Nudging资料同化对北极海冰密集度预报的改进

赵杰臣，杨清华，李明，李群，李春花，田忠翔，张林

（1.中国海洋大学海洋与大气学院，山东青岛266100；2.国家海洋环境预报中心国家海洋局海洋灾害预报技术研究重点实验室，北京100081；3.中国极地研究中心，上海200136）



Nudging资料同化对北极海冰密集度预报的改进

赵杰臣1，2，杨清华2，李明2，李群3，李春花2，田忠翔2，张林2

（1.中国海洋大学海洋与大气学院，山东青岛266100；2.国家海洋环境预报中心国家海洋局海洋灾害预报技术研究重点实验室，北京100081；3.中国极地研究中心，上海200136）

摘要：北极夏季海冰的快速减少使得北极航道提前开通成为可能。为了给北极冰区船运活动提供及时可靠有效的海冰预报保障，急需提高海冰预报水平。本文基于麻省理工大学通用环流模式（MIT-gcm），使用牛顿松弛逼近（Nudging）资料同化方法将德国不莱梅大学的第二代先进微波辐射成像仪（A M SR2）海冰密集度资料同化到模式中，建立了北极海冰数值预报系统。设计试验对比3种不同Nudging系数计算方案的改进效果，结果表明选择合适参数后，不同方案均能显著改进海冰密集度初始场。通过设计有无Nudging同化的两组预报试验，结合卫星遥感海冰密集度及中国第五次北极科学考察期间“雪龙”船的走航海冰密集度观测数据，定量分析了Nudging同化方案对北极海冰密集度的24～120 h预报结果的改进效果。结果表明，Nudging同化对120 h内全北极海冰密集度的空间分布和移动单点目标的海冰密集度预报结果均有显著改善；但在海冰变化很小的情况下，Nudging同化试验的24～120 h预报结果均劣于惯性预报结果，说明基于Nudging同化的数值预报系统还需进一步提高预报技巧。

关键词：北极海冰；密集度预报；Nudging；资料同化

1　引言

自1979年有连续海冰卫星观测资料以来，北极海冰的范围、厚度和多年冰的比例都在显著减小［1—2］。特别是北半球夏季，北极海冰范围减少的趋势更为明显，以9月为例，海冰范围的减小速率在1979-1998年间为每年约3.2×104k m2，而在1999-2010年间急剧增加到每年约15.4×104k m2［3—4］。利用ICESat卫星资料反演得到的海冰厚度数据显示，冬季北极海盆尺度上海冰厚度的减小速率在2003-2008年间达到每年0.17 m［5］。而融冰季节的时间长度1979-2007年间增加了20 d［6］。北极海冰的这些快速变化，特别是夏季海冰范围、密集度、厚度的持续减小，加速了北极地区科学考察和商业航运的发展。为了更好地把握航运机会，控制风险，如何及时准确地为船舶提供北极海冰预报信息成为当前亟需解决的问题。

在此背景下，国家海洋环境预报中心近年来初步发展了北极海冰数值预报系统［7—8］。该系统基于MITgcm冰-海耦合模式，目前采用卫星观测海冰密集度数据直接替代为数值预报的海冰密集度初始场的方法。这种初始化方法可以融合所有的卫星海冰密集度信息，较好地提高初始场的准确度，但也导致出现初始化后计算不稳定的问题［7］。因此，需要引入一种省时、高效、稳定的海冰密集度资料同化方法来同化卫星观测的海冰密集度，进而改进海冰预报的密集度初始场。

国际上对于通过同化海冰密集度来改进冰-海耦合模式的预报水平已有较多研究，包括利用（局地）集合卡曼滤波方法、最优插值方法、Nudging方法等，将SS M/I、SS MIS和欧盟海洋海冰卫星应用中心（OSISA F）等卫星海冰密集度数据同化到H Y C O M、R O M S、MITgcm、Hadley气候模式和南森中心T OP A Z等模式中［9—15］。前人的工作中，使用（局地）集合卡曼滤波方法时涉及到的程序较多，数据量较大，当模式在每一个时间步长上都进行大数据量的计算和交换时，就需要占用较多的计算资源或者消耗较长的计算时间；同化使用SS M/I和SS MIS等卫星数据时，因其较低的分辨率（25 k m）会造成某些区域的信息失真。考虑到天气尺度的海冰预报系统不仅需要准确的预报结果，更注重快速及时的预报时效性，因此通过比较前人的同化方法，并结合预报中心实际计算资源，本文建立了基于Nudging同化方法和MIT-gcm冰-海耦合模式的北极海冰预报系统。选择将分辨率更高（6.25 k m）的准实时卫星海冰密集度产品A M SR2同化到预报系统中，并通过设计对比试验来验证，Nudging同化对天气尺度上北极海冰密集度预报的改进作用。

2　模式和数据

本文所用的MITgcm冰-海耦合模式［16］是CheckPoint63k版本，海洋和海冰模式均采用Arakawa C网格，采用有限体积离散方法。海冰动力学使用黏-塑迭代算法［17］，海冰热力学使用含雪盖的“零层”方案［18］。本试验中设置420×384个格点覆盖全北极区域，网格局地正交，水平网格较均匀，平均间距18 k m，考虑了主要的北极海峡。开边界取在大西洋和太平洋的55°N附近［19—20］，边界条件采用月平均的ECC O2全球模拟结果，主要包括位温、盐度、流场等。海洋模式垂直分为50层，垂直分辨率为10～450 m不等，上层海洋分层更多。海冰和海洋模式采用相同的水平网格。地形数据采用美国国家地球物理数据中心（N G D C）的2′全球地貌数据E T O P O2。模式的积分时间步长为1 200 s。

MITgcm模式需要的大气强迫场主要包括10 m风速、2 m气温和比湿、向下长波和短波辐射、降水等。本文使用的大气强迫数据有两种，控制试验使用的是美国国家环境预报中心（N CEP）发布的时间间隔为6 h，水平分辨率为2.5°的再分析资料，预报试验使用的是N CEP发布的时间间隔为6 h，水平分辨率为0.5°的全球预报系统（G FS）资料。

用于Nudging同化和预报结果对比的卫星数据是德国不莱梅大学提供的日平均A M SR2海冰密集度数据，该数据基于全球变化观测任务卫星（G C O MW 1）上搭载的第二代先进微波辐射成像仪（A M SR2，频率89 G Hz），采用ASI算法［21］，具有比SS M/I更高的空间分辨率（6.25 k m），同时在北半球夏季海冰表面有融池存在的情况下，A M SR2比SS M/I具有更高的准确度。另外本文利用2012年中国第五次北极科学考察期间（7月25-30日和8月28-31日，图1）“雪龙”船的走航海冰密集度观测数据作为独立数据来验证模式预报结果，走航观测参考ASPeCt（Antarctic Sea ice Processes and Climate）的船基海冰观测标准进行［22］，人工海冰密集度观测方式是观测员站在驾驶台高处目测视线范围1 k m内海冰覆盖区域所占的比例。冰区航行时“雪龙”船船速大约18 k m/h，走航观测为半小时一次，对走航观测的数据进行三点平滑处理得到水平距离约18 k m范围的平均走航观测值。A M SR2产品空间分辨率为6.25 k m，取“雪龙”船位置处最接近的9个网格求平均值，得到约18 k m×18 k m范围的平均海冰密集度值。模式的水平网格约为18 k m，这样3种数据可以在相同的水平尺度上进行比较。

3　Nudging资料同化

Nudging同化方法的基本的原理是，数值模式读入日平均的卫星观测海冰密集度数据，然后线性插值到每一个时间步长上，在进行计算时，每一积分步长下的海冰密集度由以下公式进行同化：

Nudging系数G在以往的研究中有不同的取法，Lindsay和Zhang［10］将该系数表达为海冰密集度模拟值和观测值之差的非线性函数（表1，Nadging-A），其中σm是模拟的海冰密集度标准偏差，σo是卫星观测的海冰密集度标准偏差。W ang等［14］则引入海冰密集度模拟值和观测值的标准偏差来估计该系数（表1，Nudging-B）。MITgcm模式CheckPoint63k版本中Nudging系数G由表1，Nudging-C公式计算得到。本文中τo取值为海冰热力学积分的时间尺度与海冰密集度Nudging的时间尺度的比值，指数部分的作用是使得G在同化过程中随着时间和空间不断变化，以往的数值试验表明，变化的Nudging系数通常比常值更有效［14］。本文选取表1中3种不同的Nudging方案分别进行一系列的敏感性试验，确定各方案中经验性参数的最佳取值，然后探讨不同方案对海冰初始场同化结果的影响。

图1　第五次中国北极科学考察期间“雪龙”船航迹图［23］。本文将7月25-30日低纬区域的航线定义为第一航段，将8月26-31日高纬区域的航线定义为第二航段，蓝色和绿色分别是是7月22日和8月24日卫星观测到的海冰覆盖区域Fig.1 The R/V Xuelong route during the 5th Chinese National Arctic Research Expedition（C HIN A R E）.The route along the low latitude during 25th to 30th July was named Route I and the route along the high latitude during 26th to 31th August was named Route II.The blue area showed the seaice extent on 22nd July and the green area showed the seaice extent on 24th August

表1　不同Nudging同化方案中系数G的计算方法Tab.1 The calculation formula of parameter G in different Nudging schemes

本试验建立的基于的MITgcm模式和Nudging资料同化方法的北极海冰数值预报系统的运行流程包括两部分：同化模块和预报模块。在同化模块，MITgcm模式使用Nudging资料同化方法将A M SR2卫星海冰密集度数据同化到模拟结果中，得到预报部分需要的海冰密集度初始场，然后再进行24 h、72 h、120 h的海冰密集度预报（图2）。

图2　基于MITgcm模式和Nudging资料同化的北极海冰数值预报系统流程图Fig.2 The flow chart of the operational sea ice forecasting system based on MITgcm model and Nudging assimilation

4　试验设计

控制试验中，MITgcm模式从初始状态开始，使用1992年的N CEP再分析资料对模式进行10 a的循环强迫，使模拟的海冰和海洋状态达到基本稳定，再以此模拟结果为初始场，以1992-2012年的N CEP再分析资料为大气强迫场，从1992年1月1日积分到2012年12月31日。

预报试验中分别设置两组对比试验，来比较Nudging同化对模式海冰密集度初始场的改进，如表2所示。为利用“雪龙”船走航观测数据验证预报结果，模式分别从2012年7月25日00时和8月26日00时刻起报，进行120 h的海冰密集度预报。以第一航段7月25日00时刻起报的情况为例，试验I：无Nudging同化方案的预报试验中，模式以控制试验输出的2012年7月23日的模拟结果作为初始场，以7 月24日G FS资料00时刻的数据驱动模式，得到的7 月24日的模拟结果再作为初始场，以7月24日的G FS资料中00～120 h时刻的预报数据作为大气强迫场，驱动模式得到7月25-29日的海冰密集度预报结果。试验Ⅱ：有Nudging同化方案的预报试验中，同化的目的是得到更真实、更接近观测的模式初始场。因此试验中运行Nudging同化模块，以控制试验输出的2012年7月23日的模拟结果作为初始场，以7月24日G FS资料中00时刻的大气数据作为大气强迫场，运行24 h，将7月24日的A M SR2海冰密集度数据同化到模式中，得到新的7月24日的模拟结果作为预报试验中的初始场；然后再运行预报模块，使用和无Nudging方案的预报试验相同的大气强迫场，得到7月25-29日的海冰密集度预报结果。而第二航段8月26日00时刻起报的试验设置情况和第一航段一致。

为更好地比较Nudging同化对120 h内海冰密集度预报的改进，本文引入惯性预报来辅助评判改进效果。对于变化缓慢的事物，可以利用其初始场外推的方法进行短期预报，称为惯性预报。本文利用7月25日和8月26日的海冰密集度初始场外推24～120 h，分别得到两个时段的24～120 h惯性预报结果，并与Nudging同化的预报结果进行比较。

表2　预报试验的设置情况Tab.2 The configurations of forecasting experiments with and without Nudging

5　结果分析

5.1Nudging资料同化对模式初始场的改进

在预报试验中，Nudging同化的作用是优化MITgcm模式预报时的初始场，通过比较无Nudging试验和有Nudging试验，可得到Nudging同化对初始场的改进，而不同Nudging同化方案对模式初始场的优化效果也不同。图3是不同试验得到的2012年7 月25日的预报初始场。图3a是无Nudging试验得到2012年7月25日的海冰密集度初始场，与当天的A M SR2卫星海冰密集度数据（图3b）比较，较好地反映了北极高纬中心区密集度高，低纬周边区域密集度低的空间分布特征，但在85°N以北模拟的密集度为0.6～0.8，比观测的0.8～1.0偏低。在波弗特海和巴伦支海部分边缘区域观测基本无冰，但模拟结果显示有0.6～0.8海冰覆盖；在东北航道的楚科奇海和东西伯利亚海观测显示有0.6～0.8海冰，但模拟结果只有0.2～0.4，明显偏低；图3c-e分别为采用了3种不同Nudging同化方案后得到的模式初始场，结果显示Nudging同化对海冰密集度的空间分布有显著改进，85°N以北高纬区域的海冰密集度模拟值明显增加，范围几乎接近于观测结果；海冰边缘区的范围和密集度也和观测符合较好；特别是本文使用的Nudging-C方案模拟结果和观测最为符合，且在波弗特海和巴伦支海的海冰边缘仍然保留有0.2～0.4的低密集度区域，该Nudging方案是渐进式的优化模拟结果，这有助于模式自身其他要素的调整，也有助于计算的稳定性，更为合理。因此表1所列的3种不同Nudging同化方案对海冰密集度初始场的改进效果均比较显著，但Nudging-C方案更合理。

图3　2012年7月25日海冰密集度初始场Fig.3 The initial sea ice concentration field for 25th July，2012

对于8月26日00时刻起报的个例，N udging同化同样发挥重要作用；无N uding情况下，模式在高纬区域模拟的海冰密集度偏低，海冰范围偏小，N udging同化有效地改进了海冰在高纬区域的分布和密集度，其中N udging-C方案较另外两方案更合理（图略），在第二航段的预报试验中依然采用N udging-C方案。本文的预报试验中将采用N udging-C同化方案。

为进一步定量分析不同实验方案对海冰密集度初始场的改进效果，本文以7月25日初始场为例计算了不同试验方案得到的初始场与A M SR2卫星海冰密集度的偏差沿不同纬度的分布（图4）。对于无Nudging同化方案的情况，在80°N以南区域，平均偏差小于-0.2，而均方根偏差位于0.3～0.4之间，这表明在此区域模拟的初始场与观测场相比，偏大和偏小情况都存在，但偏小的情况多。而在80°N以北区域，平均偏差为-0.2～-0.3，均方根偏差为0.2～0.3，这表明在此区域以模拟的初始场以比观测偏小的情况为主。3种同化方案得到的海冰密集度初始场与观测的偏差和均方根偏差均明显减小，说明Nudging同化使得模拟的初始场在各个纬度均更接近于观测。同时Nudging-C方案的平均偏差和均方根误差在各个纬度均小于其他两种同化方案，特别是在80°N以北的高纬区域尤为明显。

图4　不同试验方案得到的7月25日海冰密集度初始场与A M SR2数据的平均偏差（a）和均方根偏差（b）随纬度的分布Fig.4 The average deviation（a）and root mean square error（b）calculated along latitudes for different Nudging experiments on 25th July

5.2Nudging同化对24～120 h预报结果的改进

为了评估Nudging同化对MITgcm模式预报能力的改进，设计两组试验，如表2所示。两组对比试验结果的差异均由模式中有无Nudging资料同化所引起，因此，分析两组试验结果就能得到Nudging同化对北极海冰数值预报系统的影响。

5.2.12012年7月25-29日

由于没有Nudging资料同化，试验I的海冰密集度初始场在波弗特海、东西伯利亚海、巴伦支海和阿蒙森海盆附近和观测相比，存在较大误差，这导致了120 h预报结果偏差偏大；而试验Ⅱ在有Nudging同化的情况下，海冰密集度在上述区域的偏差减小，120 h内的全北极海冰密集度预报结果的平均偏差由试验I 的-0.14减小至-0.03，均方根误差由0.42减小到0.26（表3）。这组试验表明，初始场准确对于天气尺度预报的重要性，而Nudging同化则有效地改善了海冰密集度初始场，进而提高了120 h短期预报结果的准确性。

图5　2012年7月25日00时刻起报的试验I（a、b、c）和Ⅱ（d、e、f）对应的预报结果与A M SR2卫星观测数据（g、h、i）的比较Fig.5 The results of forecasting experiments I（a，b，c）andⅡ（d，e，f）initialized at 00 h on 25th July，2012，compared with A M SR2 data（g，h，i）

5.2.22012年8月26-30日

无Nudging同化时，试验I海冰密集度初始场在欧亚大陆扇区的海冰覆盖范围误差较大，海冰密集度偏小，这同样导致了120 h预报结果的较大偏差；而加入Nudging同化后，试验Ⅱ的海冰密集度和范围在上述区域的偏差得到显著改善，全北极海冰密集度预报结果的平均偏差由试验I的-0.15减小至0.03，均方根误差由0.47减小到0.27（表3），120 h预报结果更为接近观测。这组试验进一步表明Nudging同化有助于改善海冰密集度初始场，进而改善24～120 h预报结果。

图6是全北极海冰面积的120 h预报结果和卫星观测数据的比较。无N udging同化时，海冰的分布情况和观测比较有较大差别（图5，图6）。海冰密集度大范围的低估也导致24～120 h的预报海冰面积均偏低（图7），而加入N udging同化后，预报结果的海冰分布和海冰密集度都得到很大改善，因此计算得到的海冰面积和A M SR2卫星观测资料亦符合较好。

图6　2012年8月26日00时刻起报的试验I（a、b、c）和Ⅱ（d、e、f）对应的预报结果与A M SR2卫星观测数据（g、h、i）的比较Fig.6 The results of forecasting experiments I（a，b，c）andⅡ（d，e，f）initialized at 00h on 26th August，2012，compared with A M SR2 data（g，h，i）

海冰的分布和密集度在短期天气尺度上通常变化较小，因此惯性预报也有一定可行性。表3分别计算了基于7月25日00时刻和8月26日00时刻初始场的120 h惯性预报结果和A M SR2的平均偏差和均方根偏差。结果表明，7月25日的预报试验中，无Nudging同化的试验I劣于惯性预报，但有Nudging同化的试验Ⅱ优于惯性预报；而8月26日的预报试验中，有、无Nudging同化的试验都劣于惯性预报。分析图5、图6中A M SR2海冰密集度在120 h内的变化可以发现，7月25-29日太平洋扇区的楚科奇海、东西伯利亚海区域的海冰密集度发生较显著变化，因此考虑Nudging同化的预报结果优于惯性预报结果；而8月26-30日的A M SR2海冰密集度数据显示，海冰外缘线收缩至80°N以北，海冰密集度没有显著变化，因此惯性预报的结果较好。

图7　试验I（a）和Ⅱ（b）得到的120 h海冰面积结果与卫星观测结果的比较Fig.7 Comparisons between 120 h sea ice area forecasting results of the experiment I（a）andⅡ（b）with A M SR2 data

为进一步评估海冰密集度预报的准确性，本文利用2012年7月25-30日和8月26-31日期间中国第五次北极科学考察期间“雪龙”船走航观测的海冰密集度和模式结果进行比较。

表3　试验I和Ⅱ预报结果与A M SR2的比较Tab.3 Comparisons between forecasting results of experiment I andⅡand A M SR2 data

第一航段“雪龙”船沿北极东北航道经过楚科奇海、东西伯利亚海、拉普捷夫海和喀拉海，航线处于大陆边缘和海冰边缘区域（图1）。预报试验结果显示，试验Ⅱ中7月25日的Nudging同化对海冰密集度预报有显著改进，密集度的平均偏差/均方根误差从0.21/0.40提高到0.12/0.26（表4）；在无Nudging的试验I中，7月25日模拟的航迹上的海冰密集度基本均为0，无海冰覆盖，而走航观测和A M SR2均显示该段大部分区域海冰密集度为0.5以上。加入Nudging同化后，试验Ⅱ的25日海冰密集度有较大改善，24 h、 48 h、72 h结果与走航观测及A M SR2卫星资料均吻合较好。

图8　第一航段“雪龙”船不同时间段所处的纬度（a）和2012年7月25日00时刻起报的试验I和Ⅱ预报结果与“雪龙”船航线上走航观测资料及卫星数据的比较（b）Fig.8 The latitude of R/V Xuelong during her Route I（a）and comparisons between forecasting results of experiment I andⅡinitialized at 00h on 25 July，2012 with ship-based observations and A M SR2 data（b）

表4　A M SR2、试验I和Ⅱ与走航观测结果的比较Tab.4 Comparisons between A M R2 data，experiment I andⅡ，with ship-based observations

第二航段由于北极海冰面积急剧减小，“雪龙”船沿高纬80°N以北航线由西向东航行，8月28日之前“雪龙”船航线处于海冰边缘区域（图1），28日开始“雪龙”船调整航线，直线向北进入密集冰区，至30日抵达本航次最北点87.6°N附近。

预报试验结果显示，试验Ⅱ中的8月26日的Nudging同化对海冰密集度有很大改进，密集度的平均偏差/均方根误差从0.38/0.55减小到-0.03/ 0.21（表4）；在无Nudging的试验I中，8月26日模拟的航迹上的海冰密集度偏高，达0.8左右，而走航观测和A M SR2均显示该段大部分区域海冰密集度为0.2以上；加入Nudging同化后，试验Ⅱ得到的26日海冰密集度预报结果有较大改善。初始场在海冰范围上的较大偏差导致试验I模拟的24～120 h海冰密集度基本为0，而在试验Ⅱ的24～120 h预报结果与走航观测和A M SR2卫星资料均符合较好，并且成功模拟出28-29日期间的低密集度水道区域（图8）。这说明加入Nudging同化的MITgcm模式可较好地预报海冰密集度的空间分布，也提高了对移动单点的海冰密集度预报结果。但无Nudging同化的预报结果则与观测结果偏差较大。

图9　第二航段“雪龙”船不同时间段所处的纬度（a）和2012年8月26日00时刻起报的试验I和Ⅱ预报结果与“雪龙”船航线上走航观测资料及卫星数据的比较（b）Fig.9 The latitude of R/V Xuelong during her RouteⅡ（a）and comparisons between forecasting results of experiment I andⅡinitialized at 00h on 26 August，2012 with ship-based observations and A M SR2 data（b）

6　结论和讨论

本文预报试验表明，Nudging资料同化方法简单、实用、节省计算资源且时效性高，在预报中心IB M刀片机系统上使用32个CP U可以在2 h内完成整个预报系统120 h的计算，并通过网站公布相关预报结果。而通过本文设计的敏感性试验发现，选择合适的参数，不同的Nudging公式均可以获得较理想的同化效果，显著优化预报试验的海冰密集度初始场，使其更接近于卫星观测数据。本文选取的3种不同Nudging同化方案的对比试验表明，MITgcm模式自带的Nudging-C方案在合适的调整相关参数后得到最好的海冰密集度初始场；与观测相比，其在低纬低海冰密集度区域和高纬高海冰密集度区域的平均偏差和均方根偏差均最小，因此Nudging-C方案应该更适合应用于目前的海冰数值预报系统。Nudging同化的改进不仅体现在海冰密集度的初始场上，在24～120 h的预报试验中，海冰面积、密集度和空间分布的预报结果均得到显著改善，这说明预报初始场的改进有效的提高了短期预报的效果，因此对观测数据的同化在短期海冰密集度的预报上有非常重要的作用。而通过和“雪龙”船走航观测海冰密集度比较可知，针对某一移动目标物的单点（小区域）的预报准确度也在有Nudging同化的试验中得到显著提高。全北极空间分布和雪龙船单点数据对比结果，都表明Nudging资料同化显著减小了预报误差。针对海冰在短时间内变化较小的特点，本文也引入惯性预报来辅助评判同化方案的改善效果，结果表明：在8月26-30日海冰变化极小的情况下，24～120 h惯性预报优于有Nudging同化的试验Ⅱ，而在7月25-29日太平洋扇区海冰发生显著变化的情况下，24～120 h惯性预报劣于试验Ⅱ。这表明，基于Nudging同化的预报系统还需要进一步优化改进，以提高其在海冰变化较小情况下的预报技巧。

现阶段，准确的海冰分布和密集度预报对于我国北极科学考察和商业航行均具有重要的现实意义。对于“雪龙”船航行来说，提前获知3～5 d后的北极大范围海冰分布有助于其规划航线。以图1中的去程穿越东北航道为例，雪龙船的目的是穿过顺利穿过东北航道到达冰岛，因此通过卫星遥感手段获得当天的北极的海冰信息后，结合3～5 d的全北极海冰外缘线变化趋势，“雪龙”船可以根据其航次目的，选择尽可能靠近海冰边缘又可以避开密集海冰区的航线，这样既可以节省路程，少量的浮冰也可以减少涌浪对船的晃动。以“雪龙”船回程尝试抵达北极点为例，3 ～5 d的海冰密集度预报信息可以帮助雪龙船提前获知较低密集度区域，从而选取合适的路线向北航行，图1中8月28日沿125°E附近的北进路线即为“雪龙”船根据海冰预报信息选择的位于密集冰区的冰间水道，“雪龙”船沿此水道顺利航行至87°N附近。对于抗冰能力很低的商业船只，准确的海冰预报更为重要。2013年8-9月中远集团“永盛”轮从国内出发通过北极东北航道到达欧洲，意味着我国的北极商业航行已经拉开序幕。以“永盛”轮为例，为了船舶安全其必须在远离浮冰区的清水区航行，因此海冰外缘线的准确预报至关重要。利用3～5 d的海冰密集度预报信息提前获知海冰范围，规划大致的航行方向，保证船舶尽量在远离浮冰的清水区航行。由此可见，不同类型的船舶对海冰预报信息的利用角度不同，但准确的预报结果是共同期待的。本试验中结合Nudging同化和MITgcm冰-海耦合模式的北极海冰预报系统，可以提供北极夏季东北航道和高纬度航道的准确海冰分布和密集度预报，帮助北极航行船舶找到最佳的航行路线，提高航行的安全性。

同时也要指出的是，目前的北极海冰预报系统还不能完全满足需求，如较低的18 k m水平分辨率，不能获取足够精细的单点目标的海冰信息；仅考虑了海冰密集度的资料同化无法准确的预报海冰厚度等重要信息等。目前，除海冰密集度外，我们也能获取准实时的海表面温度（如AV H R R，网址http：//noaasis.noaa.gov/N O A ASIS/ml/avhrr.html），海冰漂移产品（如OSISA F，http：//w w w.osi-saf.org），和冰厚产品（如S M OS，http：//icdc.zmaw.de和Cryosat-2，http：//w w w.cpom.ucl.ac.uk/csopr/seaice.html）。今后的工作中，我们将尝试把上述海洋-海冰要素同化进MITgcm模式中，并将水平分辨率提高到4 k m，以进一步增强数值预报能力。

致谢：感谢中国第五次北极科学考察队走航海冰观测队员辛勤细致的工作及“雪龙”船全体队员对海冰观测工作的支持。

参考文献：

［1］Stocker T F，Qin D，Plattner G K.Climate Change 2013：The Physical Science Basis.Contribution of W orking Group I to the Fifth Assessment Report of the Intergovern mental Panel on Climate Change［M］.Cambridge：Cambridge U niversity Press，2013.

［2］Shu Q，Song Z Y，Qiao F L.Assessment of sea ice simulations in the C MIP5 models［J］.The Cryosphere，2015（9）：399-409.

［3］Cavalieri D J and Parkinson C L.Arctic sea ice variability and trends，1979-2010［J］.The Cryosphere，2012，6（4）：881-889.

［4］Stroeve J C，Serreze M C，H olland M M，et al.The Arctic's rapidly shrinking seaice cover：a research synthesis［J］.Climatic Change，2012，110 （3/4）：1005-1027.

［5］K wok R，Cunningham G F，W ensnahan M，et al.Thinning and volu me loss of the Arctic Ocean sea ice cover：2003-2008［J］.Journal of Geophysical Research，2009，114（C7）：C07005.

［6］M arkus T，Stroeve J C and Miller J.Recent changesin Arctic seaice melt onset，freezeup，and melt season length［J］.Journal of Geophysical Research，2009，114（C12）：C12024.

［7］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的模拟试验［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 nu mericalforecasting：Coupled sea ice-ocean modeling experiments based on MITgcm［J］.Chinese Journal of Atmospheric Science，2011，35（3）：473-482.

［8］杨清华，李春花，邢建勇，等.2010年夏季北极海冰数值预报试验［J］.极地研究，2012，24（1）：87-94.Yang Qinghua，Li Chunhua，Xing Jianyong，et al.Arctic sea ice forecasting experimentsin the su m mer of 2010［J］.Chinese Journal of Polar Research，2012，24（1）：87-94.

［9］Lisæter K，Rosanova J，Evensen G.Assimilation ofice concentration in a coupled ice-ocean model，using the Ensemble Kalman filter［J］.Ocean Dynamics，2003，53（4）：368-388.

［10］Lindsay R W，Zhang J.Assimilation ofice concentration in an ice-ocean model［J］.Journal of Atmospheric and Oceanic Technology，2006，23 （5）：742-749.

［11］Stark J D，Ridley J，M artin M，et al.Seaice concentration and motion assimilation in a seaice-ocean model［J］.Journal of Geophysical Research，2008，113（C5）：C05S91.

［12］Bertino L，Lisæter K A.The T O P A Z monitoring and prediction system for the Atlantic and Arctic Oceans［J］.Journal of Operational Oceanogra-phy，2008，1（2）：15-18.

［13］Li Qun，Zhang Zhanhai，W u H uiding.Ice concentration assimilation in a regionalice-ocean coupled model and its application in seaice forecasting ［J］.Advances in Polar Science，2013，24（4）：258-264.

［14］W ang K，Debernard J，Sperrevik A K et al.A combined optimalinterpolation and nudging scheme to assimilate OSISA F seaice concentration into R O M S［J］.Annals of Glaciology，2013，64：8-12.

［15］Yang Q H，Losa N S，Losch M，et al.Assimilating su m mer seaice concentration into a coupled ice-ocean model using a localized SEIK filter［J］.Annals of Glaciology，2014，56（69）：38-44.

［16］M arshall J，Adcroft A，Hill C，et al.A finite-volu me，incompressible Navier Stokes model for studies of the ocean on parallel computers［J］.Journal of Geophysical Research，1997，102（C3）：5753-5766.

［17］Zhang Jinlun，Hibler III W D.On an efficient nu merical method for modeling sea ice dynamics［J］.Journal of Geophysical Research，1997，102 （C4）：8691-8702.

［18］Zhang J，Hibler W D，Steele III M，et al.Arctic ice-ocean modeling with and without climate restoring［J］.Journal of Physical Oceanography，1998，28（2）：191-217.

［19］Losch M，M enemenlis D，Campin J M，et al.On theformulation of seaice models.Part 1：Effects of different solverimplementations and parameterizations［J］.Ocean M odelling，2010，33（1）：129-144.

［20］Nguyen A T，M enemenlis D，K wok R.Arctic ice-ocean simulation with optimized model parameters：Approach and assessment［J］.Journal of Geophysical Research，2011，116：C04025.

［21］Spreen G，Kaleschke L，Heygster G.Sea ice remote sensing using A M SR-E 89 G Hz channels［J］.Journal of Geophysical Research，2008，113：C02S03.

［22］W orby A，Ian A，Vito D.Technique for making ship-based observations of antarctic sea ice thickness and characteristics［S］.H obart：Australia Antarctic Division，1999.

［23］马德毅.中国第五次北极科学考察报告［M］.北京：海洋出版社，2013.M a Deyi.The Fifth Chinese National Arctic Expedition Team Report［M］.Beijing：China Ocean Press，2013.

赵杰臣，杨清华，李明，等.Nudging资料同化对北极海冰密集度预报的改进［J］.海洋学报，2016，38（5）：70-82，doi：10.3969/j.issn.0253-4193.2016.05.007

Zhao Jiechen，Yang Qinghua，Li Ming，et al.Improving Arctic seaice concentration forecasts with a Nudging data assimilation method ［J］.Haiyang Xuebao，2016，38（5）：70-82，doi：10.3969/j.issn.0253-4193.2016.05.007

Improving Arctic sea ice concentration forecasts with a Nudging data assimilation method

Zhao Jiechen1，2，Yang Qinghua2，Li Ming2，Li Qun3，Li Chunhua2，Tian Zhongxiang2，Zhang Lin2
（1.Collegeof Oceanic and Atmospheric Sciences，Ocean University of China，Qingdao 266100，China；2.Key Laboratory of Research on Marine Hazards Forecasting of State Oceanic Administration，National Marine Environmental Forecasting Center，Beijing 100081，China；3.Polar Research Institute of China，Shanghai 200136，China）

Abstract：The rapid decrease of Arctic seaicein su m mer makes shipping in the Arctic possible.The accurate seaice forecasts are urgently required to well service the Arctic shipping activities.A nu merical Arctic forecasting system was built based on MIT generalcirculation model（MITgcm）ice-ocean coupled modeland the Nudging data assimilation method was applied into this model and assimilate the Advanced Microwave Scanning Radiometer 2 （A M SR2）sea ice concentration data.Three different kinds of Nudging assimilation schemes were firstly accessed and the results showed that all three nudging schemes can largely improve the initial sea ice concentration fields.For comparison，two forecasting experiments with and without Nudging assimilation but with the same forcing were designed to evaluate the role of nudging data assimilation.By comparing with the assimilated satellite-derived data and the ship-based insitu sea ice concentration observations，it was shown that the nudging assimilation significantly improved the 24-120 h sea ice concentration forecasts.The results showed thatimprovements occurred not only in the whole Arctic sea ice concentration forecasts，but also in the single point forecasts.The persistence forecasts performed better in 24-120 h forecast than Nudging experiments when sea ice chance little in August.

Key words：Arctic sea ice；concentration forecast；Nudging；data assimilation

作者简介：赵杰臣（1984—），男，山东省乳山市人，博士研究生，主要从事极地海冰观测和预报研究。E-mail：zhaojc＠n mefc.gov.cn

基金项目：国家极地考察专项（C HIN A R E-03-01）；国家自然科学基金（41376188，41206184，41406218）；海洋公益性行业科研专项（201205007）。

收稿日期：2015-07-14；

修订日期：2015-10-25。

中图分类号：P731.32

文献标志码：A

文章编号：0253-4193（2016）05-0070-13