基于混合层模型反推Argo表层温度和盐度

赵鑫，李宏，2，刘增宏，许建平，孙朝辉，卢少磊

（1.浙江省水利河口研究院，浙江　杭州　310020；2.卫星海洋环境动力学国家重点实验室，浙江　杭州　310012；3.国家海洋局第二海洋研究所，浙江　杭州　310012）

基于混合层模型反推Argo表层温度和盐度

赵鑫1，李宏1，2，刘增宏2，3，许建平2，3，孙朝辉3，卢少磊3

（1.浙江省水利河口研究院，浙江杭州310020；2.卫星海洋环境动力学国家重点实验室，浙江杭州310012；3.国家海洋局第二海洋研究所，浙江杭州310012）

提出了海表温度（SST）和海表盐度（SSS）可统一由混合层深度内对应的平均温、盐度作零阶近似的理论假设，据此利用Chu等提出的最大角度法构建混合层模型，并考虑障碍层和补偿层的影响，得到合成的混合层深度，从而实现了基于混合层模型反推SST和SSS。以太平洋海域为例，分别利用WOA13气候态（1-12月）资料、TAO逐年逐月资料以及历史船载CTD资料检验了这一假设。不同资料检验结果均表明，反推得到的SST、SSS与实测值相关性较高，两者之间残差也较小。将此方法应用于Argo剖面，反推出对应的SST和SSS，并利用逐步订正法对散点资料进行客观分析，生成2004年1月-2014年12月逐年逐月的1°×1°的网格化SST和SSS。对网格资料进行检验，结果发现由Argo反推的SST和SSS气候态分布特征与WOA13资料非常相似，差异不大；与TAO实测资料相关性较好，甚至略高于同类型网格资料与TAO资料的相关系数；EOF分析表明，无论是空间还是时间的主要变化模态，与同类型的网格资料符合性较好。综合来看，构建的混合层模型可以用于Argo表层温、盐度的反推，获得较高质量的SST和SSS，能较好弥补Argo缺乏表层资料的不足。

混合层模型；Argo；最大角度法；海表温度；海表盐度；反推

20世纪90年代末美国和日本等国的科学家发起了国际 Argo（Array for Real-time Geostrophic Oceanography） 计划，设想在全球大洋中每隔300 km（空间分辨率3°×3°）布放一个自持式拉格朗日剖面观测浮标，总计为3 000个左右，组成一个庞大的Argo全球海洋观测网，以获取准实时、大范围、高分辨率的全球海洋资料（许建平，2002）。目前全球Argo海洋观测网已经全面建成（许建平等，2007），温盐度剖面数量在2012年11月已经超过了100万条，而且仍以每年超过10万条剖面的速度在递增。Argo温、盐度剖面资料为研究气候变化（Roemmich et al，2012）、海平面上升（Cazenave et al，2008）、大洋环流（Gray et al，2014）、ENSO监测（Levitus et al，2012）等提供了极为丰富的信息。

由于常规Argo浮标只能在5 m以深进行采样，尽管近些年投放的带有表层CTD传感器的Argo剖面浮标可以高分辨率地观测到0～5m层的近表层（Near Sea Surface，NSS）温、盐度，但观测数量非常有限，因此目前国际上的各类Argo网格资料基本没有包含海表温度（SST）和海表盐度（SSS）信息。

再者，虽然卫星遥感SST极为丰富，但是由于各种传感器的性能不同，海洋在不同时空尺度下变化非常复杂等原因，目前为止还没有建立起一套准确可靠、高时空分辨率的全球SST产品（Alvera et al，2011），更为重要的是，遥感测得的SST（表皮水温）本身也是一种反演数据，而非实测资料。一般来说其反演得到的SST只是海洋表层1 mm（微波遥感测量）甚至10 μm（红外遥感测量）薄层内的温度值（Donlon et al，2009），这与用常规观测仪器在0.2～2 m深处测得的“表层温度“有很大差异（侍茂崇等，2002）。在低风速的海面，海表面白天的暖层效应（diurnal warm-lay）可以使SST升高1℃～2℃，而冷皮层效应会使SST降低0～1℃（Donlon et al，2002；Merchant et al，2008；FairallL et al，1996），并且这种温度的变化很难传递到海面以下，从而使得遥感反演的SST与常规仪器测量的SST有较大差异。为了弥补这一缺陷，最基础但也最重要的工作之一就是对不同传感器反演的SST产品进行检验评估，以确保它们之间的有效融合（Castro et al，2008）。同时，测量SSS的卫星（The European Space Agency’s（ESA’s）Soil Moisture and Ocean Salinity SMOS） 业已 升空（Bruno et al，2012），利用Argo资料评估SMOS提供的SSS等方面的工作也相继展开（Boutin et al，2012）。

其次，国际上通过次表层温、盐度反推对应SST和SSS的研究工作，目前并不多见，张春玲等（2014）对Argo次表层温度反推表层温度进行了有益探索。以往的研究都是集中在通过遥感SST反推次表层温度上面，这归因于遥感SST比现场测量资料获取更为方便且时空分辨率更高这一事实。国际Argo计划的出现，改变了这一局面，Argo浮标对次表层深度内的温盐度采样深度和广度，是以往任何常规测量仪器都无法比拟的，但不足之处在于Argo浮标缺乏表层观测资料。

综上，开展反推Argo剖面对应SST和SSS方法的研究具有重要的科学意义。反推得到的SST和SSS能够有效弥补Argo表层资料不足的缺陷，同时极大丰富海洋常规仪器对海洋表层信息的描述能力，为建立海洋表层信息融合提供有力的参考依据。

1　资料

1.1Argo剖面资料

选用的Argo资料来自中国Argo实时资料中心（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温、盐度剖面资料，且均已经过各国Argo资料中心实时和延时质量控制，在此基础上，仍有些存在质量问题，本文按照李宏等（2011，2012，2013）的方法进一步对资料进行必要的质量控制，确保原始资料的质量。

1.2同类型Argo网格资料SST和SSS

国际 Argo计划网站 （http：//www.argo.ucsd. edu/Gridded_fields.html）提供了许多利用Argo剖面资料开发的网格化产品，本文主要利用这些资料集的表层信息。这里选用两种资料集：一种是Scripps海洋研究所构建的2004年1月-2014年12温、盐度网格资料（Roemmich et al，2009） （以下简称“Roemmich_Argo”资料），其水平分辨率为1°×1°，垂向分为2.5～2 000 dbar不等的58层。该资料集通过如下方式获取：首先将所有Argo温、盐度剖面资料利用Loess客观分析法构建出气候态初始场，然后用最优插值法订正这一初始场，获得逐年逐月温、盐度异常场，且资料集垂向最浅为2.5 dbar；另外一种是美国夏威夷大学亚洲-太平洋数据研究中心构建的2005年1月-2014年12月的温、盐度网格资料（以下简称“IPRC_Argo”资料），其水平分辨率为1°×1°，垂向最浅为0 m。该资料集通过变分插值法获取，且原始资料包括Argo剖面及海面动力高度资料。本文视这两种网格资料垂向最浅层的温、盐度值为对应SST和SSS，目的是作为Argo表层温盐度网格资料的检验对比资料。

1.3WOA13气候态资料

美国大气海洋局国家海洋数据中心（NOAA/ NODC）推出的WOA系列资料目前的最新版本为WOA13（Locarnini et al，2013；Zweng et al，2013）（来 源 于http：//www.nodc.noaa.gov/OC5/woa13/ woa13data.html），该资料集包含全球海洋（180°W-180°E，90°S-90°N）温度、盐度等变量，水平分辨率为1°×1°，垂向0～5 500 m为间隔不等的102层，垂向分辨率较以往的WOA系列资料有了较大提高。该资料主要用于作为气候态（1-12月平均）资料集的代表来检验混合层模型反推SST和SSS方法的可靠性。

1.4TAO/TRITON锚系观测资料

TAO/TRITON锚系阵列（McPhaden et al，1998）（以下简称TAO）（来源于http：//www.pmel.noaa.gov/ tao/index.shtml）在太平洋海域0°，147°E站位（以下简称E站）温度和盐度资料序列较为完整，故本文选用该站点的逐月平均（2004年1月-2011年12月）的温、盐度资料。其温度和盐度垂向分层为1、25、50、75、100、125、150、200、250、300、500、750 m，本文将据此分层作为月平均资料集的代表来检验混合层模型反推SST和SSS方法的可靠性。

1.5船载CTD资料

历史船载CTD测量资料由法国Coriolis资料中心提供，其作为Argo延时资料质量控制的参考数据集，具有较高的质量。观测时间为1974-2007年。本文在使用之前，剔除了明显不合理的观测剖面。该CTD资料的垂向分辨率比较精细，一般可以达到1～2 m。该资料主要用于作为原始观测资料（未做任何时间尺度内的平均）的代表来检验混合层模型反推SST和SSS方法的可靠性。

2　SST、SSS反推方法

2.1SST和SSS的深度标准

叶安乐等（1992）认为，常规观测仪器在0～ 3 m深处测得的温度可作为海洋“表层温度“的代表，而侍茂崇等（2002）则将这一深度标准取为0.2～2 m。最为经典的对历史上全球海洋所有常规仪器测量的温、盐度剖面进行客观分析而生成的Levitus（1982）网格资料所包含的SST和SSS，则是将所有0～2.25 m深度以内的温、盐度观测资料视为对应的SST和SSS（与Boyer的个人通讯）。

同时，目前使用较为广泛的网格化SSS产品，比较有代表性的有法国Delcroix等（2011）和日本Ishii等（2006）研制的逐年逐月SSS产品，这些格点资料都是对实测盐度资料进行客观分析而成，且一般将10 m以浅的所有盐度观测视为对应的SSS。

综上，本文对SST和SSS深度标准统一取为0.2～2.25 m水深内对应的温、盐度值，若有多个观测，则取其平均值。下文所有涉及到检验的TAO和CTD资料的SST和SSS均是基于这一深度标准（由于WOA13资料有0 m层温、盐度资料，则直接视为对应SST和SSS）。

2.2混合层内部平均温度（盐度）与SST（SSS）的关系

混合层内，海水混合均匀，无论是温度或者盐度，变化都较小，Chu等（1997a；1997b）已经建立通过表征次表层与表层温度函数关系的温度参数模型，该模型是将温度剖面理论化，通过5个参数即可确定一个温度剖面。构建该模型的目的是在缺乏表层观测时，利用海表观测信息来分析次表层温度结构，当然，该模型用到的假设之一即为混合层内部温度是均匀一致的。另外，Delcroix等（2011）利用0～10 m的WOD09、TAO、Argo以及相关现场测量盐度资料进行客观分析，合成获得SSS网格资料，资料效果较好。

由此，本文提出假设：SST和SSS可由混合层深度内对应的平均温度、盐度作零阶近似，即零阶近似基本可以刻画SST和SSS气候态的分布特点。当然，若进一步考虑风速、热通量、淡水通量、局地对流扩散和垂向挟卷等过程 （Audrey et al，2013），将能刻画时间尺度更小（时间尺度短于天平均）的变化特征，从而获得更为真实的SST和SSS，本文暂不考虑这些复杂的物理过程，由此获取的SST和SSS为时间尺度稍大（时间尺度为月平均甚至更长）的分布特征。

2.3混合层模型

本文的混合层模型是为了较为客观地刻画其对应深度内的平均温盐度，使其与真实的表层温度盐度尽最大可能吻合，因此，选用一种不依赖于阈值的混合层模型更为恰当，选用Chu等（2011）提出的最大角度法来计算混合层深度。

在等密度层与跃层交界处，角θk达到最大值。由此可以确定混合层深度（θk→max，HD→-zk）。在实际应用中，θk较难反推，用正切值来代替，即：

其中，G1≈0为混合层的垂向梯度，G2为跃层梯度。由给定的拟合系数可得，

当观测剖面为温度时，只需将拟合矢量Vector-1，Vector-2改变方向，其原理与密度剖面相同。

需要指出的是：在大部分海域，由于存在较强的温跃层，由温度剖面反推的混合层深度，一般叫等温层（Isothermal Layer Depth，ILD），与由密度剖面反推的混合层深度（MLD）是一致的，但是在一些区域如赤道西太平洋和南半球高纬度海区，ILD和MLD则有很大的差异，所以在这些地方只采用密度或温度反推会造成反推的混合层深度有很大的差异（Boyer et al，2007）。若ILD大于MLD，则存在障碍层 （Barrier Layer，BL），障碍层厚度（Barrier Layer Thickness，BLT）为（ILD-MLD）；若ILD小于MLD，则存在补偿层 （Compensated Layer，CL），补偿层厚度（Compensated Layer Thickness，CLT）为（MLD-ILD）。由此，本文反推的混合层综合考虑障碍层和补偿层的存在，得到的是合成混合层深度。

2.4SST、SSS反推步骤

对所有的温盐度剖面资料，首先在垂向上利用Akima插值法（Akima，1970）统一插值到2 m间隔层，其次根据《UNESCO技术手册》 （Scor Working Group 51，1998）上的公式计算出温度、盐度对应深度上的密度值。以10 m为参考层，对温度和密度剖面利用最大角度法分别计算出ILD和MLD，判断BL和CL是否存在，据此得到合成MLD，取每个观测剖面10 m到合成混合层深度内的温、盐度平均值作为反推的SST和SSS最后，将反推值与实测值进行比较，通过相关分析，误差分析定量检验反推值的精度。

2.5模型结果检验

在利用混合层模型反推Argo表层温度和盐度之前，必须首先用本身包含SST和SSS的实测剖面资料进行检验，以定量描述混合层模型的可靠性。这里选择WOA13气候态（1-12月）资料（作为多年平均资料的代表）、TAO多年月平均观测资料（定点观测，作为逐年逐月平均资料的代表）以及收集到的历史船载CTD资料（作为原始观测、未进行任何时间平均资料的代表）来进行检验。对这三种观测资料的每一个垂向观测剖面，利用混合层模型反推出SST和SSS，并与对应剖面的实测SST和SSS进行比较。

2.5.1WOA气候态资料检验

表1给出了由WOA13气候态1-12月反推值与实测值进行线性回归分析后的结果，所有的显著方程均已通过95%的置信检验（下同）。作为对比，将WOA13资料10 m层的温、盐度也与对应的SST和SSS做相关分析。表中可见，由混合层模型得到的反推值与实测值，其中SST相关系数为0.999 93～0.999 96，平均残差为0.033 28℃～0.069 14℃；SSS相关系数为0.997 87～0.998 93，平均残差为0.028 09～0.032 88。可见，无论是温度还是盐度，均超过10 m层温度盐度与对应SST和SSS的相关性，并且对温度来说，大部分月份的温度残差也小于10 m层温度与SST相关分析所得残差。这或许说明一个事实，对气候态资料而言，利用混合层模型反推出的SST和SSS比直接用10 m深度的观测资料融合成为对应SST和SSS相对来说更为准确。

表1　太平洋海域WOA13资料10m层温、盐度及反推SST、SSS与对应实测SST、SSS相关关系

2.5.2TAO逐年逐月资料检验

图1给出了反推值与实测值的逐年逐月时间序列，可见，反推值与实测值随时间的变化趋势相当吻合，且年际和季节波动信号较为一致。两者SST相关系数为0.89，误差（反推值-实测值）为-0.066℃～0.084℃，SSS相关系数为0.96，误差为0.02～0.57。TAO资料检验表明，反推值与实测值相关性较好，误差也较小。当然，由于TAO资料的温、盐度剖面资料垂向分辨率较低，由此反推值与实测值的相关系数不及WOA13气候态资料对应的相关系数。

图1　太平洋E站反推与实测值逐月分布（A）：SST，（B）：SSS

2.5.3历史船载CTD资料检验

Coriolis资料中心提供历史船载CTD资料，资料以10°×10°在空间存储，资料的详细站位见图2。图2可见，船载CTD在北太平洋较多，而南太平洋偏少，下文计算选取每个10°×10°方区内CTD多于100个（每隔1°存在一个资料）的方区，以保证足够的资料量，代表性更强。

图2　太平洋海域船载CTD观测剖面的空间分布

图3-4给出了所有反推SST、SSS与实测SST、SSS的相关，SST相关系数0.999 86，平均残差0.08°C，SSS相关系数0.995 76，平均残差0.04。图5给出误差随纬度的分布，在北太平洋副热带地区（10°N-20°N）误差相对较小，且几乎所有点均落在3倍标准（对应为图5中上下直线）差范围内。对所有的船载CTD观测资料，统计表明：SST误差的平均值为-0.06°C，标准差为0.137°C，SST误差在0.137°C（1倍标准差）、0.264°C（2倍标准差）和0.401°C（3倍标准差）的点分别占88.1%、96.6%和98.5%；SSS误差的平均值为0.028，标准差为0.096，SSS误差在0.096（1倍标准差）、0.192（2倍标准差）和0.278（3倍标准差）的点分别占93.4%、96.9%和98.2%。说明，对高垂向分辨率的历史船载CTD资料而言，由混合层模型推算获得的SST和SSS具有较高的精度。

图3 太平洋海域所有CTD观测点位反推SST与实测SST线性回归分析

图4　同图3，但对应于SSS

图5 所有位置反推误差随纬度变化，（A）：SST，（B）：SSS

3　Argo网格SST、SSS资料及其检验

上文通过不同时间尺度的资料检验了混合层模型反推得到的SST和SSS具有较高精度，由此可以将该模型用于Argo剖面资料的反推。根据模型反推出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，但对应位置Argo无实测SST和SSS，无法直接比较检验。因此，依据李宏等（2012；2013）采用逐步订正法，将散点的SST和SSS构建成为空间分辨率为1°×1°，时间分辨率为逐年逐月（2004年1月-2014年12月）的网格资料，简称“BOA_Argo”网格资料（下同），这样方便检验。

3.1气候态大面检验

BOA_Argo网格资料集提供的气候态SST和SSS表明（对应大面分布图略），太平洋海域表层温度基本呈现纬向带状分布，自热赤道向两级逐渐递减，与太阳辐射关系明显（叶安乐等，1992）；而盐度呈现“马鞍型”的分布态势（叶安乐等，1992），南北副热带地区盐度较高，两级海域盐度较低，这主要与淡水通量分布特征相对应。

图6-7分别给出了太平洋海域BOA_Argo网格资料的SST、SSS与WOA13对应资料差值图，可见，对SST而言，整个太平洋海域BOA_Argo比WOA13要平均高0.07°C，而西北太平洋及南太平洋热带海域，BOA_Argo比WOA13平均高0.22°C，而东太平洋及南大洋局部海域BOA_Argo资料的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两者最大差异可达1.2°C，这可能与海域本身海洋环境复杂多变有关，这一趋势与Roemmich等（2009）的结论是一致的；对SSS而言，整个太平洋海域BOA_Argo要平均高出WOA13资料0.02，在南北太平洋副热带海域，BOA_Argo要高于WOA13，平均高出0.08，其他海域BOA_Argo提供的SSS则低于WOA13，平均低于0.04。总体来说，BOA_Argo提供的SST和SSS与WOA13的差异性不大。

图6　太平洋海域SST差值（BOA_Argo-WOA13）

图7　同图6，但对应于SSS

3.2单站点时间序列对比

在太平洋海域选取3个TAO/TRITON锚系资料代表点，分别为赤道东太平洋海域E站（0，147°E），西南太平洋WS站（5°S，156°E）和东北太平洋EN站（9°N，140°W）的逐月（2004年1月-2014年12月）SST和SSS信息。计算不同SST和SSS与TAO观测的相关系数。

图8　E站不同数据集时间序列分布（A）：SST（B）：SSS

图8为E处逐月SST和SSS变化情况，从图可见，3种不同的网格资料与TAO资料符合性都较好，能够较好反映出年际及季节变化信号，BOA_Argo、Roemmich_Argo及IPRC_Argo与TAO资料的相关系数：SST之间分别为0.87、0.85、0.87，SSS之间则分别为0.91、0.91、0.88。

WS站处（图略）不同资料均表现出更多的小尺度波动信号。BOA_Argo、Roemmich_Argo及IPRC_Argo与TAO资料的相关系数：SST之间分别为 0.88、0.85、0.93，SSS之间则分别为 0.84、0.85、0.86。EN站处（图略）TAO温度测量资料只到2012年，而盐度只有2004-2005年部分月份的资料，而IPRC-Argo也从2005年开始，因此对SSS资料而言，IPRC-Argo和TAO不作相关分析。BOA_Argo、Roemmich_Argo及IPRC_Argo与TAO资料的相关系数：SST之间分别为0.95、0.96、0.94，SSS之间则分别为0.87、0.79、—。对SST而言，3种网格资料与TAO资料相关性都较好，对SSS而言，BOA_Argo与TAO资料的相关性要高于Roemmich_Argo与TAO资料的相关性。

3.3EOF分析

如图10-11分别给出了不同SST资料异常值（2005年 1月-2014年 12月） （BOA_Argo，Roemmich_Argo） 的 4个主要 EOF空间模态，IPRC_Argo对应图在此略去（下同）。图12为对应的时间主成分随时间变化曲线；限于篇幅，SSS对应的EOF空间模态和时间主成分随时间变化图在此略去。

图10　BOA_Argo资料SST空间主要EOF模态

图11 同图10，对应为Roemmich_Argo资料

图12　太平洋海域不同SST资料对应EOF 4个主要模态时间主成分

从图10-11可见，各网格资料给出的SST的4个模态都非常相似：其中SST的第一模态空间信号基本以赤道为界向两极海域逐步变强，呈现纬向带状变化特征，且北太平洋日本以东海域黑潮与亲潮两大冷暖流系延伸处变化尤为显著，南太平洋智利海盆海域（30°S-40°S，110°W-90°W）同样信号较为显著。BOA_Argo与 Roemmich_Argo及IPRC_Argo提供的SST空间第一模态相关系数分别为0.998 7和0.993 3（表2）。在时间序列中，相关性也较好，相关系数分别为0.999 4和0.999（表2）。从时间序列的走向来看，第一模态表现的非常显著的年（12个月）周期变化，波动信号较强。SST的EOF第一模态，不同资料表现出方差贡献率都超过90%（表略）；SST的第二模态则有所不同，在赤道东太平洋海域5°S-5°N，150°W-90° W），空间函数值较高，达到0.02以上。BOA_Argo与Roemmich_Argo及IPRC_Argo提供的SST空间第二模态相关系数分别为0.972 5和0.967 5，时间序列相关系数则分别为0.963 7和0.976 6，第二模态表现出更多短周期变化，显著周期包括4个月、1 a；第三、四模态空间结构与一二模态完全不同，限于篇幅在此不做过多描述。

同样，各网格资料给出的SSS 4个模态都非常相似（图略），但相对于SST，SSS的空间变化模态则复杂得多：第一模态空间信号同样以赤道海域（5°S-5°S）为分界，赤道海域表现出较大的正空间函数值，而南北太平洋热带海域表现出较为显著的负空间函数值。BOA_Argo与Roemmich_Argo及IPRC_Argo提供的空间第一模态相关系数分别为0.9241和0.9121，时间序列的相关系数分别为0.9829和0.9874（表2）。SSS时间序列走向与SST一样，第一模态存在非常显著的1年（12个月）周期变化，同时还表现出3年的周期变化信号。SSS的第二模态空间函数值的主要分布特点是热带太平洋海域为显著，以160°W为界，东西尺度太平洋分别表现出正负空间函数值。BOA_Argo与Roemmich_Argo及IPRC_Argo提供的SSS空间第二模态相关系数分别为0.3231和0.9270，时间序列相关系数则分别为0.3808和0.9727。第二模态显著周期包括1a、3a；第三、四模态空间结构表现出小尺度变化信号更为显著，在此不做过多描述。

综合分析可以看出，BOA_Argo的SST和SSS的EOF时空模态与同类型的网格资料较为一致，相关性较高，说明资料集能够真实的反映太平洋海域时空变化特点。

表2　不同资料集SST、SSS主要EOF模态时间主成分相关系数

4　结论

本文以太平洋（60°S-60°N，120°E-70°W）为研究区域，研究了提出的基于混合层模型的Argo表层温、盐度反推新方法，通过不同时间尺度的资料检验了该方法的可靠性，并将该方法用于2004年1月-2014年12月太平洋海域所有Argo剖面的反推，并依据逐步订正法，将反推得到散点的SST和SSS构建成为空间分辨率为1°×1°，时间分辨率为逐年逐月的网格资料，同时检验网格资料的可信度。主要结论如下：

（1）利用最大角度法构建混合层模型，并分别反推WOA13气候态（1-12月）资料、TAO单站点逐年逐月资料及船载CTD实时测量资料每个站点的合成混合层深度，并据此反推出对应SST和SSS，将反推值与实测值进行比较。检验表明：对WOA13气候态资料而言，反推与实测SST、SSS相关系数分别为0.999 93～0.999 96、0.997 87～0.998 93之间，平均残差分别为 0.033 3℃～0.069 4℃、0.028 1～0.032 9。对逐年逐月TAO资料而言，相关系数分别为0.89、0.96，平均残差分别为-0.66～0.084℃、0.02～0.57。对船载CTD资料而言，相关系数分别为0.999 86、0.995 76，平均残差分别为0.08℃、0.04。总共检验的18 879个船载CTD站点，SST误差的平均值为-0.06℃，标准差为0.137℃，误差在0.401℃点占98.5%；SSS误差的平均值为0.028，标准差为0.096，误差在0.278（3倍标准差）的点占98.2%。说明对气候态、逐年逐月平均以及实时观测等不同时间尺度的资料，由混合层模型推算获得的SST和SSS均具有较高的可信度。

（2）将混合层模型应用于Argo剖面对应SST和SSS的反推，并完成对应逐年逐月的网格资料BOA_Argo，并进行检验：总体来说，BOA_Argo与WOA13分布态势非常接近，差异性不大，BOA_Argo比WOA13温度平均高0.22℃，盐度平均高0.02。与TAO资料和同类型网格资料进行比较发现：对赤道东太平洋海域站（0°，147°E），西南太平洋站（5°S，156°E）和东北太平洋站（9°N，140°W） 而言，BOA_Argo、Roemmich_Argo及IPRC_Argo与TAO资料的相关系数温度为0.87、0.85、0.87，盐度为0.91、0.91、0.88；点WS相关系数分别为0.88、0.85、0.93，0.84、0.85、0.86。点EN相关系数分别为0.95、0.96、0.94，0.87、0.79、—。EOF分析表明反推出的SST和SSS的EOF时空模态与同类型的网格资料较为一致，相关性较高。从而再次证明由混合层模型推算获得的SST和SSS均具有较高的可信度。

以上结论充分证明了本文提出的假设，也即是：SST和SSS可由混合层深度内对应的平均温度、盐度作零阶近似，且精度较高。

当然，若进一步考虑风速、热通量、淡水通量、局地对流扩散和垂向挟卷等（Audrey et al，2013）过程，并结合更为完善的混合层模型，将能反推出更高精度的资料，将此方法应用于Argo资料的反推，可构建较高精度的SST和SSS产品，较好弥补Argo缺少表层观测的缺陷，同时也能作为遥感反演产品的评估资料。

致谢：感谢中国Argo实时资料中心免费提供研究资料！与上海海洋大学张春玲老师及国家海洋局第二海洋研究所闫运伟博士的交流，使得本文能更好完成，在此表示感谢!

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,Raphaël 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，利用客观分析法重构Argo网格资料的初步研究.国家海洋局第二海洋研究所硕士学位论文.

李宏，许建平，刘增宏，等，2012.利用逐步订正法重构Argo网格资料的初步研究.海洋通报，31（5）：46-58.

李宏，许建平，刘增宏，等，2013.全球海洋Argo网格资料集及其验证.海洋通报，32（6）：615-625.

侍茂崇，高郭平，鲍献文，2000.海洋调查方.青岛：青岛海洋大学出版社，51-52.

许建平，2002.阿尔戈全球海洋观测大探秘.北京：海洋出版社.

许建平，刘增宏，孙朝辉，等，2008.全球Argo实时海洋观测网全面建成.海洋术，27（1）：68-70.

叶安乐，李凤岐，1992.物理海洋学.青岛：青岛海洋大学出版社，68-118.

张春玲，许建平，鲍献文，等，2014.基于海温参数模型推算Argo表层温度场.海洋通报，33（1）：16-26.

（本文编辑：袁泽轶）

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

科技部科技基础性工作专项（2012FY112300）；卫星海洋环境动力学国家重点实验室开放基金（SOED1307）。

赵鑫（1978-），男，高级工程师，主要从事海洋动力数值模拟。

李宏（1986-），男，工程师，主要从事海洋资料分析及近岸数值模拟研究。电子邮箱：slvester_hong@163.com。