本文采用FGOALS-s2结果。FGOALS-s2是IAP/LASG发展的耦合气候系统模式, 其大气分量是IAP/LASG开发的SAMIL^[14], 垂直26层(inσ -p hybrid)由海表直到2.19 hPa, 水平分辨率是菱形截断42波(R42)。SAMIL采用Tiedtke^[15]积云对流参数化; 层云参数化采用Slingo^{[16, 17]}诊断层云方案, 主要基于稳定度和相对湿度; 边界层方案采用非局地扰动机制计算湍流通量和湍流输送^[18]。此外, 辐射传输采用Edwards-Slingo^[19]。

FGOALS-s2海洋分量是IAP/LASG开发的LICOM, 其水平分辨率约为1° × 1° , 其中赤道区域加密到0.5° × 0.5° , 垂直方向30层^[20]; 陆面模块为CLM3^[21]; 海冰模块为CSIM5^[22]。模式的耦合器采用NCAR的CPL6。

基于EnOI-IAU同化方案和耦合气候系统模式FGOALS-s2的初始化试验本质上是同化海洋观测资料, 进而通过海— 陆— 气耦合过程调整气候系统其他分量, 实现对整个气候系统初始化的弱耦合同化试验。

新发展的EnOI-IAU方案同化的观测资料是由英国哈德来气候中心(Hadley Centre)提供的, 经过质量控制的原始海洋次表层温度和盐度廓线资料EN4_v1.1和格点化SST资料HadISST1.1。EN4_v1.1数据时间跨度从1900年至今, 除了观测的盐度和温度外还提供了基于不确定性的客观分析^[23]。同化区域设为70° S~70° N(其中高纬度60° ~70° 为缓冲区), 上层700 m, 同化循环窗口宽度设为1个月。这里我们只简单介绍该方案的主要步骤, 详细流程见参考文献[12]。在一个同化循环内, 首先由模式自由积分得到预报场(背景场); 然后使用集合最优插值(EnOI)方法, 结合预报场和观测资料, 计算得到分析增量; 最后, 将模式回到同化循环的起始点, 重新积分, 并在积分过程中逐步引入分析增量。其中, 步骤2中的EnOI方法是基于集合卡尔曼滤波(EnKF)理论发展而来的, 可以视为EnKF的次优解, 其优点是不需要进行集合模拟。本工作中, 构造EnOI背景误差协方差矩阵所需集合成员来自历史气候模拟试验, 具体细节参见参考文献[13]。

EnOI-IAU与IAU方案的主要区别是得到分析增量的方法。EnOI的主要优势有2点:首先它同时考虑了观测和模式误差, 因此得到的分析增量与模式更匹配; 另一方面, 它能够同化原始廓线资料, 不依赖于格点化资料。此外, 2套方案的另外一个重要区别是, EnOI-IAU方案采用的是全场同化策略; IAU方案采用的则是异常场同化策略, 即只同化观测的距平场。

EnOI-IAU初始化试验包含3个集合成员, 积分时间为1950— 2015年, 本文分析时段为1984— 2010年。

本文的大气层顶辐射资料采用热带测雨任务卫星(Tropical Rainfall Measuring Mission, TRMM)搭载的云和地球辐射能量探测器(CERES)资料, 时间跨度为2002— 2010年(https:∥ceres.larc.nasa.gov)。

云量和云廓线资料来自于CloudSat卫星上搭载的云廓线雷达CPR, 首次实现了对云内部结构的垂直观测^[24]。本文所使用的CloudSat资料包括二级云几何廓线产品(2b-GEOPROF和2b-GEOPROF-lidar)。时间跨度为2006— 2011年, 依据CloudSat的卫星轨道将数据插值到全球1° × 1° 水平网格上^[25]。

云水资料取自NASA’ s Water Vapor Project(NVAP), 时间跨度为1988— 1999年, 水平分辨率为1° × 1° ^[26]。

图1为EnOI-IAU试验模拟的SST空间分布及其与观测的对比。整体而言, EnOI-IAU试验较好地模拟出了类似观测的SST空间分布, 整体空间相关系数达到0.78, 具有较高模拟技巧的区域主要集中在赤道中太平洋赤道辐合带、副热带印度洋和热带大西洋(图1)。然而, 赤道东大洋和中高纬度南大洋则存在明显的SST正偏差, 例如赤道东大西洋, 赤道东太平洋的秘鲁沿岸和美国加州沿岸。在这些区域里SST的模拟偏差甚至达到5 K, 尤其是赤道太平洋秘鲁沿岸(图1c)。考虑到上述区域多为层积云活跃区, SST暖偏差很可能和模式对低云和边界层结构模拟不足有关。

图2给出了EnOI-IAU试验和CloudSat卫星资料年平均低云云量的对比。CloudSat中低云云量的大值带集中出现在副热带大洋的东岸、南大洋和北太平洋, 相反, 低值带则多为对流多发的区域。这一分布与大气环流密切相关, 即赤道东大洋的大尺度下沉气流更强, 边界层相对稳定。整体而言, EnOI-IAU试验对低云的空间分布具有一定模拟技巧, 空间型和卫星观测较为一致, 空间相关系数也达到了0.7。但EnOI-IAU试验在低云模拟方面存在较大偏差, 普遍低估了低云云量, 该偏差在副热带洋面尤为明显(图2c)。类似的偏差出现在云水路径的模拟当中(图3)。NVAP资料揭示的云水路径分布和低云云量分布类似, 大值带位于低云多发区域。EnOI-IAU试验低估了副热带低云区的云水路径, 但高估了中高纬度云水路径。

云量、云水的偏差将直接影响低云的反射率及短波云辐射强迫(Shortware Cloud radiatire Forcing, SWCF)。SWCF通常为负值, 表明云对大气层顶入射短波的反射作用和对地气系统的冷却作用。图4给出了EnOI-IAU试验模拟的年平均SWCF空间分布及其和CERES卫星观测的对比。如CERES卫星所示, SWCF的大值带位于副热带大洋东侧, 与低云大值带相对应, 揭示了低云在地气系统中的强冷却作用。然而, 受云水和低云量偏差的影响, 副热带东大洋的层云偏少且光学厚度较弱, EnOI-IAU模拟的SWCF在副热带东大洋整体偏弱, 特别在秘鲁沿岸偏差超过30 W/m²。这表明, 该地区海表面入射的太阳辐射偏多, 有利于形成局地暖海温一场。由于云水和云量偏差的相互补偿, 中高纬度大洋上空并未表现出明显的SWCF正偏差。

图1

Fig.1

	Figure Option ViewDownloadNew Window
	图1 1984— 2010年平均海表温度对比(单位:K) (a)HadISST; (b)ENOI试验样本集合(MME); (c)ENOI减去HadISSTFig.1 Spatial pattern of surface sea temperature (K) averaged from 1984 to 2010 (a)HadISST dataset; (b)Model results; (c)Model results subtract HadISST

尽管在EnOI-IAU试验中同化了海温和盐度, 但一方面海洋观测数据在层积云区相对稀缺, 另一方面这些区域存在较强的反馈过程很大程度受模式大气模拟偏差的影响, 以至于观测数据不足以完全约束局地SST的发展和演变。因此, 在实际模拟中, SST可能更多反映的是模式内部局地反馈过程和海气相互作用的结果。

前文的对应关系表明, 副热带东大洋低云模拟不足可能是造成EnOI-IAU试验SST暖偏差的主要原因。为此, 本文进一步分析了层积云区的海表能量收支诊断:

H· C_p· ρ ∂SST∂t≈ latent+sensible+SW+LW+R

式中: ∂SST∂t是海表温度的变化趋势, 是辐射通量和湍流热通量变化的结果; ρ 为海水密度(1 000 kg /m³); C_p为热容量(4 000 J/(kg· K)) , H 为海混合层厚度; SW和LW分别为入射短波和长量辐射通量, 而latent和sensible代表潜热和感热通, 海洋的动力过程和残差项计作R^[27]。

本文给出了方程右侧各通量的收支情况, 如图5所示。需要指出的是, 图5中所有通量均定义为向下为正; 层积云区的定义为:大气低层稳定度(θ ₇₀₀-θ _surface)大于或等于18.5 K的区域^{[28, 29]}。由图5可知, 在层积云区对SST最主要的正贡献来自短波辐射强迫; 潜热、感热以及长波均对SST的变化趋势起负贡献。OAFLUX中, 入射短波约为203 W/m²。而在EnOI-IAU试验中, 入射短波约为223 W/m²。过强的短波辐射通量与低云模拟的不足密切相关(图4c)。受SST暖偏差的影响, 层积云区的向外长波和潜热/感热通量也大于对应的OAFLUX参照值。

需要指出的是, 层积云多发于海洋上翻流频繁的区域, 海洋的动力过程对SST起重要作用。本文评估也发现, EnOI-IAU试验中副热带东大洋上翻流的强度和深度均明显弱于观测, 底层的冷海水无法有效到达表层, 从而迫使SST暖偏差进一步增强。可能的原因是, EnOI-IAU试验SST经向梯度偏弱(图1), 一定程度上抑制了Walker环流及其低层的东风分量, 从而导致海洋向西的经向平流减弱。

综上可见, EnOI-IAU试验在大洋东侧等层积云区域模拟的SST偏高与其对低云刻画不足密不可分, 后者导致了20 W/m²的入射短波, 这大致是气候平均值的10%。

图2

Fig.2

	Figure Option ViewDownloadNew Window
	图2 全球年平均低云云量(单位:%) (a)CloudSat; (b)ENOI试验样本集合(MME); (c)ENOI减去HadISST; CloudSat 资料取自2006— 2011年平均Fig.2 Spatial pattern of annual mean low-cloud fraction (unit:%) (a) CloudSat dataset; (b) Model results and (c) Model results subtract CloudSat; CloudSat data is averaged from 2006 to 2011

图3

Fig.3

	Figure Option ViewDownloadNew Window
	图3 全球年平均云水含量(单位:g/ m2) (a)NVAP; (b)ENOI试验样本集合(MME); (c)ENOI减去NVAP; NVAP资料取自1989— 1999年平均Fig.3 Spatial pattern of annual mean cloud liquid water path (unit:g/ m2) (a) NVAP dataset; (b) Model results and (c) Model results subtract NVAP; NVAP data is averaged from 1989 to 1999

图4

Fig.4

	Figure Option ViewDownloadNew Window
	图4 全球年平均短波云辐射强迫(单位:W/ m2) (a)CERES; (b)ENOI试验样本集合(MME); (c)ENOI减去CERESFig.4 Spatial pattern of annual mean shortwave cloud radiative forcing (unit:W/m2) (a) CERES dataset; (b) Model results; (c)Model results subtract CERES

图5

Fig.5

	Figure Option ViewDownloadNew Window
	图5 副热带(30° S~30° N)海洋区域平均的层积云区的海表热通量收支(向下为正) 观测资料OAFLUX和模式资料取1984— 2010年的时间平均Fig.5 SST tendency budgets (down is positive)over subtropical stratocumulus regions Both OAFLUX and model results are averaged from 1984 to 2010

图6给出了秋季典型层积云区域的层积云模拟情况和CloudSat卫星资料的对比。本文选取20° S, 180° ~75° W作为层积云典型区域; 而秋季是该区域层积云最少的季节, 分析秋季边界层结构能更大程度地反映出模拟的固有偏差。其他区域层积云区的情况与之类似。在CloudSat中, 云量的大值带接近于秘鲁沿岸(约70%), 并向远离岸边的方向逐步减少; 云量中心出现在岸边1 km高度处, 云带中心的高度随着经度向西递增。该现象反映的是层积云向积云过渡过程:在层积云区(岸边)表面热通量较弱, 边界层混合较好, 因此层积云较多、云顶高度相对较低; 而在大洋深处, 表面热通量更强、边界层混合更弱, 对流活动更为频繁, 导致云顶升高、云量变少^[29]。反观EnOI-IAU试验, 整体云量均少于CloudSat, 且高度更低, 岸边的云量中心接近于海表, 且并未表现出如CloudSat般的云顶高度随经度升高的渐进过程, 反而在135° W以西云顶高度和云量中心陡然升高。前者反映了当前模式在边界层方案和层云方案的不足, 后者则与积云对流参数化替代边界层方案作用于该地区有关。

低云特别是层积云的发展很大程度依赖于边界层的垂直结构和湍流混合。因此, 图7给出了在20° S, 75° W区域EnOI-IAU试验和观测(ERAIM和CloudSat)中边界层垂直结构的对比, 包括云廓线、垂直速度、比湿、温度、位温和相对湿度。在ERAIM中, 从海表到距海表700 m高度处, 位温、比湿均为表现出明显的垂直梯度, 同时温度廓线显示在700 m~1.1 km处存在明显逆温层, 垂直速度随高度递减直到距海表700 m处, 表明该地区的行星边界层混合较好, 并未出现明显的解耦, 利于层积云的发展。EnOI-IAU试验并未形成明显的混合层, 例如位温随高度递增的趋势贯穿整个大气层。同样, 温度也未表现出逆温结构。水汽集中在大气层底层(参见图7相对湿度和比湿)。因此, EnOI-IAU试验的水汽和热通量被限制在了近地层, 不仅低估了边界层层积云, 甚至并未模拟出真正意义上的“ 云” 。这种“ 雾状” 云导致局地入射短波通量过多, SST偏暖。

大气模式对层云特别是边界层结构的模拟不足是造成EnOI-IAU试验在层积云区模拟SST过高的主要原因。原因有2个, 一是该区域的海温观测资料自身不足, 即使采用了同化技术, 但依然不足以令模式预报的海温逼近观测; 二是单纯同化海温不足以合理反映边界层大气的变化, 未来有待同化大气资料提升耦合系统对大气边界层结构的模拟技巧。

图6

Fig.6

	Figure Option ViewDownloadNew Window
	图6 20° S处秋季平均云量的经度— 高度剖面 (a)模拟结果, 取1984— 2011年的平均; (b)CloudSat卫星观测, 取2006— 2011年的平均Fig.6 Vertical cross sections of averaged cloud fraction (fraction) along the 20° S transect in SON (a)is derived from model result that is averaged from 1984 to 2011; (b) is derived from CloudSat, which is averaged from 2006 to 2011

图7

Fig.7

Figure Option ViewDownloadNew Window

图7 秋季平均20° S, 75° W区域的边界层垂直结构 实线为观测, 分别取自ERAIM和CloudSat卫星; 虚线为模拟结果, 取1984— 2011年的平均值Fig.7 Vertical profiles of autumn boundary layer at 20° S and 75° W Observation/reanalysis data set is shown in dash lines: Cloud fraction is from CloudSat, while humidity, large-scale pressure vertical velocity, and potential temperature are from the European Centre for Medium-Range Weather Forecasts (ECMWF) Interim ReAnalysis (ERA-Interim). The model results are shown in solid line, which is averaged from 1984 to 2011