基于CESM氣候模式的同化模擬實驗

李熠，陳幸榮,2，譚晶，黃勇勇，蔡怡,2

（1.國家海洋環境預報中心，北京100081；2.國家海洋局海洋災害預報技術研究重點實驗室，北京100081）

1 引言

耦合氣候模式是進行短期氣候預測的重要工具。近年來，隨著模式物理參數化方案的改進和分辨率的提升，其模擬能力有了長足進步，在氣候評估和短期氣候預測中發揮了愈發重要的作用。目前，國內外有眾多科研院所從事模式研究，如美國國家大氣研究中心（NCAR）、美國地球流體動力學實驗室（GFDL）、德國馬克斯ˉ普朗克研究所（MPI）、中國科學院大氣物理研究所、國家氣候中心等，均發展了各具特色的耦合模式。國內外大量業務預報機構，如美國氣候預報中心（CPC）、歐洲中心（ECMWF）、日本氣象廳、國家氣候中心等，也在各自的預報工作中，大量采用模式結果作為最終預報結論的依據。

預報技巧的提高很大程度上依賴合理的初始化方案，早在20 世紀60年代Lorenz、Charney 等前人就指出大氣的瞬間狀態預報時效較短，對于較長期的預報主要依賴于下邊界條件。而對于ENSO這一氣候系統中最重要的年際信號，也有研究指出，其可預報性主要來源于海洋的記憶，因此可以通過初始化耦合模式的海洋模塊，得到較好的ENSO預報效果[1-3]。長時間來，國內外學者發展了多種耦合模式初始化方法。如Chen等利用Zebiak-Cane 模式[4-5]將實測的海表面風應力異常疊加到耦合模式輸出的風應力上，驅動模式得到初始場[6-7]。但是，直接利用實際觀測需要大量的研究和實驗，且需要進行大量工作收集、校正觀測資料。若使用格點分析資料進行同化，將在實際預測工作中免去收集觀測資料、進行同化計算等工作，并能直接利用高質量的同化產品提高耦合模式的模擬能力，最終提高預測技巧。已有研究表明，nudging同化是行之有效的方法[2-3,8]。

目前應用較廣泛的、變量和層次完整的海洋格點同化資料有美國馬里蘭大學的SODA和NCEP的GODAS 等資料集。其中GODAS 作為NCEP 的業務化資料，其資料質量和實時性都較好，這對于預報工作有重要的實際應用價值。國家海洋環境預報中心自2008年開始，利用nudging方法將GODAS次表層海溫同化到共同氣候系統模式第三版（Community Climate System Model 3，CCSM3）中，取得了較好的效果[9]，并開展了業務化預報。

CESM 是由NCAR 于2010年07月推出的新一代地球系統模式（Earth System Model），是一個完全耦合的氣候模式，在CESM 中包括大氣、陸地、海洋、海冰、陸冰等幾大模塊。其主要用于研究地球的過去、現在和未來的氣候狀況。其全稱為Community Earth System Model，中文譯名為“通用地球系統模式”。與上代模式CCSM3 相比，CESM在參數化方案、資料庫等很多方面有了改進[10]。如大氣模塊中采用了新的濕湍流方案，可以更好模擬層云中的氣溶膠作用，新的淺對流方案，可以更好模擬淺對流活動，海洋模塊中也增加了新的渦通量參數化方案等。另外，CESM新增了陸冰模塊，可以模擬冰川活動。研究表明，CESM 模式在ENSO 的模擬方面較CCSM3 有明顯改進，表現在NINO3 指數的功率譜周期主要峰值集中在3—6年，赤道太平洋海溫異常呈一年周期振蕩，這些特性均與實況更相符[11-12]。

本文使用Nudging同化方法，將GODAS次表層海溫同化到CESM模式中，下面將介紹模式設置和同化試驗設計，并對結果做初步分析。

2 數據和方法

2.1 數據

本文所用同化資料為美國大氣海洋局國家環境預報中心的全球海洋數據同化系統資料集GODAS 數據（http://www.cpc.ncep.noaa.gov/products/GODAS/）。GODAS 是NCEP 的業務化同化數據集，該套數據的觀測源為連續實時浮標、船舶等觀測數據，模式基于GFDL MOM.v3版本，模式設置為南北范圍75°S—65°N，分辨率從南北向赤道增加，變化范圍為1°—(1/3)°，垂直40層，每月發布月平均數據。同化分析方法為三維變分同化方法（3DVAR）。該套資料溫度、鹽度廓線與觀測對比十分接近，屬于目前應用最為廣泛的海洋實時同化數據集。

此外，本文還使用了NCEP再分析資料第二版的海平面氣壓和850 hPa 緯向風（http://www.esrl.noaa.gov/psd/data/gridded/data.ncep.reanalysis2.html)、GPCP 降水資料（http://www.esrl.noaa.gov/psd/data/gridded/data.gpcp.html）以 及CPC 的NINO3 指 數（http:// www.cpc.ncep.noaa.gov/ data/ indices/sstoi.indices），均為月平均資料。其中NCEP再分析資料和GPCP降水資料的水平分辨率為2.5°×2.5°。

2.2 模式設置及同化方案設計

我們采用CESM1.0.4 版本進行運算，其中海洋模塊為POP2，大氣模塊為CAM5，陸面模塊為CLM4，海 冰 模 塊 為 CICE4，陸 冰 模 塊 為GLIMMER-CISM，耦合器為CPL7。我們采用的模式分辨率為0.9×1.25_gx1v6，即大氣水平分辨率為0.9°×1.25°，垂向分為26層，海洋模式水平分辨率接近1°，垂向分為60層，從5 m到5375 m。

我們首先進行了100年的積分，在大氣和上層海洋基本達到平衡后，利用nudging 方法，將GODAS 海溫資料同化到pop 模式中，同化時間為1981—2012年共32年。同化變量為次表層海溫，垂直層次從15 m至約400 m（31層），松弛系數在15 m時為30 d，在400 m 時線性過渡到90d。本文選取1982—2011年共30年的同化結果進行分析。

3 結果

3.1年平均

海表面溫度（Sea Surface Temperature，SST）是氣候系統中最重要的一個要素，對SST的模擬在一定程度上標志著整個耦合系統的模擬能力。我們首先分析同化系統中SST的模擬情況。

圖1 是CESM 同化模擬的SST 與GODAS 數據SST的對比。可以看到，在全球大部分海域，同化后的SST 與GODAS 數據非常接近，偏差在0.5oC 以內。偏差較大的區域主要集中在大西洋西北部、南極繞極流、赤道太平洋中東部區域。這些區域是明顯的上升流區，造成這一偏差的主要原因在于混合參數化方案的不完善。但因為分辨率的提高和大氣模塊的改進，CESM 與CCSM3 相比，在SST 的模擬上有了較大改善[11]。

圖1 CESM模擬與GODAS資料SST差值

圖2 海表面流場對比（單位：cm/s）

圖2 為CESM 模擬的表面流場與GODAS 資料的對比?？梢钥吹剑叩恼w分布較為一致，赤道流、赤道逆流、西邊界流和南極繞極流等主要流系都模擬出來了。還存在以下幾個問題：赤道東太平洋流場相對GODAS 較弱，而赤道中西太平洋流場偏強；墨西哥灣流、巴西洋流與GODAS相比明顯偏強，導致高海溫水團向高緯輸送較多，對應上述大西洋西邊界的高海溫區域。

平均海平面氣壓是評估模式大氣表面環流能力的重要因子，它能衡量模式熱力和動力整體模擬能力。圖3所示為CESM模擬與NCEP再分析資料的海平面氣壓的差值，其中青藏高原等高地形造成的差異不做討論?？梢钥吹?，模擬結果與再分析資料的差值不超過5 hPa。模擬偏差沿緯圈基本呈帶狀分布，在熱帶區域偏差較小，不超過1 hPa。偏差最大的區域出現在南大西洋中緯度地區，模擬偏高4 hPa。北大西洋中緯度偏差也較大，模擬偏高3 hPa 以上。南北半球高緯度均存在模擬結果偏低的情況，其中北半球陸地區域較明顯，偏低3 hPa左右。與CCSM3結果相比，有較大改進。

圖3 CESM模擬的海平面氣壓與NCEP資料的差值

圖4 CESM模擬的降水、GPCP資料的降水及二者的差值

作為熱力和動力過程的集中體現，降水是評價模式模擬能力的重要因子。圖4所示為CESM模擬的降水結果及其與GPCP 資料的差值。由圖可見，模擬結果的分布和量級與GPCP 一致，降水主要集中在熱帶區域，但模擬結果在赤道輻合帶區域偏多明顯。在赤道太平洋以北至5oN 有一條緯向雨帶，模擬結果為9 mm/d 以上，與GPCP 資料相比偏多2 mm/d 左右。從赤道西太平洋向東南方向延伸的雨帶強度較GPCP 偏強，范圍也偏大。這是CESM及CCSM模式在降水模擬上的主要缺陷[11]。印度洋區域的模擬結果東西分布過于均一，未能很好模擬出該區域降水由西北向東南遞增的趨勢。大西洋區域模擬結果與GPCP 相差不明顯。與CCSM3 的nudging 結果相比，CESM 在降水方面有所改善，但效果不明顯。

海表面風應力是海洋能量、動量傳輸的重要驅動力，圖5所示為模擬的海表面風應力與GODAS資料的對比。由圖可見，從南北太平洋、大西洋的副熱帶反氣旋式風應力到大西洋和印度洋南半球有強盛的西風應力環繞整個南半球中緯度區域，風應力方向及大小模擬都比較好。只是在南半球西風帶區域模擬的風應力較NCEP 再分析資料略偏弱。與CCSM3的nudging結果相比，信風過強的問題得到了解決。

從上述結果來看，nudging同化使CESM耦合模式的模擬結果在海表面溫度、海流、表面風應力等方面與GODAS符合較好，而且海平面氣壓、降水等氣象要素的模擬結果與NCEP、GPCP的結果也較為一致，但部分區域，如北太平洋、熱帶印度洋、中高緯度南大洋以及具有陡峭地形的大洋西邊界等區域普遍存在一定偏差，這表明改進次表層海溫可以提高耦合模式的模擬能力。

圖5 海表面風應力對比

3.2 季節變化

圖6 所示為模擬海表溫度與GODAS 資料在冬（12月、1月、2月，下同）、夏季（6月、7月、8月，下同）的差值?？梢?，二者在冬夏季的分布一致，差異較小。夏季的模擬結果較GODAS 資料偏冷，北太平洋、北大西洋和赤道中東太平洋較明顯。冬季這種現象得到緩解，但在赤道東太平洋沿岸有明顯的偏冷區域，南極繞極流區則海溫偏高。

圖7 和圖8 為冬、夏季CESM 模擬的降水及其與GPCP 資料的差值?？梢钥吹剑M的降水與實況類似，在亞洲、非洲等季風區有明顯的季節變化。但與年平均降水的結果類似，冬、夏季模式結果在太平洋赤道輻合帶區域均存在模擬結果偏大的情況。

圖6 CESM模擬與GODAS資料SST差值

冬季，南太平洋和南大西洋以及熱帶海洋性大陸、南美大陸、非洲大陸南部區域的雨帶都模擬出來了，但位置與量值較GPCP 均有一定偏差。其中南太平洋、南大西洋、熱帶海洋性大陸和非洲大陸南部區域模擬偏多，南美大陸模擬偏少。北太平洋的赤道輻合帶區域模擬降水偏多也較明顯。夏季雨帶北移，南亞、東南亞的強降雨區都模擬出來了。但與GPCP資料相比，南亞雨帶偏西偏強，赤道東印度洋降水偏少。此外，西太暖池區域和黑潮延伸體降水均偏少。

圖9 和圖10 為冬、夏季CESM 模擬的海平面氣壓及其與NCEP 資料的差值?？梢钥吹?，模擬的海平面氣壓與實況類似，北半球冬季的阿留申低壓、冰島低壓，夏季的副熱帶高壓等主要系統都能模擬出來。但冬季對阿留申低壓和冰島低壓的模擬結果均略偏低，偏差在ˉ4 hPa左右；夏季對副熱帶高壓的模擬則偏強，偏強幅度最高可達8 hPa。南半球海洋面積廣大，模擬結果優于北半球，冬季南半球30°S以北模擬略偏低，30°S 以南略偏高，夏季印度洋和南太平洋略偏低，大西洋和北太平洋略偏高。

圖7 冬季CESM模擬的降水、GPCP資料的降水及二者的差值

3.3 對ENSO現象的模擬

厄爾尼諾-南方濤動（El Ni?o and Southern Oscillation，ENSO）現象是氣候系統中最主要的年際信號，對我國和全球氣候有巨大影響[13-14]，也是短期氣候預測業務的重點工作之一，以下本文將就模式對ENSO現象的模擬進行分析。

圖11 為CESM 模擬的NINO3 指數與CPC 資料的對比?？梢钥吹?，除個別厄爾尼諾（拉尼娜）事件中（如1986—1987年的厄爾尼諾事件和1998—1999年的拉尼娜事件），模擬的強度略強于CPC資料外，二者整體較為一致，相關系數達到0.90。

圖8 夏季CESM模擬的降水、GPCP資料的降水及二者的差值

圖12所示為模式模擬和GODAS數據的赤道太平洋海表面溫度異常（SSTA）的時間-經度剖面。模式可以較好的模擬出歷次ENSO過程，在位置、強度、位相上與GODAS 均比較接近。與NINO3 指數的情況類似，CESM 對某些厄爾尼諾（拉尼娜）事件的模擬幅度較強。如1988—1989年的拉尼娜事件中，模擬的最大SSTA 超過了ˉ3.0oC，而GODAS 資料的SSTA 最大只有ˉ1.0 ℃左右；1987—1988年的厄爾尼諾事件中，模擬的正海溫距平范圍也較GODAS偏大。但總體而言，CESM 較好的再現了歷次厄爾尼諾和拉尼娜事件，效果較CCSM3 有了較大提升。

赤道太平洋西風異常是激發赤道Kelvin 波的重要因子，而赤道Kelvin波是太平洋西側的暖水持續東傳的主要機制。圖13 為CESM 模擬和NCEP再分析數據的赤道緯向風異常的時間ˉ經度剖面。從圖中可以看到，CESM 模式較好地模擬出歷次厄爾尼諾事件和拉尼娜事件的緯向風異常，而且異常東傳趨勢明顯。問題在于，模擬的緯向風異常幅度常較NCEP 再分析資料偏大，在中西太平洋尤為明顯。如1987—1988年的厄爾尼諾事件中，模擬的緯向風正異常（西風異常）超過了4 m/s，且范圍達到了135°W，而NCEP 再分析資料中的西風異常尚未達到2 m/s，強的西風異常會導致西太平洋的暖水過多東傳，導致上述模擬的厄爾尼諾事件偏強。

圖9 冬季CESM模擬的海平面氣壓及其與NCEP資料的差值

圖10 夏季CESM模擬的海平面氣壓及其與NCEP資料的差值

圖11 Nino3指數對比（綠色：CPC資料；藍色：CESM同化）

圖12 赤道SSTA時間-經度剖面（單位：oC）

圖13 赤道850 hPa緯向風異常時間-經度剖面（單位：m/s）

厄爾尼諾期間，Walker 環流上升支從印度尼西亞東移到日界線附近，將造成赤道中東太平洋降水增多，拉尼娜期間則相反。圖14所示為赤道太平洋降水異常的時間ˉ經度剖面圖。從總體上來看，模擬的強度和位相都與GPCP 結果基本一致，也較好重現了距平東傳的過程。但與GPCP 相比，模擬的降水距平略偏弱，且范圍略偏大。如1990—1991年的厄爾尼諾事件和1999年的拉尼娜事件。

4 結論與討論

耦合氣候模式是氣候預測的有力工具，如何生成有效的初始場是進行研究和預報的重要工作。本文采用nudging方法，將格點的GODAS資料同化到CESM 耦合模式中。結果表明，同化后的耦合模式可以較好的重現中低緯海洋和大氣的平均特征和隨時間演變規律，對ENSO現象的模擬也比較好，NINO3 指數與CPC 資料的相關系數達到0.90。同化次表層海溫可以直接有效的訂正表層海溫和海洋模塊的其他結果，并通過耦合過程訂正大氣模塊結果。但模擬結果仍存在一些問題，如大西洋西邊界流偏強，赤道輻合帶降水偏多等。

本文只同化了GODAS 資料的次表層海溫，其覆蓋范圍只有65°N—75°S 之間，沒有覆蓋高緯地區，今后工作中將嘗試將海冰密集度等資料同化到耦合模式中，進一步提高對高緯地區的模擬能力。

[1]Wyrtki K.Water displacements in the Pacific and the genesis of El Ni?o cycles[J]. Journal of Geophysical Research: Oceans(1978-2012),1985,90(C4):7129-7132.

[2]Luo J J, Masson S, Behera S, et al. Seasonal climate predictability in a coupled OAGCM using a different approach for ensemble forecasts[J].Journal of Climate,2005,18(21):4474-4497.

[3]Luo J J, Masson S, Behera S K, et al. Extended ENSO predictions using a fully coupled ocean-atmosphere model[J]. Journal of Climate,2008,21(1):84-93.

[4]Cane M A, Zebiak S E, Dolan S C. Experimental forecasts of El Ni?o[J].Nature,1986,321(6073):827-832.

[5]Zebiak S E, Cane M A.A Model El Ni?o-Southern Oscillation[J].Monthly Weather Review,1987,115(10):2262-2278.

[6]Chen D,Zebiak S E,Busalacchi A J,et al.An improved procedure for El Ni?o forecasting: Implications for predictability[J]. Science,1995,269(5231):1699-1702.

[7]Chen D,Zebiak S E, Cane M A, et al. Initialization and predictability of a coupled ENSO forecast model [J]. Monthly Weather Review,1997,125(5):773-788.

[8]Chen D,Cane M A,Kaplan A,et al.Predictability of El Ni?o over the past 148 years[J].Nature,2004,428(6984):733-736.

[9]凌鐵軍,王彰貴,王斌,等.基于CCSM3 氣候模式的同化模擬試驗[J].海洋學報,2009,31(6):9-21.

[10]Vertenstein M, Craig T, Middleton A, et al. CESM 1.0.4 User’s Guide[Z].

[11]Gent P R, Danabasoglu G, Donner L J, et al. The community climate system model version 4[J]. Journal of Climate, 2011, 24(19):4973-4991.

[12]Deser C, Phillips A S, Tomas R A, et al. ENSO and pacific decadal variability in the community climate system model version 4[J].Journal of Climate,2012,25(8):2622-2651.

[13]Philander S G H. El Ni?o southern oscillation phenomena[J].Nature,1983,302(5906):295-301

[14]陳永利,趙永平,王凡.ENSO 與海洋環境和中國氣候異常[M].北京:科學出版社,2013.