气候模式中海洋数据同化对热带降水偏差的影响

陈辉，尹训强，宋振亚，宋亚娟，鲍颖，乔方利*

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

气候模式中海洋数据同化对热带降水偏差的影响

陈辉1，2，尹训强1，2，宋振亚1，2，宋亚娟1，2，鲍颖1，2，乔方利1，2*

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

本文采用海洋卫星观测海表温度(SST)和海面高度异常(SLA)数据，对国家海洋局第一海洋研究所地球系统模式FIO-ESM(First Institute of Oceanography Earth System Model version 1.0)中海洋模式分量进行了集合调整卡尔曼滤波(EAKF)同化，对比分析了大气环流、湿度和云量对海洋数据同化的响应，探讨了海洋同化对热带降水模拟偏差的影响。结果表明：海洋数据同化能有效改善海表温度和上层海洋热含量的模拟，30°S～30°N纬度带内年平均SST的绝均差降低60%。同化后大气模式模拟的赤道两侧信风得到明显改善，上升气流在赤道以北热带地区增强而在赤道以南热带地区减弱，热带降水模拟的动力结构更为合理，水汽和云量分布也更切合实际。热带年平均降水的空间分布和强度在同化后均得到改善，赤道以南的纬向年平均降水峰值显著降低，降水偏差明显减小，同化后30°S～30°N纬度带内年平均降水绝均差降低35%。

气候模式；海洋数据同化；集合调整卡尔曼滤波；降水

1 引言

降水与人们生活息息相关，作为全球水循环中最主要的环节之一，是联系外部辐射强迫、大气圈、水圈、冰冻圈、陆地圈以及生物圈的纽带，对调节全球气候、维持生态平衡具有重要作用，降水模拟是目前气候变化研究中的一个重要问题[1-2]。随着社会经济发展对气候依赖程度的增加，降水的预测在国际上越来越受到人们的关注。在气候尺度上，采用气候模式进行动力数值预测成为主流方法，世界气象组织(WMO)未来发展战略目标把气候预测列为一个具有挑战性的研究目标[3]。

自20世纪70年代Manabe和Bryan[4]在海气耦合模式领域的开创性工作以来，在WCRP和多个模式比较计划(包括CMIP、PMIP、CFMIP等)推动下，海气耦合模式取得了很大的发展和改进，已成为开展气候变化研究和预报的主要工具之一。但是，海气耦合模式仍然面临一些共性问题，特别是非通量调整的海气耦合模式的模拟结果存在显著热带偏差，比如最新的第5次耦合模式比较计划CMIP5(Coupled Model Intercomparison Project Phase 5)中多模式平均已经能够较好地模拟出大尺度降水分布特征，但热带地区降水偏差和双赤道辐合带(Double ITCZ)问题仍然存在[5—7]。观测表明，在赤道以南热带东太平洋的降水强度相对较小[8]，而在海气耦合模式中，赤道以南的降水偏强，相应的海面温度、海面风场和上层海洋环流也与观测存在较大的差异[8—9]，被称为Double ITCZ问题。

很多学者对海气耦合模式的热带降水偏差的成因开展了研究。通过模式对比和敏感性实验分析，认为降水偏差主要是由大气模式的模拟偏差引起[10]，大气模式中的降水、海表面空气湿度对海表温度(SST)以及风场变化过于敏感使得正反馈作用偏强，而云量对降水的敏感性不足导致负反馈机制偏弱，从而形成双赤道辐合带偏差。Lin[11]的研究认为信风过强、潜热通量偏高、地面短波辐射不足是海气耦合模式中热带降水偏强的主要原因。也有研究指出，大气模式中积云对流参数化方案不完善是造成降水偏差的重要原因，改进对流模型能够改进海气耦合模式的降水模拟能力[12—17]。同时，海洋作为大气的主要下垫面，上层海洋结构的改变通过海气相互作用可以影响大气运动、水汽分布等，进而影响降水，赤道SST异常是导致热带降水异常的主要原因[18]。热带海洋降雨密集区与高SST区有较强的相关性，尤其在ENSO期间[19]，SST对维持大气环流的基本形态起关键作用。Zhang等[8]的研究表明虚假的双赤道辐合带与赤道两侧对称分布的SST、纬向流、上升流以及温跃层结构有关，进而影响气候模式模拟热带平均气候和厄尔尼诺事件等。赤道东西向SST梯度偏差、秘鲁沿岸的层云以及海气相互作用过程也会导致赤道存在虚假的双赤道辐合带[20—21]。

目前，海气耦合模式中热带降水偏差的来源和机制仍不清晰。为深入探讨气候模式中海洋对降水的影响，本研究将通过开展海洋数据同化实验，对比分析大气对海洋数据同化的响应以及海洋同化对热带降水偏差的影响。在国家海洋局第一海洋研究所发展的地球系统模式FIO-ESM(First Institute of Oceanography Earth System Model version 1.0)基础上，采用集合卡尔曼滤波(EAKF)方法开展海洋同化实验，对海表温度(SST)和海面高度异常(SLA)两种海洋卫星观测数据进行同化，从大气运动、水汽分布和云量分布等方面对比分析海洋模拟的改善对大气模式热带降水模拟的影响。

2 方法与数据

2.1 FIO-ESM

本研究以FIO—ESM作为数值实验平台，进行海洋观测数据的同化实验。该模式是基于袁业立等[22]和Qiao等[23—24]提出的非破波浪致混合理论而发展起来的一个包含海浪模式的地球气候系统模式，参加了第5次国际气候模式比较计划(CMIP5)。FIO—ESM由物理模式和生物地球化学过程模式组成，本研究的工作是基于物理模式部分进行的，其中，大气分量模式为CAM3.0(Community Atmosphere Model version 3.0)[25]，其水平分辨率为T42，约为2.875°，垂向上分26层；陆面分量模式为CLM3.5 (Community Land Model version 3.5)，水平分辨率与大气分量模式相同；海洋分量模式为POP2.0(Parallel Ocean Program version 2.0)[26]，水平分辨率经向为1.1°，纬向为0.3°～0.5°，垂向上分40层；海冰分量模式为CICE4 (Los Alamos National Laboratory Sea Ice Model version 4)，水平分辨率与海洋分量模式相同；海浪分量模式为MASNUM(Marine Science and Numerical Modeling)，水平分辨率为2°×2°，波向分辨率为30°；它们借助NCAR的通量耦合器Coupler 6耦合为一个完整的地球系统模式。大气模式、陆面模式和海冰模式与耦合器的交换频率为每1 h交换1次，海洋模式与耦合器的交换频率为每24 h交换1次，海浪模式与耦合器的交换频率为每6 h交换1次，有关FIO-ESM的细节可参考文献[27]。

2.2 海洋数据同化实验

数据同化采用集合调整卡尔曼滤波方法(EAKF)[28—29]，整个同化系统包括海洋观测数据预处理模块、气候模式EAKF同化模块、气候模式初始场扰动模块、气候模式集合运行模块和气候模式EAKF同化控制模块5部分。其中，海洋观测数据预处理模块实现海洋卫星数据SST和SLA的质量控制、异常数据剔除和单位转换等，气候模式EAKF同化模块利用Yin等[30]的实现方案采用并行方式对观测数据进行多变量集合滤波调整。在同化过程中，需要调整的模式变量均包括水平流速分量、温度、盐度和海面高度，垂向流速和密度等非模式积分变量不做同化调整。同化所采用的日平均SLA数据由法国AVISO (Archiving，Validation and Interpretation of Satellite Data in Oceanography)网站提供，水平空间分辨率为(1/3)°×(1/3)°[31]。同化所采用的SST日平均数据来自美国国家海洋与大气局气候数据中心(NOAA/National Climate Data Center)，水平分辨率为(1/4)°×(1/4)°[32]。

气候模式初始场扰动模块采用气候模式初始场中的三维海温扰动方法，扰动后的温度可表示为：

(1)

式中，α取值为10-3，β为(-1，1)之间平均分布的随机数，对于不同的样本采用不同的随机数种子，分别对每个模式的网格点生成相应的随机数，下标i，j和k分别为空间网格序号，上标pert和init分别表示扰动后和扰动前。用上述方法扰动得到一组初始场，积分这一组模式作为集合预测模型，本研究取10个集合样本。该集合模式积分2个模式年后，不同模式样本之间的温度差异在表层达到0.1～1.0°C，在1 000 m以深则达到0.01°C量级，而且不同样本之间的发散度也随时间相对稳定。本文所有的数值实验均以该集合预测模型运行2年后的结果作为初始场。

该气候模式海洋模式分量的数据同化过程为：(1)以扰动实验的集合预测模型运行2个模式年之后所得模式状态的集合作为集合初始场，同时启动一组气候模式，分别从不同的初始场开始2 000年的气候模拟，同时启动海洋数据同化模块；(2)集合气候模型运行至新的观测时刻后，同化模块从各样本模式中收集当前的海洋模式变量，包括水位、温度、盐度和流速等主要海洋分量作为同化前的模式状态集合；(3)获取当前时刻的观测数据，进行质量控制并剔除异常观测数据，建立模式网格与观测点之间对应的观测算子，用于网格上的模式变量与观测变量之间的投影，获取相应观测点的模拟结果；(4)首先通过观测信息计算观测要素在观测点上的调整量，然后依据模式状态集合计算观测点与周围网格点的变量之间的协方差对模式网格点上的所有模式变量进行调整；(5)集合模式每个样本模式从同化模块获取相应的同化调整量，按照时间步长逐步将其加入到模式变量中；(6)返回步骤(2)直至实验结束。

本文两组实验分别为控制实验和同化实验，控制实验是气候模式的积分，以下用同化前表示；同化实验在模拟过程中加入SLA和SST数据进行同化，同化时间间隔为1 d，即每天的0时(UTC)同化一次数据。得到该时刻的同化调整量后，为了避免直接将调整量加入后引起模式的不稳定，本研究将同化调整量在每步积分中逐渐加入，调整过程对应的时间尺度为5 d。本文采用集合平均结果进行对比分析。

2.3 数据

本文分析了同化前后海表温度和上层海洋热含量的变化，用于对比的观测数据采用Met Office Hadley Centre observations datasets发布的月平均EN3数据[33]，其中上层海洋热含量为0～500 m海洋热含量，分别由观测海温和模拟海温的垂向积分所得。

为了分析大气模式对海洋数据同化的响应，采用欧洲中期天气预报中心(ECMWF)发布的月平均大气再分析资料(ERA-Interim)[34]与大气模式结果进行对比分析，其水平分辨率为1.5°×1.5°，垂向分层为37层。

目前广泛应用于气候分析、数值模式验证等研究中的全球降水再分析数据主要有两套，分别是由全球降水气候计划(Global Precipitation Climatology Project，GPCP)[35]和美国国家海洋大气局气候预报中心发布的月平均降水数据(CPC Merged Analysis of Precipitation，CMAP)[36]。GPCP是世界气候研究计划(WCRP)的产品，综合了红外和微波卫星观测以及全球6 000多个常规降雨观测而生成的全球降水资料集。CMAP降水数据是通过融合不同来源降水信息建立的全球降水数据集，每年更新一次，其数据来源与GPCP基本相同，但算法不同。对CMAP和GPCP两种降水数据的对比分析表明：两种数据均能反映气候平均降水的主要模态，在局部范围内存在差异。总体上，CMAP在热带中低纬度地区的降水比GPCP质量高，高纬度则相反[37]。本研究主要是分析热带地区的降水，因此采用CMAP数据与模拟结果进行比较分析。

3 大气模式对海洋数据同化的响应

3.1 海平面气压

不同于直接用观测的海温来驱动大气模式，本实验利用EAKF方法将海洋观测资料同化到耦合模式的海洋模式分量中，不断调整海洋的温度、盐度和水平速度等变量，海洋和大气通过海气相互作用形成反馈最终影响大气环流。相比于海表温度的单方面强迫，这更有利于探讨大气模式对海洋模拟改善响应的动力过程。

图1给出ERA-Interim再分析数据以及同化前后年平均海平面气压场的分布。再分析数据显示，赤道地区为低压带，东太平洋以及大西洋赤道两侧各有一个高压中心分布，在印度洋南部也有一个高压中心，印度洋北部由于高原山脉的地形作用气压值最低。同化前模拟的海平面气压偏差在±10 hPa范围内，模拟的赤道东太平洋气压偏低，西太平洋、印度洋、大西洋西部以及非洲北部区域气压偏高；同化后，赤道太平洋东部海平面气压上升，而赤道西太平洋、印度洋、非洲东部等区域海平面气压下降。从图2、3也可以看出，同化前后海平面气压场的变化与SST、上层海洋热含量的变化在水平空间分布上有较好的对应关系。表1给出海洋与气象要素同化前后年平均绝均差，同化效果用绝均差的减小量与同化前绝均差的百分比表示。从表1可以看出相关变量同化效果，其中改善最小的海平面气压的同化效果为19%，改善最大的海表温度的同化效果高达60%。

图1 ERA-Interim年平均海平面气压(a)及模拟偏差(b ～ d)Fig.1 Annual mean sea level pressure from ERA-Interim (a) and simulated differences (b. without data assimilation; c. with data assimilation; d. difference between b and c)

续表1

关于海洋卫星数据同化对气候模式FIO-ESM中海洋模式分量的影响，我们已在之前的研究中进行了分析*陈辉，尹训强，鲍颖，等.基于地球系统模式FIO-ESM的海洋卫星资料EAKF同化实验[J].中国科学：地球科学，待刊.，此处将针对热带海区(30°S～30°N)给出海洋SST和上层海洋热含量的改善，并与大气的变化进行对比分析。图2给出了年平均海表面温度的分布。同化前，模拟海表面温度在赤道东太平洋区域相比观测偏高2～5℃，在西太平洋赤道两侧则偏低2～3℃，其他区域的误差相对较小。同化后，模拟的海面温度在赤道印度洋、赤道大西洋区域都有明显改善，而在太平洋区域误差改善最为显著。赤道东太平洋区域的海表温度误差降为0～1℃，在南美洲西岸海表温度误差减小约5℃，调整后的SST赤道东西向梯度分布更为合理。如表1所示，整个区域年平均SST的绝均差从同化前的1.05℃降低为同化后的0.42℃。

图2 EN3年平均海表温度(a)及模拟偏差(b ～ d)Fig.2 Annual mean sea surface temperature from EN3 (a) and simulated differences (b. without data assimilation; c. with data assimilation; d. difference between b and c)

上层海洋热含量同化前后的偏差变化与SST变化类似(见图3)。同化前，北印度洋、大西洋东岸的热含量模拟偏高，尤其是赤道东太平洋冷舌区的热含量明显偏高，与冷舌区SST模拟偏高一致；而在赤道西南太平洋热含量模拟偏低。同化后，赤道东太平洋上层热含量明显降低，西太平洋暖池区热含量则略有增加；印度洋和大西洋赤道区域热含量在同化前后变化不大。赤道东太平洋海洋热含量的改善与SST的改善分布类似，都呈现出舌状改善区，但SST的改善舌状呈东西向延伸形态，而热含量的改善表现为明显的从东南向西北延伸。

图3 EN3海洋0～500 m热含量分布(a)及模拟偏差(b ～ d)Fig.3 Ocean heat content from EN3 (a) and simulated differences (b. without data assimilation; c. with data assimilation; d. difference between b and c) in the upper 500 m

图4 ERA-Interim再分析资料和同化前后的低层年平均风场(975 hPa)Fig.4 Annual mean wind distribution at 975 hPa from ERA-Interim (a) and without (b)/with(c) data assimilation

图5 ERA-Interim及同化前后大气纬向平均垂直速度分布Fig.5 Zonal mean omega velocity of atmosphere from ERA-Interim (a) and without (b)/with(c) data assimilation

3.2 大气环流

对比同化前后低层风场的模拟结果(见图4)可以看出，由于上层海洋模拟的改善，低层大气的运动发生了明显变化。同化前的低层风场与再分析结果差异较大，而同化后模拟结果与ERA-Interim再分析结果更为相符。同化前，太平洋赤道两侧的东北信风和东南信风带明显偏强，信风带在赤道两侧基本对称分布。在赤道太平洋区域，同化前的风场相对ERA-Interim再分析风场偏小，存在一个明显的低风速区域，而在太平洋中部赤道以南的东南信风的西分量偏大，导致赤道以南的东南信风未能跨越赤道形成越赤道气流，这一偏差在同化后得到明显改善。同化后，由于冷舌区SST模拟偏差减小，东太平洋赤道以南的东南信风西风分量减弱而北风分量增强，东南信风跨越赤道，在5°N附近与东北信风汇合；与上层海洋SST和热含量的改善分布相似，低层风场在印度洋和大西洋的改善也相对较小。

图5给出了纬向平均的大气垂向运动结构，可以看出，同化前赤道两侧的垂向运动强度与再分析数据资料差异较大，且上升、下沉气流强度明显偏强；而同化后，尽管上升气流和下沉气流的强度与再分析资料仍存在一定的差异，但其垂直运动结构与实际更接近，上升气流在赤道以北较强而在赤道以南较弱。与同化后上层海洋的改善情况对比可知，大气低层风场和垂直运动的改善与SST的改善分布有较好的对应关系，表明上层海洋的改善通过海气相互作用影响大气水平和垂直运动过程，为大气环流模式降水模拟的改进提供动力基础。

3.3 湿度和云量

在耦合模式中，海洋占全球大气下垫面面积的70%，其上层温度结构模拟的改善将对海气界面通量产生直接影响，进而改变大气模式对内部动力和热力过程的模拟能力。

图6和7分别给出ERA-Interim与同化前后年平均比湿(975 hPa)和总云量的分布。同化前的比湿和总云量在赤道太平洋中部沿赤道对称分布，与ERA-Interim结构相差较大，赤道15°S～15°N之间比湿偏高约0.3 g/kg，在赤道区域比湿整体偏大，云量在赤道太平洋中部亦偏多。同化后年平均比湿分布明显改善，赤道区域湿度显著减小，在西太平洋湿度最大；总云量在赤道太平洋中部的分布与ERA-Interim更为接近，北部云量多，南部云量较少，在太平洋西边界的云量相对同化前增加。图7d给出了同化前后的云量差异。太平洋中部赤道以南上空的云量在同化后明显减少，在西北和西南太平洋上空云量增多。综上可知，海洋数据同化直接改善了海表温度和上层海洋热含量，通过海气相互作用，影响了低层大气热量输送和运动过程，使大气湿度和云量分布更切合实际，为改善大气降水模拟提供了合理的水汽条件。

图6 ERA-Interim 975 hPa年平均比湿(a)及模拟偏差(b ～ d)Fig.6 Annual mean specific humidity from ERA-Interim (a) and simulated differences (b. without data assimilation; c. with data assimilation; d. difference between b and c) at 975 hPa

图7 ERA-Interim年平均总云量分布(a)及模拟偏差(b ～ d)Fig.7 Annual mean total cloud fraction from ERA-Interim (a) and simulated differences (b. without data assimilation; c. with data assimilation; d. difference between b and c)

3.4 热带降水

全球降水在纬向上有一定的分布特征，低纬热带地区比较湿润，降水较多，中高纬降水量较小，在西风带区域增强，继而向两极递减。对比纬向平均降水分布(见图8)，CMAP降水数据在赤道两侧存在两个峰值，且赤道以北的峰值(6 mm/d)高于赤道以南的峰值(4 mm/d)。在热带低纬度区域，同化前纬向平均降水强度偏强，且在赤道以南的纬向平均降水峰值约为6.3 mm/d，高于赤道以北的纬向平均降水峰值。图中红色曲线表示同化后的年平均纬向平均降水分布，可以看出，同化后在赤道南侧的纬向平均降水峰值显著下降，减小量约1.5 mm/d，赤道两侧热带的年平均纬向平均降水分布与CMAP数据的结果比较一致。可见，气候模式海洋数据同化过程能有效降低赤道南北两侧纬向平均降水的偏差，使得赤道以南的纬向平均降水峰值显著下降，且低于赤道北侧纬向平均降水峰值，上层海洋模拟改善后FIO-ESM气候模式所模拟的年平均纬向平均降水分布更加合理。

图8 CMAP及同化前后纬向平均的年平均降水分布Fig.8 Annual mean zonal averaged precipitation from CMAP (black) and without (green) / with (red) data assimilation

同化前年平均降水分布最显著的特征是在太平洋中部赤道两侧存在两个对称的降水带(见图9)，即存在明显的虚假双赤道辐合带。从图9b中可以明显看出同化前位于太平洋中部赤道以南的异常降水分布与位于赤道以北的降水对称分布，而在图9a中CMAP降水数据的年平均降水分布呈非对称分布。此外，同化前在赤道太平洋东岸、赤道南美洲西部区域降水强度偏弱，降水区域面积偏小，在地形起伏区域如中南半岛和印第安斯山脉东部降水强度偏弱、非洲赤道区域降水强度则偏强。同化后，全球水平分布的整体态势与观测更为接近，降水中心集中分布在赤道太平洋西岸群岛；在太平洋赤道以南的降水带向西收缩，赤道两侧降水强度均减弱，表明同化实验有效抑制了该气候模式中的双赤道辐合带现象，使得降水在赤道太平洋的赤道两侧呈现不对称分布，与实际相符。在北印度洋区域，同化后的降水略有增加，其分布结构与CMAP更为一致。为了更清晰的分辨同化前后水分布的差异，图10d给出了同化前后的年平均降水相对CMAP降水数据的偏差。从图中可看出同化后热带降水偏差整体减小，尤其在赤道太平洋区域，降水偏差减小约5 mm/d，在西太暖池区降水增加约3 mm/d，而在热带其他区域上也有不同程度的改善。

本研究通过数据同化实验研究了海洋改善对大气降水影响，在气候模式中采用海洋数据同化方法改善了海洋的模拟，通过海气相互用进而影响大气运动和水汽分布，最终有效抑制了双赤道辐合带现象，使年平均降水分布结构更为合理，表明海洋的准确模拟对改善气候模式的降水模拟具有不可忽视的作用。

图9 CMAP及同化前后年平均降水分布Fig.9 Annual mean precipitation from CMAP (a) and without (b) / with (c) data assimilation

图10 同化前后年平均降水与CMAP的差异及同化前后差异Fig.10 Differences of annual mean precipitation compare to CAMP (a. without data assimilation; b with data assimilation; c. differences between a and b)

4 结论与讨论

本文基于EAKF方法对气候模式FIO-ESM中海洋模式进行了海洋卫星资料(SST和SLA)同化实验，对比分析了大气环流、水汽分布、云量对上层海洋模拟改善的响应，探讨了耦合模式中海洋数据同化对热带降水模拟偏差的影响。结果显示：

(1)在海洋卫星数据同化后，气候模式FIO-ESM所模拟的海面气压、大气975 hPa风场和大气垂向运动均得到显著改善，同化后热带区域(30°S～30°N)年平均绝均差分别减少19%、26%和50%，为降水模拟的改进提供了动力基础；

(2)海洋上层热结构的改善通过海气相互作用过程影响大气湿度和云量的模拟，同化后热带区域的年平均绝均差分别减小37%和25%，为改善降水模拟提供了合理的水汽条件；

(3)同化后气候模式双赤道辐合带现象得到有效抑制，赤道以南纬向平均降水显著减少，使得模拟的热带降水空间和强度分布更为合理，同化后年平均降水的绝均差降低了0.53 mm/d。

在采用SST强迫的大气模式中，海洋的状态仅是大气的底边界强迫，缺少海洋与大气之间的互相反馈，而耦合模式包含多个模式分量，各个模式分量之间通过耦合器进行相互作用，物理过程与实际更为接近。海洋数据同化改善了海洋状态的模拟，低层大气对上层海洋动力和热力的改变做出响应，同时大气的改变也进一步通过海气相互作用反馈到海洋。在赤道东太平洋冷舌区，同化后的海表温度降低，海洋上层热含量减少，导致海平面气压上升，越赤道气流加强，大气上升运动的强度减弱，水汽含量和云量减少，最终使得东太平洋冷舌区降水量减小。大气环流结构、水汽、云量等气象要素模拟的改进，有效抑制了赤道以南的纬向平均降水峰值，使热带年平均降水的空间结构和强度模拟均得到了改善。本文实验结果表明海洋资料同化可使热带降水模拟的绝均差降低35%，可见气候模式中海洋模拟的准确程度是降水模拟偏差的重要影响因素。

值得注意的是，海气相互作用和大气中的对流积分、云物理等过程在气候模式中是否得到准确的描述也是影响降水模拟的重要因素。海洋同化能改善气候模式的模拟能力，热带降水偏差显著减少，但海气相互作用以及大气云物理过程等的清晰物理认识也是改善气候模式必不可少的。

[1] WCRP. CLIVAR Science Plan，WCRP Pub. No. 89，WMO/TD-No. 690[M]. World Meteorological Organization，Geneva，1995．

[2] WCRP. The world climate research programme strategic framework 2005-2015 coordinated observation and prediction of the Earth system (COPES)[M]. World Meteorological Organization，Geneva，2005．

[3] WMO. WMO Strategic Plan，WMO-No. 1028[M]. World Meteorological Organization，Geneva，2007．

[4] Manabe S，Bryan K. Climate calculation with a combined ocean-atmosphere model[J]. Journal of Atmosphere Science，1969，26: 768-789．

[5] Pincus R，Batstone C P，Hofmann R J P，et al. Evaluating the present day simulation of clouds，precipitation，and radiation in climate models[J]. Journal of Geophysical Research: Atmospheres (1984-2012)，2008，113(D14)．

[6] Brown J R，Moise A F，Colman R A. The South Pacific Convergence Zone in CMIP5 simulations of historical and future climate[J]. Climate Dynamics，2013，41(7/8): 2179-2197．

[7] Elguindi N，Grundstein A，Bernardes S，et al. Assessment of CMIP5 global model simulations and climate change projections for the 21st century using a modified Thornthwaite climate classification[J]. Climatic Change，2014，122(4): 1-16．

[8] Zhang X，Lin W，Zhang M. Toward understanding the double Intertropical Convergence Zone pathology in coupled ocean-atmosphere general circulation models[J]. Journal of Geophysical Research: Atmospheres (1984-2012)，2007，112(D12)．

[9] Mechoso C R，Robertson A W，Barth N，et al. The seasonal cycle over the tropical Pacific in coupled ocean-atmosphere general circulation models[J]. Monthly Weather Review，1995，123(9): 2825-2838．

[10] Schneider E K. Understanding differences between the equatorial Pacific as simulated by two coupled GCMs[J]. Journal of Climate，2002，15(5): 449-469．

[11] Lin J L. The double-ITCZ problem in IPCC AR4 coupled GCMs: ocean-atmosphere feedback analysis[J]. Journal of Climate，2007，20(18):4497-4525．

[12] Arakawa A. The cumulus parameterization problem: past，present，and future[J]. Journal of Climate，2004，17(13): 2493-2525．

[13] Chen H，Zhou T，Neale R B，et al. Performance of the new NCAR CAM3. 5 in East Asian summer monsoon simulations: Sensitivity to modifications of the convection scheme[J]. Journal of Climate，2010，23(13): 3657-3675．

[14] Neale R B，Richter J H，Jochum M. The impact of convection on ENSO: From a delayed oscillator to a series of events[J]. Journal of Climate，2008，21(22): 5904-5924．

[15] Delworth T L，Rosati A，Anderson W，et al. Simulated climate and climate change in the GFDL CM2. 5 high-resolution coupled climate model[J]. Journal of Climate，2012，25(8): 2755-2781．

[16] 刘屹岷，刘琨，吴国雄. 积云对流参数化方案对大气含水量及降水的影响[J].大气科学，2007，31(6): 1201-1211.

Liu Yimin，Liu Kun, Wu Guoxiong. The impacts of the cumulus convective parameterization on the atmospheric water-content and rainfall simulation in SAMIL[J]. Chinese Journal of Atmospheric Sciences，2007，31(6):1201-1211．

[17] 钟琦，钟青，沈元芳. 物理守恒律保真全球谱模式辐射—云—对流过程的改进[J]. 气候与环境研究，2011，16(4): 407-418．

Zhong Qi，Zhong Qing，Shen Yuanfang. Improvement on the simulation of radiation-cloud-convection process in a physical conserving fidelity global spectral model[J]. Climatic and Environment al Research，2011，16 (4) : 407-418．

[18] Sud Y C，Walker G K，Zhou Y P，et al. Influence of local and remote sea surface temperatures on precipitation as inferred from changes in boundary-layer moisture convergence and moist thermodynamics over global oceans[J]. Quarterly Journal of the Royal Meteorological Society，2008，134(630): 147-163．

[19] Giannini A，Chiang J C H，Cane M A，et al. The ENSO teleconnection to the tropical Atlantic Ocean: contributions of the remote and local SSTs to rainfall variability in the tropical Americas[J]. Journal of Climate，2001，14(24): 4530-4544．

[20] Li B，Zhou T. ENSO-related principal interannual variability modes of early and late summer rainfall over East Asia in SST driven AGCM simulations[J].Journal Geophysics Research，2011，116:D14118．

[21] Dai A. Precipitation characteristics in eighteen coupled climate models[J]. Journal of Climate，2006，19(18): 4605-4630．

[22] 袁业立，乔方利，华锋，等. 近海环流数值模式的建立，部分1：海波的搅拌和波-流相互作用[J]. 水动力学研究与进展：A辑，1999，14(4B): 1-8．

Yuan Yeli，Qiao Fangli，Hua Feng，et al. Establish an offshore circulation numerical model，Part Ⅰ: wave stirring and wave-current interaction[J]. Journal of Hydrodynamics: Ser A，1999，14(4B): 1-8．

[23] Qiao F L，Yuan Y L，Yang Y Z，et al. Wave-induced mixing in the upper ocean: distribution and application to a global ocean circulation model[J]. Geophysics Research Letter，2004，31: L11303．

[24] Qiao F L，Yuan Y L，Ezer T，et al. A three-dimensional surface wave-ocean circulation coupled model and its initial testing[J]. Ocean Dynamics，2010，60(5):1339-1355．

[25] Collins W D，Rasch P J，Boville B A，et al. The formulation and atmospheric simulation of the Community Atmosphere Model version 3 (CAM3)[J]. Journal of Climate，2006，19(11): 2144-2161．

[26] Smith R，Jones P，Briegleb B，et al. The parallel ocean program (POP) reference manual[R]. Los Alamos National Lab Technical Report，2010: 141．

[27] Qiao F L，Song Z Y，Bao Y，et al. Development and evaluation of an Earth System Model with surface gravity waves[J]. Journal of Geophysical Research: Oceans，2013，118(9): 4514-4524．

[28] Anderson J L. An ensemble adjustment Kalman filter for data assimilation[J]. Monthly Weather Review，2001，129(12): 2884-2903.

[29] Anderson J L. A local least squares framework for ensemble filtering[J]. Monthly Weather Review，2003，131(4):634-642．

[30] Yin X Q，Qiao F L，Yang Y Z，et al. Argo data assimilation in ocean general circulation model of Northwest Pacific Ocean[J]. Ocean Dynamics，2012，62(7):1059-1071．

[31] Ducet N，Le Traon P Y，Reverdin G. Global high-resolution mapping of ocean circulation from TOPEX/Poseidon and ERS-1 and-2[J]. Journal of Geophysical Research: Oceans (1978-2012)，2000，105(C8): 19477-19498．

[32] 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．

[33] Ingleby B，Huddleston M. Quality control of ocean temperature and salinity profiles-historical and real-time data[J]. Journal of Marine Systems，2007，65:158-175．

[34] Dee D P，Uppala S M，Simmons A J，et al. The ERA-Interim reanalysis: Configuration and performance of the data assimilation system[J]. Quarterly Journal of the Royal Meteorological Society，2011，137(656): 553-597．

[35] Huffman G J，Bolvin D T. GPCP Version 2.2 SG Combined Precipitation Data Set Documentation[OL]. http://www.esrl.noaa.gov/psd/data/gridded/data.gpcp.html．

[36] Xie P，Arkin P A. Global precipitation: A 17-year monthly analysis based on gauge observations，satellite estimates，and numerical model outputs[J]. Bulletin of the American Meteorological Society，1997，78(11): 2539-2558．

[37] Yin X，Gruber A，Arkin P. Comparison of the GPCP and CMAP Merged Gauge-Satellite Monthly Precipitation Products for the Period 1979-2001[J]. Journal of Hydrometeorology，2004，5(6):1207-1222．

The impacts of ocean data assimilation on tropical precipitation bias in a climate model

Chen Hui1，2，Yin Xunqiang1，2，Song Zhenya1，2，Song Yajuan1，2，Bao Ying1，2，Qiao Fangli1，2

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

Using the Ensemble Adjustment Kalman Filter (EAKF)，two kinds of oceanic satellite observations，namely sea surface temperature (SST) and sea level anomaly (SLA)，had been assimilated into the ocean model component of the FIO-ESM (First Institute of Oceanography Earth System Model version 1.0). We analyzed the differences of the atmospheric circulation，specific humidity，cloud fraction，and precipitation in tropical between the assimilation and no assimilation experiment，to investigate the impacts of ocean data assimilation on tropical precipitation simulation in a climate model. The results showed that ocean data assimilation can effectively improve the sea surface temperature and ocean heat content in the upper layer of the ocean，the absolute mean error of annual mean SST in the area of 30°S～30°N were reduced by 60%. Sea level pressure and atmospheric circulation such as lower winds had been significantly improved. The atmospheric vertical motion turns to be more reasonable，which provide reliable dynamic conditions for precipitation simulation. Improvements of SST and atmospheric circulation would further influence the spatial distribution of the specific humidity and cloud fraction，giving more reasonable moisture conditions for precipitation simulation. Finally，the spatial distribution and intensity of zonal mean were significantly improved，the peak value of precipitation in the south of the equator were obviously reduced，and the absolute mean error of annual mean precipitation in the oceanic area of 30°S～30°N were reduced by 35%．

climate model；data assimilation；EAKF；precipitation

10.3969/j.issn.0253-4193.2015.07.005

2014-05-26；

2015-03-20。

国家自然科学基金委员会-山东省人民政府联合资助海洋科学研究中心项目(U1406404);中央级公益性科研院所基本科研业务费专项资金资助项目(2012G24)；海洋公益性行业科研专项(201505013)。

陈辉(1988—)，女，江苏省如皋市人，主要从事海洋数值模拟结果分析。E-mail：chenhui@fio.org.cn

*通信作者：乔方利(1966—)，男，山东省庆云县人，研究员，主要从事海洋与气候模式发展、海洋混合等研究。E-mail：qiaofl@fio.org.cn

P732.4

A

0253-4193(2015)07-0041-13

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，doi：10.3969/j.issn.0253-4193.2015.07.005