黃佳 張召儒 王小喬

研究論文

四套高分辨率再分析海洋-海冰資料在羅斯海和阿蒙森海的評估

黃佳 張召儒 王小喬

(上海交通大學(xué)海洋學(xué)院, 上海 200030)

通過與海冰和水文觀測數(shù)據(jù)的對比, 本研究對GLORYS2v4、ORAP5、C-GLORS和UR025.4四套全球海洋-海冰再分析資料在羅斯海和阿蒙森海進(jìn)行了評估。評估要素包括氣候態(tài)的海冰密集度、海冰厚度、表層溫度、表層鹽度、溫鹽垂直剖面以及混合層深度。結(jié)果表明, 在不同要素的模擬上, 同一套再分析資料的模擬表現(xiàn)并無一致性; 在不同海域, 同一套再分析資料模擬的表現(xiàn)也不一致?？傮w來講, UR025.4在研究區(qū)域的海冰場模擬方面與觀測更加一致, C-GLORS與觀測差異較大。在水文模擬方面, 表層C-GLORS在結(jié)冰季節(jié)與WOA13資料差異較小, ORAP5與觀測的偏差較大; 700 m以下各產(chǎn)品與觀測水文數(shù)據(jù)較為吻合, 在次表層再分析資料中沒有模擬明顯占優(yōu)的產(chǎn)品, 多模式平均資料能夠在一定程度上減少再分析數(shù)據(jù)與觀測數(shù)據(jù)間的差異。

海洋–海冰 再分析資料 海冰 水文 混合層深度 羅斯海 阿蒙森海

0 引言

羅斯海(Ross Sea, 圖1)和阿蒙森海(Amun-dsen Sea, 圖1)是西南極區(qū)域兩個(gè)重要的邊緣海, 也是近年來我國南極考察重點(diǎn)關(guān)注的海域[1-3]。羅斯海與阿蒙森海也是南極海冰和海洋水文特征受氣候變化影響最為劇烈的區(qū)域[4-6], 同時(shí)其內(nèi)部的海洋動(dòng)力過程、海洋-海冰-冰架相互作用和南極底層水形成過程也對南極海洋生態(tài)系統(tǒng)、全球熱鹽環(huán)流和氣候變化具有顯著的影響[7-9], 是目前南極海洋科學(xué)和極地氣候變化過程關(guān)注的焦點(diǎn)海域。

近年來, 全球海洋-海冰再分析資料相繼出現(xiàn), 且隨著其空間分辨率的逐漸增加, 為利用這些數(shù)據(jù)開展極地區(qū)域海洋與海冰過程的研究提供了可能[10]。此外, 很多區(qū)域性極地海洋-海冰數(shù)值模式的建立也依賴于再分析資料提供邊界條件和初始條件[11-13], 因此對這些資料模擬的極地海洋和海冰場進(jìn)行對比和評估具有重要意義, 且有助于對再分析資料所利用的海洋-海冰數(shù)值模式(包括參數(shù)化方案和數(shù)據(jù)同化方案)進(jìn)行改進(jìn)。目前, 越來越多的再分析資料將對極地海洋和海冰過程的模擬納入其評估體系當(dāng)中[14-15], 同時(shí)開展了以極地作為重點(diǎn)分析區(qū)域的再分析數(shù)據(jù)對比研究[10,16-17]。Uotila等[18]專門評估了10套全球海洋-海冰再分析資料在南北極海冰季節(jié)變化、水文特征、混合層深度(Mixed Layer Depth, MLD)、海洋環(huán)流和熱量輸運(yùn)等方面的表現(xiàn), 為這些資料在極地區(qū)域的應(yīng)用提供了重要的背景信息。但是, 海洋和海冰過程在極地海區(qū)存在較大的空間變化, 再分析資料在不同區(qū)域的表現(xiàn)也會(huì)有所不同, 對這些資料開展在極地的區(qū)域性評估將能夠?yàn)椴煌^(qū)的研究提供更有針對性的參考數(shù)據(jù)。本研究選取了空間分辨率相對較高的四套全球海洋-海冰再分析資料, 利用不同類型的觀測數(shù)據(jù)對比分析了其在羅斯海和阿蒙森海區(qū)域在海冰密集度、海冰厚度、水文和混合層深度等參數(shù)上的模擬表現(xiàn), 為兩個(gè)海域未來直接或間接利用再分析資料的研究提供客觀的評估結(jié)果。

圖1 南極及其邊緣海

Fig.1. Map of Antarctica and the marginal seas

1 數(shù)據(jù)與方法

1.1 再分析資料

本研究所用到的四套再分析數(shù)據(jù)包括麥卡托海洋中心(Mercator Ocean)的GLORYS2v4[19](Global Ocean Reanalysis and Simulations 2), 歐洲中期天氣預(yù)報(bào)中心(European Center for Medium- Range Weather Forecasts, ECMWF)的ORAP5[14,20](Ocean ReAnalysis Pilot 5), 雷丁大學(xué)(University of Reading)的UR025.4[21]和歐洲地中海氣候變化中心(Euro-Mediterranean Center for Climate Change, CMCC)的C-GLORS[15](Global Ocean Reanalysis System)。這些資料的水平空間分辨率都接近0.25°, 在全球海洋-海冰再分析產(chǎn)品中具有較高分辨率。同時(shí)其模式的大氣驅(qū)動(dòng)場均為ERA-Interim, 能夠消除大氣強(qiáng)迫對海洋-海冰模式模擬的影響。本研究利用以上四套再分析資料的月數(shù)據(jù)開展分析。

四套再分析資料在模式配置和數(shù)據(jù)同化方案上存在差異。GLORYS2v4數(shù)據(jù)包含的時(shí)間范圍較短, 為1993—2015年。該產(chǎn)品基于NEMO3.2 (Nucleus for European Modelling of the Ocean)的海洋模型, 垂向分為75層[19]。它采用降階線性卡爾曼濾波(Reduced order Kalman Filtering)的方法同化海冰資料CERSAT(Centre European Remote sensing Satellites d’Archivage et de Traitement- French ERS Processing and Archiving Facility)。除了海表溫度同化資料為美國國家海洋和大氣管理局NOAA (National Oceanic and Atmospheric Administration)的AVHRR(Advanced Very High Resolution Radio-meter), 同化的其他海洋觀測數(shù)據(jù)為CMEMS (Copernicus Marine Environ-ment Monitoring Service), 采用的同化方法與海冰同化方法一致, 但對于溫度和鹽度的大尺度偏差采用3DVAR進(jìn)行修正。ORAP5涵蓋的時(shí)間范圍為1979—2012年, 采用NEMO3.4海洋模型, 垂向分為75層。同化的溫度和鹽度數(shù)據(jù)來自EN3v2a, 海冰數(shù)據(jù)來自O(shè)STIA(Operational Sea Surface Temperature and Sea Ice Analysis)和NOAA OIv2d(Optimal Interpolation Version 2d)的融合, 同化方法都為3DVAR[14]。UR025.4數(shù)據(jù)涵蓋時(shí)間為1989—2010年, 海洋模型為NEMO3.2, 垂向分層和同化的海洋數(shù)據(jù)與ORAP5一致, 海冰數(shù)據(jù)來自O(shè)SISAF(Ocean and Sea Ice Satellite Application Facility); 海洋和海冰的同化方法一樣, 為最優(yōu)插值[21](Optimum Interpolation, OI)。C-GLORS時(shí)間范圍為1982—2013年, 深度分為50層, 所用海洋模型與UR025.4一致, 溫度和鹽度數(shù)據(jù)的同化方案和數(shù)據(jù)與ORAP5一致, 海冰同化資料為NOAA OIv2d和PIOMAS(Pan-Arctic Ice Ocean Modeling and Assimilation System), 同化方法為牛頓松弛逼近[15](Nudging)。四套資料的海冰模式都基于Louvain-la-Neuve Ice Model (LIM2)。表1總結(jié)了各套數(shù)據(jù)的主要配置特點(diǎn)。

表1 四套再分析資料及其主要特征

1.2 觀測資料

本研究使用的海冰密集度觀測資料來自美國國家雪冰數(shù)據(jù)中心(National Snow and Ice Data Center, NSIDC)的被動(dòng)微波(passive microwave, PM)傳感器海冰密集度數(shù)據(jù)(Sea Ice Concen-trations from Nimbus-7 SMMR and DMSP SSM/I- SSMIS Passive Microwave Data)。該數(shù)據(jù)由NASA Team算法[15,22]處理過后的衛(wèi)星微波傳感器SSM/I (Special Sensor Microwave/Imagers)、SSMIS (Special Sensor Microwave Imager/Sounder)和SMMR(Nimbus-7 Scanning Multichannel Microwave Radiometer)數(shù)據(jù)融合而成。海冰厚度資料來自南極海冰過程與氣候計(jì)劃數(shù)據(jù)集ASPeCt(Antarctic sea ice processes and climate)[23]。該資料包含1980—2005年期間83次航行和2次直升機(jī)飛行測得的約23 000個(gè)數(shù)據(jù)。海冰厚度由船上專家目測估算所得, 因此很可能存在系統(tǒng)誤差: 船舶傾向于在稀薄的冰層中流通, 因此估算值可能偏向過薄, 另外由于測量方法較為簡單, 隨機(jī)測量誤差相對較大。因此, 基于ASPeCt的再分析產(chǎn)品評估會(huì)相對更保守, 以避免過于低估產(chǎn)品的真實(shí)性。本研究所用的海洋觀測數(shù)據(jù)來自美國國家海洋數(shù)據(jù)中心(National Oceanographic Data Center, NODC)海洋氣象實(shí)驗(yàn)室的海洋氣候態(tài)海洋數(shù)據(jù)集產(chǎn)品WOA13(World Ocean Atlas 2013)[24]。該產(chǎn)品提供逐月數(shù)據(jù), 水平分辨率為2.5°×2.5°, 垂直方向上涵蓋表層到1 500 m,包含57層。混合層觀測數(shù)據(jù)來自Pellichero等[25]基于溫度、鹽度和密度觀測資料的計(jì)算結(jié)果(observation-based climatology, OBS)。該產(chǎn)品采用了3套觀測資料, 包括NOAA的1906—2012年期間的CTD觀測數(shù)據(jù)、2002—2014年的Argo數(shù)據(jù)和2004年開始記錄的南極海豹傳感器數(shù)據(jù), 采用混合方法(hybrid method)處理密度剖面, 得到3個(gè)混合層深度特征相關(guān)的估計(jì)值, 分別是垂直密度梯度(MLD)、密度閾值(MLD)和由密度物理特征得到的混合層深度預(yù)設(shè)值(MLD), 結(jié)合這3種估計(jì)值計(jì)算得到最合理的混合層深度值MLD, 然后進(jìn)行篩選, 按照公式1去掉偏差過大的項(xiàng), 最后用最優(yōu)插值得到最終的混合層深度h觀測數(shù)據(jù)[26]。

1.3 海冰數(shù)據(jù)處理方法

海冰密集度的觀測資料和再分析資料都為逐月數(shù)據(jù), 我們基于所有年份的月數(shù)據(jù)計(jì)算得到南極夏季(12月、1月和2月)和冬季(6—8月)的氣候態(tài)數(shù)據(jù)。為了方便對比所有變量的評估結(jié)果, 我們按季節(jié)和海域, 對各套再分析數(shù)據(jù)計(jì)算了標(biāo)準(zhǔn)差、均方根誤差和相關(guān)系數(shù), 然后將結(jié)果展示在泰勒圖中。海冰厚度觀測資料ASPeCt沒有網(wǎng)格化, 且并非月數(shù)據(jù), 時(shí)間序列按每次測量的時(shí)間分布, 這使得冰厚的評估相對復(fù)雜。我們首先分別篩選出ASPeCt資料在羅斯海域和阿蒙森海域的數(shù)據(jù)點(diǎn)(分別為5 003和356個(gè)數(shù)據(jù)點(diǎn)), 然后將各點(diǎn)海冰厚度的數(shù)值賦值到距離其最近的再分析資料網(wǎng)格點(diǎn)上。由于ASPeCt數(shù)據(jù)相對零散, 難以同再分析資料開展區(qū)域平均對比, 我們采用逐點(diǎn)線性回歸方法進(jìn)行海冰厚度的數(shù)據(jù)評估, 并計(jì)算得到各再分析資料與觀測資料的相關(guān)系數(shù)。同時(shí), 由于再分析資料為月數(shù)據(jù), 在同ASPeCt數(shù)據(jù)進(jìn)行時(shí)間上的匹配時(shí), 我們選擇觀測點(diǎn)所在月份的再分析數(shù)據(jù)進(jìn)行匹配。此外, 我們還計(jì)算了每套再分析資料的誤差和絕對誤差, 其中誤差由觀測資料與再分析資料對應(yīng)點(diǎn)差值的平均值計(jì)算得到, 而絕對誤差為觀測資料與再分析資料對應(yīng)點(diǎn)差值取絕對值后的平均值。

1.4 水文數(shù)據(jù)處理方法

在進(jìn)行水文分析之前, 我們將所有再分析資料插值到WOA13的三維網(wǎng)格上。依據(jù)Uotila 等[18]所采用的方法, 本研究選取WOA13中包含4個(gè)觀測點(diǎn)及以上的網(wǎng)格點(diǎn)(本文稱為“有效數(shù)據(jù)點(diǎn)”)開展觀測數(shù)據(jù)和再分析數(shù)據(jù)的對比, 基于研究區(qū)域內(nèi)所有有效數(shù)據(jù)點(diǎn)的誤差計(jì)算該區(qū)域的平均誤差。對溫度數(shù)據(jù)而言, 在羅斯海域和阿蒙森海域的有效數(shù)據(jù)點(diǎn)分別為9 829和292個(gè); 對鹽度數(shù)據(jù)而言, 在羅斯海域和阿蒙森海域的有效數(shù)據(jù)點(diǎn)分別為4 023和191個(gè)。并且對于兩個(gè)海域來說, 大約有60%~75%的有效數(shù)據(jù)點(diǎn)分布在0~100 m范圍, 因此該范圍內(nèi)所得的對比結(jié)果可信度應(yīng)該是最高的。在本研究中, 對于各水文要素, 我們同時(shí)計(jì)算了四套再分析資料的平均值(此后稱為多模式平均, multi-model mean, MMM)并將其與觀測資料進(jìn)行了對比。

同時(shí), 我們也計(jì)算了再分析數(shù)據(jù)和WOA13數(shù)據(jù)在不同深度范圍的水文變量平均值, 并得到每個(gè)深度范圍的再分析數(shù)據(jù)誤差。深度平均水文數(shù)據(jù)的計(jì)算參考Uotila等[18]的計(jì)算方法。首先, 計(jì)算所有再分析資料的溫度和鹽度從五個(gè)參考深度(={1, 100, 300, 700, 1 500 m})到表層(=0 m)的累積值, 即海洋熱含量(ocean heat content, OHC)和鹽含量(ocean salinity content, OSC):

然后, 計(jì)算出表層0 m, 0~100 m, 100~300 m, 300~700 m和700 ~1 500 m內(nèi)的平均溫度和鹽度:

為了方便對比所有變量的評估結(jié)果, 我們對各套再分析數(shù)據(jù)中溫度和鹽度的區(qū)域平均多年平均月數(shù)據(jù)分別計(jì)算了標(biāo)準(zhǔn)差、均方根誤差和相關(guān)系數(shù), 并畫出泰勒圖。

1.5 混合層深度處理方法

海洋混合層聯(lián)通了大氣層與海洋內(nèi)部, 是海洋中關(guān)鍵動(dòng)力過程、熱力過程和生物地球化學(xué)過程發(fā)生的區(qū)域。混合層深度是評判上層海洋垂直混合強(qiáng)度的重要指標(biāo)[27], 也是本研究評估的海洋要素之一。考慮到四套再分析資料沒有基于統(tǒng)一標(biāo)準(zhǔn)計(jì)算得到的混合層數(shù)據(jù), 參照Dong等[28]對南大洋混合層的計(jì)算方法, 我們以與海表(10 m深度)位勢密度差接近0.03 kg·m?3的深度層定義混合層底, 計(jì)算各套產(chǎn)品的混合層深度。

2 結(jié)果與討論

2.1 海冰密集度

圖2和圖3分別是羅斯海和阿蒙森海氣候態(tài)海冰密集度在南半球冬季和夏季的分布圖, 圖4為對應(yīng)的泰勒圖。冬季期間, 各套再分析資料的海冰密集度在兩個(gè)海域的值均低于觀測數(shù)據(jù)。在羅斯海, UR025.4和ORAP5與觀測數(shù)據(jù)的偏差相對較小, 約比觀測值低0.01~0.04。C-GLORS在羅斯海絕大部分區(qū)域的海冰密集度都在0.93以下, 與衛(wèi)星觀測的偏差最大, 區(qū)域平均值與觀測差異為0.10。在夏季, 再分析資料與觀測的海冰密集度空間分布和數(shù)值范圍均較為吻合, 其中在羅斯海西側(cè)與觀測最為一致的產(chǎn)品為UR025.4和ORAP5, 在羅斯海東側(cè)與觀測最為一致的產(chǎn)品為GLORYS2v4(但其在羅斯海西側(cè)與觀測差異較大); C-GLORS在整個(gè)羅斯海區(qū)域均低于觀測所得的海冰密集度, 區(qū)域平均誤差約為0.20。在阿蒙森海, 冬季GLORYS2v4和UR025.4與觀測的海冰密集度空間分布特征最為吻合, 誤差也相對較小(區(qū)域平均誤差為0.03), C-CGLORS仍然低估了海冰密集度觀測值, 區(qū)域平均誤差為0.07。夏季, 在阿蒙森海GLORYS2v4與觀測所得的海冰密集度的分布特征和量值最為吻合, 其次為ORAP5和UR025.4(在100°W~120°W近岸區(qū)域有所低估), C-GLORS仍然明顯低估了觀測的海冰密集度?？傮w來講, 在羅斯海區(qū)域UR025.4模擬的海冰密集度同觀測更加一致, 相關(guān)性也相對其他數(shù)據(jù)較高, GLORYS2v4與觀測更加一致。

圖2 羅斯海氣候態(tài)海冰密集度在冬季(a—e)和夏季(f—j)的分布圖

Fig.2. Distribution of climatological sea ice concentration in the Ross Sea in winter (a—e) and summer (f—j)

圖3 阿蒙森海氣候態(tài)海冰密集度在冬季(a—e)和夏季(f—j)的分布圖

Fig.3. Distribution of climatological sea ice concentration in the Amundsen Sea in winter (a—e) andsummer (f—j)

圖4 四套再分析資料的海冰密集度數(shù)據(jù)在羅斯海(a、b)和阿蒙森海(c、d)的泰勒圖

Fig.4. Taylor diagram of sea ice concentration of four ocean reanalyses products in the Ross Sea (a,b) and the Amundsen Sea (c,d)

2.2 海冰厚度

圖5顯示了根據(jù)ASPeCt數(shù)據(jù)評估的海冰厚度誤差以及再分析數(shù)據(jù)與觀測數(shù)據(jù)的相關(guān)系數(shù)。GLORYS2v4的時(shí)間范圍是從1993年開始, 因此只能計(jì)算1993—2004年的數(shù)據(jù)誤差, 其數(shù)據(jù)量約比其他再分析數(shù)據(jù)少1/3。在羅斯海(圖5a), 各套資料中ORAP5的偏差最小, 平均誤差和平均絕對誤差分別為?0.34 m和0.82 m。其他數(shù)據(jù)的平均誤差和平均絕對誤差較為接近, 分別為?0.60~ ?0.70 m和0.90 m左右。但針對各套再分析數(shù)據(jù)與觀測數(shù)據(jù)之間的相關(guān)性而言, 只有GLORYS2v4與觀測的相關(guān)系數(shù)在0.40以上, 其他資料與觀測數(shù)據(jù)之間的相關(guān)系數(shù)均較小。在阿蒙森海(圖5b), 各套資料中GLORYS2v4的平均誤差和平均絕對誤差均為最小, 分別為?0.44 m和0.90 m; 而C- GLORS的偏差最大, 平均誤差和平均絕對誤差分別約為?1.48 m和1.52 m。阿蒙森海的再分析產(chǎn)品與ASPeCt數(shù)據(jù)的相關(guān)性相對羅斯海明顯提升, 可能與該區(qū)域觀測數(shù)據(jù)點(diǎn)相對較少相關(guān)。UR025.4與觀測之間的相關(guān)系數(shù)最大, 達(dá)到0.74; ORAP5和GLORYS2v4與觀測值的相關(guān)系數(shù)也較高, 分別為0.64和0.53; 而C-GLORS的相關(guān)系數(shù)卻顯著低于其他產(chǎn)品, 僅為0.03。因此綜合誤差及相關(guān)性分析可得, 在阿蒙森海域, UR025.4與ASPeCt數(shù)據(jù)最為吻合, C-GLORS與觀測差異較大。

圖5 羅斯海(a)和阿蒙森海(b)的海冰厚度平均誤差(細(xì)線)和平均絕對誤差(方塊)圖

Fig.5. Mean error (thin line) and mean absolute error (bar) of sea ice thickness in the Ross Sea (a) and the Amundsen Sea (b)

2.3 海洋上層氣候態(tài)溫鹽數(shù)據(jù)的季節(jié)變化

圖6顯示了羅斯海和阿蒙森海在0~100 m層所得平均溫度隨季節(jié)的變化曲線。在羅斯海(圖6a), 結(jié)冰季節(jié)期間(5—10月)除UR025.4的溫度比WOA13數(shù)據(jù)略低外, 其他再分析資料均高于WOA13數(shù)據(jù), 其中ORAP5與WOA13的偏差達(dá)到0.20°C。夏季, 各套再分析數(shù)據(jù)的溫度值離散度較小, 但同WOA13之間存在系統(tǒng)性偏差, 比WOA13溫度約低0.10~0.25°C。多模式平均的溫度季節(jié)變化曲線與GLORYS2v4數(shù)據(jù)較為吻合。圖7a為觀測數(shù)據(jù)與再分析資料100 m以內(nèi)的全年平均溫度泰勒圖, 可以看出4套數(shù)據(jù)的相關(guān)性較高, 均超過0.85。針對羅斯海區(qū)域, 總體而言, 再分析資料在冬季相對觀測較高的偏差和夏季相對觀測較低的偏差使其季節(jié)性變化信號(hào)相較于WOA13數(shù)據(jù)偏弱, 并且與圖7a中全年平均標(biāo)準(zhǔn)差比觀測低的結(jié)果一致。在阿蒙森海(圖6b和圖7b), 所有季節(jié)再分析資料的溫度值同WOA13數(shù)據(jù)相比均偏高, 且相關(guān)系數(shù)為0.7~0.9之間, 其中結(jié)冰季節(jié)的偏差較小, 除5月份以外偏差均在0.10°C以內(nèi); 夏季偏差較大, 范圍為0.10~ 0.40°C。較大的偏差可能與阿蒙森海區(qū)域較少的有效數(shù)據(jù)點(diǎn)有關(guān)。在阿蒙森海, ORAP5與GLORYS2v4的溫度變化曲線非常接近, 多模式平均值與這兩套數(shù)據(jù)也較為吻合。

圖6 羅斯海(a)和阿蒙森海(b)氣候態(tài)溫度值的季節(jié)變化曲線

Fig.6. Seasonal cycle of area-averaged climatological temperature in the Ross Sea (a) and Amundsen Sea (b)

圖7 四套再分析資料的溫度數(shù)據(jù)在(a)羅斯海和(b)阿蒙森海的泰勒圖

Fig.7. Taylor diagram of temperature of four ocean reanalyses products in the Ross Sea (a) and the Amundsen Sea (b)

圖8為0~100 m層平均鹽度的季節(jié)變化曲線。兩個(gè)區(qū)域的鹽度最大值出現(xiàn)在10月份, 即海冰厚度最大的月份; 最小值出現(xiàn)在2月份, 即海冰覆蓋面積最小的月份。在羅斯海(圖8a), 結(jié)冰季節(jié)C-GLORS與GLORYS2v4比WOA13的鹽度高約0~0.09 psu; UR025.4與ORAP5相對WOA13數(shù)據(jù)鹽度偏低, 偏差范圍為0.10~0.20 psu, 推測再分析對表層鹽度的低估與其對海冰量(包括密集度與厚度, 圖2和圖5)的低估相關(guān)。多模式平均鹽度相較于WOA13數(shù)據(jù)略低, 誤差絕對值小于0.10 psu。夏季, 再分析資料同WOA13數(shù)據(jù)存在顯著的系統(tǒng)性偏差, 其中C-GLORS、UR025.4和GLORYS2v4較為一致, 比WOA13的鹽度低0.30 psu左右, ORAP5的誤差則達(dá)到?0.50 psu左右。夏季偏低的系統(tǒng)誤差使所有再分析數(shù)據(jù)的鹽度季節(jié)變化信號(hào)均強(qiáng)于觀測數(shù)據(jù)。圖9a為觀測數(shù)據(jù)與再分析資料100 m以內(nèi)的鹽度泰勒圖。在羅斯海, 4套再分析資料與觀測數(shù)據(jù)的相關(guān)性都比較大, 為0.65~0.90。在阿蒙森海(圖8b), 結(jié)冰季節(jié)C-GLORS與WOA13的鹽度值較為接近; 同羅斯海類似, ORAP5的鹽度值明顯偏低。該季節(jié)C-GLORS相對其他產(chǎn)品明顯低估了海冰密集度(圖3)和海冰厚度(圖5), 但其表層鹽度卻與觀測較為一致, 可能與其對水文資料的數(shù)據(jù)同化方式及其對鹽度場的調(diào)整有關(guān)。夏季, 除UR025.4高于觀測鹽度值外, 其余再分析資料均明顯低于WOA13鹽度值。除UR025.4外, 其余再分析資料的鹽度季節(jié)變化信號(hào)均強(qiáng)于WOA13數(shù)據(jù), 這也與圖7b中的結(jié)果一致。雖然UR025.4與WOA13一直表現(xiàn)出相對較弱的季節(jié)變化, 但其全年存在相對觀測較高的系統(tǒng)性誤差。

2.4 不同深度層的溫度與鹽度誤差

2.4.1 溫度

圖10展示了表層(0 m), 0~100 m、100~300 m、300~700 m、700~1 500 m層多模式平均的氣候態(tài)溫度與WOA13數(shù)據(jù)的對比情況及各套再分析資料相對WOA13的誤差。在阿蒙森海域, 由于WOA13數(shù)據(jù)在700 m以下的深度只有1個(gè)有效數(shù)據(jù)點(diǎn), 所以我們只給出0~700 m的計(jì)算結(jié)果。在羅斯海, 除上100 m層的多模式平均溫度值比WOA13數(shù)據(jù)低約0.20°C之外, 其余深度層的多模式平均值均高于觀測數(shù)據(jù)。其中在300~700 m層, 即上層繞極深層水(circumpolar deep water)所處的深度層, 多模式平均溫度值與WOA13的偏差最大, 達(dá)到近0.40°C; 100~300 m層及700~1 500 m層中, 多模式平均與觀測的誤差約為0.10~ 0.15°C。分析各套再分析數(shù)據(jù), 可以發(fā)現(xiàn)表層及0~100 m層, 多數(shù)再分析資料的溫度值均低于WOA13數(shù)據(jù), 且其中UR025.4相對觀測的偏差明顯高于其他數(shù)據(jù), 達(dá)到0.50~0.75°C; ORAP5與C-GLORS的偏差較小, 約為0.05~0.08°C。100 m以下各層, ORAP5與觀測的偏差最大, 并在300~ 700 m及700~1 500 m層均達(dá)到0.75°C, 所以300~700 m層是導(dǎo)致多模式平均值與觀測之間較大誤差的主要來源。100~300 m深度范圍內(nèi)C- GLORS和UR025.4具有相對觀測數(shù)據(jù)較小的偏差, 700~1 500 m深度層C-GLORS和GLORYS2v4具有相對較小的偏差。C-GLORS相對WOA13數(shù)據(jù)的誤差一直低于0.20°C, 為所有再分析資料中整體與觀測值最為接近的產(chǎn)品。

圖8 羅斯海(a)和阿蒙森海(b)氣候態(tài)鹽度值的季節(jié)變化曲線

Fig.8. Seasonal cycle of area-averaged climatological salinity in the Ross Sea (a) and Amundsen Sea (b)

在阿蒙森海各深度層, 再分析資料與WOA13的溫度偏差相較于羅斯海顯著增大, 可能仍與該區(qū)域較少的有效觀測數(shù)據(jù)點(diǎn)相關(guān)。在各深度層, 多模式平均的溫度值均高于WOA13數(shù)據(jù), 其中在0~100 m層和300~700 m層偏差約為0.40°C, 在100~300 m層, 即冬季水(winter water)存在的區(qū)域, 多模式平均與觀測的差異達(dá)到1.70°C。分析各套再分析資料, 表層各數(shù)據(jù)溫度值均低于WOA13數(shù)據(jù), 但偏差較小, 低于0.40°C。表層以下各深度層再分析資料存在高于觀測溫度值的系統(tǒng)性偏差, 在100~300 m層偏差達(dá)到最大, 范圍為1~2°C。綜合各深度層, 可以明顯觀察到C-GLORS和GLORYS2v4同觀測相比偏差相對較小。

圖9 四套再分析資料的鹽度數(shù)據(jù)在羅斯海(a)和阿蒙森海(b)的泰勒圖

Fig.9. Taylor diagram of salinity of four ocean reanalyses products in the Ross Sea (a) and the Amundsen Sea (b)

圖10 羅斯海(a)和阿蒙森海(b)WOA13和多模式平均氣候態(tài)溫度值的垂直剖面(左)及4套再分析資料和MMM的氣候態(tài)溫度值在不同深度層的誤差(右)

Fig.10. Vertical distribution (left) of climatological temperature from WOA13 and MMM and errors (right) of climatological temperature from the four reanalyses datasets and MMM in the Ross Sea (a) and Amundsen Sea (b)

2.4.2 鹽度

羅斯海和阿蒙森海各深度層鹽度對比情況如圖11所示。在羅斯海, 多模式平均與WOA13鹽度值較為接近, 但在700 m以淺前者均低于后者。多模式平均與觀測之間的最大偏差發(fā)生在表層, 約為0.20 psu; 0~100 m層的誤差約為?0.09 psu, 100~300 m層和300~700層的誤差為?0.05 psu左右。700~1 500 m多模式平均與WOA13鹽度數(shù)非常接近, 均約為34.73 psu。在各深度層, ORAP5均為所有在分析資料中同WOA13鹽度偏差最大的產(chǎn)品, 在表層的偏差達(dá)到0.44 psu, 0~100 m層也達(dá)到0.30 psu。其他再分析資料中, 除GLORYS2v4在表層具有較大偏差0.27 psu外, 其他產(chǎn)品與WOA13的偏差均在0.07 psu以內(nèi)。在阿蒙森海, 仍然可能由于有效觀測數(shù)據(jù)量的原因, 導(dǎo)致多模式平均的鹽度偏差明顯高于羅斯海, 在0~ 100 m和100~300 m層分別達(dá)到0.21 psu和0.28 psu。在所有再分析資料中, 表層至300 m深度層均是C-GLORS相對WOA13的偏差最大, 且在表層ORAP5的偏差也較大; 各層中GLORYS2v4和UR025.4的偏差相對較小, 其中UR025.4在700 m以上范圍的誤差為0.03~0.30 psu。

圖11 羅斯海(a)和阿蒙森海(b) WOA13和多模式平均氣候態(tài)鹽度值的垂直剖面(左)及4套再分析資氣候態(tài)鹽度值在不同深度層的誤差(右)

Fig.11. Vertical distribution (left) of climatological salinity from WOA13 and MMM and errors (right) of climatological salinity from the four reanalyses datasets in the Ross Sea (a) and Amundsen Sea (b)

2.5 混合層深度多年平均的月變化

混合層深度的季節(jié)變化是上層海洋溫度、鹽度、海冰變化相互影響的結(jié)果。Uotila等[18]指出Pellichero等[25]計(jì)算得到的混合層產(chǎn)品在羅斯海采集的觀測數(shù)據(jù)較少(圖12), 可能會(huì)導(dǎo)致該區(qū)域再分析資料與觀測數(shù)據(jù)之間的較大誤差, 但我們?nèi)匀粚Ρ确治隽怂奶自俜治鰯?shù)據(jù)之間的差異及其與觀測在空間分布和區(qū)域平均值上的差別。南半球冬季GLORYS2v4和C-GLORS與觀測資料較為接近, 其中在西側(cè)海域GLORYS2v4、C- GLORS和ORAP5的區(qū)域平均誤差值為正值, 且GLORYS2v4誤差最小, 與其對海冰密集度的模擬最佳相符合; 在東側(cè)海域再分析數(shù)據(jù)的區(qū)域平均誤差值都為負(fù)值, 而C-GLORS擁有最小的絕對誤差值(4.05 m), 且分布特征與觀測最為相似, 這與其在整個(gè)羅斯海域0~100 m深度層擁有最小的區(qū)域平均溫度誤差(與UR025.4相近; 圖6a)和鹽度誤差(與GLORYS相近; 圖8a)是一致的。南半球夏季再分析資料對混合層深度的模擬都偏低, 其中在羅斯海海域西側(cè)UR025.4和C-GLORS在量值與空間分布上與觀測資料的偏差最小; 在東側(cè)海域UR025.4的量值遠(yuǎn)遠(yuǎn)大于觀測值, 而其余三套數(shù)據(jù)的量值則都偏低, 其中ORAP5和C- GLORS的偏差雖然較小, 但仍達(dá)到了17.30 m。

圖12 4套再分析數(shù)據(jù)和觀測數(shù)據(jù)(OBS)在冬季(a—e)和夏季(f—j)氣候態(tài)混合層深度在羅斯海的分布

Fig.12. Distribution of climatological mixed layer depth from the four reanalyses datasets and observation-based climatology (OBS) in winter (a—e) and summer (f—j) in the Ross Sea

在阿蒙森海(圖13), 所有再分析數(shù)據(jù)混合層深度的區(qū)域平均值都小于觀測值, 這與它們在該海域的海冰密集度在各季節(jié)均小于觀測資料有關(guān)。冬季四套再分析資料同觀測都存在較大差異, 均沒有反映出東側(cè)大于西側(cè)的混合層深度分布特征, 而C-GLORS的量值模擬與觀測數(shù)據(jù)最為接近, 區(qū)域平均誤差值最小, 為?13 m左右。夏季再分析資料混合層深度也均偏小, 其中UR025.4的偏差最小, 區(qū)域平均值約比觀測值低1.45 m, 且空間分布特征與觀測最為相似。而其余資料的區(qū)域平均絕對誤差都在10 m以上。在圖6b和圖8b中可以發(fā)現(xiàn)觀測資料在上100 m深度層的溫度遠(yuǎn)遠(yuǎn)小于再分析資料, 且鹽度大于除UR025.4外的所有數(shù)據(jù), 因此混合層深度遠(yuǎn)大于其他數(shù)據(jù)。而由于UR025.4具有遠(yuǎn)大于其他數(shù)據(jù)的鹽度值(圖8b), 以及較小的溫度值(圖6b), 因此縮小了與觀測值的差距, 混合層深度數(shù)值模擬效果優(yōu)于其他再分析數(shù)據(jù)。

3 結(jié)論

通過與觀測資料的對比, 本研究對GLORYS2v4、ORAP5、C-GLORS和UR025.4四套再分析資料的海冰、水文和混合層深度數(shù)據(jù)在羅斯海和阿蒙森海進(jìn)行了較細(xì)致的評估分析。分析結(jié)果表明, 在不同要素的模擬上, 同一套再分析資料的模擬表現(xiàn)(同觀測的誤差)并不具有一致性; 在不同海域, 同一套再分析資料模擬的表現(xiàn)也不具有一致性?？傮w來講, 對于海冰場來說, UR025.4的模擬效果較好, 其海冰密集度數(shù)據(jù)在南半球冬季的模擬效果遠(yuǎn)遠(yuǎn)優(yōu)于其他數(shù)據(jù), 在夏季時(shí)的誤差值也較小。同時(shí), 在計(jì)算海冰厚度與觀測資料的相關(guān)性時(shí), UR025.4具有最大的相關(guān)系數(shù)。GLORYS2v4和ORAP5的模擬效果雖不及UR025.4, 但也較為準(zhǔn)確。然而不論是海冰密集度還是厚度, C-GLORS與觀測的差異都相對較大。

圖13 4套再分析數(shù)據(jù)和觀測數(shù)據(jù)(OBS)在冬季(a—e)和夏季(f—j)氣候態(tài)混合層深度在阿蒙森海的分布

Fig.13. Distribution of climatological mixed layer depth from the four reanalyses datasets and observation-based climatology (OBS) in winter (a—e) and summer (f—j) in the Amundsen Sea

在水文特征模擬方面, 100 m以內(nèi)深度層, C-GLORS的鹽度數(shù)據(jù)與WOA13比較一致, 其在夏季時(shí)的阿蒙森海具有最大的溫度偏差, 但在其他季節(jié)都與觀測資料較為吻合; GLORYS2v4的鹽度數(shù)據(jù)與觀測相差不大, 對溫度數(shù)據(jù)的模擬效果則遠(yuǎn)遠(yuǎn)不及UR025.4, 誤差較為明顯; ORAP5在兩個(gè)海域的水文場模擬同觀測都存在較大差異。在100 m以下, 深層(羅斯海為700~1 500 m, 阿蒙森海為300~700 m)再分析資料的溫鹽數(shù)據(jù)同觀測均較為一致, 其他層不存在誤差明顯較小的產(chǎn)品。另外值得注意的是多模式平均結(jié)果, 當(dāng)再分析數(shù)據(jù)與觀測的偏差方向在資料間存在差別時(shí), 多模式平均結(jié)果可以在一定程度上糾正再分析資料的誤差。對于混合層深度而言, 可能由于觀測數(shù)據(jù)量較少的原因, 各套再分析資料同觀測數(shù)據(jù)之間在分布和數(shù)值的差異都較為明顯, 同時(shí)沒有任何一套再分析數(shù)據(jù)是明顯優(yōu)于其他數(shù)據(jù)的。其中在羅斯海區(qū)域, C-GLORS同觀測相對接近; 在阿蒙森海區(qū)域, UR025.4的分布特征同觀測相對較為接近, 但是量值上則有較大差異。

本文客觀給出了再分析資料同觀測的對比結(jié)果, 但考慮到觀測手段和數(shù)據(jù)處理方法對觀測資料準(zhǔn)確度的限制, 特別是海冰的觀測數(shù)據(jù)ASPeCt總量較小, 且觀測手段為目測, 存在一定的系統(tǒng)誤差和隨機(jī)測量誤差; 而對于混合層深度來說, 算法的差異對再分析數(shù)據(jù)與觀測資料誤差的量值會(huì)存在一定的影響, 但是觀測資料的計(jì)算方法中密度閾值MLD_threshold取為0.03 kg·m?3, 與我們對再分析資料計(jì)算混合層深度的密度閾值是一致的, 可在一定程度上消除算法差異的影響。由于觀測數(shù)據(jù)的限制, 本研究對再分析資料的評估可能也會(huì)存在一定的誤差, 更加準(zhǔn)確的評估需要依賴未來獲取的更為豐富的觀測數(shù)據(jù)。

致謝: 數(shù)據(jù)來自各方研究機(jī)構(gòu)公開的海洋與海冰數(shù)據(jù)下載網(wǎng)站。GLORYS2v4再分析通過哥白尼海洋環(huán)境監(jiān)測網(wǎng)站獲得(http://marine.coper-nicus.eu/services-portfolio/access-to-products/)。ORAP5產(chǎn)品從ECMWF數(shù)據(jù)庫獲得(https://www.ecmwf. int/en/research/climate-reanalysis/ocean-reanalysis)UR025.4由雷丁大學(xué)提供(http://data.ceda.ac.uk/ badc/rapid-watch/data/Sutton/VALOR/ORCA025_FOAM)。CMCC提供了C-GLORS數(shù)據(jù)(http://c- glors.cmcc.it/index/index.html)。從NSIDC數(shù)據(jù)中心檢索海冰密集度數(shù)據(jù)(https://nsidc.org/data/ NSIDC-0051/versions/1)。海冰厚度數(shù)據(jù)來自南極研究科學(xué)委員會(huì)(Scientific committee on Antarctic research, SCAR)的ASPeCt項(xiàng)目(http://aspect. antarctica.gov.au/data)。水文數(shù)據(jù)來自美國國家海洋數(shù)據(jù)中心NODC的WOA13多年氣候態(tài)數(shù)據(jù)(https://www.nodc.noaa.gov/OC5/woa13)。感謝來自魯汶大學(xué)的Franc, ois Massonneth和Antoine Barthe?lemy在混合層深度觀測數(shù)據(jù)方面提供的幫助。

1 李丙瑞. 中國第35次南極科學(xué)考察簡報(bào)[J]. 極地研究, 2019, 31(3): 364-367.

2 趙杰臣, 張林, 田忠翔, 等. 南極羅斯海2012年夏季海冰特征分析[J]. 極地研究, 2014, 26(3): 242-351.

3 孫啟振, 張占海, 丁卓銘, 等. 南極特拉諾瓦灣下降風(fēng)特征[J]. 極地研究, 2018, 30(2): 140-153.

4 SCHMIDTKO S, HEYWOOD K J, THOMPSON A F, et al. Multidecadal warming of Antarctic waters[J]. Science, 2014, 346(6214): 1227-1231.

5 SIMPKINS G, CIASTO L M, THOMPSON D W J, et al. Seasonal relationships between large-scale climate variability and Antarctic sea ice concentration[J]. Journal of Climate, 2012, 25(16): 5451-5469.

6 STAMMERJOHN S E, MARTINSON D G, SMITH R C, et al. Trends in Antarctic annual sea ice retreat and advance and their relation to El Ni?o-Southern Oscillation and Southern Annular Mode variability[J]. Journal of Geophysical Research: Oceans, 2008, 113(C3): C03S90.

7 ARZENO I B, BEARDSLEY R C, LIMEBURNER R, et al. Ocean variability contributing to basal melt rate near the ice front of Ross Ice Shelf, Antarctica[J]. Journal of Geophysical Research: Oceans, 2014, 119(7): 4214-4233.

8 WALKER O S J, DAVID G A, KEVIN R A, et al. The oceanography and ecology of the Ross Sea[J]. Annual Review of Marine Science, 2014, 6: 469-487.

9 KUSAHARA K, WILLIAMS G D, TAMURA T, et al. Dense shelf water spreading from Antarctic coastal polynyas to the deep Southern Ocean: A regional circumpolar model study[J]. Journal of Geophysical Research: Oceans, 2017, 122(8): 6238-6253.

10 BALMASEDA M A, HERNANDEZ F, STORTO A, et al. The ocean reanalyses intercomparison project (ORA-IP)[J]. Journal of Operational Oceanography, 2015, 8(sup1): s80-s97.

11 DINNIMAN M S, KLINCK J M, SMITH W O, Jr. A model study of Circumpolar Deep Water on the West Antarctic Peninsula and Ross Sea continental shelves[J]. Deep Sea Research Part II: Topical Studies in Oceanography, 2011, 58(13/14/15/16): 1508-1523.

12 JIANG M S, MEASURES C I, BARBEAU K A, et al. Fe sources and transport from the Antarctic Peninsula shelf to the southern Scotia Sea[J]. Deep Sea Research Part I: Oceanographic Research Papers, 2019, 150: 103060.

13 LIU C Y, WANG Z M, CHENG C, et al. Modeling modified Circumpolar Deep Water intrusions onto the Prydz Bay continental shelf, East Antarctica[J]. Journal of Geophysical Research: Oceans, 2017, 122(7): 5198-5217.

14 ZUO H, BALMASEDA M A, MOGENSEN K. The new eddy-permitting ORAP5 ocean reanalysis: Description, evaluation and uncertainties in climate signals[J]. Climate Dynamics, 2017, 49(3): 791-811.

15 STORTO A, MASINA S, NAVARRA A. Evaluation of the CMCC eddy-permitting global ocean physical reanalysis system (C-GLORS, 1982—2012) and its assimilation components[J]. Quarterly Journal of the Royal Meteorological Society, 2016, 142(695): 738-758.

16 XIE J, BERTINO L, COUNILLON F, et al. Quality assessment of the TOPAZ4 reanalysis in the Arctic over the period 1991–2013[J]. Ocean Science, 2017, 13(1): 123-144.

17 CHEVALLIER M, SMITH G C, DUPONT F, et al. Erratum to: Intercomparison of the Arctic sea ice cover in global ocean-sea ice reanalyses from the ORA-IP project[J]. Climate Dynamics, 2017, 49(3): 1137-1138.

18 UOTILA P, GOOSSE H, HAINES K, et al. An assessment of ten ocean reanalyses in the polar regions[J]. Climate Dynamics, 2019, 52(3/4): 1613-1650.

19 GARRIC G, PARENT L, GREINER E. Performance and quality assessment of the global ocean eddy-permitting physical reanalysis GLORYS2v4 [R/OL]. (2017-04-01)[2020-02-19]. https://ui.adsabs.harvard.edu/abs/2017EGUGA..1918776G/abstract.

20 TIETSCHE S, BALMASEDA M A, ZUO H, et al. Arctic sea ice in the global eddy-permitting ocean reanalysis ORAP5[J]. Climate Dynamics, 2017, 49(3): 775-789.

21 VALDIVIESO M, HAINES K, ZUO H, et al. Freshwater and heat transports from global ocean synthesis[J]. Journal of Geophysical Research: Oceans, 2014, 119(1): 394-409.

22 MARKUS T, CAVALIERI D J. An enhancement of the NASA Team sea ice algorithm[J]. IEEE Transactions on Geoscience and Remote Sensing, 2000, 38(3): 1387-1398.

23 WORBY A P, GEIGER C A, PAGET M J, et al. Thickness distribution of Antarctic sea ice[J]. Journal of Geophysical Research: Oceans, 2008, 113(C5): C05S92.

24 TYLER R H, BOYER T P, MINAMI T, et al. Electrical conductivity of the global ocean[J]. Earth, Planets and Space, 2017, 69: 156.

25 PELLICHERO V, SALLéE J B, SCHMIDTKO S, et al. The ocean mixed layer under Southern Ocean sea-ice: Seasonal cycle and forcing[J]. Journal of Geophysical Research: Oceans, 2017, 122(2): 1608-1633.

26 HOLTE J, TALLEY L D. A new algorithm for finding mixed layer depths with applications to Argo data and subantarctic mode water formation[J]. Journal of Atmospheric and Oceanic Technology, 2009, 26(9): 1920-1939.

27 TOYODA T, FUJII Y, KURAGANO T, et al. Intercomparison and validation of the mixed layer depth fields of global ocean syntheses[J]. Climate Dynamics, 2017, 49(3): 753-773.

28 DONG S F, SPRINTALL J, GILLE S T, et al. Southern Ocean mixed-layer depth from Argo float profiles[J]. Journal of Geophysical Research: Oceans, 2008, 113(C6): C06013.

EVALUATION OF FOUR HIGH-RESOLUTION SEA ICE REANALYSIS PRODUCTS IN THE ROSS SEA AND AMUNDSEN SEA

Huang Jia, Zhang Zhaoru, Wang Xiaoqiao

(School of Oceanography, Shanghai Jiao Tong University, Shanghai 200030, China)

Four high-resolution global ocean–sea ice reanalysis products were evaluated against observations in the Ross Sea and Amundsen Sea, Antarctica. The assessed quantities included climatological sea-ice concentration, sea-ice thickness, temperature, salinity, and mixed layer depth. The assessment revealed that the performance of the reanalysis products varied among variables and areas. Overall, the results from UR025.4 (University of Reading) were more consistent with observed sea-ice concentration and thickness, whereas the results from C-GLORS (Global Ocean Reanalysis System) had the largest discrepancies from observations. In the surface layer, during ice-freezing seasons, temperature and salinity data from C-GLORS agreed better with the WOA13 (World Ocean Atlas 2013) observations, whereas those from ORAP5 (Ocean ReAnalysis Pilot 5) deviated most from observations. Temperature and salinity data from the four reanalyses were generally consistent with the WOA13 values in deep layers below 700 m. In the subsurface layers, none of the reanalyses stood out from among the four products in hydrography simulations; the multi-model (reanalyses) mean results can reduce the error if the four reanalyses depart from observations in different directions.

ocean-sea ice, reanalyses, sea ice, hydrography, mixed layer depth, Ross Sea, Amundsen Sea

2020年2月收到來稿, 2020年3月收到修改稿

國家自然科學(xué)基金面上項(xiàng)目(41876221)、自然科學(xué)基金專項(xiàng)項(xiàng)目(41941008)和上海市“科技創(chuàng)新行動(dòng)計(jì)劃”國際科技合作項(xiàng)目(20230711100)資助

黃佳, 女, 1994年生。碩士研究生, 主要從事南大洋海洋-海冰-大氣相互作用的研究。E-mail: huangjia07@126.com

張召儒, E-mail: zrzhang@sjtu.edu.cn

10. 13679/j.jdyj.20200007