北极海冰短期预报和中长期预估模式研究进展.pdf

第 35 卷第 3 期 极地研究 Vol.35,No.3 2023 年 9 月 CHINESE JOURNAL OF POLAR RESEARCH September 2023 收稿日期 2022 年 8 月收到来稿,2022 年 11 月收到修改稿 基金项目 国家重点研发计划(2019YFA0607001)、上海市自然科学基金(22ZR1427400)、国家自然科学基金(42130402,41706210)和南方海洋科学与工程广东省实验室(珠海)创新团队建设项目(311021009)资助 作者简介 查宇凡,女,1999 年生。硕士研究生,主要从事极地海冰数模与观测相关研究。E-mail: 通信作者 张瑜,E-mail: 北极海冰短期预报和中长期预估模式研究进展 查宇凡1 张瑜1,2 陈长胜3 徐丹亚2(1上海海洋大学海洋科学学院,上海 201306;2南方海洋科学与工程广东省实验室(珠海),广东 珠海 519082;3马萨诸塞大学达特茅斯分校海洋科学与技术学院,马萨诸塞州 新贝德福德市 02744,美国)摘要 在全球气候变暖的背景下,北极海冰的快速变化对北冰洋的自然环境、水文状况、生态系统等均产生显著的影响。作为全球气候变化的重要指示器,加强对北极海冰未来变化的精确预估将增进对北极乃至全球气候变化趋势的理解和认识。当前,数值模式是有效预估海冰未来变化的主要手段之一,然而由于影响模式准确度的因素众多,模式之间的结果差异较大。因此,本文梳理了目前国内外有关北冰洋短期预报以及中长期预估模式的研究进展,着重对各类模式在北极海冰的密集度、覆盖范围和面积、厚度以及漂移速度等关键要素的模拟精度进行研究,分析了当前模式对北极海冰未来变化趋势的预估,并展望了数值模式在北极海冰预估方面的研究与应用前景。关键词 北极 海冰 预报 预估 模式 doi:10.13679/j.jdyj.20220416 0 引言 在全球气候变暖的背景下,过去几十年北极正在发生快速变化,如海冰快速减退、北极放大效应1-2,成为全球气候变化的关键区域(图 1)。北极海冰是全球气候系统变化较快、较明显的组成部分之一,也是全球气候变化的重要指示器。北极海冰因其高反照率以及对大气与海洋之间热量、湿度和动量交换的影响,在调节气候变化中发挥着十分重要的作用1。北极海冰的减退以及气温的升高会导致经向温度梯度减弱从而使得北半球西风急流减弱3,减弱的西风急流可能引起更多的冷空气入侵北半球中纬度地区4-5。此外,北极海冰输运是北极海冰物质平衡的重要一环,不仅影响海冰面积,而且影响全球大洋温盐环流。输出的海冰融化后会降低海洋的表层盐度,从而减弱海洋垂向混合,并进一步影响北大西洋环流,对局部乃至全球气候产生影响6。北极海冰也具有重要的生态影响,海冰面积的变化会引发生物群落的变化,以及导致生物多样性和生态系统稳定性发生变化7。因此,准确获取北极海冰变化信息,是研究极区生态环境、地球气候系统和极端天气事件等一系列重大问题的关键8。近几十年来的卫星观测数据表明,自1979年以来,北极海冰密集度呈减小趋势,北极海冰范围也同样呈现显著减少的趋势9-10,北极的平均海冰覆盖范围约以每10年超过4%的速率减少,其中夏季最为显著,其减小速率达到每 10 年 10%11。与此同时,北极海冰厚度明显变薄,19582018年,接近融化季节结束时的海冰平均厚度减少了 2.0 m,约 66%12。此外,在逐渐增强的穿极流和 第 3 期 查宇凡等:北极海冰短期预报和中长期预估模式研究进展 441 图 1 北冰洋区域水深图 Fig.1.Bathymetric chart of the Arctic Ocean 速度更快、湍流更大的波弗特涡流两种运动作用下,超过 90%的北极海冰在漂流速度上呈现加速趋势13。在北极海冰快速变化的背景下,对北极海冰变化的预估可加深对于气候变化的理解,对于阐明北冰洋对气候变化的响应机理具有重要作用。因此,北极海冰快速变化始终是国际研究的前沿和热点。尽管现有卫星及现场观测等方式获取数据,然而由于地理位置的限制以及恶劣的气候条件,目前的观测数据在时间连续性和空间覆盖性上仍有不足,而利用数值模式可有效弥补观测数据的缺失,尤其是当前对北极海冰未来变化的预估,数值模式是最重要的研究手段之一。对于从小时至月的时间尺度的基于数值模式的预估结果可称为短期预报,年际至年代际的时间尺度一般可称为中长期预估。从 20 世纪 90 年代开始,针对北极海冰短期预报与中长期预估的数值模式得到了快速发展,并在接下来的数十年中得到了较为广泛的应用,其中短期预报模式研究主要基于冰-海耦合模式或气-冰-海耦合模式,而中长期预估模式研究除了基于以上提及的模式之外,也基于多轮国际耦合模式比较计划(Coupled Model Intercom-parison Project,CMIP)中的气候模式,目前最新的是第六次国际耦合模式比较计划(CMIP6)。然而由于不同数值模式在离散算法、水平和垂向分辨率、地形和海岸线拟合程度、驱动力数据以及开边界条件等多方面所采取的不同方案,导致模式之间的表现有着较大的差异,不同的海冰模块或版本会使得模拟结果有所差别,模式对于相关要素的预报预估结果不同,造成了对北极未来变化预估的不确定性。因此,本文梳理了近几十年来国内外相关模式对北极海冰密集度、范围、面积、厚度和漂移速度等要素的短期预报及中长期预估的研究与应用,深入分析了短期预报和中长期预估模式的精度以及对北极海冰未来变化趋势的预估,并尝试提出一些模式亟待改善的新方面。1 海冰密集度短期预报及中长期预估 1.1 短期预报 海冰密集度是海冰的重要参数之一,总体而 442 极地研究 第 35 卷 言,海冰密集度的短期预报效果较好,特别是海冰密集度的预报在加入了数据同化和集合大气强迫等技术后,模式预估的准确性明显提高。短期预报模式如表 1 所示,其水平格点分布见图 2。2015年Lemieux等14利用 RIPS模式(表 1)对 2011年进行了每天 4 次 48 h 的预报,该模式水平空间分辨率为(1/12),在完整的季节周期内,模式验证结果表明 RIPS 模式 48 h 的预报误差在海冰生长季节小于初始场误差,而在融化期则大于初始场误差,在生长季节的预报结果与卫星观测数据高度一致。此外,研究还发现模式初始化时海冰边缘区精确程度极大地决定了 RIPS 预报的好 表 1 短期预报模式简称、全称及来源机构 Table 1.Abbreviations,full names and source institutions of short-term forecast models 序号 模式简称 模式全称 来源机构 1 ACNFS U.S.Navys Arctic Cap Nowcast/Forecast System 美国国家航空航天局斯坦尼斯航天中心(SSC)2 ArcIOPS Arctic Ice Ocean Prediction System 国家海洋环境预报中心(NMEFC)3 CAFS Coupled Arctic Forecast System 美国国家海洋和大气管理局(NOAA)4 CESM2 Community Earth System Model version2 美国国家大气研究中心(NCAR)5 CFSv2 Climate Forecast System version 2 美国国家环境预报中心(NCEP)6 CNRM Centre National de Recherches Meteo-rologiques-climate model 法国国家气象研究中心(CNRM)7 COAWST Coupled Ocean Atmosphere Wave Sediment Trans-port 美国地质调查所(USGS)和伍兹霍尔海洋研究所(WHOI)8 EC-Earth Europe-wide consortium-Earth 欧洲地球科学联盟(EC-Earth-Consortium)9 GEOS-5 NASA Goddard Earth Observing System Model-version 5 戈达德航天中心(NASA GSFC)10 GFDL-FLOR Geophysical Fluid Dynamics Laboratory-Fore-cast-Oriented Low Ocean Resolution 美国地球物理流体动力学实验室(GFDL)11 GloSea Global Seasonal Forecast System 英国气象局(Met Office)12 MITgcm Massachusetts Institute of Technology General Circulation Model 麻省理工学院(MIT)13 MIZMAS Marginal Ice Zone Modeling and Assimilation System 圣路易斯华盛顿大学(UW)14 NAOSIM North Atlantic-Arctic Ocean Sea Ice Model 阿尔弗雷德 魏格纳研究所暨亥姆霍兹极地海洋研究中心(AWI)15 NEMO-LIM3 Nucleus for European Modelling of the Ocean-the Louvain-LaNeuve Sea Ice Model version3 NEMO联盟 16 NESM Nanjing University of Information Science and Technology Earth System Model 南京信息工程大学(NUIST)17 NRL-SUBX Navy Research Lab-the Subseasonal Experiment 美国海军研究实验室(NRL)18 PIOMAS Pan-Arctic Ice Ocean Modeling and Assimilation System 圣路易斯华盛顿大学(UW)19 PIPS2.0 Polar Ice Prediction System 2.0 美国海军研究实验室(NRL)20 RIPS Regional Ice Prediction System 加拿大气象与环境预报中心(CCMEP)第 3 期 查宇凡等:北极海冰短期预报和中长期预估模式研究进展 443 图 2 主流短期预报模式的水平格点分布 Fig.2.Grid point distribution of the main short term forecast models 坏。Hebert 等15采用 ACNFS 模式(表 1)在 2014年 2 月2015 年 6 月期间每天提供 7 天的短期预报,该模式水平空间分辨率为 25 km,对海冰密集度的研究主要集中在随时间变化最快的海冰边缘区域。预报结果显示除 6 h 的预报外,其余的30、54、78、102 和 126 h 预报均表现出了海冰密集度误差结果优于初始误差。而在与气候态平均结果的比较中,预报的海冰密集度的误差随着时间的增加而增大,这些误差产生的原因可能是由于过多的大气辐射、海水温度偏高以及海冰的参数化配置。国内研究方面,2014 年 Yang 等16基于MITgcm 的冰-海耦合模式采用美国国家环境预测中心全球预测系统数据(National Centers for En-vironmental Prediction Global Forecast System,NCEP-GFS)作为大气强迫,使用卫星专用传感器微波成像仪(Special Sensor Microwave Imager/Sounder,SSMI/S)和德国不莱梅大学的第2代先进微波辐射成像仪(Advanced Microwave Scanning Radiometer 2,AMSR2)获取的海冰数据作为初始场对北极 2010 年夏季海冰密集度进行了短期预报,分析发现利用极地天气研究和预报模型(Polar Weather Research and Forecast Model,Polar WRF)大气数据驱动的海冰密集度预报数据展现出更好的结果,均方根误差仅在 00.01 之间。2016 年赵杰臣等17基于牛顿松弛逼近(Nudging)资料同化方法将 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,他们定量分析了 3 种不同 Nudging 同化方案对北极海冰密集度的 24120 h 预报结果的改进效果。研究发现 2012 年 7 月 2529 日和 2012 年 8 月 2630日两组试验结果得到最优 Nudging 同化方案获得的海冰密集度初始场与 AMSR2 数据的平均误差小于 0.05,均方根误差小于 0.117。尤其在 85N以北高纬区域的海冰密集度模拟的精度明显增加,海冰密集度初始场与 AMSR2 数据的平均误差和均方根误差几乎为 0,逼近观测结果17。CFSv2模式(表 1)采用了 T126(100 km)的水平分辨率对北极海冰进行多周预报,模式预报了 1999 2015 年期间每 45 天的短期预报结果,表明其对 444 极地研究 第 35 卷 于 9 月海冰密集度的预报能力最强,特别是对楚科奇海、波弗特海、东西伯利亚海的海冰预报的密集度距平与美国国家冰雪数据中心(National Snow and Ice Data Center,NSIDC)的海冰观测数据的密集度距平相关系数值均在 0.6 以上,整个北冰洋的相关系数变化范围主要在 0.50.8 之间18。2018 年 Mu 等19发展了国内首个基于集合的北极海冰-海洋预报系统 ArcIOPS v1.0,该模式的水平空间分辨率为 18 km,评估结果表明该系统具有可靠的短期海冰预报能力,无论是在边缘区域还是在密集冰区,其海冰密集度 24 h 预报的均方根误差都低于 OSISAF 海冰密集度产品与 AMSR2 数据之间的差异,其中 ArcIOPS v1.0 在密集冰区预报的 24 h 均方根误差仅为0.05。2020 年 Liang 等20在 ArcIOPS v1.0 系统的基础上,进一步引入了海表面温度的遥感资料同化,对中国第 9 次北极科学考察期间海冰预报结果的评估表明,相对上一代版本,在海冰密集度的 24、72、120 和 168 h 的预报中均方根误差减小了 0.010.02。除了利用单个数值模式对北极海冰密集度进行预报,近年来,有研究陆续地对多个数值模式间预报能力进行比较。2016 年 Blanchard-Wrigglesworth等21在研究中使用泛北冰洋模式和同化系统(Pan-Arctic Ice Ocean Modeling and Assimilation System,PIOMAS)的海冰厚度场在 8 种不同的动力学模式中(CNRM、EC-Earth2.3、GEOS-5、CESM1、CFSv2、GOFS3.1、PIOMAS 和 NEMO-LIM3)进行初始化,对 2015 年北极夏季海冰进行了季节性预报,并与 NSIDC的海冰密集度观测结果进行对比研究,结果显示单个模式模拟的结果与卫星观测数据的差异均在 0.3 左右,但模式与模式之间显示出较大的差异,部分区域的模式间海冰密集度模拟差异可达 0.4 以上,预报的不确定性较大。此外研究表明,在其他因素相同的情况下,消除不同时期的误差订正会导致预测的结果差异显著。2019 年 Wayand 等22基于新发布的含有 16 个海冰预报模式的数据库,对 2018 年的海冰进行了分析比较,并运用布里尔分数(Brier Score,BS)来概率预报相对于测试样本的均方误差结果,BS 越接近 0 表明预报的效果越好,反之BS 越接近 1 表明预报的效果越差,其中用于验证的观测数据来自于 NSIDC 的国防气象卫星计划专用传感器微波成像仪(Defense Meteorological Satellite Program Special Sensor Microwave,DMSP SSM)。研究结果发现 2018 年 67 月的海冰密集度预报能力相对较低,模式与观测数据的BS 的差异可达到 0.1。相比之下,在 2018 年 25月以及 911 月的海冰密集度预报准确性较高,各个模式与观测数据的 BS 差异约在 0.02。1.2 中长期预估 在海冰密集度的中长期预估方面,研究主要集中在第五次国际耦合模式比较计划(CMIP5)和CMIP6 计划。CMIP5 和 CMIP6 模拟海冰密集度的长期变化趋势与观测是一致的,尤其是在使用误差订正后,海冰密集度的预估数据有显著改善。CMIP5 模式如表 2 所示,其水平格点分布见图 3;CMIP6 模式如表 3 所示,其水平格点分布见图 4。2012 年 Koenigk 等23利用 CMIP5 中的EC-Earth 模式进行了海冰密集度研究工作(表 2),该模式水平空间分辨率为 120 km,EC-Earth 预估数据显示 20802099 年期间巴伦支海的年平均海冰密集度变化最大,可达 0.3,而拉布拉多海和格陵兰海沿岸的海冰密集度变化差异均在 0.1 左右。2020 年王松等24对 CMIP5 和 CMIP6 中BCC-CSM 模式的海冰密集度历史数据模拟能力进行分析(表 2 和表 3)。通过 CMIP5 与 CMIP6 中海冰密集度的模拟趋势来看,二者预估的结果较为相似,但 CMIP6 计划中该模式模拟的 9 月海冰密集度减小趋势与观测数据更为接近,与美国国防气象卫星专用微波成像仪(Special Sensor Mi-crowave/Image,SSM/I)卫星遥感数据的误差比CMIP5 模拟的误差减小了 10%,同时,CMIP6 在巴芬湾南部和格陵兰岛南部的 3 月海冰密集度预估更接近于卫星观测数据,比 CMIP5 模拟的误差减小了 4%。CMIP5 与 CMIP6 计划下 BCC-CSM模式误差产生的原因可能是大气模块及海冰模块物理参数化设置,特别是大气模块云物理过程和辐射、海冰反照率参数化方案通过增加向下短波辐射和反照率参数改善了冰表面热收支,同时对海洋热通量也有间接的影响。此外,有研究基于 16 个 CMIP6 模式对 20152100 年的SSP1-2.6、SSP2-4.5 和 SSP5-8.5 三个场景下北极海冰状况进行了预估研究,研究结果表明 CMIP6 第 3 期 查宇凡等:北极海冰短期预报和中长期预估模式研究进展 445 表 2 包含海冰数据的 CMIP5 模式简称、模式全称及来源机构 Table 2.Abbreviations,full names and source institutions of CMIP5 models with sea ice data 序号 模式简称 模式全称 来源机构 1 ACCESS1.0 Australian Research Council Centre of Excellence for Climate System Science version 1.0 澳大利亚联邦科学与工业研究组织(CSIRO)2 ACCESS1.3 Australian Research Council Centre of Excellence for Climate System Science version 1.3 澳大利亚联邦科学与工业研究组织(CSIRO)3 BCC-CSM1.1 Beijing Climate Center Climate System Model version 1.1 国家气候中心(BCC)4 BCC-CSM1.1-m Beijing Climate Center Climate System Model version 1.1-m 国家气候中心(BCC)5 BNU-ESM Beijing Normal University Earth System Model 北京师范大学(BNU)6 CanESM2 The Second Generation Canadian Earth System Model version 2 加拿大气候模拟和分析中心(CCCma)7 CCSM4 Community Climate System Model version 4 美国国家大气研究中心(NCAR)8 CESM1-BGC Community Earth System Model version 1-Biogeochemistry 美国国家大气研究中心(NCAR)9 CESM1-CAM5 Community Earth System Model version 1-Community Atmosphere Model version 5 美国国家大气研究中心(NCAR)10 CESM1-WACCM Community Earth System Model version 1-Whole Atmosphere Community Climate Model 美国国家大气研究中心(NCAR)11 CMCC-CM Fondazione Centro Euro-Mediterraneo sui Cam-biamenti Climatici-Climate Model 欧洲-地中海气候变化中心(CMCC)12 CMCC-CMS Fondazione Centro Euro-Mediterraneo sui Cam-biamenti Climatici-Climate Model with a resolved Stratosphere 欧洲-地中海气候变化中心(CMCC)13 CNRM-CM5 Centre National de Recherches Meteorologiques-climate model version 5 法国国家气象研究中心(CNRM)14 EC-Earth Europe-wide consortium-Earth 欧洲地球科学联盟(EC-Earth-Consortium)15 FGOALS-g2 Flexible Global Ocean-Atmosphere-Land System model Grid-point version 2 中国科学院(CAS)16 FGOALS-s2 Flexible Global Ocean-Atmosphere-Land System model Spectral version 2 中国科学院(CAS)17 FIO-ESM First Institute of Oceanography Earth System Model自然资源部第一海洋所(FIO)18 GFDL-CM3 Geophysical Fluid Dynamics Laboratory-climate model version 3 美国地球物理流体动力学实验室(GFDL)19 GFDL-ESM2G Geophysical Fluid Dynamics Laboratory-Earth System Model 2G 美国地球物理流体动力学实验室(GFDL)20 GFDL-ESM2M Geophysical Fluid Dynamics Laboratory-Earth System Model 2M 美国地球物理流体动力学实验室(GFDL)446 极地研究 第 35 卷 续表 序号 模式简称 模式全称 来源机构 21 GISS-E2-H Goddard Institute for Space Studies-Earth 2-H 戈达德太空研究所(NASA-GISS)22 GISS-E2-H-CC Goddard Institute for Space Studies-Earth 2-H-Community Climate 戈达德太空研究所(NASA-GISS)23 GISS-E2-R Goddard Institute for Space Studies-Earth 2-R 戈达德太空研究所(NASA-GISS)24 GISS-E2-R-CC Goddard Institute for Space Studies-Earth 2-R-Community Climate 戈达德太空研究所(NASA-GISS)25 HadGEM2-AO Hadley Centre Global Environmental Model 2 Arctic Ocean 英国气象局哈德利中心(MOHC)26 HadGEM2-CC Hadley Centre Global Environmental Model 2 Community Climate 英国气象局哈德利中心(MOHC)27 HadGEM2-ES Hadley Centre Global Environmental Model 2 Earth Sys-tem 英国气象局哈德利中心(MOHC)28 INM-CM4 Institute of Numerical Mathematics-climate model version 4 俄罗斯科学院(RAS)29 IPSL-CM5A-LR Institut Pierre-Simon Laplace-Climate Model 5A-Low Resolved 皮埃尔-西蒙-拉普拉斯研究所(IPSL)30 IPSL-CM5A-MR Institut Pierre-Simon Laplace-Climate Model 5A-Middle Resolved 皮埃尔-西蒙-拉普拉斯研究所(IPSL)31 IPSL-CM5B-LR Institut Pierre-Simon Laplace-Climate Model 5B-Low Resolved 皮埃尔-西蒙-拉普拉斯研究所(IPSL)32 MIROC-ESM Model for Interdisciplinary Research on Climate-Earth System Model 东京大学大气海洋研究所/日本国立环境研究所/日本国立海洋研究开发机构(AORI/NIES/JAMSTE)33 MIROC-ESM-CHEM Model for Interdisciplinary Research on Climate-Earth System Model-CHEM 东京大学大气海洋研究所/日本国立环境研究所/日本国立海洋研究开发机构(AORI/NIES/JAMSTE)34 MIROC5 Model for Interdisciplinary Research on Climate version 5东京大学大气海洋研究所/日本国立环境研究所/日本国立海洋研究开发机构(AORI/NIES/JAMSTE)35 MPI-ESM-LR Max Planck Institute-Earth System Model-Low Resolved 马克斯-普朗克气象研究所(MPI-M)36 MPI-ESM-MR Max Planck Institute-Earth System Model-Middle Re-solved 马克斯-普朗克气象研究所(MPI-M)37 MRI-CGCM3 Meteorological Research Institute-coupled general circula-tion model version 3 日本气象研究所(MRI)38 NorESM1-M Norwegian Climate Centers Earth System Model 1-M 皮耶克尼斯气候研究中心(NCC)39 NorESM1-ME Norwegian Climate Centers Earth System Model 1-ME 皮耶克尼斯气候研究中心(NCC)第 3 期 查宇凡等:北极海冰短期预报和中长期预估模式研究进展 447 图 3 包含海冰数据的 CMIP5 模式水平格点分布 Fig.3.Grid point distribution of CMIP5 models with sea ice data 模式再现目前海冰密集度的能力有限,将 CMIP6模式的数据与 NSIDC 的海冰密集度的数据比较发现,CMIP6 模式整体上很大地低估了北极 9 月的海冰密集度,误差在 22.6%73.8%,但在使用统计误差订正后,模式的预估能力得到了显著改善,优化后模式的误差在 4.4%22.6%25。2 海冰范围和面积短期预报及中长期预估 2.1 短期预报 在海冰范围和面积方面,通常将 15%作为确 定海冰边界的阈值。然而在不同的研究中得出的阈值不完全一致,对于北极,这个阈值可能在15%30%之间。对于北极海冰覆盖范围和面积的短期预报模式,总体预报的准确性一般,但部分短期预报模式同化了海冰密集度以及海冰厚度的数据,同化后的准确性提高,与观测数据的误差减小。2015 年 Peterson 等26使用 GloSea4 模式(表1)对 2011 年 9 月和 2012 年 9 月海冰覆盖范围进行了预报,该模式的水平空间分辨率为 1,结果显示,2011 年和 2012 年的 9 月预报平均值分别为(3.820.65)106 km2和(4.090.92)106 km2,448 极地研究 第 35 卷 NSIDC的观测平均值分别为5106 km2和4106 km2,模式预报结果与观测数据的差异最大可达1.83 106 km2,这些误差产生的原因可能是使用的大气强迫和冰-海耦合模型存在潜在的偏差。2016年赵杰臣等17基于MITgcm模式使用了3种同化方案,研究最优Nudging同化方案对于海冰面积的预报结果与AMSR2卫星观测结果的差异约为0.2106 km2,比没有使用同化方案时产生的误差减小了约0.8 106 km2。此外,也有研究使用PIOMAS模式(表1)的海冰厚度场进行初始化,利用8种不同的动力学模式(CNRM、EC-Earth 2.3、GEOS-5、CESM1、CFSv2、GOFS3.1、PIOMAS和NEMO-LIM3)对2015年北极夏季海冰进行了季节性预测并与NSIDC数据的值相对比。8个模式9月海冰范围的平均模拟值为4.92106 km2,这与观测值4.63106 km2较为一致,但是模式与模式之间差异较大,模式的海冰范围为31066106 km221。Blockley等27在2018年的时候将CryoSat-2海冰厚度数据同化到GloSea模式中(表1),该模式的水平空间分辨率为8.915.5 km,同化后的GloSea模式预测结果显示20112015年间9月的海冰覆盖范围预报的准确性提高,与NSIDC的观测数据相比整个北极范围内的误差减少了1.01106 km2,尤其在大西洋地区,海冰边缘位置的准确性有了相当大的改善。CFSv2模式对19992015年北极海冰进行了多周预报,预报结果表明提前3周预报的海冰覆盖范围的距平与NSIDC观测到的海冰覆盖范围的距平吻合良好,相关系数可以达到0.6618。2.2 中长期预估 在北极海冰覆盖范围和面积的中长期预估方面,大多数模式都可以很好地再现海冰生消的季节循环。相对于 9 月的海冰覆盖范围和面积而言,3 月的模式间差异要更大。各个模式海冰模拟出现误差的原因可能是多方面的,使用不同的海冰模块或版本可能会使得模拟结果有所差别。CMIP5 中的 MRI-CGCM3 模式(表 2)对 1979 2005 年北极海冰进行历史模拟,该模式采用的水平分辨率经度为 1,纬度为 0.5,结果表明 MRI-CGCM3 模式对所有年份的 69 月海冰面积的模拟较好,与 NSIDC 观测的数据差异都小于 2 106 km2,然而该模式模拟的冬季到春季期间海 冰面积过大,与 NSIDC观测的数据差异最高可达8106 km2,造成高估海冰覆盖范围的原因可能是北大西洋暖流的作用28。2012 年 Koenigk 等23利用 EC-Earth 模式对 18602100 年北极海冰进行了模拟,其中在19802010年期间模式的海冰覆盖范围与NSIDC的年平均观测数据相比平均高估了约6106 km2的海冰范围,EC-Earth的海冰范围和变化趋势直到 20302040 年才与现在 NSIDC的观测结果相似。作者考虑到模式对北极海冰覆该范围存在高估的现象,因此预估在 2040 年 9 月可能会出现北极无冰现象23。2013 年 Notz 等29利用 CMIP5 中的 MPI-ESM 模式(表 2)模拟了 20 世纪至21世纪的北极海冰的演变,该模式的水平空间分辨率为 1.875,MPI-ESM 海冰范围与 NSIDC的卫星观测的年际差异呈正态分布,在整个21世纪,15月标准差在0.3106 km2左右,810月标准差增大到 0.71060.9106 km2之间。此外,MPI-ESM 模式还预估整个 21 世纪冬季海冰面积减少到约 12106 km2,然后在 23 世纪末缓慢增加到 13106 km2。对 FIO-ESM 模式(表 3)在 RCP(Representative Concentration Pathways)2.6、RCP 4.5、RCP6.0 和 RCP8.5 这 4 种不同未来情景下分别进行了近百年(20062100年)的数值预估实验,该模式的水平空间分辨率为 10.271 0.54,实验的结果表明 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 情景下,20062020 年期间北极海冰覆盖范围略有下降,随后呈现增加的趋势。在 RCP4.5 情景下,2006 2040 年期间北极海冰基本维持不变,2040 年以后北极海冰覆盖范围呈增加趋势,但增加的速度小于 RCP2.6 的速度,21 世纪最后 20 年(20802100年)北极海冰覆盖范围又呈下降趋势。在 RCP6.0情景下,北极海冰基本维持不变,冬季海冰略有增加,夏季海冰略有减少。在 RCP8.5 情景下,呈现继续衰减趋势,冬季减少速度小于夏季减少速度,FIO-ESM 模式预估 2090 年 9 月整个北极将没有海冰覆盖。此外,与星载微波辐射计(Scanning Multichannel Microwave Radiometer and Special Sensor Microwave/Imager,SMMR 和 SSM/I)卫星数据相比较而言,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,模拟的月平均 第 3 期 查宇凡等:北极海冰短期预报和中长期预估模式研究进展 449 表 3 包含海冰数据的 CMIP6 模式简称、模式全称及来源机构 Table 3.Abbreviations,full names and source institutions of CMIP6 models with sea ice data 序号 模式简称 模式全称 来源机构 1 ACCESS-CM2 Australian Research Council Centre of Excellence for Climate System Science-Climate Model version 2 澳大利亚联邦科学与工业研究组织(CSIRO)2 ACCESS-ESM1-5 Australian Research Council Centre of Excellence for Climate System Science-Earth System Model version 1-5 澳大利亚联邦科学与工业研究组织(CSIRO)3 AWI-CM-1-1-MR Alfred Wegener Institute-Climate Model-1-1-Middle Re-solved 阿尔弗雷德魏格纳研究所暨亥姆霍兹极地海洋研究中心(AWI)4 AWI-ESM-1-1-LR Alfred Wegener Institute-Eart