對地球系統模式FIO-ESM同化實驗中北極海冰模擬的評估

舒啟，喬方利，鮑穎，尹訓強

(1. 國家海洋局 第一海洋研究所，山東 青島 266061；2. 海洋環境科學和數值模擬國家海洋局重點實驗室，山東 青島 266061)

對地球系統模式FIO-ESM同化實驗中北極海冰模擬的評估

舒啟1，2，喬方利1，2，鮑穎1，2，尹訓強1，2

(1. 國家海洋局 第一海洋研究所，山東 青島 266061；2. 海洋環境科學和數值模擬國家海洋局重點實驗室，山東 青島 266061)

本文評估了地球系統模式FIO-ESM(First Institute of Oceanography-Earth System Model)基于集合調整Kalman濾波同化實驗對1992-2013年北極海冰的模擬能力。結果顯示：盡管同化資料只包括了全球海表溫度和全球海面高度異常兩類數據，而并沒有對海冰進行同化，但實驗結果能很好地模擬出與觀測相符的北極海冰基本態和長期變化趨勢，衛星觀測和FIO-ESM同化實驗所得的北極海冰覆蓋范圍在1992-2013年間的線性變化趨勢分別為-7.06×105和-6.44×105km2/(10 a)，同化所得的逐月海冰覆蓋范圍異常和衛星觀測之間的相關系數為0.78。與FIO-ESM參加CMIP5(Coupled Model Intercomparison Project Phase 5)實驗結果相比，該同化結果所模擬的北極海冰覆蓋范圍的長期變化趨勢和海冰密集度的空間變化趨勢均與衛星觀測更加吻合，這說明該同化可為利用FIO-ESM開展北極短期氣候預測提供較好的預測初始場。

數據同化；FIO-ESM；氣候變化；北極海冰

1 引言

全球氣候變化研究是當前科學研究熱點課題之一，作為氣候變化研究重要工具之一的氣候模式也得到了更加廣泛的應用，并得到了不斷改進。然而，目前氣候模式依然存在較大誤差。數據同化是降低氣候模式模擬誤差、提高模擬精度的一個有效途徑[1]，氣候模式通過數據同化一方面可以得到與現實更加接近的模擬結果，應用于氣候變化研究，另一方面也能為氣候預測提供更為合理可靠的初始場，以提高氣候模式的預測能力。由于北極地區在全球氣候系統中的特殊作用，全球氣候變化背景下北極氣候受到了越來越多的關注，氣候模式在北極氣候變化的研究過程中的應用也越來越多。目前，在對北極氣候變化研究過程中，數據同化往往都是針對相對簡單的冰-海耦合模式，一般是利用大氣強迫場驅動這類模式，而并沒有實現真正意義上的冰-海-氣耦合。但是由于使用了更加真實的大氣強迫場，這類模式往往可以得到精度較高的模擬結果，也可以在天氣尺度上對北極海冰和海洋進行數值預報，國內外針對這類模式的數據同化已有不少研究[2—3]。為了在相對較長時間尺度上(如月、季)對北極氣候進行預測，全球冰-海-氣耦合的氣候模式是必不可少的，目前國內外開展了少量針對氣候模式的同化研究[1，4]，但是這些研究往往局限于針對全球大氣或者全球海洋方面的分析，而對北極海冰方面的分析研究非常缺乏。

為了提高氣候模式的模擬能力并為進行短期氣候預測提供更加準確的初始場，我們對地球系統模式FIO-ESM[5](First Institute of Oceanography-Earth System Model)進行了集合調整Kalman濾波同化實驗，實驗設計并沒有直接對海冰資料進行同化，而僅僅考慮了海表溫度和海面高度異常數據的同化，實驗結果顯示該同化可以顯著提高FIO-ESM對全球大氣和全球海洋的模擬能力[6—7]。由于冰-海-氣之間的相互作用，大氣和海洋模擬能力得到提高后，FIO-ESM對海冰的模擬應該也會有所改進。本文的分析表明，即使在沒有對北極海冰進行同化，FIO-ESM通過海表溫度和海面高度異常的集合調整Kalman濾波同化依然可以得到效果較好的北極海冰模擬，這可為我們提供較好的北極氣候同化結果和北極氣候預測初始場。

2 數值模式和數值實驗介紹

FIO-ESM是由國家海洋局第一海洋研究所研發的地球系統模式，該模式包括氣候模式和碳循環模式兩部分組成，是目前世界上首個耦合了海浪分量模式的氣候系統模式，并參加了CMIP5(Coupled Model Intercomparison Project Phase 5)全球氣候模式比較計劃。FIO-ESM氣候模式實現了大氣-海浪-海洋-海冰-陸面之間的耦合，氣候模式包括大氣模式(CAM3.0)[8]、海浪模式(MASNUM Wave Model)[9]、海洋模式(POP2.0)[10]、海冰模式(CICE4)[11]和陸面模式(CLM3.5)[12]共5個分量模式，關于模式詳細介紹可參見參考文獻[5]。由于海浪分量模式的引入使得氣候模式對ENSO、SST氣候平均態、亞洲季風的模擬等均有較為顯著的改善[13-14]。FIO-ESM參加CMIP5全球氣候模式比較計劃實驗表明，FIO-ESM對北極海冰模擬在同類模式中排名靠前[15]，本文用到的結果來自FIO-ESM的氣候模式部分。

我們針對FIO-ESM的特點設計了集合調整Kalman濾波同化實驗[7]。在同化實驗過程中，首先采用了微擾動法對氣候模式中海洋分量的三維海溫進行了初始場的擾動，使得每個模式樣本之間出現初始場差異。接著進行了100個樣本兩個模式年的集合預報運行，隨后選取100個樣本中10個模式狀態作為10個同化實驗集合樣本的初始場，開展集合調整Kalman濾波同化實驗。同化時間為1992-2013年，同化數據包括全球水平分辨率為(1/3)°的日平均海面高度異常數據和全球水平分辨率為(1/4)°的日平均海面溫度數據。海面高度異常數據來自法國AVISO(Archivage，Validation et Interpretation des donnes des Satellite Oceanographiques)網站，海面溫度數據是氣象衛星NOAA-AVHRR(National Climate Data Center-Advanced Very High Resolution Radiometer)和微波掃描輻射計AMSR(Advanced Microwave Scanning Radiometer)等多遙測與觀測數據的融合數據[16]。FIO-ESM集合調整Kalman濾波同化實驗的詳細介紹可參見參考文獻[7]。集合調整Kalman濾波同化對FIO-ESM大氣和海洋模擬結果的改進情況可參見參考文獻[6—7]。本文將針對海冰的模擬進行分析評估。

3 結果分析

北極海冰變化是北極氣候變化乃至全球氣候變化最顯著的指標之一，從1979年有衛星觀測資料以來，北極海冰呈現明顯減少趨勢，尤其是夏、秋季節北極海冰覆蓋范圍減少趨勢尤為明顯。衛星觀測顯示2012年秋季北極的海冰消退到了有觀測記錄以來的最小值，隨后幾年的秋季海冰覆蓋范圍略有回升，這與全球變暖停滯的關系尚不完全清楚。由于本文同化實驗受到海面高度異常觀測資料長度所限，我們只進行了2002-2013年間的同化，因此在對FIO-ESM同化實驗北極海冰的評估也僅對該時間段進行。在評估時使用了衛星遙感觀測海冰密集度和海冰覆蓋范圍(sea ice extent，SIE)，均來自美國冰雪數據中心[17](National Snow and Ice Data Centre，NSIDC) (http://nsidc.orgdataseaice/)。SIE定義為海冰密集度大于15%數據網格的面積之和。

FIO-ESM同化實驗可以較好地給出北極海冰基本態和長期變化趨勢。圖1是FIO-ESM同化實驗和衛星遙感觀測北極SIE在1992-2013年間氣候態的季節循環和長期線性趨勢。從圖1a可以看出，FIO-ESM同化結果與衛星觀測的北極SIE符合較好。衛星遙感觀測顯示，北極SIE分別在3月和9月達到最大和最小值，1992-2013年多年平均值在3月和9月分別為15.3×106和5.9×106km2，年平均值為11.47×106km2。FIO-ESM同化實驗結果與觀測基本符合，1992-2013年間FIO-ESM同化實驗結果在3月和9月的SIE分別是14.3×106和5.4×106km2，年平均值為10.64×106km2，FIO-ESM同化實驗所得的北極SIE誤差在多數月份小于觀測值的15%，不足之處在于FIO-ESM同化實驗所得SIE的季節變化振幅(8.9×106km2)略低于觀測結果(9.3×106km2)，FIO-ESM在海冰結冰期所模擬的SIE略低于觀測結果，圖2為FIO-ESM同化實驗中1992-2013年3月份(一年中海冰最多的月份)平均海冰密集度和衛星觀測的海冰邊緣線分布，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對不夠高，為1°×0.27°～1°×0.54°，該分辨率的海洋環流模式不能較好地模擬大洋的西邊界流，這就會導致FIO-ESM模擬的這兩個海域表層海水溫度偏高，海冰偏少。

圖1 FIO-ESM同化實驗(紅色)和衛星觀測(藍色)北極SIE在1992-2013年間的季節循環(a)，異常和長期變化趨勢(b)，a中給出了兩年的季節循環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

衛星觀測顯示北極SIE呈現減小趨勢(圖1b)，1992-2013年間線性變化趨勢為-7.06×105km2/(10 a)，FIO-ESM同化實驗能很好地反應出北極海冰覆蓋范圍的減小趨勢，其變化速度為-6.44×105km2/(10 a)，與觀測值非常接近。FIO-ESM同化實驗給出的北極SIE減少相比其參加CMIP5耦合模式比對計劃給出的結果[15]均有顯著改善。一方面表現在同化實驗給出的北極SIE長期變化趨勢與觀測更接近，另一方面表現在同化實驗能再現出與觀測相符的北極SIE的年際變化，同化所得的逐月海冰覆蓋范圍異常和衛星觀測之間的相關系數為0.78。與所有參加CMIP5耦合模式比對計劃的氣候模式一樣，FIO-ESM雖然能給出北極SIE的減少趨勢，但是難以模擬出與觀測相符的年際變化，這也是非同化氣候模式基于CMIP5歷史實驗(Historical run)對歷史模擬的共性問題之一，其原因可能是氣候模式中雖然存在周期與觀測相符的各種振蕩，但是在非同化的前提下各個振蕩的相位與觀測并不相符。

圖3顯示1992-2013年間北極海冰減少最快的月份為9月，最快的季節為秋季，FIO-ESM同化實驗結果能較好地反應出北極海冰的這種長期變化趨勢，但是6-9月FIO-ESM同化實驗結果給出的北極SIE的減少趨勢略小于觀測結果，而10-11月份略大于觀測結果。9月份衛星觀測北極SIE的線性趨勢為-23.4%/(10 a)，FIO-ESM同化實驗結果為-17.4%/(10 a)。FIO-ESM同化實驗SIE減小最快的月份出現在10月，而觀測出現在9月，具體原因還有待分析。總體來看，FIO-ESM同化實驗能夠較好地給出北極海冰變化趨勢的季節差異性。

圖2 FIO-ESM同化實驗中1992-2013年3月平均海冰密集度(彩色填充范圍為15%～100%)和衛星觀測的海冰邊緣線(15%海冰密集度位置，黑色等值線)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

圖3 FIO-ESM同化實驗(紅色)和衛星觀測(黑色)北極海冰覆蓋范圍在1992-2013年間的逐月線性變化趨勢(a)和季節線性變化趨勢(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年間北極海冰的衰減速度存在季節和區域差異(圖4)。北極海冰春季衰減明顯的海域分布在鄂霍次克海、巴倫支海、格陵蘭海和拉布拉多海，而在白令海部分海域海冰略有增加。夏季海冰減少主要分布在楚科奇海、波弗特海、喀拉海、巴倫支海和巴芬灣。秋季海冰減少的區域與夏季相似，不同之處在于很多海域秋季海冰減少的速度更快。冬季海冰減少主要分布在鄂霍次克海、巴倫支海、格陵蘭海和拉布拉多海，在白令海部分海域冬季海冰略有增加。另外可以看出，春季和冬季北極海冰衰減明顯的海域相似，秋季和夏季衰減明顯的海域相似，且大多分布在海冰邊緣區。海冰密集度衰減明顯的海域分布在海冰邊緣海域，這并不代表海冰中心海域不存在衰減趨勢，已有研究表明，北極海冰除了海冰密集度呈現顯著衰減趨勢外，北極海冰厚度也存在衰減趨勢，海冰中心海域的海冰衰減主要以厚度衰減為主。圖5為FIO-ESM同化實驗的情況。對比圖4和圖5可以發現，FIO-ESM同化實驗能夠很好地模擬出1992-2013年間北極海冰減少的上述空間分布情況。FIO-ESM同化實驗中春季海冰減少的海域也主要是鄂霍次克海、巴倫支海、格陵蘭海和拉布拉多海，分布區域與觀測相近，不足之處在于鄂霍次克海的海冰減少速度比觀測更快。FIO-ESM同化實驗中春季海冰減少的海域與觀測也符合較好，但是在太平洋扇區一側FIO-ESM同化實驗所得的海冰減少速度略小。相比春季和夏季，FIO-ESM同化實驗中秋季和冬季北極海冰減少的海域和減少的速度與觀測符合得更好。為了定量給出對北極海冰密集度的模擬情況，我們進行了空間相關分析，春夏秋冬四個季節的二者空間相關系數分別為0.69、0.40、0.67和0.73，春秋冬三季空間相關系數較高，夏季相關系數略低，其原因是雖然FIO-ESM同化實驗能給出夏季海冰密集度的下降趨勢，但是下降速度小于觀測結果。

圖4 1992-2013年間衛星觀測北極海冰密集度線性變化趨勢Fig.4 Linear trends of satellite observed Arctic sea ice concentration during 1992 to 2013

圖5 1992-2013年間FIO-ESM同化實驗得到的北極海冰密集度線性變化趨勢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，在全球變暖背景下，圖4和圖5都顯示1992-2013年間白令海東部海域的春、冬季海冰密集度均存在增加的現象，有研究發現造成這種現象的原因是受近些年來太平洋年代際振蕩[18](Pacific Decadal Oscillation，PDO)的影響。當PDO為暖相位時，海表溫度和表層氣溫在該海域異常偏暖，當PDO為冷相位時，海表溫度和表層氣溫在該海域異常偏冷，在我們研究的時間段前期PDO以暖相位為主，而后期以冷相位為主，這就導致該海域在1992-2013年間海表溫度和表層氣溫呈現降低趨勢，從而導致春、冬季海冰的增加，而在夏、秋季，該海域基本為無冰區，對海冰沒有影響。圖5對該現象的再現也反映出FIO-ESM通過同化實驗可以模擬出PDO對北極海冰變化的影響。

4 結論和討論

本文主要評估了地球系統模式FIO-ESM集合調整Kalman濾波同化所得的1992-2013年北極海冰模擬結果。通過將北極SIE的氣候態、異常、長期變化趨勢、季節變化趨勢和北極海冰密集度的空間變化趨勢與衛星觀測對比發現，FIO-ESM利用全球海表溫度和海面高度異常兩類觀測數據的集合調整Kalman濾波同化可以較好地得到與觀測相符的北極海冰時空分布，相比未同化的FIO-ESM參加CMIP5的實驗結果有明顯改進。衛星觀測和FIO-ESM同化實驗所得的北極海冰覆蓋范圍在1992-2013年間的線性變化趨勢分別為-7.06×105和-6.44×105km2/(10 a)，二者相對接近，同化所得的逐月海冰覆蓋范圍異常和衛星觀測之間的相關系數為0.78。

評估也顯示，FIO-ESM利用同化雖然很大程度上改進了其對北極海冰的模擬，但也存在一些問題，比如觀測顯示北極海冰減少最快的月份在9月，而同化所得減少最快的月份在10月，造成該問題的主要原因是對太平洋扇區一側海冰衰減速度的模擬誤差偏大，太平洋扇區一側10月SIE減小速度大于9月速度，與觀測不符，而大西洋扇區一側基本是9月SIE減小速度大于10月速度，與觀測特征一致，但是造成太平洋扇區一側10月SIE減小速度大于9月速度的原因還不清楚，還需我們進一步分析研究；另外一個問題是夏季北冰洋的太平洋扇區海冰密集度減少速度比觀測低，將來在同化過程中將衛星觀測海冰密集度數據也同化到FIO-ESM中或許能解決該問題。

Massonnet等[19]在利用CMIP5耦合模式預測結

果對21世紀北極海冰預測分析時指出，各個模式之間對北極海冰的預測存在較大差異，這些差異由諸多因素所致，其中各個模式中當前海冰狀態是一個非常關鍵的因素。Wang和Overland[20—21]也強調了對北極海冰進行預測時模式中海冰初始狀態的重要性，因此通過數據同化合理地給定氣候模式中當前海冰狀態應該是提高氣候模式預測北極海冰變化的有效途徑之一，但是目前在氣候模式中直接對海冰相關變量進行同化的研究還鮮有報道。通過全球海表溫度和海面高度異常兩類觀測數據的集合調整Kalman濾波實驗，我們在氣候模式中得到了與觀測符合較好的全球大氣和海洋狀態。本文的分析也表明：通過這種同化也可以得到相對較好的北極海冰模擬結果，這些同化結果可以直接用作北極氣候預測的初始場，接下來我們將開展對北極海冰的短期氣候預測實驗。

[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] 楊清華，劉驥平，張占海，等. 北極海冰數值預報的初步研究——基于海冰-海洋耦合模式MITgcm的模擬實驗[J]. 大氣科學，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] 凌鐵軍，王彰貴，王斌，等. 基于CCSM3氣候模式的同化模擬實驗[J]. 海洋學報，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] 陳輝，尹訓強，宋振亞，等.氣候模式中海洋數據同化對熱帶降水偏差的影響[J].海洋學報，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] 尹訓強. 集合調整Kalman濾波同化模塊的建立及其在海洋和氣候模式中的應用[D]. 青島: 中國海洋大學，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] 宋振亞. 波致混合對氣候模式中赤道SST的影響機制研究[D]. 青島: 中國海洋大學，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] 舒啟，喬方利，宋振亞. 地球系統模式FIO-ESM 對北極海冰的模擬和預估[J]. 海洋學報，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。

極地對全球和我國氣候變化影響的綜合評價(CHINARE2015-04-04)；國家自然科學基金項目(41406027)；國家海洋局第一海洋研究所基本科研業務費資助項目(2015P01，2015P03)。

舒啟(1984—)，男，山東省聊城市人，主要從事物理海洋學方面研究。E-mail:shuqi@fio.org.cn

10.3969/j.issn.0253-4193.2015.11.004

P731.15

A

0253-4193(2015)11-0033-08

舒啟，喬方利，鮑穎，等. 對地球系統模式FIO-ESM同化實驗中北極海冰模擬的評估[J]. 海洋學報，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