IOCAS ICM及其ENSO實時預測試驗和改進*

高 川 王宏娜 陶靈江 張榮華,①

(1. 中國科學院海洋研究所海洋環(huán)流與波動重點實驗室 青島 266071; 2. 青島海洋科學與技術國家實驗室 青島 266237;3. 中國科學院大學 北京 100049)

厄爾尼諾和南方濤動(El Ni?o-Southern Oscillation, ENSO)起源于熱帶太平洋海表風場-海表溫度場-海洋溫躍層間的相互作用(Bjerknes, 1969),具有 2—7年的顯著周期振蕩, 是地球氣候系統(tǒng)中最強的年際尺度變化信號(巢紀平等, 2003; 李崇銀等,2008)。ENSO雖然是發(fā)生在熱帶太平洋地區(qū)年際時間尺度上的海氣耦合現(xiàn)象, 但通過大氣遙相關過程可對全球天氣及氣候產(chǎn)生重大影響(丁一匯等, 2008)。如1997—1998年爆發(fā)的強El Ni?o事件, 所造成的全球經(jīng)濟損失高達300億美元, 包括引發(fā)了1998年夏季我國東北地區(qū)以及長江流域的特大暴雨洪澇災害(黃榮輝等, 1998)。又如2015年熱帶太平洋剛剛經(jīng)歷過的強El Ni?o事件, 其持續(xù)之久、強度之大造成全球氣候異常及極端天氣發(fā)生(劉屹岷等, 2016)。因此,準確、及時、有效地預報ENSO事件的發(fā)生、發(fā)展和演變對于短期氣候預報和防災減災等具有重大的應用意義。

近幾十年來對 ENSO的模擬和預報研究已取得了巨大進展, 各類模式的快速發(fā)展使得ENSO實時預報成為可能[圖 1; 詳情請參見美國哥倫比亞大學(Columbia University)國際氣候研究所 International Research Institute for Climate and Society (IRI)關于ENSO實時預報集成分析的網(wǎng)站: http://iri.columbia.edu/climate/ENSO/currentinfo/update.html]。特別是各類復雜程度不同的海氣耦合模式的發(fā)展, 包括中間型耦合模式(ICMs; Zhanget al, 2013)、混合型耦合模式(HCMs; Zhanget al, 2015)以及海洋-大氣完全耦合的環(huán)流模式(CGCMs; Philanderet al, 1992), 使得能夠較為準確地提前6個月到1年對ENSO進行預報。國內(nèi)多家單位也逐步開展對 ENSO的實時預測(Zhanget al, 2013; 任宏利等, 2016; 鄭飛等, 2016)。ENSO 預測成為目前國際上短期氣候預測領域最為成功的范例(Chenet al, 1995, 2004; 巢紀平等, 2003; Zhanget al, 2013)。

盡管如此, 由于ENSO時空演變的可變性和多樣性極強, 數(shù)值模式對ENSO的預報存在很大的不確定性(Muet al, 2002), 仍不能對其演變的全過程進行準確、有效的實時預報。特別是針對 2014—2016年間的El Ni?o現(xiàn)象預報表明, 模式對ENSO實時預報存在誤差: 如 2014年并未像許多耦合模式所預報的那樣發(fā)生強El Ni?o事件, 而對2015年強El Ni?o事件的預報仍然不夠準確(圖1)。這對ENSO實時預報提出了嚴峻挑戰(zhàn), 在國際上激發(fā)了新一輪的ENSO研究熱潮。

圖1　觀測(黑線)和不同的模式(彩線; 包括IOCAS ICM)預報得到的2014—2015年間Ni?o3.4區(qū)海表溫度異常的時間序列Fig.1 The Ni?o 3.4 sea surface temperature (SST) anomalies in 2014—2015, observed (black line) and predicted (colored lines) bydifferent dynamical and statistical models, including the IOCAS ICM

目前以中國科學院海洋研究所(Institute of Oceanology, Chinese Academy of Sciences, IOCAS)冠名的一個中等復雜程度的海氣耦合模式(IOCAS ICM)每月定期進行ENSO實時預報試驗, 其結果收錄于美國哥倫比亞大學國際氣候研究所(IRI), 以對ENSO的預報作進一步集成分析和應用(圖 1; 詳情請見http://iri.columbia.edu/our-expertise/climate/forecasts/enso/current), 這是首個以我國機構命名的為國際學術界提供ENSO實時預報結果分析的海氣耦合模式。IOCAS ICM的特點之一是次表層上卷到混合層海水溫度(Te)的參數(shù)化方式(Zhanget al, 2003), 其開發(fā)的次表層海溫反算優(yōu)化創(chuàng)新技術, 可有效改進對熱帶太平洋SST的模擬和預報。IOCAS ICM已成功用于對ENSO事件模擬和預報研究, 如對2010—2012年熱帶太平洋二次變冷事件的準確預報(Zhanget al,2013), 并對預報準確的原因進行分析, 表明大氣風場強迫和次表層熱力效應的強度對 ENSO預報起到同等重要的作用(Gaoet al, 2017a)。又如揭示了Te在ENSO循環(huán)中的重要作用, 提出了ENSO事件起源的一個新機制(Zhanget al, 2016a)。同樣, 對2014—2016年的El Ni?o事件進行了預報(Zhanget al, 2016b), 并對其間的二次變暖過程和機制進行了分析(Zhanget al, 2017a)。結果表明, IOCAS ICM很好地預報出2014—2016年間赤道太平洋 SST變暖和變冷的趨勢, 對SST振幅的預報趨近于所有動力模式的平均值。

本文將對IOCAS ICM進行較為詳細的介紹, 并給出IOCAS ICM和其他模式對2017—2018年赤道太平洋海表溫度變化的實時預報結果, 此外還將對IOCAS ICM 的改進和應用進行簡單介紹, 包括四維變分(4D-Var)資料同化方法和條件非線性最優(yōu)擾動方法(CNOP)在IOCAS ICM中的應用等。

1　IOCAS ICM介紹

IOCAS ICM是一個中等復雜程度的海氣耦合模式, 該模式的大氣部分是一個描述對 SST年際異常響應的風應力異常經(jīng)驗模式, 海洋部分包括了動力海洋模塊、SST距平模塊(嵌套于動力海洋模塊中)和次表層上卷海溫(Te)距平模塊三部分(圖 2)。IOCAS ICM 的特點之一是開發(fā)了次表層海溫反算優(yōu)化創(chuàng)新技術, 即在海洋模塊計算 SST異常時采用Te的優(yōu)化方案, 這可有效改進對熱帶太平洋 SST的模擬和預報。該模式具有優(yōu)良的性能, 已用于ENSO實時預報試驗, 其實時預報結果以中科院海洋所冠名(IOCAS ICM), 收錄于美國哥倫比亞大學國際氣候研究所(IRI)以作進一步的集成分析和應用。

圖2　IOCAS ICM構成框架示意圖Fig. 2 The schematic diagram illustrating the IOCAS ICM注: 包括一個動力海洋模式、一個海表溫度(SST)距平模式、一個從海表高度(SL)計算Te異常的經(jīng)驗模式和一個計算風應力的統(tǒng)計模式, 其中u, v, w分別為緯向、經(jīng)向和垂向流速

1.1　動力海洋模塊

IOCAS ICM 是一個距平模式, 其動力海洋模塊是在垂直方向斜壓模分解方法(McCreary, 1981)基礎上發(fā)展的一個中等復雜程度的海洋模式(Keenlysideet al, 2002), 其動力過程分為線性部分和非線性部分。線性部分是模態(tài)分解方法的擴展, 考慮了海洋層結的水平變化及動量方程的部分非線性作用。通過垂直方向模態(tài)分解的方法進行求解, 保留了前 10個斜壓模態(tài), 并且在表面兩層中包含了第11-30個高階斜壓模態(tài)的聯(lián)合影響。線性部分動量方程的非線性部分作為動力方程的剩余項而高度簡化, 只包含在表面兩層, 線性解通過非線性平流項來驅(qū)動動量方程而得到非線性解, 這樣對由于線性假設不適用于赤道區(qū)域求解而進行了一個修正。線性和非線性部分共同組成動力海洋模塊, 可求解動力海洋變量, 包括混合層內(nèi)水平流速、混合層底垂向速度及海洋壓力場等的模擬。

IOCAS ICM的動力海洋模式包括熱帶太平洋和大西洋海盆區(qū)域(31°S—31°N, 124°—30°E), 具有真實的海陸分布。模式的經(jīng)向分辨率由南北緯10°內(nèi)的0.5°逐漸向南北邊界延伸至 3°, 緯向分辨率為 2°, 垂向假定有 5500m深的平底海洋。垂向的線性部分在Levitus(1982)定義的標準海洋等深面上有 33層, 其中上層125m占8層。非線性和高階斜壓模的影響只考慮了兩層, 厚度為 125m, 由混合層分隔(深度隨空間位置而變, 由 Levitus年平均的溫、鹽數(shù)據(jù)根據(jù)穩(wěn)定性判斷計算而得)。

1.2　SST距平模塊及Te的經(jīng)驗參數(shù)化方法

在IOCAS ICM中, SST距平模式嵌入到動力海洋模塊中, 表征表層混合層的熱力動力學過程。決定海表混合層溫度異常(T′)年際變化的控制方程可寫為:

其中u,v,w分別為緯向、經(jīng)向和垂向流速,Te為海洋次表層上卷溫度場,H為海表混合層深度(H2為次表層厚度, 取H+H2=125m); 帶上劃線“-”項為氣候平均場, 帶“′”項為年際異常場;M(δ)為 Heaviside 階梯函數(shù)[當δ≥0 時,M(δ)=δ; 當δ＜0 時, M(δ)=0, 引入這一函數(shù)表征只有當次表層海水上卷進入海洋混合層時,才對SST產(chǎn)生影響];κv和κh分別為垂直擴散系數(shù)和水平擴散系數(shù), α為熱耗散系數(shù)[表層熱通量的參數(shù)化,與局地SST異常成負比例關系, 取α=(100天)-1]。方程左邊為海表溫度傾向項, 方程右邊為各種貢獻項(水平平流項、水平擴散項、垂直平流項、垂直擴散項和熱耗散項等)。對海表溫度年際異常診斷分析表明, 其中與Te′相關聯(lián)的項是方程右邊項中的大項(即垂直擴散項和垂直平流項)。由于次表層溫度場不能直接由動力海洋模式獲得, 因此,Te必須根據(jù)其他海洋動力變量進行參數(shù)化以用于SST異常模式。

鑒于熱帶海洋中溫躍層的變化是通過挾卷過程及垂直擴散過程而成為影響 SST變化的最大項,Zhang等(2003)發(fā)展了一個經(jīng)驗方法用于 ICM 中Te′的參數(shù)化, 以在給定的 SST距平方程中優(yōu)化 SST的模擬。Te′優(yōu)化算法分為兩步進行, 第一步是反算法:從觀測的SST場計算出SST傾向場[即方程(1)左邊];從觀測和模式模擬確定出方程(1)右邊除Te′外的其它各項, 于是便可以從方程(1)右邊反算出Te′場[若將這一方法得到的Te′場再返代入原方程的右邊去計算SST傾向場(方程左邊), 那么就可得到與觀測幾乎完全一樣的SST傾向場。從數(shù)值模擬角度來說, 這是有可能得到的最完美的結果了！]。第二步: 用奇異值分解(SVD)或經(jīng)驗正交函數(shù)分解(EOF)等常用統(tǒng)計方法,建立一個上述計算得到的Te′場與海洋動力變量(如海表高度 SL)間的統(tǒng)計關系。從而通過SL場可直接估算出Te′場, 繼而可計算 SST傾向和 SST場, 最終將有效地改進 SST的模擬和預報。這一創(chuàng)新性的方法已成功用于ICM和HCM中(Zhanget al, 2003, 2005b,2006; Zhuet al, 2013)。

Te′參數(shù)化方案的具體構建過程如下: 首先, 觀測的風場驅(qū)動海洋動力模式從1960年積分到1998年,得到包括 SL場在內(nèi)的各海洋要素場(氣候平均場和年際異常場等); 然后, 從觀測資料可以得到 SST傾向場[方程(1)左邊]和其氣候態(tài)場等, 于是根據(jù)方程(1)就可以反算得到 1960至 1998年間的Te′場; 最后, 因在熱帶太平洋中, 次表層溫度擾動主要是溫躍層變動所致(即Te′與SL間關系極好！), 因此用EOF方法從1960—1998年歷史資料中構建出Te′和SL間的經(jīng)驗關系[可表示為Te′=αTe?FTe(SLinter), 其中αTe是表征次表層熱力強迫大小的可調(diào)系數(shù)], 這里選取了EOF的前五個模態(tài)。當然也可用其它不同歷史時期構建Te-SLinter之間的關系, 用于研究它們對ENSO的影響等(Zhanget al, 2005a)。

1.3　表征年際風應力異常的統(tǒng)計大氣模塊

IOCAS ICM模式中的大氣風應力模塊同樣采用一個經(jīng)驗統(tǒng)計模型, 考慮了風應力τ對SST異常的經(jīng)驗反饋響應[可表示為:τ=ατ?Fτ(SSTinter), 其中ατ表示風場動力強迫大小的一種度量]。同樣, 這一響應關系用觀測的月平均 SST和風應力的時間序列計算的SVD協(xié)方差矩陣進行構造, 這里采用 SST異常和經(jīng)向、緯向風應力異常間協(xié)方差的聯(lián)合SVD分析(Zhanget al, 2003)。根據(jù)這種經(jīng)驗統(tǒng)計模型得到的統(tǒng)計風應力模式依賴風場的季節(jié)變化。應用SVD方法, 將模擬出的 SST異常投影到構造的τ-SSTinter模態(tài)中的SST部分, 然后估計出相關的風應力異常以驅(qū)動海洋模式。

1.4　耦合過程

圖2表示模式異常變量間交換的耦合系統(tǒng)。在每一個時間積分步(4800s/步), 首先由 SST方程模擬得到SST異常場, 應用大氣風應力模式, 根據(jù)所得SST異常來確定風應力異常; 其次用所得到的風應力場驅(qū)動動力海洋模式, 得到 SL異常、相關的混合層流場和混合層底異常的垂向流速; 然后應用Te模式, 用模擬得到的 SL異常估算出Te異常場; 最后, 根據(jù)方程(1)計算 SST異常。重復上述過程即可模擬出大氣風場和海洋場的年際變化等。耦合系統(tǒng)中大氣τ和海洋SST間的信號每天交換一次; 同樣, 用于SST距平模式的Te異常場每天由SL異常更新一次。注意, 模式的每個時間積分步中, 年際 SST異常直接由 SST距平模式產(chǎn)生。ICM的初始化在強加的8個月西風異常驅(qū)動下產(chǎn)生, 其后模式中異常條件的發(fā)展僅由系統(tǒng)中耦合的海氣相互作用決定。

在這個耦合系統(tǒng)中, 兩個顯著的強迫場(海洋模式中的τ及SST距平模式中的Te)都是由SVD或EOF方法確定的, 計算所得到的Te和τ的振幅可進一步由耦合系數(shù)(ατ和αTe)重新調(diào)整。先前的數(shù)值模式研究表明, 耦合系統(tǒng)對耦合系數(shù)的大小十分敏感, 即可引入一個可調(diào)的常參數(shù)以合理表征大氣模式中的風應力異常的強度(ατ); 同樣基于統(tǒng)計方法的Te距平模式中的Te異常可以乘上一個常參數(shù)(αTe)。基于ICM采用不同參數(shù)值的敏感性試驗表明, 當ατ=1.0和αTe=1.0時, 模式產(chǎn)生的耦合振蕩非常強; 當ατ=0.87和αTe=1.0時, 模式可產(chǎn)生合理的準4年周期振蕩的年際變化; 當ατ和αTe減小時, 模式產(chǎn)生的振蕩衰減, 但振蕩周期幾乎沒有改變。

1.5　實時預報過程

IOCAS ICM可真實地再現(xiàn)SST年際變化的空間結構和時間演變, 這為熱帶太平洋 SST的實時預報提供了基礎。目前利用IOCAS ICM進行實時預報的過程如圖3所示(Zhanget al, 2016b)。采用簡單的初始化方法: 僅利用觀測到的 SST異常進行預報初始化(Zhanget al, 2013)。在進行實時預報試驗時, 通常在每個月的月中進行, 這時上個月月平均的 SST場和當前月第一周周平均的 SST場可由美國國家海洋和大氣管理局環(huán)境模擬中心(NOAA/EMC)得到(Reynoldset al, 2002)。以2015年1月1日的預報為例, 首先, 采用線性插值的方法將觀測的1982年1月到2014年12月的月平均SST的歷史數(shù)據(jù)以及2015年1月第1周的SST數(shù)據(jù)進行插值, 形成一個與模式網(wǎng)格點一致的連續(xù)的每日SST場; 然后, 年際的風應力異常場作為對觀測的 SST異常的響應由經(jīng)驗模式算出; 其次, 獲得的年際風應力異常場更新至 2015年1月, 用來驅(qū)動海洋模式產(chǎn)生每個月第一天的初始海洋狀態(tài)(如2015年1月1日); 最后, 利用2015年1月1日的初始條件基于IOCAS ICM進行預報。注意,IOCAS ICM是一個直接產(chǎn)生年際SST異常的距平模式, 對 ICM 產(chǎn)生的異常場無任何修正和調(diào)整。自從2003年起, 此ICM用于對熱帶太平洋SST狀態(tài)進行提前12個月預報, 實時預報結果定期發(fā)布在IRI網(wǎng)站上。

圖3　IOCAS ICM實時預報示意圖Fig.3 The schematic diagram showing the real-time prediction system

1.6　觀測和模擬所需數(shù)據(jù)與分析過程

觀測和模擬得到的不同資料用來構造τ和Te兩個經(jīng)驗模式以及對模式的模擬效果進行驗證。觀測的SST資料來自Reynolds等(1994); 月平均的風應力數(shù)據(jù)來自美國國家環(huán)境預報中心和美國國家大氣研究中心(NCEP/NCAR)聯(lián)合推出的再分析資料; 此外,熱帶太平洋海氣狀態(tài)的實時演變可以直接在熱帶大氣海洋計劃(TAO)實時數(shù)據(jù)觀測網(wǎng)站上在線獲得(http://www.pmel.noaa.gov/tao/)。用于構造基于 SVD的τ模式的風應力異常資料是ECHAM4.5 AMIP運行的24組集合平均的結果, 每一組都由1950—1999年觀測的 SST異常資料強迫獲得。采用集合平均的資料是為了強化大氣對外部 SST異常的響應信號, 減弱大氣噪聲對熱帶耦合系統(tǒng)的影響。SL異常和海流異常歷史資料由 NCEP/NCAR再分析的年際風應力異常驅(qū)動單獨的海洋模式模擬產(chǎn)生(1962—1999年);氣候態(tài)平均的海流場同樣由 NCEP/NCAR再分析的氣候平均風應力驅(qū)動單獨的海洋模式模擬所得。年際的Te異常場由 SST距平方程反算出來: 首先, 用NCEP/NCAR再分析的氣候態(tài)風應力驅(qū)動動力海洋模式來獲得平均流場; 然后, 用NCEP/NCAR再分析的異常風應力驅(qū)動海洋模式, 以獲得海洋流場和壓力場等的年際異常; 最后用 Reynold等(1994)的觀測的SST場和SST傾向場、及模擬的平均流和異常流,通過SST距平方程反算估計出Te異常場。

這些觀測和模式模擬得到的異常場用于構建Te和τ兩個經(jīng)驗模式(1963—1996年間的 34年數(shù)據(jù))。大氣和海洋的季節(jié)變化對El Ni?o事件起源發(fā)展的影響非常重要, 因此, 構造的Te和τ模式是依賴季節(jié)變化的, 分別對每個月(總共 34個樣本)的資料進行EOF或SVD分解, 從而兩個模式都分別包括了12個不同的子模式, 每個月對應一個模式。此外, 模式的效果還依靠其他因素, 如保留的 EOF(SVD)模態(tài)的截斷模數(shù)等。鑒于對EOF(SVD)主成分的考慮和重構振幅的合理性的試驗, 最終保留前5個EOF(SVD)模態(tài)(Zhanget al, 2005)。

2　對于2017—2018年赤道太平洋海表溫度的預報試驗

2015年年末, 熱帶太平洋經(jīng)歷了一次強El Ni?o事件, 隨后 2016年年末赤道太平洋轉(zhuǎn)為冷異常態(tài)。于是, 關于 2017年赤道太平洋海表溫度的變化早早就受到了學者和公眾的關注。ENSO現(xiàn)象具有多樣性和多變性, 其發(fā)展演變過程非常復雜, 加之春季預報障礙現(xiàn)象的存在, 因此, 對ENSO預報準確性的挑戰(zhàn)更為嚴峻。目前IOCAS ICM和其他海氣耦合模式的最新預報結果(以2017年9月為初條件)表明, 2017年年末熱帶太平洋會處于一個 SST冷異常態(tài), 但并不足以達到拉尼娜(La Ni?a)事件水平, SST冷異常可能會在2018年春季逐漸減弱, 轉(zhuǎn)化為中性狀態(tài)。

2.1　各模式預報結果

美國哥倫比亞大學國際氣候研究所(IRI)集成了多個模式對于ENSO實時預報的結果, 定期給出ENSO實時預報并進行集成分析, 其中包括18個動力模式和6個統(tǒng)計模式。IOCAS ICM的預報結果亦在其中。圖4給出了不同模式從2017年9月預報得到的 2017—2018年 Ni?o3.4區(qū) SST異常的時間序列, 由圖可見, 各個模式對 ENSO預報存在很大的差異, 其振幅相差很大, 隨著預報時效的延長,模式間的差異逐步加大。大部分模式的預報結果表明2017年年末熱帶太平洋會處于一個SST冷異常態(tài), 但是不同模式對變冷強度的預報存在很大的差異, 對這次事件的強度預報還存在很大的不確定性。

圖4　不同模式(彩線; 包括IOCAS ICM)從2017年9月預報得到的2017—2018年Ni?o3.4區(qū)海表溫度異常的時間序列Fig.4 The Ni?o 3.4 sea surface temperature (SST) anomalies in 2017—2018 predicted (colored lines) in mid-Sep 2017 using different models, including the IOCAS ICM

從圖 1有關歷史實時預報結果可以看出, 耦合動力模式的預報效果要優(yōu)于統(tǒng)計模式。為了便于定量比較預報結果, 表1給出了不同耦合模式從2017年9月起預報得到的2017—2018年Ni?o3.4區(qū)三個月滑動平均的SST異常值, 其中包括IOCAS ICM。大多數(shù)動力模式在一定程度上都利用了觀測資料來進行預報初始化, 即便如此, 預報時效卻存在明顯差異, 并且各個模式預報的SST異常在幾個月后就相差很大了。所有的動力模式的預報均顯示 2017年年末熱帶太平洋會處于一個SST冷異常態(tài), 但是變冷的強度存在一定差異。從動力模式預報結果的平均值來看, 2017年年末將有可能會發(fā)生一次La Ni?a事件, 但強度很弱。

2.2　IOCAS ICM預報結果

IOCAS ICM的實時預報結果在圖1、圖4及表1中清晰可見。從歷史的實時預報試驗來看, IOCAS ICM合理地抓住了2015—2016年El Ni?o事件變冷和變暖的趨勢。例如, IOCAS ICM并沒有像其他模式一樣, 將2014年預報成一個強El Ni?o事件; 并且很好地刻畫出從2015年夏季開始并在2015年夏季期間進一步增強的赤道東太平洋區(qū)域 SST的變暖; 此外,還成功預報出赤道太平洋SST于2016年轉(zhuǎn)為冷異常的過程。同樣, IOCAS ICM和其他預報模式一樣, 也存在一定的不確定性, 例如預報強度等存在偏差。從未來的實時預報角度來看, IOCAS ICM對2017年年末赤道太平洋海表溫度預報為冷異常態(tài), 并且變冷的強度趨于各個模式預報的平均值。

為了更詳細地說明 IOCAS ICM 對 2017—2018年赤道太平洋海表溫度時空發(fā)展演變的預報結果,圖5給出了IOCAS ICM從2017年9月的初始條件預報得到的SST、緯向風應力和海表高度異常沿赤道的緯圈-時間分布。相關的水平分布如圖6所示, 給出了不同階段海表溫度及風應力的空間分布特征。IOCAS ICM的預報表明, 2017年年末熱帶太平洋會處于一個SST冷異常態(tài), 最大變冷區(qū)域主要集中在赤道東太平洋, 并于2017年年末達到頂峰, 從Ni?o3.4區(qū)海表溫度異常指數(shù)來看, 這一變冷的程度不足以達到拉尼娜(La Ni?a)事件水平; SST冷異常可能會在2018年春季逐漸減弱, 轉(zhuǎn)化為中性狀態(tài)。

表1　不同動力耦合模式(包括IOCAS ICM)預報得到的2017—2018年Ni?o3.4區(qū)海表溫度異常值(單位: °C)Tab.1 The Ni?o 3.4 sea surface temperature (SST) anomalies in 2017—2018 predicted using different dynamical coupled models,including the IOCAS ICM

3　IOCAS ICM的改進和應用

IOCAS ICM為ENSO的理論研究及實時預報提供了模式工具和模擬平臺。近年來, 基于IOCAS ICM既進一步深化了對ENSO理論的認知, 為模式改進提供了理論依據(jù), 又擴展了模式的應用, 將四維變分(4D-Var)資料同化方法及條件非線性最優(yōu)擾動方法(CNOP; Muet al, 2003, 2010)等引入到IOCAS ICM中,開展了ENSO可預報性及預報改進的研究。

3.1　IOCAS ICM與4D-Var方法相結合

資料同化是改進數(shù)值模擬和預報的有效方法,它通過優(yōu)化模式解和觀測信息間的融合, 為模式提供一個最優(yōu)的初始場, 從而提高模式對ENSO的模擬和預報水平。4D-Var作為一種先進的資料同化方法,具有堅實的數(shù)理基礎, 將求解初始場問題轉(zhuǎn)化為以模式動力約束為條件的目標函數(shù)的極小化問題, 它利用最優(yōu)控制原理, 通過調(diào)整控制變量, 使得在給定的同化時間窗口中由控制變量得到的模式模擬結果與實際觀測資料之間的偏差達到最小, 從而得到一個數(shù)學上和動力學上與模式更為協(xié)調(diào)的最優(yōu)初始分析場。

圖5　IOCAS ICM從2017年9月的初始條件預報得到的海表溫度(a)、緯向風應力(b)和海表高度異常(c)沿赤道的緯圈-時間分布Fig.5 Zonal-time sections along the equator for anomalies of sea surface temperature (a), zonal wind stress (b), and sea level (c),predicted using the IOCAS ICM from the initial conditions on 1 Sep 2017

圖6　IOCAS ICM從2017年9月的初始條件預報得到的海表溫度和風應力(矢量)的水平分布Fig.6 Horizontal distributions of sea surface temperature (SST) anomalies (contours) and wind stress anomalies (vectors) predicted using the IOCAS ICM from initial conditions on 1 Sep 2017

我們已將4D-Var方法成功地引入到IOCAS ICM中, 開發(fā)了與ICM相應的切線性模式和伴隨模式, 并設計了最優(yōu)化方案; 對伴隨模式和最優(yōu)化方案的精確性進行了嚴格檢驗; 最終成功建立了一個基于IOCAS ICM的4D-Var資料同化系統(tǒng), 并通過一系列敏感性試驗, 完成對該模式和 4D-Var而言最佳的同化參數(shù)設置、組合等調(diào)試工作。此外, 基于已建成的IOCAS ICM的4D-Var同化系統(tǒng)在理想情景下進行了海表溫度(SST)資料同化試驗, 以得到最優(yōu)初始場來改進ENSO模擬和預報(Gaoet al, 2016)。影響模式預報的因素很多, 除了初條件的不確定性外, 模式參數(shù)同樣會導致較大的預報誤差。于是, 我們將 4D-Var方法擴展至優(yōu)化對 ENSO 有重要影響的關鍵模式參數(shù), 如αTe等,在最優(yōu)初始化的基礎上進一步優(yōu)化模式參數(shù), 從而更為有效地改進ENSO實時預報水平(Gaoet al, 2017b)。

通過 4D-Var方法將觀測的 SST資料同化到IOCAS ICM的試驗中, 同化模擬將1990年1月1日—2015年12月31日的每天的SST觀測資料于每月1日同化到模式中, 同化時間窗口為每月的天數(shù), 同化周期為26年。例如, 模式從1990年1月1日開始積分, 將 31天的觀測的 SST(1990年 1月 1日—31日)同化到模式中, 得到1990年1月1日的最優(yōu)初始條件后, 自由積分模式, 至 1990年 2月 1日, 將 28天的觀測的SST(1990年2月1日—28日)同化到模式中, 得到1990年2月1日的最優(yōu)初始條件后, 再自由積分; 以此類推, 直至2015年12月1日, 共計同化26×12=312次。結果表明, 相較于未同化的試驗(直接用觀測的風應力異常驅(qū)動單獨的海洋模式; 圖 7b)而言, 同化試驗(圖7c)模擬得到的SST異常沿赤道的緯圈-時間分布與觀測(圖 7a)更為一致。盡管用觀測的風應力異常直接驅(qū)動, ICM可以很好地模擬出與觀測相似的ENSO基本特征, 但通過 4D-Var方法進行同化可有效提高模式對ENSO的模擬水平。如對冷暖位相振幅的模擬更為合理, 在一定程度上改善了IOCAS ICM 對 ENSO事件模擬的系統(tǒng)性偏冷現(xiàn)象;又如能夠更為準確地模擬出 SST異常時間演變的微小變化特征等。這樣, 通過同化所得到的SST初條件的誤差要小于未同化的試驗, 可為ENSO預報提供更準確的初始條件。

圖7　觀測(a)、未同化(b)和同化(c)模擬得到的海表溫度異常在1990年1月—2015年12月間沿赤道的緯圈-時間分布Fig.7 Zonal-time sections along the equator for sea surface temperature (SST) anomalies of Observation(a) and simulation by Non-assimilation (b) and Assimilation (c) from Jan. 1990 to Dec.2015

3.2　IOCAS ICM與CNOP方法相結合

ENSO的可預報性主要存在兩類問題, 一是初始誤差隨預報時間的增長, 二是模式誤差對ENSO預報的不確定性。為了考察非線性對誤差增長的影響, Mu等(2003)提出了條件非線性最優(yōu)擾動方法, 隨后推廣至模式參數(shù)誤差與擾動誤差發(fā)展的關系(Muet al,2010)。CNOP方法是一種優(yōu)化方法, 利用這種方法可以找到滿足某一約束條件的最優(yōu)擾動, 這一擾動可以在預報時刻使得目標函數(shù)達到最大。目前, CNOP方法被廣泛應用于 ENSO可預報性研究及目標觀測等方面。

我們利用 4D-Var中的伴隨模式為基礎, 成功將CNOP方法引入到IOCAS ICM中, 揭示了模式中造成對 El Ni?o預報最大不確定性的最優(yōu)初始誤差(CNOP-I)的時空特征, 指出SST和SL的CNOP-I空間結構與預報初始時刻所在季節(jié)有關(圖 8)。這些初始場誤差會產(chǎn)生類似 Bjerknes正反饋機制以及溫躍層反饋機制, 從而產(chǎn)生類似La Ni?a模態(tài)的誤差演變過程。考慮CNOP-I引起的季節(jié)性誤差增長, 表現(xiàn)出較強的春季預報障礙現(xiàn)象(SPB)。針對 CNOP-I誤差極值的局地性特征, 揭示了IOCAS ICM對ENSO預報的敏感區(qū)主要集中在中西太平洋表層以及東太平洋次表層, 這為目標觀測提供了理論指導(Taoet al,2017)。特別是, 考慮隨季節(jié)變化的CNOP-I空間結構,因此建議采用隨季節(jié)變化的適應性觀測來改善預報模式的初始場, 這樣會更有效提高模式對El Ni?o的預報能力, 并能有效減弱春季預報障礙現(xiàn)象。

將CNOP方法與IOCAS ICM相結合, 可確定初始誤差最快增長區(qū)域和其與觀測資料空間分布間的相互關聯(lián), 識別初始場的敏感區(qū)域(即目標觀測); 還可研究模式參數(shù)敏感性問題, 尋求模式參數(shù)的最優(yōu)組合條件; 并且可通過誤差訂正方法有效改進 IOCAS ICM 對 2015年 El Ni?o事件的回報(Zhanget al,2017b)。

圖8　CNOP型初始誤差空間分布: 海表溫度異常(a—d),海表高度異常(e—h)Fig.8 Horizontal distributions of CNOP-type initial errors for SSTA (a—d) and SLA(e—h)

4　結論

以中國科學院海洋研究所冠名的中等復雜程度海氣耦合模式(IOCAS ICM), 每月定期進行ENSO實時預報, 其結果目前收錄于美國哥倫比亞大學國際氣候研究所(IRI), 以作進一步的集成分析和應用(詳情請見: http://iri.columbia.edu/our-expertise/climate/forecasts/enso/current/), 這是首個以我國國內(nèi)機構命名的海氣耦合模式為國際學術界提供 ENSO實時預報結果。IOCAS ICM為ENSO分析和預報打造了一個創(chuàng)新的模式平臺, 該模式性能優(yōu)良, 能準確預報出2014—2016年El Ni?o事件的發(fā)展演變過程(Zhanget al, 2016b), 并揭示了2015年El Ni?o事件二次變暖的物理過程(Zhanget al, 2017a); 揭示了次表層上卷到混合層海水溫度(Te)場在 ENSO循環(huán)中的重要作用,提出了 ENSO事件起源的一個新機制(Zhanget al,2016a); 闡明了大氣風場強迫和次表層熱力強迫在2010—2012年La Ni?a事件的二次變冷現(xiàn)象中起同等重要的作用(Gaoet al, 2017a), 為改進ENSO預報提供理論依據(jù)。

IOCAS ICM和其他海氣耦合模式的最新預報結果(以2017年9月為初條件)表明, 2017年年末熱帶太平洋會處于一個 SST冷異常態(tài), 最大冷異常中心主要集中在赤道東太平洋。從Ni?o3.4區(qū)海表溫度異常指數(shù)來看, 這一變冷的趨勢并不足以達到拉尼娜(La Ni?a)事件水平, SST冷異常可能會在2018年春季逐漸減弱, 轉(zhuǎn)化為中性狀態(tài)。

目前我們已將 4D-Var資料同化方法引入到IOCAS ICM 中, 成功建立了基于 IOCAS ICM 的4D-Var同化系統(tǒng), 有效改善了模式對ENSO的模擬和預報效果; 并且將條件非線性最優(yōu)擾動(CNOP)方法應用到IOCAS ICM中, 確定初始誤差最快增長區(qū)域和其與觀測資料空間分布間的相互關聯(lián), 識別初始場的敏感區(qū)域(即目標觀測), 通過誤差訂正方法有效改進IOCAS ICM對2015年El Ni?o事件的回報。

未來將進一步完善基于 IOCAS ICM 的 4D-Var資料同化系統(tǒng), 考慮多變量同化以及耦合同化等, 切實提高 IOCAS ICM 的實時預報水平; 并且基于4D-Var同化技術, 考察 CNOP相關的目標觀測試驗對ENSO實時預報技巧的改善效果, 將二者結合進行有效的同化, 為預報提供更為協(xié)調(diào)一致的初始場, 進而更為有效地改進ENSO預報; 此外, 將集合卡爾曼濾波(EnKF)方法引入到IOCAS ICM中, 開展集合預報試驗, 與 4D-Var同化方法相比較, 給出最佳的同化方案以改進ENSO實時預報。

由于 ENSO過程復雜多變, 受多種因素的影響,因此, 我們將不斷地對IOCAS ICM進行改進。如將進一步擴充IOCAS ICM的區(qū)域至包括印度洋和大西洋在內(nèi)的整個熱帶海區(qū), 綜合考慮印度洋海氣過程對ENSO事件的影響; 將鹽度效應和海氣界面淡水通量強迫作用引入到 ICM中, 以表征其對 ENSO動力過程和預報的重要影響; 將隨機風場(如西風爆發(fā)事件WWBs)強迫作用引入到ICM中, 以考慮大氣隨機過程對ENSO的影響, 等等, 從而提高模式對ENSO的實時預報水平。

丁一匯, 王遵婭, 宋亞芳等, 2008. 中國南方2008年1月罕見低溫雨雪冰凍災害發(fā)生的原因及其與氣候變暖的關系.氣象學報, 66(5): 808—825

任宏利, 劉 穎, 左金清等, 2016. 國家氣候中心新一代ENSO預測系統(tǒng)及其對2014/2016年超強厄爾尼諾事件的預測. 氣象, 42(5): 521—531

劉屹岷, 劉伯奇, 任榮彩等, 2016. 當前重大厄爾尼諾事件對我國春夏氣候的影響. 中國科學院院刊, 31(2): 241—250

李崇銀, 穆 穆, 周廣慶等, 2008. ENSO 機理及其預測研究.大氣科學, 32(4): 761—781

鄭 飛, 朱 江, 張榮華等, 2016. 2015年超級厄爾尼諾事件的成功預報. 中國科學院院刊, 31(2): 251—257

巢紀平, 袁紹宇, 2003. 熱帶印度洋和太平洋海氣相互作用事件間的聯(lián)系. 自然科學進展, 13(12): 1280—1285

黃榮輝, 徐予紅, 王鵬飛等, 1998. 1998年夏長江流域特大洪澇特征及其成因探討. 氣候與環(huán)境研究, 3(4): 300—313

Bjerknes J, 1969. Atmospheric teleconnections from the equatorial pacific. Monthly Weather Review, 97(3):163—172

Chen D K, Zebiak S E, Busalacchi A Jet al, 1995. An improved procedure for El Ni?o forecasting: Implications for predictability. Science, 269(5231): 1699—1702

Chen D K, Cane M A, Kaplan Aet al, 2004. Predictability of El Ni?o over the past 148 years. Nature, 428(6984): 733—736

Gao C, Wu X R, Zhang R H, 2016. Testing a four-dimensional variational data assimilation method using an improved intermediate coupled model for ENSO analysis and prediction. Advances in Atmospheric Sciences, 33(7):875—888

Gao C, Zhang R H, 2017a. The roles of atmospheric wind and entrained water temperature (Te) in the second-year cooling of the 2010-12 La Ni?a event. Climate Dynamics, 48(1—2):597—617

Gao C, Zhang R H, Wu X Ret al, 2017b. Idealized experiments for optimizing model parameters using a 4D-Variational method in an intermediate coupled model of ENSO.Advances in Atmospheric Sciences, http://dx.doi.org/10.1007/s 00376-017-7109-z

Keenlyside N, Kleeman R, 2002. Annual cycle of equatorial zonal currents in the Pacific. Journal of Geophysical Research: Oceans, 107(C8): 8-1—8-13

Levitus S, 1982. Climatological atlas of the World Ocean. NOAA Prof. Pap. 13, Washington, D. C.: U. S. Government Printing Office, 173

McCreary J P, 1981. A linear stratified ocean model of the equatorial undercurrent. Philosophical Transactions of the Royal Society A: Mathematical, Physical and Engineering Sciences, 298(1444): 603—635

Mu M, Duan W A, Wang J C, 2002. The predictability problems in numerical weather and climate prediction. Advances in Atmospheric Sciences, 19(2): 191—204

Mu M, Duan W S, Wang B, 2003. Conditional nonlinear optimal perturbation and its applications. Nonlinear Processes in Geophysics, 10(6): 493—501

Mu M, Duan W, Wang Qet al, 2010. An extension of conditional nonlinear optimal perturbation approach and its applications.Nonlinear Processes in Geophysics, 17(2): 211—220

Philander S G H, Pacanowski R C, Lau N Cet al, 1992.Simulation of ENSO with a global atmospheric GCM coupled to a high-resolution, tropical Pacific Ocean GCM.Journal of Climate, 5(4): 308—329

Reynolds R W, Smith T M, 1994. Improved global sea surface temperature analyses using optimum interpolation. Journal of Climate, 7(6): 929—948

Reynolds R W, Rayner N A, Smith T Met al, 2002. An improvedin situand satellite SST analysis for climate. Journal of Climate, 15(13): 1609—1625

Tao L J, Zhang R H, Gao C, 2017. Initial error-induced optimal perturbations in ENSO predictions, as derived from an intermediate coupled model. Advances in Atmospheric Sciences, 34(6): 791—803

Zhang R H, Zebiak S E, Kleeman Ret al, 2003. A new intermediate coupled model for El Ni?o simulation and prediction. Geophysical Research Letters, 30(19): OCE 5-1—OCE 5-4

Zhang R H, Busalacchi A J, 2005a. Interdecadal change in properties of El Ni?o-Southern Oscillation in an intermediate coupled model. Journal of Climate, 18(9):1369—1380

Zhang R H, Zebiak S E, Kleeman Ret al, 2005b. Retrospective El Ni?o forecasts using an improved intermediate coupled model. Monthly Weather Review, 133(9): 2777—2802

Zhang R H, DeWitt D G, 2006. Response of tropical Pacific interannual variability to decadal entrainment temperature change in a hybrid coupled model. Geophysical Research Letters, 33(8): L08611

Zhang R H, Zheng F, Zhu Jet al, 2013. A successful real-time forecast of the 2010-11 La Ni?a event. Scientific Reports, 3:1108, http://dx.doi.org/10.1038/srep01108

Zhang R H, Gao C, Kang X Bet al, 2015. ENSO modulations due to interannual variability of freshwater forcing and ocean biology-induced heating in the tropical Pacific.Scientific Reports, 5: 18506, http://dx.doi.org/10.1038/srep18506

Zhang R H, Gao C, 2016a. Role of subsurface entrainment temperature (Te) in the onset of El Ni?o events, as represented in an intermediate coupled model. Climate Dynamics, 46(5—6): 1417—1435

Zhang R H, Gao C, 2016b. The IOCAS intermediate coupled model (IOCAS ICM) and its real-time predictions of the 2015-16 El Ni?o event. Science Bulletin, 61(13):1061—1070

Zhang R H, Gao C, 2017a. Processes involved in the second-year warming of the 2015 El Ni?o event as derived from an intermediate ocean model. Science China Earth Sciences,60(9): 1601—1613, http://dx.doi.org/10.1007/s11430-016-0201-9

Zhang R H, Tao L J, Gao C, 2017b. An improved simulation of the 2015 El Ni?o event by optimally correcting the initial conditions and model parameters in an intermediate coupled model. Climate Dynamics, 10(6): 1196, http://dx.doi.org/10.1007/s00382-017-3919-z

Zhu J S, Zhou G, Zhang R Het al, 2013. Improving ENSO prediction in a hybrid coupled Model with an embedded entrainment temperature parameterisation. International Journal of Climatology, 33(2): 343—355