中文版 | English

在结果中检索

IOCAS-IR

浏览/检索结果: 共5条，第1-5条 帮助

限定条件            
已选(0)清除 条数/页：   排序方式：
The Optimal Precursors for ENSO Events Depicted Using the Gradient-definition-based Method in an Intermediate Coupled Model 期刊论文
ADVANCES IN ATMOSPHERIC SCIENCES, 2019, 卷号: 36, 期号: 12, 页码: 1381-1392
作者:  Mu, Bin;  Ren, Juhui;  Yuan, Shijin;  Zhang, Rong-Hua;  Chen, Lei;  Gao, Chuan
Adobe PDF(1429Kb)  |  收藏  |  浏览/下载：197/0  |  提交时间：2020/09/21
optimal precursor  ENSO  gradient-definition-based method  conditional nonlinear optimal perturbation  intermediate coupled model  
Effects of Salinity Variability on Recent El Nino Events 期刊论文
ATMOSPHERE, 2019, 卷号: 10, 期号: 8, 页码: 20
作者:  Zhi, Hai;  Zhang, Rong-Hua;  Lin, Pengfei;  Shi, Shiwei
Adobe PDF(10326Kb)  |  收藏  |  浏览/下载：328/0  |  提交时间：2020/01/03
sea surface salinity anomaly  interannual variability  strong and weak El Nino  equatorial Pacific  
Interannual Salinity Variability in the Tropical Pacific in CMIP5 Simulations 期刊论文
ADVANCES IN ATMOSPHERIC SCIENCES, 2019, 卷号: 36, 期号: 4, 页码: 378-396
作者:  Zhi, Hai;  Zhang, Rong-Hua;  Lin, Pengfei;  Yu, Peng
Adobe PDF(5481Kb)  |  收藏  |  浏览/下载：369/0  |  提交时间：2019/08/28
mixed-layer salinity  salt budget  interannual variability  tropical Pacific  model simulation  
Mesoscale SST perturbation-induced impacts on climatological precipitation in the Kuroshio-Oyashio extension region, as revealed by the WRF simulations 期刊论文
JOURNAL OF OCEANOLOGY AND LIMNOLOGY, 2019, 卷号: 37, 期号: 2, 页码: 385-397
作者:  Gao Jiaxiang;  Zhang Rong-Hua;  Wang Hongna
Adobe PDF(3093Kb)  |  收藏  |  浏览/下载：364/0  |  提交时间：2019/08/28
mesoscale SST perturbations and effects  WRF model  Kuroshio-Oyashio Extension  climatological precipitation  
Model parameter-related optimal perturbations and their contributions to El Nino prediction errors 期刊论文
CLIMATE DYNAMICS, 2019, 卷号: 52, 期号: 3-4, 页码: 1425-1441
作者:  Tao, Ling-Jiang;  Gao, Chuan;  Zhang, Rong-Hua
Adobe PDF(6712Kb)  |  收藏  |  浏览/下载：212/0  |  提交时间：2019/05/15
Intermediate coupled model  CNOP approach  Model parameters  El Nino predictability