海洋资料同化对气候季节-年际预测技巧及初始场的影响试验

P732.4%P714; 集合卡尔曼滤波(Ensemble Kalman filter,EnKF)是一种国内外广泛使用的海洋资料同化方案,用集合成员的状态集合表征模式的背景误差协方差,结合观测误差协方差,计算卡尔曼增益矩阵,有效地将观测信息添加到模式初始场中.由于季节、年际预测很大程度上受到初始场的影响,因此资料同化可以提高模式的预测性能.本文在NUIST-CFS1.0预测系统逐日SST nudging的初始化方案上,利用EnKF在每个月末将全场(full field)海表温度(sea surface temperature,SST)、温盐廓线(in-situ temperature and salinity profiles,T-S profiles)以及卫星观测海平面高度异常(sea level anomalies,SLA)观测资料同化到模式初始场中,对比分析了无海洋资料同化以及加入同化后初始场的区别、加入海洋资料同化后模式提前1～24个月预测性能的差异以及对于厄尔尼诺-南方涛动(El Ni?o–southern oscillation,ENSO)预测技巧的影响.结果表明,加入海洋资料同化能有效地改进初始场,并且呈现随深度增加初始场改进越显著的特征.加入同化后,对全球SST、次表层海水温度的平均预测技巧均有一定的提高,也表现出随深度增加预测技巧改进越明显的特征.但加入海洋资料同化后,模式对ENSO的预测技巧有所下降,可能是由于模式误差的存在,使得同化后的预测初始场从接近观测的状态又逐渐恢复到与模式动力相匹配的状态,加剧了赤道太平洋冷舌偏西、中东部偏暖的气候平均态漂移.