型性能的比较分析表明，不同的潮汐强迫源显著影响水动力变量。虽然对于盐度模拟，潮汐模型的选择不太关键，如不同实验中相当的模型误差所示，但对于准确确定海流、水位和水温，潮汐强迫源的选择至关重要。由于不同的潮汐强迫源，纽约/新泽西港和哈德逊河的平均RMSE变化高达：总水位16.94%，海流14.93%，盐度3.1%，水温17.28%。该敏感性实验强调了仔细选择潮汐强迫以最大限度地提高与观测数据的保真度的重要性，从而提高海岸海洋模型的整体准确性。请注意，潮汐效应可以通过与河流流量、大气强迫和开阔海洋边界条件的相互作用来调节。例如，潮汐流与河流流量的相互作用调节了混合和平流过程，从而影响了目标区域的温度和盐度分布。类似地，风应力和表面热通量等大气因素可以放大或抑制潮汐动力学，进一步影响水位和热结构。全面理解这些相互依赖性对于提高模型精度和有效解释敏感性实验的结果至关重要。

3.2.2. 海面强迫源：HRRR、ERA5 和 GFS

海岸海洋模型的海面强迫包括风应力、气压、降水和热通量，这些来自大尺度大气模型。图13显示了不同大气模型下总水位和海流的平均RMSE条形图。考虑的大气模型包括HRRR、ERA5和GFS，如表1所总结。该图提供了不同大气输入源如何影响模型预测水位和海流性能的见解。图13(a)显示了总水位的平均RMSE条形图。对于夏秋季的控制运行（SF-CR），最低RMSE为9.27厘米，而SF-ER为9.36厘米，SF-GF为9.69厘米。夏秋季误差的最大差异在SF-CR和SF-GF之间约为0.42厘米。在冬春季，WS-CR的RMSE为14.39厘米，WS-ER为13.60厘米，WS-GF为14.07厘米，WS-CR和WS-ER之间的最大差异约为0.79厘米。冬春季总水位对大气强迫的更高敏感性（例如，RMSE中更高的最大差异）可能是由于不同大气强迫源对极端天气的不同表示，因为冬春季总水位受大气强迫的影响比夏秋季更大。尽管如此，两个季节实验之间的RMSE差异均小于1厘米，表明不同大气模型对总水位预测的影响很小。图13(b)显示了海流的平均RMSE条形图。在夏秋季，SF-GF显示最低RMSE为12.06厘米/秒，其次是SF-CR的12.50厘米/秒和SF-ER的12.25厘米/秒。误差的最大差异在SF-CR和SF-GF之间约为0.44厘米/秒。在冬春季，WS-CR的RMSE为13.66厘米/秒，WS-ER为13.64厘米/秒，WS-GF为13.89厘米/秒，WS-ER和WS-GF之间的最大差异约为0.25厘米/秒。总体而言，如图2所示的内陆地区的总水位和海流对不同大气模型的敏感性有限。实验中RMSE的微小差异表明，尽管模型的空间和时间分辨率不同，但大气模型的选择对这些内陆地区的总水位和海流精度影响较小。

图13. 不同大气强迫下(a)总水位和(b)海流平均RMSE的条形图。总水位的平均RMSE根据不同的总水位站点计算，而海流的平均RMSE根据图2(b)所示海流站点的不同深度计算。

大陆架上的表层海流显示出对不同大气模型的明显依赖性。这表明大气强迫源在塑造这些区域模拟表层海流的准确性方面起着重要作用。图14显示了大陆架表层海流RMSE的二维图。在夏秋季，不同实验中RMSE的空间模式相似，在研究区域的开边界和东北部附近观察到更高的值。详细检查显示，使用ERA5数据的实验产生最小的平均RMSE为14.27厘米/秒，而HRRR为15.34厘米/秒，GFS为15.52厘米/秒。夏秋季误差的最大差异在SF-ER和SF-GF之间约为1.25厘米/秒。在冬春季，ERA5模型再次产生最小的平均RMSE为11.13厘米/秒，而HRRR为12.81厘米/秒，GFS为12.89厘米/秒。冬春季误差的最大差异在SF-ER和SF-GF之间约为1.76厘米/秒。这些结果强调了不同大气模型输入对陆架尺度海流的显著影响。RMSE的变化突显了选择合适的大气模型以提高大陆架表层海流预测保真度的重要性。ERA5在夏秋和冬春季均表现出更好的性能，表明其在该研究区域的适用性。

图14. 不同潮汐强迫（第一列：HRRR，第二列：ERA5，第三列：GFS）下海洋表层流RMSE的空间图。顶行和底行分别代表夏秋季和冬春季的空间图。

图15显示了不同大气模型下盐度和水温的平均RMSE条形图，提供了这些模型如何影响盐度和温度预测准确性的见解。图15(a)显示了盐度的条形图。在夏秋季，使用GFS的实验（SF-GF）显示出最高的RMSE为1.64 PSU，而SF-CR为1.59 PSU，SF-GF为1.62 PSU。误差的最大差异在SF-GF和SF-CR之间约为0.05 PSU。在冬春季，使用HRRR的实验（WS-CR）显示出最高的RMSE为2.06 PSU，而WS-ER为1.98 PSU，WS-GF为1.95 PSU，WS-GF和WS-CR之间的最大差异为0.11 PSU。图15(b)显示了水温的平均RMSE条形图。在夏秋季，使用HRRR的模型结果（SF-CR）显示出最低的平均RMSE为0.80°C，而SF-ER为1.07°C，SF-GF为1.34°C。误差的最大差异在SF-CR和SF-GF之间约为0.54°C。在冬春季，使用ERA5的实验（WS-ER）产生最低的平均RMSE为1.74°C，而HRRR和GFS模型均为1.91°C。冬春季误差的最大差异在WS-ER和其他模型之间约为0.17°C。总体而言，这些结果突显了不同大气模型对盐度和水温预测的影响。盐度和温度预测在不同模型中表现出不同的准确性水平，HRRR和ERA5分别在夏秋季和冬春季表现更好。

图15. 不同大气强迫下(a)盐度和(b)水温平均RMSE的条形图。温度和盐度的平均RMSE根据图2©和(d)所示的不同温度和盐度站点计算。

我们将温度的不同模型误差直接归因于大气模型固有的不确定性。图16显示了不同大气模型沿哈德逊河的气温偏差，与NOAA站点的观测进行比较。来自不同模型的气温平均偏差显示为负值，夏秋季范围从-0.18°C（HRRR和GFS）到-0.19°C（ERA5）。尽管不同模型之间的偏差相似，但HRRR的高分辨率结果可以更好地捕捉哈德逊河沿岸气温的时空变化，从而导致夏秋季模型性能的改善，如图15(b)所示。在冬春季，不同大气模型的气温平均偏差也显示为负值，范围从-0.28°C（ERA5）到-0.74°C（HRRR）。尽管HRRR提供了高分辨率数据，但其较高的气温偏差误差导致SCHISM模型模拟温度出现更大的误差。这说明虽然更高的分辨率可以增强模型准确性的某些方面，但它不一定能纠正输入源中的固有偏差。总体而言，这些发现强调了解决大气模型输入中的不确定性以改善水动力模型中水温预测的重要性。在不同模型中观察到的一致负偏差表明，需要进一步的校准和验证，以提高沿海和河口环境中水温预测的可靠性。为了提高水温预测的可靠性，可以校准影响海气通量的关键参数，例如短波和长波辐射系数以及潜热和感热通量。这些调整直接影响空气-水界面的热交换过程。此外，对输入大气场应用偏差校正或时空调整可以进一步提高模型的准确性。这些努力强调了校准输入数据和物理参数化以减轻表面强迫不确定性的重要性。

图16. (a) 用于比较气温的NOAA站点位置。(b) 夏秋季的气温偏差。© 冬春季的气温偏差。

我们利用垂直剖面进一步研究开阔海洋的温度场，以了解不同大气强迫源对水温随深度分布的影响。当冬春季水温垂直结构充分混合时，与夏秋季相比，不同大气强迫源对垂直温度剖面的影响变得更加明显。图17显示了来自不同实验的沿XBT断面的垂直温度剖面。在夏秋季，所有实验的水温剖面相似，在SF-CR中河口周围表层水略微温暖，表明具有可比值的温度分层一致。在冬春季，不同实验之间的温度剖面有所不同，显示出对不同大气强迫源的明显依赖性。这种变异性是由于大气强迫对垂直温度结构的强烈影响，主要通过风致混合以及下降流和上升流等过程。

图17. 夏季（左列）和冬季（右列）来自XBT和使用不同大气强迫源实验的温度垂直剖面。XBT点的位置如图7所示。

图13至图17的分析表明，无论使用何种大气模型，夏秋季总水位、海流、温度和盐度的模型误差通常低于冬春季。冬季误差的增加归因于季节性和极端天气条件，这给不同大气模型带来了更大的变异性和更高的误差。此外，水温场对不同大气强迫源最为敏感。由于不同的大气强迫源，纽约/新泽西港和哈德逊河的平均RMSE变化高达：总水位5.81%，海流3.65%，盐度5.64%，水温67.50%。

3.2.3. 开阔海洋边界条件源：CMEMS、HYCOM 和 GRTOFS

海岸海洋模型的开阔海洋边界条件代表来自更大尺度海洋模型的海面高度、海洋环流、水温和盐度。图18显示了在不同海洋强迫条件下分析的总水位和海流的平均RMSE条形图。敏感性分析包括三种不同的海洋模型：CMEMS、HYCOM和GRTOFS，如表1所总结。图18(a)显示了总水位的RMSE条形图。结果表明，与冬春季相比，夏秋季总水位受不同海洋强迫源的影响较小。夏秋季的平均RMSE范围从9.27厘米（SF-CR）到9.38厘米（SF-GR和SF-HY）。相比之下，冬春季的平均RMSE范围从14.39厘米（WS-CR）到14.93厘米（WS-GR）。夏季误差的最大差异约为0.11厘米，而冬春季的最大差异约为0.54厘米。水位对不同海洋模型的敏感性增加源于冬春季更极端的大气条件。增加的风应力和气压变化放大了海面高度和海流的变异性，特别是在使用不同海洋模型的开阔海洋边界处。鉴于开边界条件在将远程海洋强迫传播到海岸海平面方面的重要作用，这些不确定性导致冬春季模拟水位出现更高的误差和敏感性，与夏秋季相比。图18(b)显示了KVK不同深度海流的平均RMSE。夏秋季的RMSE范围从12.50厘米/秒（SF-CR）到12.73厘米/秒（SF-GR），冬春季从13.66厘米/秒（WS-CR）到13.74厘米/秒（WS-HY）。实验中误差的相似性表明，不同海洋模型对KVK海流的影响很小。这表明海流预测对海洋模型的选择相对稳健，不同模型之间仅观察到轻微变化。

图18. 不同海洋模型下(a)总水位和(b)海流平均RMSE的条形图。总水位的平均RMSE根据不同的总水位站点计算，而海流的平均RMSE根据图2(b)所示海流站点的不同深度计算。

不同海洋模型的显著影响在大陆架的海流上观察到，如图19所示。对于夏秋和冬春季，所有实验在开边界和模型域东北部都显示出高RMSE。然而，这些RMSE的幅度在不同实验中有所不同。使用CMEMS的实验（即SF-CR和WS-CR）显示出最低的平均RMSE，夏秋季为15.34厘米/秒，冬春季为12.81厘米/秒。这表明CMEMS在这些区域提供了更准确的表层海流预测。相比之下，使用HYCOM的实验（即SF-HY和WS-HY）导致最高的平均RMSE，夏秋季为16.24厘米/秒，冬春季为14.18厘米/秒。使用CMEMS和HYCOM的实验之间RMSE的最大差异在夏秋季约为0.9厘米/秒，在冬春季约为1.37厘米/秒。这些差异强调了为更好地提高大陆架模拟表层海流的准确性而对海洋模型进行优化选择的重要性。

图19. 不同海洋模型（第一列：CMEMS，第二列：HYCOM，第三列：G-ROFS）下海洋表层流RMSE的空间图。顶行和底行分别代表夏秋季和冬春季的空间图。

图20显示了在不同海洋模型下分析的盐度和温度的平均RMSE。通过图20(a)，观察到盐度的RMSE在夏秋季范围从1.59 PSU（SF-CR）到1.66 PSU（SF-GR），在冬春季从2.06 PSU（WS-CR和WS-GR）到2.07 PSU（WS-HY）。总体而言，使用CMEMS的实验在两个季节都表现出最低的误差。盐度对不同海洋模型的敏感性归因于通过开边界的咸水交换变化，这影响了模型域中的盐度分布。大型海洋模型（如HYCOM、GRTOFS和HYCOM）之间盐交换的差异可归因于模型分辨率、数据同化方法和输入源的变化。例如，具有更高分辨率或更复杂数据同化方案的模型能更好地捕捉中尺度动力学，如涡旋和边界流，这些强烈影响盐度输运和混合。此外，用于约束这些模型的观测数据和大气模型的质量和时间频率的差异也导致了盐度的变异性。图20(b)显示了温度的平均RMSE。夏季水温的RMSE范围从0.80°C（SF-CR）到0.84°C（SF-HY），冬春季从1.88°C（WS-GR）到1.92°C（WS-HY）。每个季节内实验之间的误差相似，表明不同海洋模型的性能一致。然而，误差存在明显的季节性差异，无论使用何种海洋模型，冬春季的RMSE都高于夏秋季。这表明由于季节性变化和极端条件增加，冬春季的水温预测更具挑战性。

图20. 不同海洋模型下(a)盐度和(b)水温平均RMSE的条形图。温度和盐度的平均RMSE根据图2©和(d)所示的不同温度和盐度站点计算。

沿XBT点的温度垂直剖面图21清楚地说明了来自不同海洋模型的不同开边界条件对开阔海洋温度场的影响。该分析突显了不同海洋模型如何影响不同深度的温度分层和分布。在夏秋季，当温度分层明显时，与CMEMS强迫的实验（SF-CR）相比，HYCOM和GRTOFS强迫的实验（SF-HY和SF-GR）显示出较暖的表层水（0至30米）和较冷的深层水（近海区域40至70米）。这表明HYCOM和GRTOFS实验在夏秋季有更强的分层，意味着这些模型模拟了海洋内更明显的温度层。在冬春季，当海洋温度随深度充分混合时，观察到整个陆架温度分布的显著差异，特别是图7中讨论的较暖水入侵。通常，WS-HY实验在开阔海洋中显示出比其他实验更暖的温度，导致河口区域较冷的表层水下方出现更高的温度入侵。不同实验的温度垂直结构表明陆架尺度温度对各种海洋强迫源有明显的依赖性。

图21. 夏秋季（左列）和冬春季（右列）来自XBT和使用不同海洋模型实验的温度垂直剖面。XBT点的位置如图7所示。

总之，模型结果（如总水位、海流、温度和盐度）对哈德逊河和纽约/新泽西港的不同海洋强迫敏感性较低，而不同开边界条件源的影响在陆架尺度表层海流和温度场跨陆架梯度方面在陆架上表现明显。由于不同的开边界条件，哈德逊河和纽约/新泽西港的平均RMSE变化高达：总水位2.36%，海流1.84%，盐度4.40%，水温5.00%。然而，在极端天气事件期间，内陆航道的水位对不同来源的开边界条件变得敏感。这种敏感性出现是因为开边界条件，如海面高度和海流，在水位动力学中起着关键作用，作为远程海洋强迫。

3.2.4. 河流流量源：USGS 和 NWM

图22显示了两种不同河流强迫源下总水位的RMSE条形图和二维图：来自USGS的观测数据和来自NWM的模型数据，如表1所总结。由于USGS数据代表直接观测，这种比较使我们能够评估NWM河流流量数据中的不确定性如何影响模拟的水动力变量。图22(a)显示，各站点水位的平均RMSE在两种强迫源之间普遍相似。例如，夏秋季的平均RMSE范围从9.27厘米（SF-CR）到9.40厘米（SM-RF），而冬春季范围从14.39厘米（WS-CR）到14.54厘米（WS-RF）。然而，对单个站点的更仔细检查揭示了河流流量不确定性影响的空间变异性，如图22(b)所示。哈德逊河中的上游站点（如WLO7）在NWM强迫下表现出比USGS数据更高的RMSE。相比之下，下游站点和河口周围的站点（如WLO1至WLO6）在两个数据源之间显示出最小的差异。这些结果表明，河流流量数据的不确定性在上游区域变得日益显著，强调了在这些区域准确输入河流流量对于可靠水位预测的重要性。

图22. 不同河流流量源下总水位平均RMSE的(a)条形图和(b)二维图。(a)中总水位的平均RMSE根据图2(b)所示的不同总水位站点计算。(b)中的顶行和底行分别代表夏秋季和冬春季的统计参数。

图23显示了KVK不同深度海流的平均RMSE。结果表明，RMSE在夏秋季范围从12.50厘米/秒（SF-CR）到12.92厘米/秒（SM-RF），在冬春季从13.66厘米/秒（WS-CR）到13.74厘米/秒（WS-RF）。两种河流流量源之间的RMSE差异在夏秋季（约0.42厘米/秒）比冬春季（0.18厘米/秒）更明显。这种季节性差异可归因于夏季哈肯萨克河和帕塞伊克河河流流量的较高误差，如图24所示。这些河流对KVK海流的更强影响突显了准确估计流量的重要性，特别是在夏秋季，由于飓风，河流流量变率更为显著。与内陆海流相比，不同河流流量源对陆架尺度海流的影响可以忽略不计，如补充图7所示。在夏秋季，陆架尺度海流RMSE的空间分布在不同实验中基本保持一致，在域的开边界和东北部地区观察到较高的RMSE值。这些结果表明，河流强迫在影响陆架尺度海洋环流方面作用较小，而其影响在内陆河流和航道中更为显著。

图23. 不同海洋模型下海洋环流平均RMSE的条形图。海流的平均RMSE根据图2(b)所示海流站点的不同深度计算。

图24. 来自USGS（红线）和NWM（蓝线）的哈德逊河、哈肯萨克河、帕塞伊克河、拉威河和拉里坦河河流流量的时间历程。

图25显示了不同河流流量源下盐度的RMSE条形图和二维图。在图25(a)中，盐度的RMSE在夏秋季范围从1.59 PSU（SF-CR）到1.82 PSU（SF-RF），在冬春季从2.06 PSU（WS-CR）到2.98 PSU（WS-RF）。值得注意的是，RMSE的差异在冬春季（0.92 PSU）大于夏秋季（0.23 PSU），这可归因于该季节与夏秋季相比，哈德逊河NWM数据的更高不确定性，如图24所示。这一观察结果尤其重要，因为大多数盐度测量集中在哈德逊河沿岸，在那里淡水排放与潮汐咸水相互作用强烈影响盐度分布。在潮汐咸水几乎无法到达且盐度接近于零的哈德逊河上游，使用USGS和NWM河流流量的实验之间的RMSE差异可以忽略不计，如图25(b)所示。然而，在潮汐咸水与淡水积极混合的下游，盐度的RMSE差异更为明显。这表明，与利用观测的基于USGS的实验相比，NWM河流流量输出中固有的不确定性在下游引入了更大的误差。

图25. 不同河流流量源下盐度平均RMSE的(a)条形图和(b)二维图。(a)中盐度的平均RMSE根据图2(b)所示的不同总水位站点计算。(b)中的顶行和底行分别代表夏秋季和冬春季的统计参数。

图26显示了水温的平均RMSE，显示实验之间的差异很小。RMSE在夏秋季范围从0.80°C（SF-CR）到0.83°C（SF-RF），在冬春季从1.90°C（WS-RF）到1.91°C（WS-CR）。每个季节内误差的相似性表明不同河流流量源下的模型性能一致。此外，补充图8表明，不同河流流量源的选择对大陆架上的垂直温度结构影响不大，所有实验中的模式和幅度都相似。

图26. 不同海洋模型下水温平均RMSE的条形图。水温的平均RMSE根据图2(b)所示的温度站点计算。

图22至图26的比较分析强调，河流流量的不确定性显著影响上游总水位、内陆航道海流和下游盐度，而水温对不同河流流量源的敏感性可以忽略不计。定量地，敏感性实验显示，在纽约/新泽西港和哈德逊河内，平均RMSE变化高达：总水位1.40%，海流3.20%，盐度44.66%，水温3.75%。相比之下，NWM数据不确定性对陆架尺度海洋环流和开阔海洋海洋温度垂直剖面的影响很小或可以忽略不计。这些发现强调了河流流量不确定性在水动力建模中的关键作用，特别是模拟盐度对河流流量源变化的敏感性增加。因此，准确表示河流流量对于在淡水和潮汐混合占主导地位的区域提高模型保真度至关重要。

4. 讨论与结论

本研究的发现突显了潮汐、海面强迫、开阔海洋条件和河流流量的不同强迫源对海岸海洋模型准确性的显著影响。通过针对不同强迫情景对总水位、海流、盐度和水温进行敏感性实验，我们研究了这些源在海岸海洋条件中的独特作用和贡献。首先，我们校准和评估了控制运行（第3.1节），以确保本研究中使用的模型能够准确捕捉纽约/新泽西港的关键过程。通过将模型结果与广泛的观测集进行比较，我们为控制运行建立了高精度，证实了我们发现的可信度。

潮汐源，如FES2014、TPXO9 v1和TPXO9 v5，显著影响内陆地区（例如纽约/新泽西港的主要河流和河口）的潮汐分量、总水位、海流和温度，对盐度影响较小。由于不同的潮汐强迫源，纽约/新泽西港和哈德逊河的平均RMSE变化高达：总水位16.94%，海流14.93%，盐度3.1%，水温17.28%。与高频雷达和XBT数据的比较表明，不同潮汐强迫源对大陆架上的表层海流和温度垂直结构影响较小，在不同潮汐强迫源的实验中表现出相似的RMSE。

海面强迫源，包括HRRR、ERA5和GFS，对模型预测显示出不同程度的影响。虽然总水位、海流和盐度预测对不同大气模型的敏感性较低，但纽约/新泽西港的温度预测显示出对不同大气强迫源的明显依赖性。由于不同的大气强迫源，纽约/新泽西港和哈德逊河的平均RMSE变化高达：总水位5.81%，海流3.65%，盐度5.64%，水温67.50%。此外，大陆架上的表层海流对不同大气强迫源显著敏感。冬季风致混合显著影响垂直温度结构，而夏季海洋温度的强分层对不同表面强迫源不敏感。

开阔海洋边界条件源，如CMEMS、HYCOM和GRTOFS，对纽约/新泽西港的水动力变量影响较小。由于不同的海洋强迫源，哈德逊河上纽约/新泽西港的平均RMSE变化高达：总水位2.36%，海流1.84%，盐度4.40%，水温5.00%。海洋强迫源显著影响大陆架上的海洋环流，根据不同的强迫源，平均RMSE变化高达9.66%。海洋强迫的不同来源也影响夏季近海温度分层的强度以及冬季温度场的跨陆架梯度，冬季海洋温度随深度充分混合。

不同来源的河流流量数据，如USGS和NWM，影响上游总水位、内陆航道海流和下游盐度，而对纽约/新泽西港的水温影响可以忽略不计。敏感性实验显示，在纽约/新泽西港和哈德逊河内，由于不同的河流流量数据源，平均RMSE变化高达：总水位1.40%，海流3.20%，盐度44.66%，水温3.75%。不同来源的河流流量数据对陆架尺度海洋环流和开阔海洋区域的海洋温度垂直剖面影响很小或可以忽略不计。表6提供了与不同强迫源相关的纽约/新泽西港水动力变量RMSE的最大变化总结。

表6 不同强迫源导致的RMSE最大变化

总体而言，我们的分析表明，不同的强迫源在调节海岸海洋模型输出中扮演着独特的角色。本研究中进行的敏感性实验对于确定根据目标现象和动力学最小化误差和提高预测能力的最优强迫源至关重要。通过理解潮汐、海面强迫、开阔海洋条件和河流流量的具体贡献，可以进一步提高海岸海洋模型的准确性和可靠性，支持更明智的海岸管理和减灾决策。

尽管有这些发现，本研究仍有局限性。专注于特定区域和时间段可能会限制结果对其他海岸环境和其他季节的推广。此外，模型预测长期趋势的性能需要进一步研究。未来的研究应扩大地理范围，纳入不同的气候条件，并探索不同强迫源的长期影响。

总之，随着大量大尺度/全球尺度模型和观测的出现，海岸海洋建模可以从使用更多强迫源中受益。由于不同的强迫源独特地影响水动力和热力学特性，根据模拟目的选择合适的强迫源以获得更好的后报/预报是有益的。使用不同强迫源进行模型改进和评估将减少模型不确定性，增强模型信心，并支持在管理安全高效的海洋航行、预测海岸环境和缓解气候变化下的海岸灾害方面做出更明智的决策。

CRediT 作者贡献声明

Kyungmin Park：验证、调查、数据管理、写作-审阅与编辑、写作-初稿、可视化、方法、形式分析、概念化。Y. Joseph Zhang：写作-审阅与编辑、方法。Emanuele Di Lorenzo：写作-审阅与编辑、资金获取。Gregory Seroka：写作-审阅与编辑。Ayumi Fujisaki-Manome：写作-审阅与编辑。Shachak Pe’eri：写作-审阅与编辑。Saeed Moghimi：写作-审阅与编辑。John G.W. Kelley：写作-审阅与编辑。

利益冲突声明

作者声明，他们没有已知的影响本文所报告工作的竞争性经济利益或个人关系。

致谢

这项工作由NOAA统一预报系统MARACOOS基金UDR0000535和NA220AR4320150资助。我们还感谢3CRS、NSF EPSCOR 2316271和CEAR NOAA NA22NOS4690219海岸韧性中心的部份支持。所有模型模拟均在德克萨斯大学奥斯汀分校的德克萨斯高级计算中心的Frontera超级计算机上执行。这是CIGLR贡献第1266号。

补充材料

与本文相关的补充材料可在在线版本中找到，doi:10.1016/j.ocemod.2025.102598。