Nudging资料同化对北极海冰密集度预报的改进

北极夏季海冰的快速减少使得北极航道提前开通成为可能。为了给北极冰区船运活动提供及时可靠有效的海冰预报保障,急需提高海冰预报水平。本文基于麻省理工大学通用环流模式(MITgcm),使用牛顿松弛逼近(Nudging)资料同化方法将德国不莱梅大学的第二代先进微波辐射成像仪(AMSR2)海冰密集度资料同化到模式中,建立了北极海冰数值预报系统。设计试验对比3种不同Nudging系数计算方案的改进效果,结果表明选择合适参数后,不同方案均能显著改进海冰密集度初始场。通过设计有无Nudging同化的两组预报试验,结合卫星遥感海冰密集度及中国第五次北极科学考察期间"雪龙"船的走航海冰密集度观测数据,定量分析了Nudging同化方案对北极海冰密集度的24~120 h预报结果的改进效果。结果表明,Nudging同化对120 h内全北极海冰密集度的空间分布和移动单点目标的海冰密集度预报结果均有显著改善;但在海冰变化很小的情况下,Nudging同化试验的24~120 h预报结果均劣于惯性预报结果,说明基于Nudging同化的数值预报系统还需进一步提高预报技巧。     

对地球系统模式FIO-ESM同化实验中北极海冰模拟的评估

本文评估了地球系统模式FIO-ESM(First Institute of Oceanography-Earth System Model)基于集合调整Kalman滤波同化实验对1992-2013年北极海冰的模拟能力。结果显示:尽管同化资料只包括了全球海表温度和全球海面高度异常两类数据,而并没有对海冰进行同化,但实验结果能很好地模拟出与观测相符的北极海冰基本态和长期变化趋势,卫星观测和FIO-ESM同化实验所得的北极海冰覆盖范围在1992-2013年间的线性变化趋势分别为-7.06×105和-6.44×105 km2/(10a),同化所得的逐月海冰覆盖范围异常和卫星观测之间的相关系数为0.78。与FIO-ESM参加CMIP5(Coupled Model Intercomparison Project Phase 5)实验结果相比,该同化结果所模拟的北极海冰覆盖范围的长期变化趋势和海冰密集度的空间变化趋势均与卫星观测更加吻合,这说明该同化可为利用FIO-ESM开展北极短期气候预测提供较好的预测初始场。     

HY-2卫星反演海冰密集度在北极地区的适用性评估

评估了我国自主研发的海洋二号卫星(HY-2)海冰密集度产品在北极地区的适用性。与8种国际同类产品相比,HY-2产品的分辨率为25 km,属于低分辨率产品。HY-2产品2012年夏季的空间分布特征和其他产品差别不大,但在低密集度冰区和边缘区域的差异可达0.15～0.25。HY-2产品可以反映2012年7—10月海冰面积先减小后增大的规律,但最小海冰范围的出现时间比其他产品偏早,且平均值偏小。利用北极海冰数值预报系统进行的同化试验显示,HY-2产品可以有效改善海冰密集度的模拟结果,将平均偏差从控制试验的0.18～0.24减小为同化试验的0.05～0.08,改善效果和国际认可和常用的AMSR2/ASI产品相当。     

2004～2005年度冬季渤海海冰数值预报

本文简要介绍了2004-2005年度冬季渤海的天气与冰情,总结了该年度海冰数值预报情况,对Nudging同化方法在海冰数值预报中的应用结果进行了对比分析。     

2017年夏季北极中央航道海冰观测特征及海冰密集度遥感产品评估

2017年夏季中国第八次北极科学考察期间，"雪龙"号极地考察船首次成功穿越北极中央航道，期间全程开展了海冰要素的人工观测。中央航道走航期间的平均海冰密集度和平均冰厚分别为0.64和1.5 m，海冰密集度时空变化大且以厚当年冰为主，高纬密集冰区的浮冰大小显著高于海冰边缘区。基于"雪龙"号的船基走航观测海冰密集度评估比较了国际上常用的5种常用的微波遥感反演海冰密集度产品，同走航目测海冰密集度点对点的比较，误差最大的为德国不来梅大学AMSR2基于Bootstrap算法的产品，平均误差和均方根误差分别为0.19和0.28；误差最小的为欧洲气象卫星应用组织基于AMSR2数据和OSHD和TUD两种不同算法的产品，平均误差分别为-0.02和0.01，均方根误差均为0.20。从日平均比较来看，AMSR2基于Bootstrap算法的误差最大，平均误差和均方根误差分别为0.15和0.20；AMSR2/OSI SAF（TUD）的误差最小，平均误差和均方根误差分别为0.0和0.11，OSI SAF产品更接近人工观测结果。     

误差订正对2018年夏季次季节尺度海冰预测的作用

北极海冰次季节尺度预测在针对破冰船和商船的实际服务中十分重要，但常常受制于气候模拟的模拟能力。本研究提出了一种误差订正方法并分别应用到两个气候模式：海洋一所地球系统模式（FIOESM）和美国国家环境预报中心（NCEP）的气候预报系统（CFS），来改善北极海冰60天尺度的预测。本研究的预测工作是中国第9次北极科学考察和2018年夏季中远集团北极商业航行的业务化海冰服务保障的重要部分。模式起报时间分别是2018年7月1日、8月1日和9月1日，预报时效均是60天。结果显示，FIOESM整体上低估了海冰密集度的数值，平均偏差可达30%。误差订正对海冰密集度（SIC）的均方根偏差（RMSE）的改进比例可达27%，对海冰外缘线（SIE）的整体偏差（IIEE）的改进比例为10%。而对于CFS，SIE在边缘区域的过高估计是其主要特点。误差订正导致了SIC的RMSE改进了7%，而对SIE的IIEE改进了17%。在海冰范围预测方面，FIOESM预测的最小范围数值和时间点都和观测接近，而CFS的预测结果偏差较大。另外和其他S2S模式的结果比较发现，本研究提出的误差订正方法对存在较大偏差的预测结果改进更为有效。     

两种准实时遥感海冰密集度产品在中国第五次北极考察期间的适用性评估

比较了AMSR2和SSMIS产品在2012年中国第五次北极考察期间的差异,并利用雪龙船在北极走航观测的海冰密集度资料初步评估了两种卫星产品在北极东北航道和高纬航道的适用性。结果表明:两种产品在海冰边缘区域反演的海冰密集度差异较大,且在高纬度区域AMSR2反演的密集度普遍大于SSMIS;两种产品对海冰外缘线的反演基本相同,说明两种算法对海冰和海水的区分基本一致;在去程低纬航线上分辨率较高的AMSR2数据的平均偏差为0.14±0.11,而分辨率较低的SSMIS数据为0.17±0.11;在回程高纬航线上AMSR2数据的平均偏差为0.11±0.10,而SSMIS数据为0.11±0.12。SSMIS数据在高值区明显的低估了海冰密集度值,说明其在高值区的反演上存在系统性偏差,AMSR2数据和走航观测数据更相符。SSMIS数据在高值区偏差大的原因可能与其反演算法对海冰表面出现的大量融池的辨别能力较差有关。     

海冰密集度卫星遥感反演研究进展

海冰密集度是海冰的重要参数之一,在冰区导航、海上作业、海冰模式验证和气候模型改进等方面具有重要意义。卫星遥感具有覆盖范围广、重访周期短、成本相对低等优势,已成为获取海冰密集度的主要观测手段。本文从主被动微波遥感和光学遥感的角度,回顾了现阶段海冰密集度卫星遥感反演研究进展情况,包括海冰监测传感器、海冰密集度反演算法和海冰密集度产品等。结果表明,被动微波遥感是目前获取海冰密集度的主要方式,已发展出许多成熟的业务化算法;主动微波遥感数据已成为制作冰情图的主要数据源,海冰密集度反演算法由合成孔径雷达SAR（Synthetic Aperture Radar）图像分类向深度学习算法发展;光学遥感海冰密集度算法较为成熟,但受限于云层和夜晚限制,其反演结果多用于其他海冰密集度产品的验证。受传感器硬件限制,3种观测手段各有其长处与不足。为获得高精度、高时空分辨率的海冰密集度数据,开展多源数据融合研究是解决传感器性能瓶颈的有效手段。大数据时代,基于深度学习的海冰密集度卫星遥感反演技术快速发展,需要深度融入海冰密集度卫星遥感领域知识。海冰密集度卫星遥感反演应着力于海冰预报服务,致力于提高我国的海冰预报能力。     

MODIS渤海海冰遥感资料反演

鉴于渤海海冰监测和预报对海冰卫星遥感数字化产品的迫切需求,本文利用MODIS的1B级数据进行渤海海冰参数反演,提供海冰遥感图像和海冰密集度、冰厚数值产品,作为渤海海冰监测和海冰数值预报初始场的重要信息来源,以及海冰预报质量检验的参考依据之一。反演结果表明,其各通道对海冰性质有很好的反映,资料信号比较稳定,对不同密集度和厚度的冰有较好的区分,相对NOAA/AVHRR和HY-1A资料有更好的实际应用价值;Terra/MODIS和HY-1A/COCTS海冰遥感反演结果对比也为HY-1A系列卫星海冰遥感的改进和提高提供有益的启示。     

“海洋1号”卫星在海冰监测和预报中的应用

“海洋1号A”卫星是我国发射的第一颗海洋卫星.2002~2003年冬季,该卫星首次应用于我国渤海海冰监测和预报.建立了从卫星1B级数据开始的海冰反演系统,提供海冰遥感图像和海冰密集度、冰厚与冰外缘线数值产品,作为渤海海冰监测和海冰数值预报初始场的重要信息来源,以及海冰预报质量检验的参考依据之一.介绍所发展的“海洋1号A”卫星海冰反演系统的流程、算法和反演参数,海冰反演结果,及其在渤海海冰监测和预报中的应用.     

2010-2018年北极夏季中国北极科学考察航行期间被动微波遥感海冰密集度与船基目视观测资料的比较

为了更有效地将卫星数据应用于北极航行导航，被动微波（PM）产品的海冰密集度（SIC）与从中国北极科学考察中收集到的船基目视观测（OBS）资料进行了比较。在2010、2012、2014、2016和2018年的北极夏季总共收集了3667组目测数据。PM SIC取自基于SSMIS传感器的NASA-Team（NT）、Bootstrap（BT）以及Climate Data Record（CDR）算法和基于AMSR-E/AMSR-2传感器的BT、enhanced NT（NT2）以及ARTIST Sea Ice（ASI）算法。使用PM SIC的日算术平均值和OBS SIC的日加权平均值进行比较。比较了PM SIC和OBS SIC之间的相关系数，偏差和均方根偏差，包括总体趋势以及在轻度/普通/严重冰况下的情况。使用OBS数据，浮冰尺寸和冰厚对不同PM产品SIC反演的影响可以通过计算浮冰尺寸编码和冰厚的日加权平均值来评估。我们的结果显示相关系数的范围为0.89（AMSR-E/AMSR-2 NT2）到0.95（SSMIS NT），偏差的范围为-3.96%（SSMIS NT）到12.05%（AMSR-E/AMSR-2），均方根偏差的范围为10.81%（SSMIS NT）到20.15%（AMSR-E/AMSR-2 NT2）。浮冰尺寸对PM产品的SIC反演有显著的影响，大多数PM产品倾向于在小浮冰尺寸情况下低估SIC，而在大浮冰尺寸情况下高估SIC。超过30 cm的冰厚对于PM产品的SIC反演没有明显影响。总体来看，在北极夏季，SSMIS NT SIC与OBS SIC之间有着最好的一致性，而AMSR-E/AMSR-2 NT2 SIC与OBS SIC的一致性最差。     

Comparisons of passive microwave remote sensing sea ice concentrations with ship-based visual observations during the CHINARE Arctic summer cruises of 2010–2018

In order to apply satellite data to guiding navigation in the Arctic more effectively, the sea ice concentrations(SIC)derived from passive microwave(PM) products were compared with ship-based visual observations(OBS)collected during the Chinese National Arctic Research Expeditions(CHINARE). A total of 3 667 observations were collected in the Arctic summers of 2010, 2012, 2014, 2016, and 2018. PM SIC were derived from the NASA-Team(NT), Bootstrap(BT) and Climate Data Record(CDR) algorithms based on the SSMIS sensor, as well as the BT,enhanced NASA-Team(NT2) and ARTIST Sea Ice(ASI) algorithms based on AMSR-E/AMSR-2 sensors. The daily arithmetic average of PM SIC values and the daily weighted average of OBS SIC values were used for the comparisons. The correlation coefficients(CC), biases and root mean square deviations(RMSD) between PM SIC and OBS SIC were compared in terms of the overall trend, and under mild/normal/severe ice conditions. Using the OBS data, the influences of floe size and ice thickness on the SIC retrieval of different PM products were evaluated by calculating the daily weighted average of floe size code and ice thickness. Our results show that CC values range from 0.89(AMSR-E/AMSR-2 NT2) to 0.95(SSMIS NT), biases range from-3.96%(SSMIS NT) to 12.05%(AMSR-E/AMSR-2 NT2), and RMSD values range from 10.81%(SSMIS NT) to 20.15%(AMSR-E/AMSR-2 NT2). Floe size has a significant influence on the SIC retrievals of the PM products, and most of the PM products tend to underestimate SIC under smaller floe size conditions and overestimate SIC under larger floe size conditions. Ice thickness thicker than 30 cm does not have a significant influence on the SIC retrieval of PM products. Overall, the best(worst) agreement occurs between OBS SIC and SSMIS NT(AMSR-E/AMSR-2 NT2) SIC in the Arctic summer.     

Arctic sea ice concentration and thickness data assimilation in the FIO-ESM climate forecast system

To improve the Arctic sea ice forecast skill of the First Institute of Oceanography-Earth System Model (FIO-ESM) climate forecast system, satellite-derived sea ice concentration and sea ice thickness from the Pan-Arctic Ice-Ocean Modeling and Assimilation System (PIOMAS) are assimilated into this system, using the method of localized error subspace transform ensemble Kalman ?lter (LESTKF). Five-year (2014–2018) Arctic sea ice assimilation experiments and a 2-month near-real-time forecast in August 2018 were conducted to study the roles of ice data assimilation. Assimilation experiment results show that ice concentration assimilation can help to get better modeled ice concentration and ice extent. All the biases of ice concentration, ice cover, ice volume, and ice thickness can be reduced dramatically through ice concentration and thickness assimilation. The near-real-time forecast results indicate that ice data assimilation can improve the forecast skill significantly in the FIO-ESM climate forecast system. The forecasted Arctic integrated ice edge error is reduced by around 1/3 by sea ice data assimilation. Compared with the six near-real-time Arctic sea ice forecast results from the subseasonal-to-seasonal (S2S) Prediction Project, FIO-ESM climate forecast system with LESTKF ice data assimilation has relatively high Arctic sea ice forecast skill in 2018 summer sea ice forecast. Since sea ice thickness in the PIOMAS is updated in time, it is a good choice for data assimilation to improve sea ice prediction skills in the near-real-time Arctic sea ice seasonal prediction.     

地球系统模式FIO-ESM对北极海冰的模拟和预估

评估了地球系统模式FIO-ESM(First Institute of Oceanography-Earth System Model)基于CMIP5(Coupled Model Intercomparison Project Phase 5)的历史实验对北极海冰的模拟能力,分析了该模式基于CMIP5未来情景实验在不同典型浓度路径(RCPs,Representative Concentration Pathways)下对北极海冰的预估情况。通过与卫星观测的海冰覆盖范围资料相比,该模式能够很好地模拟出多年平均海冰覆盖范围的季节变化特征,模拟的气候态月平均海冰覆盖范围均在卫星观测值±15%范围以内。FIO-ESM能够较好地模拟1979-2005年期间北极海冰的衰减趋势,模拟衰减速度为每年减少2.24×104 km2,但仍小于观测衰减速度(每年减少4.72×104 km2)。特别值得注意的是:不同于其他模式所预估的海冰一直衰减,FIO-ESM对21世纪北极海冰预估在不同情景下呈现不同的变化趋势,在RCP2.6和RCP4.5情景下,北极海冰总体呈增加趋势,在RCP6情景下,北极海冰基本维持不变,而在RCP8.5情景下,北极海冰呈现继续衰减趋势。     

夏季北极海冰表皮温度实测资料与MODIS产品的对比分析

Ship-borne infrared radiometric measurements conducted during the Chinese National Arctic Research Expedition(CHINARE) in 2008, 2010, 2012, 2014, 2016 and 2017 were used for in situ validation studies of the Moderate Resolution Imaging Spectroradiometer(MODIS) sea ice surface temperature(IST) product.Observations of sea ice were made using a KT19.85 radiometer mounted on the Chinese icebreaker Xuelong between July and September over six years. The MODIS-derived ISTs from the satellites, Terra and Aqua, both show close correspondence with ISTs derived from radiometer spot measurements averaged over areas of 4 km×4 km, spanning the temperature range of 262–280 K with a ±1.7 K(Aqua) and ±1.6 K(Terra) variation. The consistency of the results over each year indicates that MODIS provides a suitable platform for remotely deriving surface temperature data when the sky is clear. Investigation into factors that cause the MODIS IST bias(defined as the difference between MODIS and KT19.85 ISTs) shows that large positive bias is caused by increased coverage of leads and melt ponds, while large negative bias mostly arises from undetected clouds. Thin vapor fog forming over Arctic sea ice may explain the cold bias when cloud cover is below 20%.     

基于机械学习理论的海冰风险短期预报研究

海冰管理是抵御寒区海洋资源开发海冰威胁的有效手段,海冰风险的准确、快速预测是海冰管理系统的关键组成部分。文中面向海冰管理中的冰情短时预测需求,明确了基于现场监测的海冰风险预测模式,开展了应用机械学习理论的海冰风险短时预测方法研究,并以渤海辽东湾海冰管理为例,讨论了神经网络与小波分解等非线性预测方法在冰情短时预测中的适用性。结果表明,时间序列小波神经网络在短时(6 h)冰厚预测中的预测精度与Elman神经网络相仿,而在24~48 h预测中的精度偏差较大;Elman神经网络在6 h、24 h与48 h的冰厚预测中均能保持较好的预测精度,在冰流速与来冰方向预测中,模型预测精度达到80%左右。