对地球系统模式FIO-ESM同化实验中北极海冰模拟的评估

舒启，乔方利，鲍颖，尹训强

(1. 国家海洋局 第一海洋研究所，山东 青岛 266061；2. 海洋环境科学和数值模拟国家海洋局重点实验室，山东 青岛 266061)

对地球系统模式FIO-ESM同化实验中北极海冰模拟的评估

舒启1，2，乔方利1，2，鲍颖1，2，尹训强1，2

(1. 国家海洋局 第一海洋研究所，山东 青岛 266061；2. 海洋环境科学和数值模拟国家海洋局重点实验室，山东 青岛 266061)

本文评估了地球系统模式FIO-ESM(First Institute of Oceanography-Earth System Model)基于集合调整Kalman滤波同化实验对1992-2013年北极海冰的模拟能力。结果显示：尽管同化资料只包括了全球海表温度和全球海面高度异常两类数据，而并没有对海冰进行同化，但实验结果能很好地模拟出与观测相符的北极海冰基本态和长期变化趋势，卫星观测和FIO-ESM同化实验所得的北极海冰覆盖范围在1992-2013年间的线性变化趋势分别为-7.06×105和-6.44×105km2/(10 a)，同化所得的逐月海冰覆盖范围异常和卫星观测之间的相关系数为0.78。与FIO-ESM参加CMIP5(Coupled Model Intercomparison Project Phase 5)实验结果相比，该同化结果所模拟的北极海冰覆盖范围的长期变化趋势和海冰密集度的空间变化趋势均与卫星观测更加吻合，这说明该同化可为利用FIO-ESM开展北极短期气候预测提供较好的预测初始场。

数据同化；FIO-ESM；气候变化；北极海冰

1 引言

全球气候变化研究是当前科学研究热点课题之一，作为气候变化研究重要工具之一的气候模式也得到了更加广泛的应用，并得到了不断改进。然而，目前气候模式依然存在较大误差。数据同化是降低气候模式模拟误差、提高模拟精度的一个有效途径[1]，气候模式通过数据同化一方面可以得到与现实更加接近的模拟结果，应用于气候变化研究，另一方面也能为气候预测提供更为合理可靠的初始场，以提高气候模式的预测能力。由于北极地区在全球气候系统中的特殊作用，全球气候变化背景下北极气候受到了越来越多的关注，气候模式在北极气候变化的研究过程中的应用也越来越多。目前，在对北极气候变化研究过程中，数据同化往往都是针对相对简单的冰-海耦合模式，一般是利用大气强迫场驱动这类模式，而并没有实现真正意义上的冰-海-气耦合。但是由于使用了更加真实的大气强迫场，这类模式往往可以得到精度较高的模拟结果，也可以在天气尺度上对北极海冰和海洋进行数值预报，国内外针对这类模式的数据同化已有不少研究[2—3]。为了在相对较长时间尺度上(如月、季)对北极气候进行预测，全球冰-海-气耦合的气候模式是必不可少的，目前国内外开展了少量针对气候模式的同化研究[1，4]，但是这些研究往往局限于针对全球大气或者全球海洋方面的分析，而对北极海冰方面的分析研究非常缺乏。

为了提高气候模式的模拟能力并为进行短期气候预测提供更加准确的初始场，我们对地球系统模式FIO-ESM[5](First Institute of Oceanography-Earth System Model)进行了集合调整Kalman滤波同化实验，实验设计并没有直接对海冰资料进行同化，而仅仅考虑了海表温度和海面高度异常数据的同化，实验结果显示该同化可以显著提高FIO-ESM对全球大气和全球海洋的模拟能力[6—7]。由于冰-海-气之间的相互作用，大气和海洋模拟能力得到提高后，FIO-ESM对海冰的模拟应该也会有所改进。本文的分析表明，即使在没有对北极海冰进行同化，FIO-ESM通过海表温度和海面高度异常的集合调整Kalman滤波同化依然可以得到效果较好的北极海冰模拟，这可为我们提供较好的北极气候同化结果和北极气候预测初始场。

2 数值模式和数值实验介绍

FIO-ESM是由国家海洋局第一海洋研究所研发的地球系统模式，该模式包括气候模式和碳循环模式两部分组成，是目前世界上首个耦合了海浪分量模式的气候系统模式，并参加了CMIP5(Coupled Model Intercomparison Project Phase 5)全球气候模式比较计划。FIO-ESM气候模式实现了大气-海浪-海洋-海冰-陆面之间的耦合，气候模式包括大气模式(CAM3.0)[8]、海浪模式(MASNUM Wave Model)[9]、海洋模式(POP2.0)[10]、海冰模式(CICE4)[11]和陆面模式(CLM3.5)[12]共5个分量模式，关于模式详细介绍可参见参考文献[5]。由于海浪分量模式的引入使得气候模式对ENSO、SST气候平均态、亚洲季风的模拟等均有较为显著的改善[13-14]。FIO-ESM参加CMIP5全球气候模式比较计划实验表明，FIO-ESM对北极海冰模拟在同类模式中排名靠前[15]，本文用到的结果来自FIO-ESM的气候模式部分。

我们针对FIO-ESM的特点设计了集合调整Kalman滤波同化实验[7]。在同化实验过程中，首先采用了微扰动法对气候模式中海洋分量的三维海温进行了初始场的扰动，使得每个模式样本之间出现初始场差异。接着进行了100个样本两个模式年的集合预报运行，随后选取100个样本中10个模式状态作为10个同化实验集合样本的初始场，开展集合调整Kalman滤波同化实验。同化时间为1992-2013年，同化数据包括全球水平分辨率为(1/3)°的日平均海面高度异常数据和全球水平分辨率为(1/4)°的日平均海面温度数据。海面高度异常数据来自法国AVISO(Archivage，Validation et Interpretation des donnes des Satellite Oceanographiques)网站，海面温度数据是气象卫星NOAA-AVHRR(National Climate Data Center-Advanced Very High Resolution Radiometer)和微波扫描辐射计AMSR(Advanced Microwave Scanning Radiometer)等多遥测与观测数据的融合数据[16]。FIO-ESM集合调整Kalman滤波同化实验的详细介绍可参见参考文献[7]。集合调整Kalman滤波同化对FIO-ESM大气和海洋模拟结果的改进情况可参见参考文献[6—7]。本文将针对海冰的模拟进行分析评估。

3 结果分析

北极海冰变化是北极气候变化乃至全球气候变化最显著的指标之一，从1979年有卫星观测资料以来，北极海冰呈现明显减少趋势，尤其是夏、秋季节北极海冰覆盖范围减少趋势尤为明显。卫星观测显示2012年秋季北极的海冰消退到了有观测记录以来的最小值，随后几年的秋季海冰覆盖范围略有回升，这与全球变暖停滞的关系尚不完全清楚。由于本文同化实验受到海面高度异常观测资料长度所限，我们只进行了2002-2013年间的同化，因此在对FIO-ESM同化实验北极海冰的评估也仅对该时间段进行。在评估时使用了卫星遥感观测海冰密集度和海冰覆盖范围(sea ice extent，SIE)，均来自美国冰雪数据中心[17](National Snow and Ice Data Centre，NSIDC) (http://nsidc.orgdataseaice/)。SIE定义为海冰密集度大于15%数据网格的面积之和。

FIO-ESM同化实验可以较好地给出北极海冰基本态和长期变化趋势。图1是FIO-ESM同化实验和卫星遥感观测北极SIE在1992-2013年间气候态的季节循环和长期线性趋势。从图1a可以看出，FIO-ESM同化结果与卫星观测的北极SIE符合较好。卫星遥感观测显示，北极SIE分别在3月和9月达到最大和最小值，1992-2013年多年平均值在3月和9月分别为15.3×106和5.9×106km2，年平均值为11.47×106km2。FIO-ESM同化实验结果与观测基本符合，1992-2013年间FIO-ESM同化实验结果在3月和9月的SIE分别是14.3×106和5.4×106km2，年平均值为10.64×106km2，FIO-ESM同化实验所得的北极SIE误差在多数月份小于观测值的15%，不足之处在于FIO-ESM同化实验所得SIE的季节变化振幅(8.9×106km2)略低于观测结果(9.3×106km2)，FIO-ESM在海冰结冰期所模拟的SIE略低于观测结果，图2为FIO-ESM同化实验中1992-2013年3月份(一年中海冰最多的月份)平均海冰密集度和卫星观测的海冰边缘线分布，可以看出偏少的主要海域是鄂霍次克海和拉布拉多海，其原因是FIO-ESM中的海洋模式水平分辨率相对不够高，为1°×0.27°～1°×0.54°，该分辨率的海洋环流模式不能较好地模拟大洋的西边界流，这就会导致FIO-ESM模拟的这两个海域表层海水温度偏高，海冰偏少。

图1 FIO-ESM同化实验(红色)和卫星观测(蓝色)北极SIE在1992-2013年间的季节循环(a)，异常和长期变化趋势(b)，a中给出了两年的季节循环Fig.1 Climatology(a)，anomaly and linear trend (b) of satellite observed and FIO-ESM simulated with data assimilation Arctic sea ice extent (SIE) during 1992-2013，two annual cycles are plotted in a

卫星观测显示北极SIE呈现减小趋势(图1b)，1992-2013年间线性变化趋势为-7.06×105km2/(10 a)，FIO-ESM同化实验能很好地反应出北极海冰覆盖范围的减小趋势，其变化速度为-6.44×105km2/(10 a)，与观测值非常接近。FIO-ESM同化实验给出的北极SIE减少相比其参加CMIP5耦合模式比对计划给出的结果[15]均有显著改善。一方面表现在同化实验给出的北极SIE长期变化趋势与观测更接近，另一方面表现在同化实验能再现出与观测相符的北极SIE的年际变化，同化所得的逐月海冰覆盖范围异常和卫星观测之间的相关系数为0.78。与所有参加CMIP5耦合模式比对计划的气候模式一样，FIO-ESM虽然能给出北极SIE的减少趋势，但是难以模拟出与观测相符的年际变化，这也是非同化气候模式基于CMIP5历史实验(Historical run)对历史模拟的共性问题之一，其原因可能是气候模式中虽然存在周期与观测相符的各种振荡，但是在非同化的前提下各个振荡的相位与观测并不相符。

图3显示1992-2013年间北极海冰减少最快的月份为9月，最快的季节为秋季，FIO-ESM同化实验结果能较好地反应出北极海冰的这种长期变化趋势，但是6-9月FIO-ESM同化实验结果给出的北极SIE的减少趋势略小于观测结果，而10-11月份略大于观测结果。9月份卫星观测北极SIE的线性趋势为-23.4%/(10 a)，FIO-ESM同化实验结果为-17.4%/(10 a)。FIO-ESM同化实验SIE减小最快的月份出现在10月，而观测出现在9月，具体原因还有待分析。总体来看，FIO-ESM同化实验能够较好地给出北极海冰变化趋势的季节差异性。

图2 FIO-ESM同化实验中1992-2013年3月平均海冰密集度(彩色填充范围为15%～100%)和卫星观测的海冰边缘线(15%海冰密集度位置，黑色等值线)分布Fig.2 Climatological sea ice concentration (color shading) in March during 1992 to 2013 from FIO-ESM simulation with data assimilation and the sea ice edge (black line，the location where sea ice concentration is 15%) from satellite observations

图3 FIO-ESM同化实验(红色)和卫星观测(黑色)北极海冰覆盖范围在1992-2013年间的逐月线性变化趋势(a)和季节线性变化趋势(b)Fig.3 Monthly (a) and seasonal (b) linear trends of satellite observed (black) and FIO-ESM simulated with data assimilation (red) Arctic sea ice extent during 1992 to 2013

1992-2013年间北极海冰的衰减速度存在季节和区域差异(图4)。北极海冰春季衰减明显的海域分布在鄂霍次克海、巴伦支海、格陵兰海和拉布拉多海，而在白令海部分海域海冰略有增加。夏季海冰减少主要分布在楚科奇海、波弗特海、喀拉海、巴伦支海和巴芬湾。秋季海冰减少的区域与夏季相似，不同之处在于很多海域秋季海冰减少的速度更快。冬季海冰减少主要分布在鄂霍次克海、巴伦支海、格陵兰海和拉布拉多海，在白令海部分海域冬季海冰略有增加。另外可以看出，春季和冬季北极海冰衰减明显的海域相似，秋季和夏季衰减明显的海域相似，且大多分布在海冰边缘区。海冰密集度衰减明显的海域分布在海冰边缘海域，这并不代表海冰中心海域不存在衰减趋势，已有研究表明，北极海冰除了海冰密集度呈现显著衰减趋势外，北极海冰厚度也存在衰减趋势，海冰中心海域的海冰衰减主要以厚度衰减为主。图5为FIO-ESM同化实验的情况。对比图4和图5可以发现，FIO-ESM同化实验能够很好地模拟出1992-2013年间北极海冰减少的上述空间分布情况。FIO-ESM同化实验中春季海冰减少的海域也主要是鄂霍次克海、巴伦支海、格陵兰海和拉布拉多海，分布区域与观测相近，不足之处在于鄂霍次克海的海冰减少速度比观测更快。FIO-ESM同化实验中春季海冰减少的海域与观测也符合较好，但是在太平洋扇区一侧FIO-ESM同化实验所得的海冰减少速度略小。相比春季和夏季，FIO-ESM同化实验中秋季和冬季北极海冰减少的海域和减少的速度与观测符合得更好。为了定量给出对北极海冰密集度的模拟情况，我们进行了空间相关分析，春夏秋冬四个季节的二者空间相关系数分别为0.69、0.40、0.67和0.73，春秋冬三季空间相关系数较高，夏季相关系数略低，其原因是虽然FIO-ESM同化实验能给出夏季海冰密集度的下降趋势，但是下降速度小于观测结果。

图4 1992-2013年间卫星观测北极海冰密集度线性变化趋势Fig.4 Linear trends of satellite observed Arctic sea ice concentration during 1992 to 2013

图5 1992-2013年间FIO-ESM同化实验得到的北极海冰密集度线性变化趋势Fig.5 Linear trends of FIO-ESM simulated with data assimilation Arctic sea ice concentration during 1992 to 2013

值得注意的是，在全球变暖背景下，图4和图5都显示1992-2013年间白令海东部海域的春、冬季海冰密集度均存在增加的现象，有研究发现造成这种现象的原因是受近些年来太平洋年代际振荡[18](Pacific Decadal Oscillation，PDO)的影响。当PDO为暖相位时，海表温度和表层气温在该海域异常偏暖，当PDO为冷相位时，海表温度和表层气温在该海域异常偏冷，在我们研究的时间段前期PDO以暖相位为主，而后期以冷相位为主，这就导致该海域在1992-2013年间海表温度和表层气温呈现降低趋势，从而导致春、冬季海冰的增加，而在夏、秋季，该海域基本为无冰区，对海冰没有影响。图5对该现象的再现也反映出FIO-ESM通过同化实验可以模拟出PDO对北极海冰变化的影响。

4 结论和讨论

本文主要评估了地球系统模式FIO-ESM集合调整Kalman滤波同化所得的1992-2013年北极海冰模拟结果。通过将北极SIE的气候态、异常、长期变化趋势、季节变化趋势和北极海冰密集度的空间变化趋势与卫星观测对比发现，FIO-ESM利用全球海表温度和海面高度异常两类观测数据的集合调整Kalman滤波同化可以较好地得到与观测相符的北极海冰时空分布，相比未同化的FIO-ESM参加CMIP5的实验结果有明显改进。卫星观测和FIO-ESM同化实验所得的北极海冰覆盖范围在1992-2013年间的线性变化趋势分别为-7.06×105和-6.44×105km2/(10 a)，二者相对接近，同化所得的逐月海冰覆盖范围异常和卫星观测之间的相关系数为0.78。

评估也显示，FIO-ESM利用同化虽然很大程度上改进了其对北极海冰的模拟，但也存在一些问题，比如观测显示北极海冰减少最快的月份在9月，而同化所得减少最快的月份在10月，造成该问题的主要原因是对太平洋扇区一侧海冰衰减速度的模拟误差偏大，太平洋扇区一侧10月SIE减小速度大于9月速度，与观测不符，而大西洋扇区一侧基本是9月SIE减小速度大于10月速度，与观测特征一致，但是造成太平洋扇区一侧10月SIE减小速度大于9月速度的原因还不清楚，还需我们进一步分析研究；另外一个问题是夏季北冰洋的太平洋扇区海冰密集度减少速度比观测低，将来在同化过程中将卫星观测海冰密集度数据也同化到FIO-ESM中或许能解决该问题。

Massonnet等[19]在利用CMIP5耦合模式预测结

果对21世纪北极海冰预测分析时指出，各个模式之间对北极海冰的预测存在较大差异，这些差异由诸多因素所致，其中各个模式中当前海冰状态是一个非常关键的因素。Wang和Overland[20—21]也强调了对北极海冰进行预测时模式中海冰初始状态的重要性，因此通过数据同化合理地给定气候模式中当前海冰状态应该是提高气候模式预测北极海冰变化的有效途径之一，但是目前在气候模式中直接对海冰相关变量进行同化的研究还鲜有报道。通过全球海表温度和海面高度异常两类观测数据的集合调整Kalman滤波实验，我们在气候模式中得到了与观测符合较好的全球大气和海洋状态。本文的分析也表明：通过这种同化也可以得到相对较好的北极海冰模拟结果，这些同化结果可以直接用作北极气候预测的初始场，接下来我们将开展对北极海冰的短期气候预测实验。

[1] Zhang S，Harrison M J，Rosati A，et al. System design and evaluation of coupled ensemble data assimilation for global oceanic climate studies[J]. Monthly Weather Review，2007，135(10): 3541-3564．

[2] Massonnet F，Fichefet T，Goosse H. Prospects for improved seasonal Arctic sea ice predictions from multivariate data assimilation[J]. Ocean Modelling，2015，88: 16-25．

[3] 杨清华，刘骥平，张占海，等. 北极海冰数值预报的初步研究——基于海冰-海洋耦合模式MITgcm的模拟实验[J]. 大气科学，2011，35(3): 473-482．

Yang Qinghua，Liu Jiping，Zhang Zhanhai，et al. A preliminary study of the Arctic sea ice numerical forecasting: coupled sea ice-ocean modeling experiments based on MITgcm[J]. Chinese Journal of Atmosphere Science，2011，35(3): 473-482．

[4] 凌铁军，王彰贵，王斌，等. 基于CCSM3气候模式的同化模拟实验[J]. 海洋学报，2009，31(6): 9-21．

Ling Tiejun，Wang Zhanggui，Wang Bin，et al. Assimilation modeling by using CCSM3 model[J]. Haiyang Xuebao，2009，31(6): 9-21．

[5] Qiao F，Song Z，Bao Y，et al. Development and evaluation of a Earth System Model with surface gravity waves[J]. Journal of Geophysical Research: Oceans，2013，118: 4514-4524．

[6] 陈辉，尹训强，宋振亚，等.气候模式中海洋数据同化对热带降水偏差的影响[J].海洋学报，2015，37(7):41-53．

Chen Hui，Yin Xunqiang，Song Zhenya，et al. The impacts of ocean data assimilation on tropical precipitation bias in a climate model[J]. Haiyang Xuebao，2015，37(7):41-53．

[7] 尹训强. 集合调整Kalman滤波同化模块的建立及其在海洋和气候模式中的应用[D]. 青岛: 中国海洋大学，2015．

Yin Xunqiang. Development of assimilation module for ensemble adjustment Kalman filter and its application in ocean and climate models[D]. Qingdao: Ocean University of China，2015．

[8] Collins W D，Rasch P J，Boville B A，et al. Description of the NCAR Community Atmosphere Model (CAM 3.0)[M]. Colorado: National Center for Atmospheric Research，2004．

[9] Yang Y，Qiao F，Zhao W，et al. MASNUM ocean wave model in spherical coordinate and its application[J]. Acta Oceanologica Sinica，2005，27(3): 1-7．

[10] Smith R，Jones P，Briegleb B，et al. The parallel ocean program (POP) reference manual[M]. Los Alamos National Laboratory，LAUR-10-01853，2010．

[11] Elizabeth C H，William H L. CICE: the Los Alamos sea ice model documentation and software user’s manual version 4.0[M]. Los Alamos National Laboratory，LA-CC-06-012，2008．

[12] Oleson K W，Niu G Y，Yang Z L，et al. Improvements to the Community Land Model and their impact on the hydrological cycle[J]. Journal of Geophysical Research，2008，113: G01021．

[13] 宋振亚. 波致混合对气候模式中赤道SST的影响机制研究[D]. 青岛: 中国海洋大学，2011．

Song Zhenya. The mechanism of the wave induced mixing effect on the equatorial SST in the climate system model[D]. Qingdao: Ocean University of China，2011．

[14] Song Y，Qiao F，Song Z，et al. Water vapor transport and cross-equatorial flow over the Asian-Australia monsoon region simulated by CMIP5 climate models[J]. Advances in Atmospheric Sciences，2013，30: 726-738．

[15] 舒启，乔方利，宋振亚. 地球系统模式FIO-ESM 对北极海冰的模拟和预估[J]. 海洋学报，2013，35(5): 37-45．

Shu Qi，Qiao Fangli，Song Zhenya. The hindcast and forecast of Arctic sea ice from FIO-ESM[J]. Haiyang Xuebao，2013，35(5): 37-45．

[16] Reynolds R W，Smith T M，Liu C，et al. Daily high-resolution blended analyses for sea surface temperature[J]. J Climate，2007，20: 5473-5496．

[17] Cavalieri D，Parkinson C，Gloersen P，et al. Sea ice concentrations from Nimbus-7 SMMR and DMSP SSM/I passive microwave data，1979-2007[M]. USA: National Snow and Ice Data Center，Digital Media，Boulder (updated 2013)，1996．

[18] Wendler G，Chen L，Moore B. Recent sea ice increase and temperature decrease in the Bering Sea area，Alaska[J]. Theor Appl Climatol，2013，117(3/4):235-242．

[19] Massonnet F，Fichefet T，Goosse H，et al. Constraining projections of summer Arctic sea ice[J]. The Cryosphere，2012，6: 1383-1394．

[20] Wang M，Overland J E. A sea ice free summer Arctic within 30 years？[J]. Geophysical Reseatch Letters，2009，36: L07502．

[21] Wang M，Overland J E. A sea ice free summer Arctic within 30 years: An update from CMIP5 models[J]. Geophys Res Lett，2012，39: L18501．

Assessment of Arctic sea ice simulation by FIO-ESM based on data assimilation experiment

Shu Qi1，2，Qiao Fangli1，2，Bao Ying1，2，Yin Xunqiang1，2

(1.FirstInstituteofOceanography，StateOceanicAdministration，Qingdao266061，China; 2.KeyLabofMarineScienceandNumericalModeling，StateOceanicAdministration，Qingdao266061，China)

In this study，Arctic sea ice during 1992-2013 simulated by FIO-ESM (First Institute of Oceanography-Earth System Model) based on ensemble adjustment Kalman filter data assimilation experiment is assessed. Although only global sea surface temperature and global sea level anomaly are assimilated to FIO-ESM and there is no sea ice assimilation，our study shows that the climatology and long-term trend of Arctic sea ice can also be well reproduced with this kind of data assimilation. The linear trends of Arctic sea ice extent during 1992-2013 from satellite observations and FIO-ESM simulations are -7.06×105and-6.44×105km2/(10 a)，respectively. The correlation coefficient between modeled and observed Arctic sea ice extent anomalies is 0.78. Compared with the results from FIO-ESM in CMIP5 (Coupled Model Intercomparison Project Phase 5) experiment，the long-term trends of Arctic sea ice extent and sea ice concentration from data assimilation experiment fit the observations much better，so these results from FIO-ESM data assimilation experiment can be used as initial condition for Arctic climate projection．

data assimilation; FIO-ESM; climate change; Arctic sea ice

2015-04-20；

2015-08-15。

极地对全球和我国气候变化影响的综合评价(CHINARE2015-04-04)；国家自然科学基金项目(41406027)；国家海洋局第一海洋研究所基本科研业务费资助项目(2015P01，2015P03)。

舒启(1984—)，男，山东省聊城市人，主要从事物理海洋学方面研究。E-mail:shuqi@fio.org.cn

10.3969/j.issn.0253-4193.2015.11.004

P731.15

A

0253-4193(2015)11-0033-08

舒启，乔方利，鲍颖，等. 对地球系统模式FIO-ESM同化实验中北极海冰模拟的评估[J]. 海洋学报，2015，37(11): 33-40，

Shu Qi，Qiao Fangli，Bao Ying，et al. Assessment of Arctic sea ice simulation by FIO-ESM based on data assimilation experiment[J]. Haiyang Xuebao，2015，37(11): 33-40，doi：10.3969/j.issn.0253-4193.2015.11.004