四套高分辨率再分析海洋-海冰资料在罗斯海和阿蒙森海的评估

黄佳 张召儒 王小乔

研究论文

四套高分辨率再分析海洋-海冰资料在罗斯海和阿蒙森海的评估

黄佳 张召儒 王小乔

(上海交通大学海洋学院, 上海 200030)

通过与海冰和水文观测数据的对比, 本研究对GLORYS2v4、ORAP5、C-GLORS和UR025.4四套全球海洋-海冰再分析资料在罗斯海和阿蒙森海进行了评估。评估要素包括气候态的海冰密集度、海冰厚度、表层温度、表层盐度、温盐垂直剖面以及混合层深度。结果表明, 在不同要素的模拟上, 同一套再分析资料的模拟表现并无一致性; 在不同海域, 同一套再分析资料模拟的表现也不一致。总体来讲, UR025.4在研究区域的海冰场模拟方面与观测更加一致, C-GLORS与观测差异较大。在水文模拟方面, 表层C-GLORS在结冰季节与WOA13资料差异较小, ORAP5与观测的偏差较大; 700 m以下各产品与观测水文数据较为吻合, 在次表层再分析资料中没有模拟明显占优的产品, 多模式平均资料能够在一定程度上减少再分析数据与观测数据间的差异。

海洋–海冰 再分析资料 海冰 水文 混合层深度 罗斯海 阿蒙森海

0 引言

罗斯海(Ross Sea, 图1)和阿蒙森海(Amun­dsen Sea, 图1)是西南极区域两个重要的边缘海, 也是近年来我国南极考察重点关注的海域[1-3]。罗斯海与阿蒙森海也是南极海冰和海洋水文特征受气候变化影响最为剧烈的区域[4-6], 同时其内部的海洋动力过程、海洋-海冰-冰架相互作用和南极底层水形成过程也对南极海洋生态系统、全球热盐环流和气候变化具有显著的影响[7-9], 是目前南极海洋科学和极地气候变化过程关注的焦点海域。

近年来, 全球海洋-海冰再分析资料相继出现, 且随着其空间分辨率的逐渐增加, 为利用这些数据开展极地区域海洋与海冰过程的研究提供了可能[10]。此外, 很多区域性极地海洋-海冰数值模式的建立也依赖于再分析资料提供边界条件和初始条件[11-13], 因此对这些资料模拟的极地海洋和海冰场进行对比和评估具有重要意义, 且有助于对再分析资料所利用的海洋-海冰数值模式(包括参数化方案和数据同化方案)进行改进。目前, 越来越多的再分析资料将对极地海洋和海冰过程的模拟纳入其评估体系当中[14-15], 同时开展了以极地作为重点分析区域的再分析数据对比研究[10,16-17]。Uotila等[18]专门评估了10套全球海洋-海冰再分析资料在南北极海冰季节变化、水文特征、混合层深度(Mixed Layer Depth, MLD)、海洋环流和热量输运等方面的表现, 为这些资料在极地区域的应用提供了重要的背景信息。但是, 海洋和海冰过程在极地海区存在较大的空间变化, 再分析资料在不同区域的表现也会有所不同, 对这些资料开展在极地的区域性评估将能够为不同海区的研究提供更有针对性的参考数据。本研究选取了空间分辨率相对较高的四套全球海洋-海冰再分析资料, 利用不同类型的观测数据对比分析了其在罗斯海和阿蒙森海区域在海冰密集度、海冰厚度、水文和混合层深度等参数上的模拟表现, 为两个海域未来直接或间接利用再分析资料的研究提供客观的评估结果。

图1 南极及其边缘海

Fig.1. Map of Antarctica and the marginal seas

1 数据与方法

1.1 再分析资料

本研究所用到的四套再分析数据包括麦卡托海洋中心(Mercator Ocean)的GLORYS2v4[19](Global Ocean Reanalysis and Simulations 2), 欧洲中期天气预报中心(European Center for Medium- Range Weather Forecasts, ECMWF)的ORAP5[14,20](Ocean ReAnalysis Pilot 5), 雷丁大学(University of Reading)的UR025.4[21]和欧洲地中海气候变化中心(Euro-Mediterranean Center for Climate Change, CMCC)的C-GLORS[15](Global Ocean Reanalysis System)。这些资料的水平空间分辨率都接近0.25°, 在全球海洋-海冰再分析产品中具有较高分辨率。同时其模式的大气驱动场均为ERA-Interim, 能够消除大气强迫对海洋-海冰模式模拟的影响。本研究利用以上四套再分析资料的月数据开展分析。

四套再分析资料在模式配置和数据同化方案上存在差异。GLORYS2v4数据包含的时间范围较短, 为1993—2015年。该产品基于NEMO3.2 (Nucleus for European Modelling of the Ocean)的海洋模型, 垂向分为75层[19]。它采用降阶线性卡尔曼滤波(Reduced order Kalman Filtering)的方法同化海冰资料CERSAT(Centre European Remote sensing Satellites d’Archivage et de Traitement- French ERS Processing and Archiving Facility)。除了海表温度同化资料为美国国家海洋和大气管理局NOAA (National Oceanic and Atmospheric Administration)的AVHRR(Advanced Very High Resolution Radio­meter), 同化的其他海洋观测数据为CMEMS (Copernicus Marine Environ­ment Monitoring Service), 采用的同化方法与海冰同化方法一致, 但对于温度和盐度的大尺度偏差采用3DVAR进行修正。ORAP5涵盖的时间范围为1979—2012年, 采用NEMO3.4海洋模型, 垂向分为75层。同化的温度和盐度数据来自EN3v2a, 海冰数据来自OSTIA(Operational Sea Surface Temperature and Sea Ice Analysis)和NOAA OIv2d(Optimal Interpolation Version 2d)的融合, 同化方法都为3DVAR[14]。UR025.4数据涵盖时间为1989—2010年, 海洋模型为NEMO3.2, 垂向分层和同化的海洋数据与ORAP5一致, 海冰数据来自OSISAF(Ocean and Sea Ice Satellite Application Facility); 海洋和海冰的同化方法一样, 为最优插值[21](Optimum Interpolation, OI)。C-GLORS时间范围为1982—2013年, 深度分为50层, 所用海洋模型与UR025.4一致, 温度和盐度数据的同化方案和数据与ORAP5一致, 海冰同化资料为NOAA OIv2d和PIOMAS(Pan-Arctic Ice Ocean Modeling and Assimilation System), 同化方法为牛顿松弛逼近[15](Nudging)。四套资料的海冰模式都基于Louvain-la-Neuve Ice Model (LIM2)。表1总结了各套数据的主要配置特点。

表1 四套再分析资料及其主要特征

1.2 观测资料

本研究使用的海冰密集度观测资料来自美国国家雪冰数据中心(National Snow and Ice Data Center, NSIDC)的被动微波(passive microwave, PM)传感器海冰密集度数据(Sea Ice Concen­trations from Nimbus-7 SMMR and DMSP SSM/I- SSMIS Passive Microwave Data)。该数据由NASA Team算法[15,22]处理过后的卫星微波传感器SSM/I (Special Sensor Microwave/Imagers)、SSMIS (Special Sensor Microwave Imager/Sounder)和SMMR(Nimbus-7 Scanning Multichannel Microwave Radiometer)数据融合而成。海冰厚度资料来自南极海冰过程与气候计划数据集ASPeCt(Antarctic sea ice processes and climate)[23]。该资料包含1980—2005年期间83次航行和2次直升机飞行测得的约23 000个数据。海冰厚度由船上专家目测估算所得, 因此很可能存在系统误差: 船舶倾向于在稀薄的冰层中流通, 因此估算值可能偏向过薄, 另外由于测量方法较为简单, 随机测量误差相对较大。因此, 基于ASPeCt的再分析产品评估会相对更保守, 以避免过于低估产品的真实性。本研究所用的海洋观测数据来自美国国家海洋数据中心(National Oceanographic Data Center, NODC)海洋气象实验室的海洋气候态海洋数据集产品WOA13(World Ocean Atlas 2013)[24]。该产品提供逐月数据, 水平分辨率为2.5°×2.5°, 垂直方向上涵盖表层到1 500 m,包含57层。混合层观测数据来自Pellichero等[25]基于温度、盐度和密度观测资料的计算结果(observation-based climatology, OBS)。该产品采用了3套观测资料, 包括NOAA的1906—2012年期间的CTD观测数据、2002—2014年的Argo数据和2004年开始记录的南极海豹传感器数据, 采用混合方法(hybrid method)处理密度剖面, 得到3个混合层深度特征相关的估计值, 分别是垂直密度梯度(MLD)、密度阈值(MLD)和由密度物理特征得到的混合层深度预设值(MLD), 结合这3种估计值计算得到最合理的混合层深度值MLD, 然后进行筛选, 按照公式1去掉偏差过大的项, 最后用最优插值得到最终的混合层深度h观测数据[26]。

1.3 海冰数据处理方法

海冰密集度的观测资料和再分析资料都为逐月数据, 我们基于所有年份的月数据计算得到南极夏季(12月、1月和2月)和冬季(6—8月)的气候态数据。为了方便对比所有变量的评估结果, 我们按季节和海域, 对各套再分析数据计算了标准差、均方根误差和相关系数, 然后将结果展示在泰勒图中。海冰厚度观测资料ASPeCt没有网格化, 且并非月数据, 时间序列按每次测量的时间分布, 这使得冰厚的评估相对复杂。我们首先分别筛选出ASPeCt资料在罗斯海域和阿蒙森海域的数据点(分别为5 003和356个数据点), 然后将各点海冰厚度的数值赋值到距离其最近的再分析资料网格点上。由于ASPeCt数据相对零散, 难以同再分析资料开展区域平均对比, 我们采用逐点线性回归方法进行海冰厚度的数据评估, 并计算得到各再分析资料与观测资料的相关系数。同时, 由于再分析资料为月数据, 在同ASPeCt数据进行时间上的匹配时, 我们选择观测点所在月份的再分析数据进行匹配。此外, 我们还计算了每套再分析资料的误差和绝对误差, 其中误差由观测资料与再分析资料对应点差值的平均值计算得到, 而绝对误差为观测资料与再分析资料对应点差值取绝对值后的平均值。

1.4 水文数据处理方法

在进行水文分析之前, 我们将所有再分析资料插值到WOA13的三维网格上。依据Uotila 等[18]所采用的方法, 本研究选取WOA13中包含4个观测点及以上的网格点(本文称为“有效数据点”)开展观测数据和再分析数据的对比, 基于研究区域内所有有效数据点的误差计算该区域的平均误差。对温度数据而言, 在罗斯海域和阿蒙森海域的有效数据点分别为9 829和292个; 对盐度数据而言, 在罗斯海域和阿蒙森海域的有效数据点分别为4 023和191个。并且对于两个海域来说, 大约有60%~75%的有效数据点分布在0~100 m范围, 因此该范围内所得的对比结果可信度应该是最高的。在本研究中, 对于各水文要素, 我们同时计算了四套再分析资料的平均值(此后称为多模式平均, multi-model mean, MMM)并将其与观测资料进行了对比。

同时, 我们也计算了再分析数据和WOA13数据在不同深度范围的水文变量平均值, 并得到每个深度范围的再分析数据误差。深度平均水文数据的计算参考Uotila等[18]的计算方法。首先, 计算所有再分析资料的温度和盐度从五个参考深度(={1, 100, 300, 700, 1 500 m})到表层(=0 m)的累积值, 即海洋热含量(ocean heat content, OHC)和盐含量(ocean salinity content, OSC):

然后, 计算出表层0 m, 0~100 m, 100~300 m, 300~700 m和700 ~1 500 m内的平均温度和盐度:

为了方便对比所有变量的评估结果, 我们对各套再分析数据中温度和盐度的区域平均多年平均月数据分别计算了标准差、均方根误差和相关系数, 并画出泰勒图。

1.5 混合层深度处理方法

海洋混合层联通了大气层与海洋内部, 是海洋中关键动力过程、热力过程和生物地球化学过程发生的区域。混合层深度是评判上层海洋垂直混合强度的重要指标[27], 也是本研究评估的海洋要素之一。考虑到四套再分析资料没有基于统一标准计算得到的混合层数据, 参照Dong等[28]对南大洋混合层的计算方法, 我们以与海表(10 m深度)位势密度差接近0.03 kg·m−3的深度层定义混合层底, 计算各套产品的混合层深度。

2 结果与讨论

2.1 海冰密集度

图2和图3分别是罗斯海和阿蒙森海气候态海冰密集度在南半球冬季和夏季的分布图, 图4为对应的泰勒图。冬季期间, 各套再分析资料的海冰密集度在两个海域的值均低于观测数据。在罗斯海, UR025.4和ORAP5与观测数据的偏差相对较小, 约比观测值低0.01~0.04。C-GLORS在罗斯海绝大部分区域的海冰密集度都在0.93以下, 与卫星观测的偏差最大, 区域平均值与观测差异为0.10。在夏季, 再分析资料与观测的海冰密集度空间分布和数值范围均较为吻合, 其中在罗斯海西侧与观测最为一致的产品为UR025.4和ORAP5, 在罗斯海东侧与观测最为一致的产品为GLORYS2v4(但其在罗斯海西侧与观测差异较大); C-GLORS在整个罗斯海区域均低于观测所得的海冰密集度, 区域平均误差约为0.20。在阿蒙森海, 冬季GLORYS2v4和UR025.4与观测的海冰密集度空间分布特征最为吻合, 误差也相对较小(区域平均误差为0.03), C-CGLORS仍然低估了海冰密集度观测值, 区域平均误差为0.07。夏季, 在阿蒙森海GLORYS2v4与观测所得的海冰密集度的分布特征和量值最为吻合, 其次为ORAP5和UR025.4(在100°W~120°W近岸区域有所低估), C-GLORS仍然明显低估了观测的海冰密集度。总体来讲, 在罗斯海区域UR025.4模拟的海冰密集度同观测更加一致, 相关性也相对其他数据较高, GLORYS2v4与观测更加一致。

图2 罗斯海气候态海冰密集度在冬季(a—e)和夏季(f—j)的分布图

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

图3 阿蒙森海气候态海冰密集度在冬季(a—e)和夏季(f—j)的分布图

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

图4 四套再分析资料的海冰密集度数据在罗斯海(a、b)和阿蒙森海(c、d)的泰勒图

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

图5显示了根据ASPeCt数据评估的海冰厚度误差以及再分析数据与观测数据的相关系数。GLORYS2v4的时间范围是从1993年开始, 因此只能计算1993—2004年的数据误差, 其数据量约比其他再分析数据少1/3。在罗斯海(图5a), 各套资料中ORAP5的偏差最小, 平均误差和平均绝对误差分别为−0.34 m和0.82 m。其他数据的平均误差和平均绝对误差较为接近, 分别为−0.60~ −0.70 m和0.90 m左右。但针对各套再分析数据与观测数据之间的相关性而言, 只有GLORYS2v4与观测的相关系数在0.40以上, 其他资料与观测数据之间的相关系数均较小。在阿蒙森海(图5b), 各套资料中GLORYS2v4的平均误差和平均绝对误差均为最小, 分别为−0.44 m和0.90 m; 而C- GLORS的偏差最大, 平均误差和平均绝对误差分别约为−1.48 m和1.52 m。阿蒙森海的再分析产品与ASPeCt数据的相关性相对罗斯海明显提升, 可能与该区域观测数据点相对较少相关。UR025.4与观测之间的相关系数最大, 达到0.74; ORAP5和GLORYS2v4与观测值的相关系数也较高, 分别为0.64和0.53; 而C-GLORS的相关系数却显著低于其他产品, 仅为0.03。因此综合误差及相关性分析可得, 在阿蒙森海域, UR025.4与ASPeCt数据最为吻合, C-GLORS与观测差异较大。

图5 罗斯海(a)和阿蒙森海(b)的海冰厚度平均误差(细线)和平均绝对误差(方块)图

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 海洋上层气候态温盐数据的季节变化

图6显示了罗斯海和阿蒙森海在0~100 m层所得平均温度随季节的变化曲线。在罗斯海(图6a), 结冰季节期间(5—10月)除UR025.4的温度比WOA13数据略低外, 其他再分析资料均高于WOA13数据, 其中ORAP5与WOA13的偏差达到0.20°C。夏季, 各套再分析数据的温度值离散度较小, 但同WOA13之间存在系统性偏差, 比WOA13温度约低0.10~0.25°C。多模式平均的温度季节变化曲线与GLORYS2v4数据较为吻合。图7a为观测数据与再分析资料100 m以内的全年平均温度泰勒图, 可以看出4套数据的相关性较高, 均超过0.85。针对罗斯海区域, 总体而言, 再分析资料在冬季相对观测较高的偏差和夏季相对观测较低的偏差使其季节性变化信号相较于WOA13数据偏弱, 并且与图7a中全年平均标准差比观测低的结果一致。在阿蒙森海(图6b和图7b), 所有季节再分析资料的温度值同WOA13数据相比均偏高, 且相关系数为0.7~0.9之间, 其中结冰季节的偏差较小, 除5月份以外偏差均在0.10°C以内; 夏季偏差较大, 范围为0.10~ 0.40°C。较大的偏差可能与阿蒙森海区域较少的有效数据点有关。在阿蒙森海, ORAP5与GLORYS2v4的温度变化曲线非常接近, 多模式平均值与这两套数据也较为吻合。

图6 罗斯海(a)和阿蒙森海(b)气候态温度值的季节变化曲线

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

图7 四套再分析资料的温度数据在(a)罗斯海和(b)阿蒙森海的泰勒图

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

图8为0~100 m层平均盐度的季节变化曲线。两个区域的盐度最大值出现在10月份, 即海冰厚度最大的月份; 最小值出现在2月份, 即海冰覆盖面积最小的月份。在罗斯海(图8a), 结冰季节C-GLORS与GLORYS2v4比WOA13的盐度高约0~0.09 psu; UR025.4与ORAP5相对WOA13数据盐度偏低, 偏差范围为0.10~0.20 psu, 推测再分析对表层盐度的低估与其对海冰量(包括密集度与厚度, 图2和图5)的低估相关。多模式平均盐度相较于WOA13数据略低, 误差绝对值小于0.10 psu。夏季, 再分析资料同WOA13数据存在显著的系统性偏差, 其中C-GLORS、UR025.4和GLORYS2v4较为一致, 比WOA13的盐度低0.30 psu左右, ORAP5的误差则达到−0.50 psu左右。夏季偏低的系统误差使所有再分析数据的盐度季节变化信号均强于观测数据。图9a为观测数据与再分析资料100 m以内的盐度泰勒图。在罗斯海, 4套再分析资料与观测数据的相关性都比较大, 为0.65~0.90。在阿蒙森海(图8b), 结冰季节C-GLORS与WOA13的盐度值较为接近; 同罗斯海类似, ORAP5的盐度值明显偏低。该季节C-GLORS相对其他产品明显低估了海冰密集度(图3)和海冰厚度(图5), 但其表层盐度却与观测较为一致, 可能与其对水文资料的数据同化方式及其对盐度场的调整有关。夏季, 除UR025.4高于观测盐度值外, 其余再分析资料均明显低于WOA13盐度值。除UR025.4外, 其余再分析资料的盐度季节变化信号均强于WOA13数据, 这也与图7b中的结果一致。虽然UR025.4与WOA13一直表现出相对较弱的季节变化, 但其全年存在相对观测较高的系统性误差。

2.4 不同深度层的温度与盐度误差

2.4.1 温度

图10展示了表层(0 m), 0~100 m、100~300 m、300~700 m、700~1 500 m层多模式平均的气候态温度与WOA13数据的对比情况及各套再分析资料相对WOA13的误差。在阿蒙森海域, 由于WOA13数据在700 m以下的深度只有1个有效数据点, 所以我们只给出0~700 m的计算结果。在罗斯海, 除上100 m层的多模式平均温度值比WOA13数据低约0.20°C之外, 其余深度层的多模式平均值均高于观测数据。其中在300~700 m层, 即上层绕极深层水(circumpolar deep water)所处的深度层, 多模式平均温度值与WOA13的偏差最大, 达到近0.40°C; 100~300 m层及700~1 500 m层中, 多模式平均与观测的误差约为0.10~ 0.15°C。分析各套再分析数据, 可以发现表层及0~100 m层, 多数再分析资料的温度值均低于WOA13数据, 且其中UR025.4相对观测的偏差明显高于其他数据, 达到0.50~0.75°C; ORAP5与C-GLORS的偏差较小, 约为0.05~0.08°C。100 m以下各层, ORAP5与观测的偏差最大, 并在300~ 700 m及700~1 500 m层均达到0.75°C, 所以300~700 m层是导致多模式平均值与观测之间较大误差的主要来源。100~300 m深度范围内C- GLORS和UR025.4具有相对观测数据较小的偏差, 700~1 500 m深度层C-GLORS和GLORYS2v4具有相对较小的偏差。C-GLORS相对WOA13数据的误差一直低于0.20°C, 为所有再分析资料中整体与观测值最为接近的产品。

图8 罗斯海(a)和阿蒙森海(b)气候态盐度值的季节变化曲线

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

在阿蒙森海各深度层, 再分析资料与WOA13的温度偏差相较于罗斯海显著增大, 可能仍与该区域较少的有效观测数据点相关。在各深度层, 多模式平均的温度值均高于WOA13数据, 其中在0~100 m层和300~700 m层偏差约为0.40°C, 在100~300 m层, 即冬季水(winter water)存在的区域, 多模式平均与观测的差异达到1.70°C。分析各套再分析资料, 表层各数据温度值均低于WOA13数据, 但偏差较小, 低于0.40°C。表层以下各深度层再分析资料存在高于观测温度值的系统性偏差, 在100~300 m层偏差达到最大, 范围为1~2°C。综合各深度层, 可以明显观察到C-GLORS和GLORYS2v4同观测相比偏差相对较小。

图9 四套再分析资料的盐度数据在罗斯海(a)和阿蒙森海(b)的泰勒图

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

图10 罗斯海(a)和阿蒙森海(b)WOA13和多模式平均气候态温度值的垂直剖面(左)及4套再分析资料和MMM的气候态温度值在不同深度层的误差(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 盐度

罗斯海和阿蒙森海各深度层盐度对比情况如图11所示。在罗斯海, 多模式平均与WOA13盐度值较为接近, 但在700 m以浅前者均低于后者。多模式平均与观测之间的最大偏差发生在表层, 约为0.20 psu; 0~100 m层的误差约为−0.09 psu, 100~300 m层和300~700层的误差为−0.05 psu左右。700~1 500 m多模式平均与WOA13盐度数非常接近, 均约为34.73 psu。在各深度层, ORAP5均为所有在分析资料中同WOA13盐度偏差最大的产品, 在表层的偏差达到0.44 psu, 0~100 m层也达到0.30 psu。其他再分析资料中, 除GLORYS2v4在表层具有较大偏差0.27 psu外, 其他产品与WOA13的偏差均在0.07 psu以内。在阿蒙森海, 仍然可能由于有效观测数据量的原因, 导致多模式平均的盐度偏差明显高于罗斯海, 在0~ 100 m和100~300 m层分别达到0.21 psu和0.28 psu。在所有再分析资料中, 表层至300 m深度层均是C-GLORS相对WOA13的偏差最大, 且在表层ORAP5的偏差也较大; 各层中GLORYS2v4和UR025.4的偏差相对较小, 其中UR025.4在700 m以上范围的误差为0.03~0.30 psu。

图11 罗斯海(a)和阿蒙森海(b) WOA13和多模式平均气候态盐度值的垂直剖面(左)及4套再分析资气候态盐度值在不同深度层的误差(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 混合层深度多年平均的月变化

混合层深度的季节变化是上层海洋温度、盐度、海冰变化相互影响的结果。Uotila等[18]指出Pellichero等[25]计算得到的混合层产品在罗斯海采集的观测数据较少(图12), 可能会导致该区域再分析资料与观测数据之间的较大误差, 但我们仍然对比分析了四套再分析数据之间的差异及其与观测在空间分布和区域平均值上的差别。南半球冬季GLORYS2v4和C-GLORS与观测资料较为接近, 其中在西侧海域GLORYS2v4、C- GLORS和ORAP5的区域平均误差值为正值, 且GLORYS2v4误差最小, 与其对海冰密集度的模拟最佳相符合; 在东侧海域再分析数据的区域平均误差值都为负值, 而C-GLORS拥有最小的绝对误差值(4.05 m), 且分布特征与观测最为相似, 这与其在整个罗斯海域0~100 m深度层拥有最小的区域平均温度误差(与UR025.4相近; 图6a)和盐度误差(与GLORYS相近; 图8a)是一致的。南半球夏季再分析资料对混合层深度的模拟都偏低, 其中在罗斯海海域西侧UR025.4和C-GLORS在量值与空间分布上与观测资料的偏差最小; 在东侧海域UR025.4的量值远远大于观测值, 而其余三套数据的量值则都偏低, 其中ORAP5和C- GLORS的偏差虽然较小, 但仍达到了17.30 m。

图12 4套再分析数据和观测数据(OBS)在冬季(a—e)和夏季(f—j)气候态混合层深度在罗斯海的分布

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(图13), 所有再分析数据混合层深度的区域平均值都小于观测值, 这与它们在该海域的海冰密集度在各季节均小于观测资料有关。冬季四套再分析资料同观测都存在较大差异, 均没有反映出东侧大于西侧的混合层深度分布特征, 而C-GLORS的量值模拟与观测数据最为接近, 区域平均误差值最小, 为−13 m左右。夏季再分析资料混合层深度也均偏小, 其中UR025.4的偏差最小, 区域平均值约比观测值低1.45 m, 且空间分布特征与观测最为相似。而其余资料的区域平均绝对误差都在10 m以上。在图6b和图8b中可以发现观测资料在上100 m深度层的温度远远小于再分析资料, 且盐度大于除UR025.4外的所有数据, 因此混合层深度远大于其他数据。而由于UR025.4具有远大于其他数据的盐度值(图8b), 以及较小的温度值(图6b), 因此缩小了与观测值的差距, 混合层深度数值模拟效果优于其他再分析数据。

3 结论

通过与观测资料的对比, 本研究对GLORYS2v4、ORAP5、C-GLORS和UR025.4四套再分析资料的海冰、水文和混合层深度数据在罗斯海和阿蒙森海进行了较细致的评估分析。分析结果表明, 在不同要素的模拟上, 同一套再分析资料的模拟表现(同观测的误差)并不具有一致性; 在不同海域, 同一套再分析资料模拟的表现也不具有一致性。总体来讲, 对于海冰场来说, UR025.4的模拟效果较好, 其海冰密集度数据在南半球冬季的模拟效果远远优于其他数据, 在夏季时的误差值也较小。同时, 在计算海冰厚度与观测资料的相关性时, UR025.4具有最大的相关系数。GLORYS2v4和ORAP5的模拟效果虽不及UR025.4, 但也较为准确。然而不论是海冰密集度还是厚度, C-GLORS与观测的差异都相对较大。

图13 4套再分析数据和观测数据(OBS)在冬季(a—e)和夏季(f—j)气候态混合层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

在水文特征模拟方面, 100 m以内深度层, C-GLORS的盐度数据与WOA13比较一致, 其在夏季时的阿蒙森海具有最大的温度偏差, 但在其他季节都与观测资料较为吻合; GLORYS2v4的盐度数据与观测相差不大, 对温度数据的模拟效果则远远不及UR025.4, 误差较为明显; ORAP5在两个海域的水文场模拟同观测都存在较大差异。在100 m以下, 深层(罗斯海为700~1 500 m, 阿蒙森海为300~700 m)再分析资料的温盐数据同观测均较为一致, 其他层不存在误差明显较小的产品。另外值得注意的是多模式平均结果, 当再分析数据与观测的偏差方向在资料间存在差别时, 多模式平均结果可以在一定程度上纠正再分析资料的误差。对于混合层深度而言, 可能由于观测数据量较少的原因, 各套再分析资料同观测数据之间在分布和数值的差异都较为明显, 同时没有任何一套再分析数据是明显优于其他数据的。其中在罗斯海区域, C-GLORS同观测相对接近; 在阿蒙森海区域, UR025.4的分布特征同观测相对较为接近, 但是量值上则有较大差异。

本文客观给出了再分析资料同观测的对比结果, 但考虑到观测手段和数据处理方法对观测资料准确度的限制, 特别是海冰的观测数据ASPeCt总量较小, 且观测手段为目测, 存在一定的系统误差和随机测量误差; 而对于混合层深度来说, 算法的差异对再分析数据与观测资料误差的量值会存在一定的影响, 但是观测资料的计算方法中密度阈值MLD_threshold取为0.03 kg·m−3, 与我们对再分析资料计算混合层深度的密度阈值是一致的, 可在一定程度上消除算法差异的影响。由于观测数据的限制, 本研究对再分析资料的评估可能也会存在一定的误差, 更加准确的评估需要依赖未来获取的更为丰富的观测数据。

致谢: 数据来自各方研究机构公开的海洋与海冰数据下载网站。GLORYS2v4再分析通过哥白尼海洋环境监测网站获得(http://marine.coper­nicus.eu/services-portfolio/access-to-products/)。ORAP5产品从ECMWF数据库获得(https://www.ecmwf. int/en/research/climate-reanalysis/ocean-reanalysis)UR025.4由雷丁大学提供(http://data.ceda.ac.uk/ badc/rapid-watch/data/Sutton/VALOR/ORCA025_FOAM)。CMCC提供了C-GLORS数据(http://c- glors.cmcc.it/index/index.html)。从NSIDC数据中心检索海冰密集度数据(https://nsidc.org/data/ NSIDC-0051/versions/1)。海冰厚度数据来自南极研究科学委员会(Scientific committee on Antarctic research, SCAR)的ASPeCt项目(http://aspect. antarctica.gov.au/data)。水文数据来自美国国家海洋数据中心NODC的WOA13多年气候态数据(https://www.nodc.noaa.gov/OC5/woa13)。感谢来自鲁汶大学的Franc, ois Massonneth和Antoine Barthélemy在混合层深度观测数据方面提供的帮助。

1 李丙瑞. 中国第35次南极科学考察简报[J]. 极地研究, 2019, 31(3): 364-367.

2 赵杰臣, 张林, 田忠翔, 等. 南极罗斯海2012年夏季海冰特征分析[J]. 极地研究, 2014, 26(3): 242-351.

3 孙启振, 张占海, 丁卓铭, 等. 南极特拉诺瓦湾下降风特征[J]. 极地研究, 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 Niño-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月收到来稿, 2020年3月收到修改稿

国家自然科学基金面上项目(41876221)、自然科学基金专项项目(41941008)和上海市“科技创新行动计划”国际科技合作项目(20230711100)资助

黄佳, 女, 1994年生。硕士研究生, 主要从事南大洋海洋-海冰-大气相互作用的研究。E-mail: huangjia07@126.com

张召儒, E-mail: zrzhang@sjtu.edu.cn

10. 13679/j.jdyj.20200007