基于混合層模型反推Argo表層溫度和鹽度

趙鑫，李宏，2，劉增宏，許建平，孫朝輝，盧少磊

（1.浙江省水利河口研究院，浙江　杭州　310020；2.衛星海洋環境動力學國家重點實驗室，浙江　杭州　310012；3.國家海洋局第二海洋研究所，浙江　杭州　310012）

基于混合層模型反推Argo表層溫度和鹽度

趙鑫1，李宏1，2，劉增宏2，3，許建平2，3，孫朝輝3，盧少磊3

（1.浙江省水利河口研究院，浙江杭州310020；2.衛星海洋環境動力學國家重點實驗室，浙江杭州310012；3.國家海洋局第二海洋研究所，浙江杭州310012）

提出了海表溫度（SST）和海表鹽度（SSS）可統一由混合層深度內對應的平均溫、鹽度作零階近似的理論假設，據此利用Chu等提出的最大角度法構建混合層模型，并考慮障礙層和補償層的影響，得到合成的混合層深度，從而實現了基于混合層模型反推SST和SSS。以太平洋海域為例，分別利用WOA13氣候態（1-12月）資料、TAO逐年逐月資料以及歷史船載CTD資料檢驗了這一假設。不同資料檢驗結果均表明，反推得到的SST、SSS與實測值相關性較高，兩者之間殘差也較小。將此方法應用于Argo剖面，反推出對應的SST和SSS，并利用逐步訂正法對散點資料進行客觀分析，生成2004年1月-2014年12月逐年逐月的1°×1°的網格化SST和SSS。對網格資料進行檢驗，結果發現由Argo反推的SST和SSS氣候態分布特征與WOA13資料非常相似，差異不大；與TAO實測資料相關性較好，甚至略高于同類型網格資料與TAO資料的相關系數；EOF分析表明，無論是空間還是時間的主要變化模態，與同類型的網格資料符合性較好。綜合來看，構建的混合層模型可以用于Argo表層溫、鹽度的反推，獲得較高質量的SST和SSS，能較好彌補Argo缺乏表層資料的不足。

混合層模型；Argo；最大角度法；海表溫度；海表鹽度；反推

20世紀90年代末美國和日本等國的科學家發起了國際 Argo（Array for Real-time Geostrophic Oceanography） 計劃，設想在全球大洋中每隔300 km（空間分辨率3°×3°）布放一個自持式拉格朗日剖面觀測浮標，總計為3 000個左右，組成一個龐大的Argo全球海洋觀測網，以獲取準實時、大范圍、高分辨率的全球海洋資料（許建平，2002）。目前全球Argo海洋觀測網已經全面建成（許建平等，2007），溫鹽度剖面數量在2012年11月已經超過了100萬條，而且仍以每年超過10萬條剖面的速度在遞增。Argo溫、鹽度剖面資料為研究氣候變化（Roemmich et al，2012）、海平面上升（Cazenave et al，2008）、大洋環流（Gray et al，2014）、ENSO監測（Levitus et al，2012）等提供了極為豐富的信息。

由于常規Argo浮標只能在5 m以深進行采樣，盡管近些年投放的帶有表層CTD傳感器的Argo剖面浮標可以高分辨率地觀測到0～5m層的近表層（Near Sea Surface，NSS）溫、鹽度，但觀測數量非常有限，因此目前國際上的各類Argo網格資料基本沒有包含海表溫度（SST）和海表鹽度（SSS）信息。

再者，雖然衛星遙感SST極為豐富，但是由于各種傳感器的性能不同，海洋在不同時空尺度下變化非常復雜等原因，目前為止還沒有建立起一套準確可靠、高時空分辨率的全球SST產品（Alvera et al，2011），更為重要的是，遙感測得的SST（表皮水溫）本身也是一種反演數據，而非實測資料。一般來說其反演得到的SST只是海洋表層1 mm（微波遙感測量）甚至10 μm（紅外遙感測量）薄層內的溫度值（Donlon et al，2009），這與用常規觀測儀器在0.2～2 m深處測得的“表層溫度“有很大差異（侍茂崇等，2002）。在低風速的海面，海表面白天的暖層效應（diurnal warm-lay）可以使SST升高1℃～2℃，而冷皮層效應會使SST降低0～1℃（Donlon et al，2002；Merchant et al，2008；FairallL et al，1996），并且這種溫度的變化很難傳遞到海面以下，從而使得遙感反演的SST與常規儀器測量的SST有較大差異。為了彌補這一缺陷，最基礎但也最重要的工作之一就是對不同傳感器反演的SST產品進行檢驗評估，以確保它們之間的有效融合（Castro et al，2008）。同時，測量SSS的衛星（The European Space Agency’s（ESA’s）Soil Moisture and Ocean Salinity SMOS） 業已 升空（Bruno et al，2012），利用Argo資料評估SMOS提供的SSS等方面的工作也相繼展開（Boutin et al，2012）。

其次，國際上通過次表層溫、鹽度反推對應SST和SSS的研究工作，目前并不多見，張春玲等（2014）對Argo次表層溫度反推表層溫度進行了有益探索。以往的研究都是集中在通過遙感SST反推次表層溫度上面，這歸因于遙感SST比現場測量資料獲取更為方便且時空分辨率更高這一事實。國際Argo計劃的出現，改變了這一局面，Argo浮標對次表層深度內的溫鹽度采樣深度和廣度，是以往任何常規測量儀器都無法比擬的，但不足之處在于Argo浮標缺乏表層觀測資料。

綜上，開展反推Argo剖面對應SST和SSS方法的研究具有重要的科學意義。反推得到的SST和SSS能夠有效彌補Argo表層資料不足的缺陷，同時極大豐富海洋常規儀器對海洋表層信息的描述能力，為建立海洋表層信息融合提供有力的參考依據。

1　資料

1.1Argo剖面資料

選用的Argo資料來自中國Argo實時資料中心（http：//www.argo.org.cn/）提供的2004年1月-2014年12月太平洋海域（60°S-60°N，120°E-70°W）的Argo溫、鹽度剖面資料，且均已經過各國Argo資料中心實時和延時質量控制，在此基礎上，仍有些存在質量問題，本文按照李宏等（2011，2012，2013）的方法進一步對資料進行必要的質量控制，確保原始資料的質量。

1.2同類型Argo網格資料SST和SSS

國際 Argo計劃網站 （http：//www.argo.ucsd. edu/Gridded_fields.html）提供了許多利用Argo剖面資料開發的網格化產品，本文主要利用這些資料集的表層信息。這里選用兩種資料集：一種是Scripps海洋研究所構建的2004年1月-2014年12溫、鹽度網格資料（Roemmich et al，2009） （以下簡稱“Roemmich_Argo”資料），其水平分辨率為1°×1°，垂向分為2.5～2 000 dbar不等的58層。該資料集通過如下方式獲取：首先將所有Argo溫、鹽度剖面資料利用Loess客觀分析法構建出氣候態初始場，然后用最優插值法訂正這一初始場，獲得逐年逐月溫、鹽度異常場，且資料集垂向最淺為2.5 dbar；另外一種是美國夏威夷大學亞洲-太平洋數據研究中心構建的2005年1月-2014年12月的溫、鹽度網格資料（以下簡稱“IPRC_Argo”資料），其水平分辨率為1°×1°，垂向最淺為0 m。該資料集通過變分插值法獲取，且原始資料包括Argo剖面及海面動力高度資料。本文視這兩種網格資料垂向最淺層的溫、鹽度值為對應SST和SSS，目的是作為Argo表層溫鹽度網格資料的檢驗對比資料。

1.3WOA13氣候態資料

美國大氣海洋局國家海洋數據中心（NOAA/ NODC）推出的WOA系列資料目前的最新版本為WOA13（Locarnini et al，2013；Zweng et al，2013）（來 源 于http：//www.nodc.noaa.gov/OC5/woa13/ woa13data.html），該資料集包含全球海洋（180°W-180°E，90°S-90°N）溫度、鹽度等變量，水平分辨率為1°×1°，垂向0～5 500 m為間隔不等的102層，垂向分辨率較以往的WOA系列資料有了較大提高。該資料主要用于作為氣候態（1-12月平均）資料集的代表來檢驗混合層模型反推SST和SSS方法的可靠性。

1.4TAO/TRITON錨系觀測資料

TAO/TRITON錨系陣列（McPhaden et al，1998）（以下簡稱TAO）（來源于http：//www.pmel.noaa.gov/ tao/index.shtml）在太平洋海域0°，147°E站位（以下簡稱E站）溫度和鹽度資料序列較為完整，故本文選用該站點的逐月平均（2004年1月-2011年12月）的溫、鹽度資料。其溫度和鹽度垂向分層為1、25、50、75、100、125、150、200、250、300、500、750 m，本文將據此分層作為月平均資料集的代表來檢驗混合層模型反推SST和SSS方法的可靠性。

1.5船載CTD資料

歷史船載CTD測量資料由法國Coriolis資料中心提供，其作為Argo延時資料質量控制的參考數據集，具有較高的質量。觀測時間為1974-2007年。本文在使用之前，剔除了明顯不合理的觀測剖面。該CTD資料的垂向分辨率比較精細，一般可以達到1～2 m。該資料主要用于作為原始觀測資料（未做任何時間尺度內的平均）的代表來檢驗混合層模型反推SST和SSS方法的可靠性。

2　SST、SSS反推方法

2.1SST和SSS的深度標準

葉安樂等（1992）認為，常規觀測儀器在0～ 3 m深處測得的溫度可作為海洋“表層溫度“的代表，而侍茂崇等（2002）則將這一深度標準取為0.2～2 m。最為經典的對歷史上全球海洋所有常規儀器測量的溫、鹽度剖面進行客觀分析而生成的Levitus（1982）網格資料所包含的SST和SSS，則是將所有0～2.25 m深度以內的溫、鹽度觀測資料視為對應的SST和SSS（與Boyer的個人通訊）。

同時，目前使用較為廣泛的網格化SSS產品，比較有代表性的有法國Delcroix等（2011）和日本Ishii等（2006）研制的逐年逐月SSS產品，這些格點資料都是對實測鹽度資料進行客觀分析而成，且一般將10 m以淺的所有鹽度觀測視為對應的SSS。

綜上，本文對SST和SSS深度標準統一取為0.2～2.25 m水深內對應的溫、鹽度值，若有多個觀測，則取其平均值。下文所有涉及到檢驗的TAO和CTD資料的SST和SSS均是基于這一深度標準（由于WOA13資料有0 m層溫、鹽度資料，則直接視為對應SST和SSS）。

2.2混合層內部平均溫度（鹽度）與SST（SSS）的關系

混合層內，海水混合均勻，無論是溫度或者鹽度，變化都較小，Chu等（1997a；1997b）已經建立通過表征次表層與表層溫度函數關系的溫度參數模型，該模型是將溫度剖面理論化，通過5個參數即可確定一個溫度剖面。構建該模型的目的是在缺乏表層觀測時，利用海表觀測信息來分析次表層溫度結構，當然，該模型用到的假設之一即為混合層內部溫度是均勻一致的。另外，Delcroix等（2011）利用0～10 m的WOD09、TAO、Argo以及相關現場測量鹽度資料進行客觀分析，合成獲得SSS網格資料，資料效果較好。

由此，本文提出假設：SST和SSS可由混合層深度內對應的平均溫度、鹽度作零階近似，即零階近似基本可以刻畫SST和SSS氣候態的分布特點。當然，若進一步考慮風速、熱通量、淡水通量、局地對流擴散和垂向挾卷等過程 （Audrey et al，2013），將能刻畫時間尺度更小（時間尺度短于天平均）的變化特征，從而獲得更為真實的SST和SSS，本文暫不考慮這些復雜的物理過程，由此獲取的SST和SSS為時間尺度稍大（時間尺度為月平均甚至更長）的分布特征。

2.3混合層模型

本文的混合層模型是為了較為客觀地刻畫其對應深度內的平均溫鹽度，使其與真實的表層溫度鹽度盡最大可能吻合，因此，選用一種不依賴于閾值的混合層模型更為恰當，選用Chu等（2011）提出的最大角度法來計算混合層深度。

在等密度層與躍層交界處，角θk達到最大值。由此可以確定混合層深度（θk→max，HD→-zk）。在實際應用中，θk較難反推，用正切值來代替，即：

其中，G1≈0為混合層的垂向梯度，G2為躍層梯度。由給定的擬合系數可得，

當觀測剖面為溫度時，只需將擬合矢量Vector-1，Vector-2改變方向，其原理與密度剖面相同。

需要指出的是：在大部分海域，由于存在較強的溫躍層，由溫度剖面反推的混合層深度，一般叫等溫層（Isothermal Layer Depth，ILD），與由密度剖面反推的混合層深度（MLD）是一致的，但是在一些區域如赤道西太平洋和南半球高緯度海區，ILD和MLD則有很大的差異，所以在這些地方只采用密度或溫度反推會造成反推的混合層深度有很大的差異（Boyer et al，2007）。若ILD大于MLD，則存在障礙層 （Barrier Layer，BL），障礙層厚度（Barrier Layer Thickness，BLT）為（ILD-MLD）；若ILD小于MLD，則存在補償層 （Compensated Layer，CL），補償層厚度（Compensated Layer Thickness，CLT）為（MLD-ILD）。由此，本文反推的混合層綜合考慮障礙層和補償層的存在，得到的是合成混合層深度。

2.4SST、SSS反推步驟

對所有的溫鹽度剖面資料，首先在垂向上利用Akima插值法（Akima，1970）統一插值到2 m間隔層，其次根據《UNESCO技術手冊》 （Scor Working Group 51，1998）上的公式計算出溫度、鹽度對應深度上的密度值。以10 m為參考層，對溫度和密度剖面利用最大角度法分別計算出ILD和MLD，判斷BL和CL是否存在，據此得到合成MLD，取每個觀測剖面10 m到合成混合層深度內的溫、鹽度平均值作為反推的SST和SSS最后，將反推值與實測值進行比較，通過相關分析，誤差分析定量檢驗反推值的精度。

2.5模型結果檢驗

在利用混合層模型反推Argo表層溫度和鹽度之前，必須首先用本身包含SST和SSS的實測剖面資料進行檢驗，以定量描述混合層模型的可靠性。這里選擇WOA13氣候態（1-12月）資料（作為多年平均資料的代表）、TAO多年月平均觀測資料（定點觀測，作為逐年逐月平均資料的代表）以及收集到的歷史船載CTD資料（作為原始觀測、未進行任何時間平均資料的代表）來進行檢驗。對這三種觀測資料的每一個垂向觀測剖面，利用混合層模型反推出SST和SSS，并與對應剖面的實測SST和SSS進行比較。

2.5.1WOA氣候態資料檢驗

表1給出了由WOA13氣候態1-12月反推值與實測值進行線性回歸分析后的結果，所有的顯著方程均已通過95%的置信檢驗（下同）。作為對比，將WOA13資料10 m層的溫、鹽度也與對應的SST和SSS做相關分析。表中可見，由混合層模型得到的反推值與實測值，其中SST相關系數為0.999 93～0.999 96，平均殘差為0.033 28℃～0.069 14℃；SSS相關系數為0.997 87～0.998 93，平均殘差為0.028 09～0.032 88。可見，無論是溫度還是鹽度，均超過10 m層溫度鹽度與對應SST和SSS的相關性，并且對溫度來說，大部分月份的溫度殘差也小于10 m層溫度與SST相關分析所得殘差。這或許說明一個事實，對氣候態資料而言，利用混合層模型反推出的SST和SSS比直接用10 m深度的觀測資料融合成為對應SST和SSS相對來說更為準確。

表1　太平洋海域WOA13資料10m層溫、鹽度及反推SST、SSS與對應實測SST、SSS相關關系

2.5.2TAO逐年逐月資料檢驗

圖1給出了反推值與實測值的逐年逐月時間序列，可見，反推值與實測值隨時間的變化趨勢相當吻合，且年際和季節波動信號較為一致。兩者SST相關系數為0.89，誤差（反推值-實測值）為-0.066℃～0.084℃，SSS相關系數為0.96，誤差為0.02～0.57。TAO資料檢驗表明，反推值與實測值相關性較好，誤差也較小。當然，由于TAO資料的溫、鹽度剖面資料垂向分辨率較低，由此反推值與實測值的相關系數不及WOA13氣候態資料對應的相關系數。

圖1　太平洋E站反推與實測值逐月分布（A）：SST，（B）：SSS

2.5.3歷史船載CTD資料檢驗

Coriolis資料中心提供歷史船載CTD資料，資料以10°×10°在空間存儲，資料的詳細站位見圖2。圖2可見，船載CTD在北太平洋較多，而南太平洋偏少，下文計算選取每個10°×10°方區內CTD多于100個（每隔1°存在一個資料）的方區，以保證足夠的資料量，代表性更強。

圖2　太平洋海域船載CTD觀測剖面的空間分布

圖3-4給出了所有反推SST、SSS與實測SST、SSS的相關，SST相關系數0.999 86，平均殘差0.08°C，SSS相關系數0.995 76，平均殘差0.04。圖5給出誤差隨緯度的分布，在北太平洋副熱帶地區（10°N-20°N）誤差相對較小，且幾乎所有點均落在3倍標準（對應為圖5中上下直線）差范圍內。對所有的船載CTD觀測資料，統計表明：SST誤差的平均值為-0.06°C，標準差為0.137°C，SST誤差在0.137°C（1倍標準差）、0.264°C（2倍標準差）和0.401°C（3倍標準差）的點分別占88.1%、96.6%和98.5%；SSS誤差的平均值為0.028，標準差為0.096，SSS誤差在0.096（1倍標準差）、0.192（2倍標準差）和0.278（3倍標準差）的點分別占93.4%、96.9%和98.2%。說明，對高垂向分辨率的歷史船載CTD資料而言，由混合層模型推算獲得的SST和SSS具有較高的精度。

圖3 太平洋海域所有CTD觀測點位反推SST與實測SST線性回歸分析

圖4　同圖3，但對應于SSS

圖5 所有位置反推誤差隨緯度變化，（A）：SST，（B）：SSS

3　Argo網格SST、SSS資料及其檢驗

上文通過不同時間尺度的資料檢驗了混合層模型反推得到的SST和SSS具有較高精度，由此可以將該模型用于Argo剖面資料的反推。根據模型反推出2004年1月-2014年12月太平洋海域（60°S-60°N，120°E-70°W）所有Argo剖面所在位置的SST和SSS，但對應位置Argo無實測SST和SSS，無法直接比較檢驗。因此，依據李宏等（2012；2013）采用逐步訂正法，將散點的SST和SSS構建成為空間分辨率為1°×1°，時間分辨率為逐年逐月（2004年1月-2014年12月）的網格資料，簡稱“BOA_Argo”網格資料（下同），這樣方便檢驗。

3.1氣候態大面檢驗

BOA_Argo網格資料集提供的氣候態SST和SSS表明（對應大面分布圖略），太平洋海域表層溫度基本呈現緯向帶狀分布，自熱赤道向兩級逐漸遞減，與太陽輻射關系明顯（葉安樂等，1992）；而鹽度呈現“馬鞍型”的分布態勢（葉安樂等，1992），南北副熱帶地區鹽度較高，兩級海域鹽度較低，這主要與淡水通量分布特征相對應。

圖6-7分別給出了太平洋海域BOA_Argo網格資料的SST、SSS與WOA13對應資料差值圖，可見，對SST而言，整個太平洋海域BOA_Argo比WOA13要平均高0.07°C，而西北太平洋及南太平洋熱帶海域，BOA_Argo比WOA13平均高0.22°C，而東太平洋及南大洋局部海域BOA_Argo資料的SST要低于WOA13，平均幅度0.19°C。某些海域如西北太平洋黑潮海域兩者最大差異可達1.2°C，這可能與海域本身海洋環境復雜多變有關，這一趨勢與Roemmich等（2009）的結論是一致的；對SSS而言，整個太平洋海域BOA_Argo要平均高出WOA13資料0.02，在南北太平洋副熱帶海域，BOA_Argo要高于WOA13，平均高出0.08，其他海域BOA_Argo提供的SSS則低于WOA13，平均低于0.04。總體來說，BOA_Argo提供的SST和SSS與WOA13的差異性不大。

圖6　太平洋海域SST差值（BOA_Argo-WOA13）

圖7　同圖6，但對應于SSS

3.2單站點時間序列對比

在太平洋海域選取3個TAO/TRITON錨系資料代表點，分別為赤道東太平洋海域E站（0，147°E），西南太平洋WS站（5°S，156°E）和東北太平洋EN站（9°N，140°W）的逐月（2004年1月-2014年12月）SST和SSS信息。計算不同SST和SSS與TAO觀測的相關系數。

圖8　E站不同數據集時間序列分布（A）：SST（B）：SSS

圖8為E處逐月SST和SSS變化情況，從圖可見，3種不同的網格資料與TAO資料符合性都較好，能夠較好反映出年際及季節變化信號，BOA_Argo、Roemmich_Argo及IPRC_Argo與TAO資料的相關系數：SST之間分別為0.87、0.85、0.87，SSS之間則分別為0.91、0.91、0.88。

WS站處（圖略）不同資料均表現出更多的小尺度波動信號。BOA_Argo、Roemmich_Argo及IPRC_Argo與TAO資料的相關系數：SST之間分別為 0.88、0.85、0.93，SSS之間則分別為 0.84、0.85、0.86。EN站處（圖略）TAO溫度測量資料只到2012年，而鹽度只有2004-2005年部分月份的資料，而IPRC-Argo也從2005年開始，因此對SSS資料而言，IPRC-Argo和TAO不作相關分析。BOA_Argo、Roemmich_Argo及IPRC_Argo與TAO資料的相關系數：SST之間分別為0.95、0.96、0.94，SSS之間則分別為0.87、0.79、—。對SST而言，3種網格資料與TAO資料相關性都較好，對SSS而言，BOA_Argo與TAO資料的相關性要高于Roemmich_Argo與TAO資料的相關性。

3.3EOF分析

如圖10-11分別給出了不同SST資料異常值（2005年 1月-2014年 12月） （BOA_Argo，Roemmich_Argo） 的 4個主要 EOF空間模態，IPRC_Argo對應圖在此略去（下同）。圖12為對應的時間主成分隨時間變化曲線；限于篇幅，SSS對應的EOF空間模態和時間主成分隨時間變化圖在此略去。

圖10　BOA_Argo資料SST空間主要EOF模態

圖11 同圖10，對應為Roemmich_Argo資料

圖12　太平洋海域不同SST資料對應EOF 4個主要模態時間主成分

從圖10-11可見，各網格資料給出的SST的4個模態都非常相似：其中SST的第一模態空間信號基本以赤道為界向兩極海域逐步變強，呈現緯向帶狀變化特征，且北太平洋日本以東海域黑潮與親潮兩大冷暖流系延伸處變化尤為顯著，南太平洋智利海盆海域（30°S-40°S，110°W-90°W）同樣信號較為顯著。BOA_Argo與 Roemmich_Argo及IPRC_Argo提供的SST空間第一模態相關系數分別為0.998 7和0.993 3（表2）。在時間序列中，相關性也較好，相關系數分別為0.999 4和0.999（表2）。從時間序列的走向來看，第一模態表現的非常顯著的年（12個月）周期變化，波動信號較強。SST的EOF第一模態，不同資料表現出方差貢獻率都超過90%（表略）；SST的第二模態則有所不同，在赤道東太平洋海域5°S-5°N，150°W-90° W），空間函數值較高，達到0.02以上。BOA_Argo與Roemmich_Argo及IPRC_Argo提供的SST空間第二模態相關系數分別為0.972 5和0.967 5，時間序列相關系數則分別為0.963 7和0.976 6，第二模態表現出更多短周期變化，顯著周期包括4個月、1 a；第三、四模態空間結構與一二模態完全不同，限于篇幅在此不做過多描述。

同樣，各網格資料給出的SSS 4個模態都非常相似（圖略），但相對于SST，SSS的空間變化模態則復雜得多：第一模態空間信號同樣以赤道海域（5°S-5°S）為分界，赤道海域表現出較大的正空間函數值，而南北太平洋熱帶海域表現出較為顯著的負空間函數值。BOA_Argo與Roemmich_Argo及IPRC_Argo提供的空間第一模態相關系數分別為0.9241和0.9121，時間序列的相關系數分別為0.9829和0.9874（表2）。SSS時間序列走向與SST一樣，第一模態存在非常顯著的1年（12個月）周期變化，同時還表現出3年的周期變化信號。SSS的第二模態空間函數值的主要分布特點是熱帶太平洋海域為顯著，以160°W為界，東西尺度太平洋分別表現出正負空間函數值。BOA_Argo與Roemmich_Argo及IPRC_Argo提供的SSS空間第二模態相關系數分別為0.3231和0.9270，時間序列相關系數則分別為0.3808和0.9727。第二模態顯著周期包括1a、3a；第三、四模態空間結構表現出小尺度變化信號更為顯著，在此不做過多描述。

綜合分析可以看出，BOA_Argo的SST和SSS的EOF時空模態與同類型的網格資料較為一致，相關性較高，說明資料集能夠真實的反映太平洋海域時空變化特點。

表2　不同資料集SST、SSS主要EOF模態時間主成分相關系數

4　結論

本文以太平洋（60°S-60°N，120°E-70°W）為研究區域，研究了提出的基于混合層模型的Argo表層溫、鹽度反推新方法，通過不同時間尺度的資料檢驗了該方法的可靠性，并將該方法用于2004年1月-2014年12月太平洋海域所有Argo剖面的反推，并依據逐步訂正法，將反推得到散點的SST和SSS構建成為空間分辨率為1°×1°，時間分辨率為逐年逐月的網格資料，同時檢驗網格資料的可信度。主要結論如下：

（1）利用最大角度法構建混合層模型，并分別反推WOA13氣候態（1-12月）資料、TAO單站點逐年逐月資料及船載CTD實時測量資料每個站點的合成混合層深度，并據此反推出對應SST和SSS，將反推值與實測值進行比較。檢驗表明：對WOA13氣候態資料而言，反推與實測SST、SSS相關系數分別為0.999 93～0.999 96、0.997 87～0.998 93之間，平均殘差分別為 0.033 3℃～0.069 4℃、0.028 1～0.032 9。對逐年逐月TAO資料而言，相關系數分別為0.89、0.96，平均殘差分別為-0.66～0.084℃、0.02～0.57。對船載CTD資料而言，相關系數分別為0.999 86、0.995 76，平均殘差分別為0.08℃、0.04。總共檢驗的18 879個船載CTD站點，SST誤差的平均值為-0.06℃，標準差為0.137℃，誤差在0.401℃點占98.5%；SSS誤差的平均值為0.028，標準差為0.096，誤差在0.278（3倍標準差）的點占98.2%。說明對氣候態、逐年逐月平均以及實時觀測等不同時間尺度的資料，由混合層模型推算獲得的SST和SSS均具有較高的可信度。

（2）將混合層模型應用于Argo剖面對應SST和SSS的反推，并完成對應逐年逐月的網格資料BOA_Argo，并進行檢驗：總體來說，BOA_Argo與WOA13分布態勢非常接近，差異性不大，BOA_Argo比WOA13溫度平均高0.22℃，鹽度平均高0.02。與TAO資料和同類型網格資料進行比較發現：對赤道東太平洋海域站（0°，147°E），西南太平洋站（5°S，156°E）和東北太平洋站（9°N，140°W） 而言，BOA_Argo、Roemmich_Argo及IPRC_Argo與TAO資料的相關系數溫度為0.87、0.85、0.87，鹽度為0.91、0.91、0.88；點WS相關系數分別為0.88、0.85、0.93，0.84、0.85、0.86。點EN相關系數分別為0.95、0.96、0.94，0.87、0.79、—。EOF分析表明反推出的SST和SSS的EOF時空模態與同類型的網格資料較為一致，相關性較高。從而再次證明由混合層模型推算獲得的SST和SSS均具有較高的可信度。

以上結論充分證明了本文提出的假設，也即是：SST和SSS可由混合層深度內對應的平均溫度、鹽度作零階近似，且精度較高。

當然，若進一步考慮風速、熱通量、淡水通量、局地對流擴散和垂向挾卷等（Audrey et al，2013）過程，并結合更為完善的混合層模型，將能反推出更高精度的資料，將此方法應用于Argo資料的反推，可構建較高精度的SST和SSS產品，較好彌補Argo缺少表層觀測的缺陷，同時也能作為遙感反演產品的評估資料。

致謝：感謝中國Argo實時資料中心免費提供研究資料！與上海海洋大學張春玲老師及國家海洋局第二海洋研究所閆運偉博士的交流，使得本文能更好完成，在此表示感謝!

Akima H,1970.A new method for interpolation and smooth curve fitting based on local procedures J.Assoc.Comput.Mech.,17:589-602.

Alvera A,Troupin C,Brath A,et al,2011.Comparison between satellite andinsituseasurfacetemperaturedataintheWestern Mediterranean Sea.Ocean Dynamics,61:767-778.

Audrey E A,2012.Hasson,Thierry Delcroix,Rapha?l Dussin.An assessment of the mixed layer.salinity budget in the Boutin,J., Martin,N.Yin,X.et al.First Assessment of SMOS Data Over Open Ocean:Part II-Sea Surface Salinity.IEEE Transactions on Geoscience and Remote Sensing,99:1-14.

Bruno Buongiorno Nardelli,2012.A Novel Approach for the Highresolution interpolation of In Situ,Sea Surface Salinity.J.Atmos. Oceanic.Technol,29:867-879.

Castro S L,Wick G A,Jackson D L,et al,2008.Error characterization of infrared and microwave satellite sea surface temperature products for merging and analysis.Journal of Geophysical Research,113 (C03010),doi:10.1029/2006JC003829.

Cazenave A,Dominh K,Guinehut S,et al,2008.Sea level budget over 2003-2008:A reevaluation from GRACE space gravimetry, satellite altimetry and Argo.Glob.Planet.Change.

Chu P C,C R Fralick,Jr S D,et al,1997a.A parametric model for the Yellow Sea thermal variability.J Geophys.Res.102:10499-10507. Chu P C,Fan C W,2011.Maximum angle method for determining mixed layer depth from sea glider data.J Oceanogr,67:219-230.

Chu P C,H C Tseng,Chang C P,et al,1997b.South China Sea warm pool detected from the Navy's Master Oceanographic Observational Data Set(MOODS).J Geophys.Res.102:15761-15771.

de Boyer Montégut C,Mignot J,Lazar A,et al,2007.Control of salinity on the mixed layer depth in the world ocean:1.General description.J. Geophys Res,112,C06011,doi:10.1029/2006JC003953.

Delcroix T,Alory G,Cravatte S,et al,2010.McPhaden MJ(2011)A gridded sea surface salinity data set for the tropical doi:10.1016/j. dsr,11:002.

Donlon C J,Casey K S,Robnson I S,et al,2009.The GODAE highresolution sea surface temperature pilot project.Oceanography,22 (3):34-45.

Donlon C J,Minnett P J,Gentemann C,et al,2002.Towards Improves Vali-dation of Satellite Sea Surface Temperature Measurements for Climate Research.Journal of Climate,15:353-369.

Fairall C W,Bradley E F,Godfrey J S,et al,1996.Cool-skin and warmlayer effects on sea surface temperature.Journal of Geophysical Research,101:1295-1308.

Gray A R,Riser S C,2014.A Global Analysis of Sverdrup Balance Using Absolute Geostrophic Velocities from Argo J Phys Oceanogr,44(4), 1213-1229,http://dx.doi.org/10.1175/JPO-D-12-0206.1.

Ishii M,Kimoto M,Sakamoto K,et al,2006.Steric sea level changes estimated from historical ocean subsurface temperature and salinity analyses.J.Oceanogr,62:155-170.

Levitus S,1982.Climatological atlas of the World Ocean,NOAA Prof. Pap.13,U.S.Gov.Print.Off.,Washington,D.C.

Levitus S,Antonov J I,Boyer T P,et al,2012.World ocean heat content and thermosteric sea level change(0-2 000 m),1955-2010. Geophys.Res.Lett,39,L10603.

Locarnini R A,Mishonov A V,Antonov J I,et al,2013.World Ocean Atlas 2013,Volume 1:Temperature.S.Levitus,Ed.A.Mishonov, Technical Ed.;NOAA Atlas NESDIS 73,40.

McPhaden M J,Antonio J.Busalacchi,Robert Cheney,et al,1998.The Tropical Ocean-Global Atmosphere observing system:A decade of progress.Journal of Geophysical Research,103,14169-14240.

Merchant C J,Filipiak P L,Borgne P L,2008.Diurnal warm-layer events in the westen Mediterranean and European shelf seas. Geophysical Research Letters,35,L04601,doi:10.1029/2007 GL033071.

Pacific with sample applications(1958-2008).Deep-Sea Res I Oceanogr Res Pap 58(1):38-48.

Roemmich D,Gilson J,2009.The 2004-2008 mean and annual cycle of temperature,salinity,and steric height in the global ocean from Argo program.Progr.Oceanogr,82:81-100.

Roemmich D,W J Gould,J Gilson,2012.135 years of global ocean warmingbetweentheChallengerexpeditionandtheArgo Programme,Nature Clim.Change,2(6),425-428,http://dx.doi.org/ 10.1038/nclimate1461.

Scor Working Group 51,1998.The acquisition,Calibration,and analysis of CTD data.UNESCO Technical Papers in Marine Science,54.

Tropical Pacific Ocean,2013.Observations and modelling(1990-2009). Ocean Dynamics.

Zweng M M,J R Reagan,J I Antonov,et al,2013.World Ocean Atlas 2013,Volume 2:Salinity.S.Levitus,Ed.;A.Mishonov,Technical Ed.；NOAA Atlas NESDIS 74.

李宏，2011，利用客觀分析法重構Argo網格資料的初步研究.國家海洋局第二海洋研究所碩士學位論文.

李宏，許建平，劉增宏，等，2012.利用逐步訂正法重構Argo網格資料的初步研究.海洋通報，31（5）：46-58.

李宏，許建平，劉增宏，等，2013.全球海洋Argo網格資料集及其驗證.海洋通報，32（6）：615-625.

侍茂崇，高郭平，鮑獻文，2000.海洋調查方.青島：青島海洋大學出版社，51-52.

許建平，2002.阿爾戈全球海洋觀測大探秘.北京：海洋出版社.

許建平，劉增宏，孫朝輝，等，2008.全球Argo實時海洋觀測網全面建成.海洋術，27（1）：68-70.

葉安樂，李鳳岐，1992.物理海洋學.青島：青島海洋大學出版社，68-118.

張春玲，許建平，鮑獻文，等，2014.基于海溫參數模型推算Argo表層溫度場.海洋通報，33（1）：16-26.

（本文編輯：袁澤軼）

Argo surface temperature and salinity estimation by the mixed layer model

ZHAO Xin1,LI Hong1,2,LIU Zeng-Hong2,3,XU Jian-Ping2,3,SUN Chao-Hui3,LU Shao-Lei3
(1.Zhejiang Institute of Hydraulics&Estuary,Hangzhou310020,China;2.State KeyLaboratoryof Satellite Ocean Environment Dynamics, Hangzhou 310012,China;3.Second Institute of Oceanography,State Oceanic Administration,Hangzhou 310012,China)

Based on the assumption that SST and SSS can be unified by the averaged temperature and salinity at the depth of mixed layer,we construct a model of mixed layer to estimate the SST and SSS according to the information of the mixed layer in the ocean.This method uses the zero order approximation of the maximum angle method,which was proposed by Chu (2011),and by considering the effect of barrier layer and compensation layer on the estimation accuracy,we get the composed mixed layer depth,so we can estimate both SST and SSS by the mixed layer model.Taking the Pacific Ocean as an example,we use the climatology WOA13 datasets(January～December),monthly and yearly TAO dataset and historical ship-based CTD data to examine this hypothesis.The estimated SSS and SST from the three different data sets correlate with each other very well and with small residue,which suggests the reliability of the method.We use this method for Argo profile data to construct the gridded SST and SSS with horizontal resolution of 1°×1°from January 2004 to December 2014 with the successive correction method.It is found that the constructed gridded Argo SST and SSS climatology distribution characteristics are consistent with those showed by WOA13 dataset,and the difference between them is very small.Besides, there is good correlation between Argo and TAO data,and that is slightly higher than the correlation coefficient between TAOand other Argo gridded data sets.EOF analysis shows that temporal and spatial variability between the main modes is similar. According to the successive application of this method in the three different observational datasets,we have confidence that this mixed layer model can be used to estimate SST and SSS from Argo profiling float observation very well,and it can compensate the shortcoming of the Argo data which are lack of surface SST and SSS data.The estimated SSS and SST data from this method can also provide an assessment data for remote sensing products.

mixed layer model;Argo;maximum angle method;SST;SSS;estimation

P715.2；P731.31

A

1001-6932（2016）05-0532-13

10.11840/j.issn.1001-6392.2016.05.007

2015-06-10；

2015-09-09

科技部科技基礎性工作專項（2012FY112300）；衛星海洋環境動力學國家重點實驗室開放基金（SOED1307）。

趙鑫（1978-），男，高級工程師，主要從事海洋動力數值模擬。

李宏（1986-），男，工程師，主要從事海洋資料分析及近岸數值模擬研究。電子郵箱：slvester_hong@163.com。