, 鲍艳松1,2
, 陆其峰4, 官元红1,3, 刘辉4, 赵立龙11. 南京信息工程大学气象灾害预报预警与评估协同创新中心, 气候与环境变化国际合作联合实验室, 气象灾害教育部重点实验室, 南京 210044;
2. 南京信息工程大学大气物理学院, 南京 210044;
3. 南京信息工程大学数学与统计学院, 南京 210044;
4. 中国气象局中国遥感卫星辐射测量和定标重点开放实验室/国家卫星气象中心, 北京 100081
收稿日期: 2018-01-08; 修回日期: 2018-02-22; 录用日期: 2018-02-22
基金项目: 国家重点研发计划（No.2016YFA0600703，2017YFC1501704）；国家自然科学基金国际（地区）合作与交流项目（No.61661136005）；国家自然科学基金（No.61511011292）
作者简介: 陶正达(1993-), 男, E-mail:444045562@qq.com
通讯作者（责任作者）: 鲍艳松, E-mail:ysbao@nuist.edu.cn
摘要: 臭氧（O3）与甲烷（CH4）均是大气中重要的微量气体，对全球气候变化有着重要的影响.为提高全球范围的臭氧、甲烷在气候模式中的预报效果，使用集合平方根滤波（EnSRF）同化方法及地球系统模式（CESM）构建了CESM-EnSRF卫星资料同化预报系统，并通过设计试验，将大气红外探测器（AIRS）的臭氧与甲烷观测资料同化到气候模式中，对模式的同化再预报效果进行系统的测试与评估.结果显示，臭氧、甲烷分析集合均值的偏差及均方根误差皆低于背景集合均值的偏差及均方根误差.臭氧、甲烷的同化再预报偏差及均方根误差较控制实验都得到改善，但对5 hPa以上高度臭氧预报准确性的改进效果很小.随循环同化的进行，平流层臭氧与甲烷的平均同化改进率呈增加趋势，并逐渐趋于稳定；对流层平均同化改进率随时间变化不明显.试验表明，该系统可有效利用臭氧与甲烷的观测资料对模式场进行合理的改善，从而有效地提高臭氧、甲烷在气候模式中的再预报效果，但对于平流层顶-中间层高度（5 hPa以上）臭氧预报准确度的提高，模式中臭氧光化学过程的准确模拟较同化观测资料具有更重要的作用.此外，循环同化对提高5~150 hPa高度臭氧及1~200 hPa高度甲烷在CESM模式中的预报效果最有效.
关键词:卫星红外光谱臭氧与甲烷观测资料集合平方根滤波(EnSRF)同化地球系统模式(CESM)循环同化
Study on the experiment of CESM-EnSRF assimilation system for global methane and ozone satellite data
TAO Zhengda1,2
, BAO Yansong1,2 , LU Qifeng4, GUAN Yuanhong1,3, LIU Hui4, ZHAO Lilong1 1. Collaborative Innovation Center on Forecast and Evaluation of Meteorological Disasters(IC-FEMD), Joint International Research Laboratory of Climate and Environment Change(ILCEC), Key Laboratory of Meteorological Disaster, Ministry of Education(KLME), Nanjing University of Information Science and Technology, Nanjing 210044;
2. School of Atmospheric Physics, Nanjing University of Information Science and Technology, Nanjing 210044;
3. School of Mathematics & Statistics, Nanjing University of Information Science and Technology, Nanjing 210044;
4. Key Laboratory of Radiometric Calibration and Validation for Environmental Satellites, National Satellite Meteorological Center, China Meteorological Administration, Beijing 100081
Received 8 January 2018; received in revised from 22 February 2018; accepted 22 February 2018
Supported by the National Key Research and Development Program of China (No.2016YFA0600703), the Projects of International (Regional) Cooperation and Exchanges NSFC (No.61661136005) and the National Natural Science Foundation of China (No.61511011292)
Biography: TAO Zhengda(1993-), male, E-mail:444045562@qq.com
*Corresponding author: BAO Yansong, E-mail:ysbao@nuist.edu.cn
Abstract: Ozone and methane are important atmospheric trace gases, which have an important impact on climate change. In order to improve their forecast accuracy in the climate model, anassimilation system based on the ensemble square root filter (EnSRF) assimilation method and the community earth system model (CESM) has been built.We have designed experiments to assess the performance of this system by assimilating the observation data from the atmospheric infrared sounder(AIRS). The results showed that:①The ensemble mean bias and root mean square error of ozone and methane in the analysis fields are both lower than those in the background fields.②In the re-forecast experiment, the bias and root mean square error of ozone and methane are lower than those in the control experiment, except the ozone obove 5 hPa. ③The improvement rates(IRs) of ozone and methanein the stratosphere are improving by the data cycling assimilation at the beginning, andstabilizedgradually. In the troposphere, the IRs are stabilized during the whole experimental period. These results indicatethat the assimilation system can improve the rationality ofozone and methane in the background field by assimilatingthe observation data.And it can improve the reforecast accuracy of ozone and methane in the model. However, the ozone photochemistry performance of the model is more important than assimilating observation dataabove 5 hPa.In addition, the data cycling assimilation is more effective in improving the reforecast accuracyof ozone at 5~150 hPa, and methane at 1~200 hPa in the CESM.
Keywords: atmospheric infrared sounder ozone and methane observation dataensemble square root filter assimilation (EnSRF)community earth system model (CESM)data cycling assimilation
1 引言(Introduction)平流层臭氧(O3)可吸收有害的太阳微波辐射, 对地球起到保护作用(Michaela et al., 2009), 而近地面臭氧则是一种重要的大气污染物, 是大气光化学污染的主要产物(程麟钧等, 2017).甲烷(CH4)是大气痕量气体中含量最多的有机物, 吸收带主要处于红外辐射波段, 作为大气温室气体中的一种, 除了对大气有显著的辐射强迫以外, 还可以通过化学作用影响平流层水汽和全球臭氧(浦静姣等, 2017).因此, 在数值模式中臭氧、甲烷的准确预报除对其本身的研究具有重要意义外, 也可影响模式对其它相关要素的准确估计(周智敏等, 2017).
同化方法可为模式提供更合理的初始场, 有效提高数值模式的预报效果(Houtekameret al., 2016).目前国际上使用较为广泛的同化方法有四维变分方法与滤波方法.四维变分方法通过计算观测与背景间偏差的目标函数极小化, 从而对大气真实状态进行估计, 进一步摆脱了观测与分析间的线性关系, 实现了非常规观测资料的同化, 同时从物理和动力上进行了约束, 使得分析场与模式更协调(Derber et al., 1991；Rabier et al., 1998).Errera等(2008)基于化学传输模式(CTM), 使用四维变分方法(4D-Var)将麦克耳逊干涉被动大气探测仪(Michelson Interferometer for Passive Atmospheric Sounding, MIPAS)的臭氧观测资料同化到模式中, 发现同化效果在臭氧空洞区域和平流层底层最明显.Wang等(2014)基于四维变分方法, 将大气制图扫描成像式吸收光谱计(Scanning Imaging Absorption Spectrometer for Atmospheric Cartography, SCIAMACHY)、热和近红外碳观测传感器(Thermal And Near-infrared Sensor for carbon Observation, TANSO)及超高光谱红外大气探测仪(Infrared Atmospheric Sounding Interferometer, IASI)的甲烷观测资料同化到MACC-II系统中, 试验结果表明, 同时同化IASIv2.0与TANSO两种甲烷观测资料可减少甲烷12 h预报场的全球偏差到6 ppb.集合卡尔曼滤波方法(EnKF)可避免四维变分中伴随模式的反向积分, 在应用过程中取得了很好的效果(卢冰等, 2016；Zhanget al., 2015).其中, Whitaker(2003)提出了不对观测加扰的集合平方根滤波算法(EnSRF), 不仅避免了引入额外的抽样误差, 还增加了计算效率, 具有业务应用潜力.Nakamura等(2013)基于局部集合转换卡尔曼滤波(Local Ensemble Transform KalmanFilter, LETKF)同化方法, 将微波临边探测器(Microwave Limb Sounder, MLS)的臭氧观测资料同化到多种气候模式中, 结果表明, 同化观测资料后, 不同模式模拟臭氧廓线的能力皆得到提高.
地球系统模式(Community Earth System Model, CESM)作为一种多模块的完全耦合模式, 具有很强的气候评估能力, 其中的大气气候模式(Whole Atmosphere Community Climate Model, WACCM)能较好地反映大气真实的化学、辐射和动力相互耦合过程(Gent et al., 2011), 而国内外基于该模式进行的同化试验大多是针对于海洋、陆面、气温等要素, 缺少基于该模式同化大气化学成分的试验研究(唐晓等, 2013；李熠, 2015；Houtekameret al., 2016).此外, 由于臭氧与甲烷的地基、探空等观测资料缺乏时空连续性, 且无法涵盖全球, 使得卫星成为探测全球臭氧与甲烷廓线的主要手段(刘寅, 2015).中国计划于2018年发射搭载有紫外临边探测仪的FY-3E卫星, 用以探测全球大气痕量气体(包括O3和CH4)的垂直廓线分布信息(张兴赢等, 2015).为支持我国未来全球大气痕量气体探测资料在气候变化中的应用, 本文通过构建CESM-EnSRF同化系统, 并将大气红外探测器(Atmospheric Infrared Sounder, AIRS)的臭氧、甲烷观测资料同化到CESM模式中, 用以提高模式模拟臭氧及甲烷的准确度, 并使用偏差、均方根误差、同化改进率3个指标对改进效果进行全面系统的分析评价.
2 数据同化系统(The data assimilation system)CESM-EnSRF同化预报系统使用CESM地球系统模式作为同化预报系统的预报模块, 集合平方根滤波(EnSRF)作为系统的同化模块, 可实现将Arua卫星AIRS的臭氧及甲烷观测资料同化到CESM模式中, 提高再预报效果.
2.1 预报模式(CESM)作为目前国际上广泛使用的地球系统模式之一, CESM模式在气候与环境的演变机理、自然和人类与气候变化的协同作用等方面都具有很好的效果(Lehner et al., 2015；Wanget al., 2015).该模式以海洋、大气、陆面和冰圈为研究主体, 并考虑大气化学、生物地球化学和人文过程, 具有很复杂的耦合方案.该模式共包含4个模块和一个耦合器, 每个模块都采用了现阶段比较成熟的模式, 具有很强的可移植性.
模式中选用的耦合方案为F_2000_WACCM (FW), 该方案以Whole Atmosphere Community Climate Model(WACCM)为主, 包含了大气环流模式(Community Atmosphere Model, CAM)及陆面模式(Community Land Model, CLM)(Jian et al., 2015).WACCM模式是由美国国家大气研究中心(National Center for Atmospheric Research, NCAR)以CAM模式为基础研发出的新一代大气化学三维模式, 涵盖了从地球表面到热层高度的大气动力学过程.最初的WACCM模式只耦合了从地球表面到140 km高度的物理和化学过程, 之后逐渐增加了热层顶的物理和化学过程.试验中选用的版本为WACCM3, 该版本耦合了全球三维大气化学传输模式(Model for Ozone And Related chemical Tracers, MOZART), 适合于中层和对流层大气的化学模块, 在热层方面考虑了化学反应的生成热, 并采用了适合中间层、低热层的离子化学模型, 考虑了离子对的拖曳和激光过程, 同时涉及了超紫外辐射(Extreme Ultra-Violet, EUV)和非局部热动力平衡(non-Local Thermal Equilibrium, non-LTE)的长波辐射参数化方案(潘辰, 2013).因此, WACCM能较好地反映大气真实的化学、辐射和动力的相互耦合过程, 实现全球范围的臭氧及甲烷含量的有效模拟.
为使模式平衡、稳定, Spin up时间设置为225 d(Gantt, 2014).模式输出文件水平分辨率为2.5°×1.9°(lon×lat), 垂直方向上平流层以上高度由1.0~6.0×10-6 hPa分为27个层次, 平流层由1.2~85.7 hPa分为21个层次, 对流层由100.5~992.6 hPa分为18个层次.
2.2 观测数据同化使用的臭氧(O3)、甲烷(CH4)观测资料选用NASA提供的Aqua卫星大气红外探测器(AIRS)二级产品, 该数据水平精度为50 km×50 km, 垂直方向由对流层底层(1000 hPa)到平流层顶(1 hPa)分为24层.由于同化窗口设置为6 h, 因此, ±3 h内的观测资料都用于0：00、6：00、12：00、18：00背景场的同化计算.卫星资料除必要的质量控制外, 为避免因观测与背景差异过大而对模式动力过程造成的破坏, 对与模式之间偏差大于3倍均方根误差的数据进行剔除(闵锦忠等, 2013).由于CESM模式初始场中包含的大气化学成分单位为质量混合比, 而卫星观测资料为体积混合比, 因此, 需要对观测资料的单位进行转换.根据不同量纲转换方法(汪自军等, 2010), 由于在相同状态下1 mol不同气体所占体积相同, 则体积混合比L/L可直接转换为mol/mol, 臭氧与甲烷的摩尔质量分别为48 g·mol-1与16 g·mol-1, 大气的摩尔质量取29 g·mol-1, 则臭氧、甲烷两种观测资料的单位由体积混合比转换为质量混合比(g/g)需分别乘以48/29和16/29.
此外, 为了利用观测资料对模式预报性能进行分析, 需要对观测资料进行插值处理, 在水平方向上使用反距离权重插值法(何立等, 2006), 垂直方向上使用拉格朗日线性插值法(钱永甫, 1987).经处理后的观测资料与模式预报值间偏差的全球分布情况如图 1所示.由于臭氧主要处于平流层高度, 因此, 臭氧观测资料的全球分布情况选择10 hPa高度, 而甲烷主要处于对流层高度, 且近地面资料缺测情况严重, 因此选择500 hPa高度.
2.3 集合平方根滤波(EnSRF)同化系统的构建目前, 国际上应用较为广泛的同化方法有变分和卡尔曼滤波两种.其中, 变分方法包括三维变分和四维变分, 三维变分方法通过对目标泛函数的迭代来对分析时刻的大气真实状态进行最优估计, 四维变分方法在此基础上考虑了分析过程中变量的动力协调问题, 在目标函数的梯度中增加了伴随方程的反向积分, 由于数值模式中切线性伴随模式的求解十分困难, 因而影响计算效率(庄照荣等, 2011).集合卡尔曼滤波同化方法是在顺序卡尔曼滤波的基础上增加了集合的概念, 使用一组集合成员对背景误差协方差进行计算, 进而求解增益矩阵.这种方法在计算效率及对不同模式的适用性方面皆优于4D-Var, 并且具有流依赖性(Li et al., 2009).在此基础上, 集合平方根滤波方法未对观测加扰, 避免了引入额外的样本误差.
图 1(Fig. 1)
 |
| 图 1 2004年8月13日0：00—18:00 AIRS卫星臭氧(10 hPa)及甲烷(500 hPa)观测资料与模式预报值之间偏差的全球分布情况 Fig. 1The global biases between the AIRS observation data (O3 at 10 hPa, CH4 at 500 hPa) and the model forecast from 13 August 2004 00UTC to 18UTC |
在集合平方根滤波同化系统的构建过程中, 考虑了模块化的设计理念, 包括输入输出模块, 实现读取与更新背景信息；扰动模块实现蒙特卡罗随机扰动；同化计算模块为系统主程序所在模块, 实现了集合平方根滤波同化算法, 且在计算过程中考虑了协方差膨胀及协方差局地化；最后, 输出模块将计算获得的分析集合输出到背景集合中, 以便再次驱动模式进行预报(图 2).
图 2(Fig. 2)
 |
| 图 2 集合平方根滤波同化系统结构图 Fig. 2The construction of the EnSRF assimilation system |
系统中同化模块的主要计算步骤包括：
1) 协方差膨胀
由于使用小样本进行背景误差协方差估计而导致的采样误差, 使用Anderson等(1999)提出的一般协方差膨胀及Zhang等(1989)提出的松弛膨胀方法, 其中, 一般协方差膨胀是为改善同化计算过程中对背景误差的低估问题, 具体为在同化计算前对背景集合成员的离散程度进行扩大(式(1)), 其中, 膨胀系数β选取为0.8(闵锦忠等, 2016).
 | (1) |
松弛膨胀法是为了改善同化后分析场的协调性, 在分析扰动中引入背景扰动(式(2)), 其中, 可调系数α取值为0.2(闵锦忠等, 2016).
 | (2) |
2) 观测误差的计算
由于试验选取的时间段为2004年8月中旬, 因此, 本文统计了8月整月的AIRS卫星臭氧及甲烷观测资料与模式模拟值之间不同高度上的偏差标准差, 并用其作为观测误差.
3) 背景误差协方差及增益矩阵的计算
当为同化系统提供一个观测资料时, 首先系统将以观测资料的经纬度为中心, 判断与其球面距离小于500 km范围内的模式网格点, 接着利用反距离权重插值法将满足条件的背景资料插值到观测资料所对应的位置上, 从而获得与观测资料相对应的背景集合, 进而计算背景误差协方差及增益矩阵(式(3)).
 | (3) |
由于集合平方根滤波未对观测加扰, 分析误差协方差的最后一项会被舍去, 导致分析误差协方差被低估, 计算过程中引入了一个参数μ, 使得新的增益矩阵Knew=μK, μ在单一观测条件下的解为
4) 背景集合更新
为剔除计算过程中远距离观测导致的虚假相关信息, 引入Houtekamer等(2001)提出的“Schur Product”协方差局地化方案, 获得局地化系数ρ.为提高计算速度, 当协方差局地化系数ρ大于0.01时, 对背景集合进行更新.
依据更新方程结合协方差局地化系数, 可对观测资料所在位置周围的模式背景集合进行更新(式(4)、(5)), 获得分析集合.
 | (4) |
 | (5) |
图 3(Fig. 3)
 |
| 图 3 试验设计方案 Fig. 3Design the scheme of experiments |
同化试验首先利用控制试验中13日0：00的初始场, 结合模式24 h预报误差进行蒙特卡罗随机扰动, 获得30个集合成员, 并利用集合成员进行1 d的预报(Hoffman et al., 1983), 获得8月14日0：00的背景集合, 接着利用EnSRF同化系统将8月14日0：00前后3 h内的AIRS卫星臭氧及甲烷的观测资料同化到背景集合中, 获得8月14日0：00的分析集合.
使用同化试验中的分析集合再次进行6 h预报, 获得8月14日6：00同化再预报集合将作为再预报试验.此时的预报集合将作为下一时次同化试验所使用的背景集合, 结合同一时次的观测资料再次进行同化计算, 这一同化-预报过程从8月14日0：00进行到16日12：00, 共可获得2004年8月14日0：00—16日6：00每6 h一次共10个时次的分析集合及背景集合, 以及2004年8月14日6：00—16日12：00每6 h一次共10个时次的同化再预报集合.
3.2 验证方法为了评价同化系统的性能, 定义了表 1中的3个指标, 包括的数量测度有偏差(BIASc、BIASa、BIASb、BIASr-f)、均方根误差(RMSEc、RMSEa、RMSEb、RMSEr-f)及同化改进率(IR).其中, BIASc、BIASa、BIASb、BIASr-f分别表示控制试验的模式模拟值、同化试验的分析集合均值、背景集合均值、再预报试验集合均值与观测资料之间的偏差, 均方根误差(RMSEc、RMSEa、RMSEb、RMSEr-f)的下标意义与偏差一致.在计算过程中, 为避免同化改进能力受不同时间的观测资料数量、质量及模式误差变化的影响, 对试验时段内的偏差及均方根误差进行了时间平均.此外, 如表 1所示同化改进率为绝对偏差改进率, 公式中y为处理后的观测资料.
表 1(Table 1)
| 表 1 定义验证同化效果的数量测度 Table 1 Definition of the quantitative measures used to assess the performance of assimilation | ||||||||||||
表 1 定义验证同化效果的数量测度 Table 1 Definition of the quantitative measures used to assess the performance of assimilation
| ||||||||||||
 |
与同化再预报试验平均绝对
之间的相对误差
4 数值试验结果(Results of the numerical experiments)4.1 分析场改进效果为了对系统的性能进行分析评价, 首先对分析集合均值与背景集合均值进行分析, 研究同化系统对观测资料的利用情况.
由图 4a可以看出, 臭氧背景集合均值的全球平均偏差及均方根误差主要存在于100 hPa以上的平流层高度, 且以负偏差为主, 而分析集合均值偏差及均方根误差分布情况与背景场较为一致, 但数值大小得到明显的降低.图 4b显示甲烷的背景集合均值在10 hPa至地面的高度上普遍存在负偏差, 正偏差主要存在于平流层顶层, 均方根误差在平流层及对流层底部偏大, 分析集合均值偏差及均方根误差明显较背景集合均值的要小.这些结果表明同化系统可以有效地利用臭氧及甲烷观测资料, 对模式背景集合中的臭氧及甲烷模拟值进行改进, 且并未影响原有偏差及均方根误差的构造.说明与背景场相比, 分析场较背景场更加接近于真实情况, 同化系统可有效地将观测资料引入到背景场中.
图 4(Fig. 4)
 |
| 图 4 同化实验背景集合均值与分析集合均值的全球平均偏差及均方根误差随高度的变化 (a.臭氧, b.甲烷) Fig. 4The global mean biases and RMSEs of the background ensemble mean and the analysis ensemble mean change with height (a.ozone, b.methane) |
4.2 同化再预报效果在不同高度及纬度上的表现为验证同化系统获得的分析场是否合理地改善了模式的初始条件并提高模式的再预报效果, 对比了控制预报试验及同化再预报试验的预报偏差与均方根误差.
控制实验中, 臭氧的偏差(彩色)及均方根误差(黑线)主要集中在平流层高度(1~100 hPa), 如图 5a所示, 控制预报的臭氧负偏差主要处于南半球60°以南及北半球30°附近, 正偏差主要处于中高纬度地区, 且有较为明显的对称特征, 10 hPa以上最大偏差超过±1 ppmv, 均方根误差超过0.8 ppmv.图 5b中的偏差及均方根误差分布情况与控制实验较为一致, 但除平流层顶的北纬30°附近偏差及均方根误差较控制实验有增加的情况外, 其它区域皆明显小于控制试验, 对均方根误差的改进超过0.4 ppmv.
图 5c中, 甲烷的控制试验偏差及均方根误差主要集中在平流层高度(1~100 hPa)及对流层底部(850hPa), 整体呈现出以赤道为界, 南半球负、北半球正的分布特征, 偏差大值超过±0.3 ppmv, 均方根误差超过0.2 ppmv, 甲烷含量较高的对流层高度(100~850 hPa)偏差及均方根误差较小.由图 5d中可看出, 甲烷的同化再预报试验偏差及均方根误差的分布情况与控制实验相比变化不大, 但值的大小得到明显降低, 同化再预报实验中甲烷的平流层最大偏差小于±0.2 ppmv, 均方根误差小于0.1 ppmv.
图 5(Fig. 5)
 |
| 图 5 全球纬向平均偏差(彩色)、均方根误差(实线)随高度的变化 (a.臭氧控制试验, b.臭氧再预报试验, c.甲烷控制试验, d.甲烷再预报试验) Fig. 5The mean of global latitude-height cross section of the change in BIAS(colors) and RMSE(black line) (a.O3 control test, b.O3 re-forecast test, c.CH4 control test, d.CH4 re-forecast test) |
这表明与模式本身预报效果相比, 使用EnSRF同化系统计算获得的分析集合进行预报, 臭氧与甲烷的预报集合均值更加接近于观测资料, 证明该系统可有效提高模式不同高度及不同区域臭氧、甲烷的预报效果.
为更加直观地反映在平流层顶层臭氧同化效果较其它高度不同的现象, 对平流层高度上控制实验及同化再预报实验中的臭氧全球平均偏差随高度变化进行分析.如图 6a所示, 臭氧在5 hPa以上高度的控制试验与同化再预报试验均方根误差几乎重合, 表明系统未能有效改进平流层顶-中间层高度臭氧在气候模式(CESM)中的预报效果.为研究导致这一现象的原因, 定义观测权重(Observation Weight, OW)作为集合平方根滤波同化计算中信任观测的程度.则有：
 | (6) |
图 6(Fig. 6)
 |
| 图 6 臭氧控制试验及同化再预报均方根误差(a)和观测权重(OW) (b)随高度变化 Fig. 6The RMSE ofozonein the control experiment and the assimilation experiment change with pressure(a) and the observation weight(OW) change with pressure(b) |
由图 6b可知, 观测权重在10 hPa以上高度随高度升高而降低, 尤其是5 hPa以上高度, 明显较其它高度小, 处于0.001量级, 表明在这些高度上集合成员的离散程度过低, 使用蒙特卡罗随机扰动方法生成的集合成员无法准确地捕捉到模式在5 hPa以上高度的预报不确定性, 进而导致在这些高度上的同化计算过程中更加相信背景场, 观测的贡献很少.Geer等(2006)也得到了类似的结论：在平流层顶及以上高度臭氧的预报性能与同化观测资料相比, 模式中光化学模块具有更重要的作用.
4.3 同化再预报效果在不同区域的表现从图 7a中10 hPa臭氧控制预报偏差全球分布情况来看, 臭氧控制预报偏差呈现出纬向带状分布特征, 北半球除北极为负偏差外其它区域皆为正偏差, 南半球除赤道附近为正偏差外其它区域皆为负偏差, 且南极偏差程度较大, 偏差量超过1 ppmv.相比于控制试验, 同化预报偏差在全球范围内分布情况变化不大, 但对正负偏差较大的区域有很明显的改进效果(图 7b).
图 7c中500 hPa甲烷控制预报场全球范围普遍存在负偏差, 表明在该高度上CESM模式预报的甲烷含量普遍偏低.从图 7d中可看出, 全球不同区域的甲烷同化再预报偏差小于控制预报偏差, 对控制试验中偏差较大的北半球改进效果最明显, 表明该系统可有效地提高CESM模式模拟全球范围臭氧与甲烷的准确性.
4.4 同化再预报效果随时间的变化随着循环同化进行, 利用不同时刻的观测资料持续对背景场进行更新, 若可利用的观测资料数量不变、观测资料无误差, 得到的分析场会愈来愈接近于大气的真实状态.而实际情况中不同时间的观测资料缺测情况不稳定且存在观测误差, 此外, 模式本身也存在误差, 此外, 同化效果随时间的变化变得很复杂.为此, 定义控制预报绝对偏差与同化再预报绝对偏差之间的相对误差作为同化对预报的改进程度(同化改进率IR), 以此对同化对预报改进能力随时间的变化进行分析.
图 7(Fig. 7)
 |
| 图 7 臭氧(10 hPa)与甲烷(500 hPa)控制实验偏差与同化再预报实验偏差全球分布情况 (a.臭氧控制试验, b.臭氧再预报试验, c.甲烷控制试验, d.甲烷再预报试验) Fig. 7Distribution of the O3 forecast BIAS at 10 hPa and the CH4 forecast BIAS at 850 hPa in the control experiment and the re-forecast experiment (a.O3 control test, b.O3 re-forecast test, c.CH4 control test, d.CH4 re-forecast test) |
4.4.1 平流层同化改进率随时间的变化平流层平均的臭氧、甲烷同化改进率皆随时间增加而增强, 且会逐渐趋于稳定.图 8a表明, 臭氧平流层平均同化改进率在循环同化5个时次(每时次6 h)的观测资料后达到稳定, 改进率由同化1个时次观测资料的42%增加到52%.图 8b表明, 平流层甲烷平均同化改进率由同化1个时次观测资料的48%增加到同化9个时次观测资料的70%并趋于稳定.
4.4.2 对流层同化改进率随时间的变化臭氧对流层平均的同化改进率随循环同化的进行而有小幅度的降低趋势, 同化7次观测资料后稳定在35%附近(图 9a).图 9b显示, 对流层甲烷的平均同化改进率随循环同化的进行变化不大, 表明同化过程中引入对流层甲烷及臭氧观测资料, 可有效改进预报效果, 但改进能力并未得到增强.导致这一现象的原因可能是蒙特卡罗随机扰动获取的集合成员无法准确反映模式中对流层臭氧与甲烷的预报不确定性(Wu et al., 2008), 以及与对流层观测误差偏大、缺测较多等原因有关(Wargan et al., 2005).
图 8(Fig. 8)
 |
| 图 8 臭氧(a)、甲烷(b)平流层平均同化改进率随时间的变化 Fig. 8Mean of the IR at the stratosphere(a.O3, b.CH4) |
图 9(Fig. 9)
 |
| 图 9 臭氧(a)、甲烷(b)对流层平均同化改进率随时间的变化 Fig. 9Mean of the IR at the troposphere (a.O3, b.CH4) |
5 结论(Conclusions)为提高气候模式中甲烷、臭氧的预报效果, 基于集合平方根滤波同化方法(EnSRF)及地球系统模式(CESM)联合构建的同化预报系统, 将AIRS卫星的臭氧及甲烷观测资料同化到气候模式中, 并设计循环同化试验, 对同化改进效果进行系统分析, 结果表明：
1) 分析场中不同高度上臭氧、甲烷的平均偏差及均方根误差均得到改善, 说明EnSRF同化系统有效地利用了臭氧及甲烷的卫星观测资对背景场进行改善.
2) 同化再预报试验中臭氧与甲烷偏差、均方根误差均小于控制试验, 表明同化预报系统(CESM-EnSRF)可有效提高甲烷在CESM模式中的预报效果, 且改进效果主要集中在平流层高度.
3) 在对流层顶-中间层(5~0.1 hPa)高度, 同化臭氧卫星观测资料对模式的再预报效果改进能力有限.在这些高度上, 同化计算过程中更加相信背景场, 观测的贡献很少, 表明在这些高度上模式中臭氧的准确预报更加依赖于模式本身的性能, 同化观测资料的效果并不明显.
4) 由同化再预报试验中10 hPa臭氧与500 hPa甲烷全球不同区域的偏差皆小于控制试验可知, 该系统可有效地提高气候模式模拟全球范围臭氧与甲烷的准确性.
5) 随循环同化的进行, 同化到模式中的臭氧与甲烷观测资料逐渐增多, 使得平流层臭氧与甲烷的同化再预报效果得到加强, 但由于模式本身及观测资料皆存在误差, 导致同化改进率在循环同化后期逐渐趋于稳定.而臭氧与甲烷的对流层平均同化改进率随循环同化的进行变化不大, 这可能与对流层的观测误差较大、缺测情况严重, 以及系统中的扰动方法无法准确地反映该高度上模式预报的不确定性等原因有关, 具体原因还需进一步的研究.
参考文献
| Anderson J L, Anderson S L. 1999. A Monte Carlo implementation of the nonlinear filtering problem to produce ensemble assimilations and forecasts[J]. Monthly Weather Review, 127(127): 2741–2758. |
| 程麟钧, 王帅, 宫正宇, 等. 2017. 中国臭氧浓度的时空变化特征及分区[J]. 中国环境科学, 2017, 37(11): 4003–4012.DOI:10.3969/j.issn.1000-6923.2017.11.001 |
| Derber J C, Parrish D F, Lord S J. 1991. The new global operational analysis system at the national meteorological center[J]. Weather and Forecasting, 6: 538–547.DOI:10.1175/1520-0434(1991)006<0538:TNGOAS>2.0.CO;2 |
| Errera Q, Daerden F, Chabrillat S, et al. 2008. 4d-var assimilation of MIPAS chemical observations:ozone and nitrogen dioxide analyses[J]. Atmospheric Chemistry and Physics, 8(20): 6169–6187.DOI:10.5194/acp-8-6169-2008 |
| Gantt B, He J, Zhang X, et al. 2014. Incorporation of advanced aerosol activation treatments into CESM/CAM5:model evaluation and impacts on aerosol indirect effects[J]. Atmospheric Chemistry and Physics, 14(14): 7485–7497.DOI:10.5194/acp-14-7485-2014 |
| Geer A J, Lahoz W A, Bekki S, et al. 2006. The ASSET intercomparison ozone analyses:Method and first results[J]. Atmospheric Chemistry and Physics, 6: 5445–5474.DOI:10.5194/acp-6-5445-2006 |
| Gent P R, Danabasoglu G, Donner L J, et al. 2011. The community climate system model version 4[J]. Journal of Climate, 24(19): 4973–4991.DOI:10.1175/2011JCLI4083.1 |
| 何立, 黄永磷. 2006. MODIS 1B数据基于反距离权重的插值方法研究[J]. 气象研究与应用, 2006, 27(a01): 80–81. |
| He J, Zhang Y, Glotfelty T, et al. 2015. Decadal simulation and comprehensive evaluation of CESM/CAM5.1 with advanced chemistry, aerosolmicrophysics, and aerosol-cloud interactions[J]. Journal of Advances in Modeling Earth Systems, 7(1): 110–141.DOI:10.1002/2014MS000360 |
| Houtekamer P L, Zhang F Q. 2016. Review of the ensenmble Kalman filter for atmospheric data assimilation[J]. Monthly Weather Review, 144: 4489–4532.DOI:10.1175/MWR-D-15-0440.1 |
| Houtekamer P L, Mitchell H L. 2001. A sequential ensemble Kalman filter for atmospheric data assimilation[J]. Monthly Weather Review, 129(1): 123–137.DOI:10.1175/1520-0493(2001)129<0123:ASEKFF>2.0.CO;2 |
| Hoffman R N, Kalnay E. 1983. Lagged average forecasting, an alternative to Monte-Carlos forecasting[J]. Tellus, 35A: 100–118.DOI:10.1111/tela.1983.35A.issue-2 |
| Lehner F, Joos F, Raible C C, et al. 2015. Climate and carbon cycle dynamics in a CESM simulation from 850 to 2100 CE[J]. Earth System Dynamics, 6: 411–434.DOI:10.5194/esd-6-411-2015 |
| 李熠, 陈幸荣, 谭晶, 等. 2015. 基于CESM气候模式的同化模拟试验[J]. 海洋预报, 2015, 32(3): 1–12. |
| Li H, KalnayE, Miyoshi T. 2009. Simultaneous estimation of covariance inflation and observation errors within ensemble Kalman filter[J]. Quarterly Journal of the Royal Meteorological Society, 135: 523–533.DOI:10.1002/qj.v135:639 |
| 刘寅. 2015. 卫星臭氧资料的质量控制与同化及其对热带气旋模拟的影响研究[D]. 南京: 南京信息工程大学 |
| 卢冰, 刘娟娟, 王斌, 等. 2013. DRP-4DVar方法同化AIRS反演资料在一次江淮流域暴雨中的应用[J]. 气候与环境研究, 2013, 18(5): 562–570. |
| Nakamura T, Akiyoshi H, Deushi M, et al. 2013. A multimodel comparison of stratospheric ozone data assimilation based on an ensemble Kalman filter approach[J]. Journal of Geophysical Research:Atmospheres, 118: 3848–3868.DOI:10.1002/jgrd.50338 |
| Michaela I, Hegglin T G, Shepherd. 2009. Large climate-induced changes in ultraviolet index and stratosphere-to-troposphere ozone flux[J]. Nature Geoscience, 2: 687–691.DOI:10.1038/ngeo604 |
| 闵锦忠, 毕坤, 陈耀登, 等. 2013. 基于物理约束扰动的EnSRF雷达资料同化[J]. 大气科学学报, 2013, 36(2): 129–138.DOI:10.3969/j.issn.1674-7097.2013.02.001 |
| 闵锦忠, 车渌, 郭亚凯. 2016. 基于自动站资料的WRF-EnSRF陆面同化系统的效果检验及应用[J]. 大气科学学报, 2016, 39(3): 318–328. |
| 潘晨. 2013. 利用WACCM4模式对平流层大气组成的模拟研究[D]. 南京: 南京信息工程大学 |
| 浦静姣, 徐宏辉, 顾骏强, 等. 2013. 气象因素对长三角背景地区甲烷浓度的影响分析[J]. 环境科学, 2013, 34(3): 835–841. |
| 钱永甫. 1987. 温压场垂直插值若干方法的检验及静力学关系的新形式[J]. 高原气象, 1987, 6(1): 21–30. |
| Rabier F, Mcnally F, Andersson E, et al. 1998. The ECMWF implementation of three-dimensional variational assimilation(3D-Var)2:Structrue functions[J]. Quarterly Journal of the Royal Meteorological Society, 124: 1809–1829.DOI:10.1002/(ISSN)1477-870X |
| 唐晓, 朱江, 王自发, 等. 2013. 基于集合卡尔曼滤波的区域臭氧资料同化试验[J]. 环境科学学报, 2013, 33(3): 796–805. |
| 汪自军, 陈圣波, 吕航, 等. 2010. 大气臭氧不同量纲之间的转换[J]. 气象与环境学报, 2010, 26(2): 63–67.DOI:10.3969/j.issn.1673-503X.2010.02.012 |
| Wang Z Y, Li Y, Liu B, et al. 2015. Global climate internal variability in a 2000-year control simulation with Community Earth system model(CESM)[J]. Chinese Geographical Science, 25(3): 263–273.DOI:10.1007/s11769-015-0754-1 |
| Wang J, Mannino S. 2014. Assimilation of atmospheric methane products into the MACC-Ⅱsystem:fromSCIAMACHY to TANSO and IASI[J]. Atmospheric Chemistry and Physics Discussions, 14(12): 6139–6158.DOI:10.5194/acp-14-6139-2014 |
| Wargan K, Stajner I, Pawson S, et al. 2005. Assimilation of ozone data from the michelson interferometer for passive atmospheric sounding[J]. Quarterly Journal of the Royal Meteorological Society, 131(611): 2713–2734.DOI:10.1256/qj.04.184 |
| Wu L, Mallet V, Bocquet M, et al. 2008. A comparison study of data assimilation algorithms for ozone forecasts[J]. Journal of Geophysical Research:Atmospheres, 113(D20).DOI:10.1029/2008JD009991 |
| Whitaker J S, Hamill T M. 2003. Ensemble data assimilation without perturbed observations[J]. Monthly Weather Review, 130: 1913–1924. |
| Zhang F, Snyder C, Sun J. 1989. Impacts of initial estimate and observation availability on convective scale data assimilation with an ensemble Kalman filter[J]. Monthly Weather Review, 132(5): 1238–1253. |
| Zhang S, Zheng X, Chen J M, et al. 2015. A global carbon assimilation system using a modified ensemble Kalman filter[J]. Geoscientific Model Development, 8(3): 805–816.DOI:10.5194/gmd-8-805-2015 |
| 张兴赢, 周敏强, 王维和, 等. 2015. 全球卫星大气成分遥感探测应用进展及其展望[J]. 科技导报, 2015, 33(17): 13–22.DOI:10.3981/j.issn.1000-7857.2015.17.001 |
| 庄照荣, 薛纪善, 李兴良. 2011. GRAPES集合卡尔曼滤波资料同化系统Ⅰ:系统设计及初步试验[J]. 气象学报, 2011, 69(4): 620–630. |
| 周智敏, 李芳, 曾晓东, 等. 2017. 对流层臭氧影响植被研究进展:观测、参数化方案及应用[J]. 气候与环境研究, 2017, 22(5): 613–622. |
